ÎncepețiÎncepe gratuit

Interpolare: Valori Intermediare în Timp

În acest exercițiu, vei construi un model liniar antrenând date lunare de tip serie de timp pentru Dow Jones Industrial Average (DJIA), apoi vei folosi acel model pentru a face predicții pe date zilnice (efectuând astfel o interpolare). Vei compara apoi acea predicție zilnică cu datele DJIA zilnice reale.

Câteva note despre date. „OHLC" înseamnă „Open-High-Low-Close" (Deschidere-Maxim-Minim-Închidere) și reprezintă de obicei date zilnice – de exemplu, prețurile de deschidere și închidere, precum și prețul maxim și minim ale unei acțiuni într-o zi dată. „DayCount" este un număr întreg care reprezintă numărul de zile de la începutul colectării datelor.

Acest exercițiu face parte din cursul

Introducere în modelarea liniară în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Folosește ols() cu .fit() pentru a antrena un model pe data=df_monthly cu formula="Close ~ DayCount".
  • Folosește model_fit.predict() atât pe df_monthly.DayCount, cât și pe df_daily.DayCount pentru a prezice valorile prețurilor Close lunare și zilnice, stocate ca o nouă coloană Model în fiecare DataFrame.
  • Folosește funcția predefinită plot_model_with_data de două ori, o dată pentru df_monthly și o dată pentru df_daily, și compară valorile RSS afișate.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)
Editează și rulează codul