Визуализация пошаговых прогнозов

Теперь, когда прогнозы по акциям Amazon готовы, стоит визуализировать их, чтобы оценить качество модели.

Вы строили прогнозы на последние 30 дней доступных данных, каждый раз предсказывая только один день вперёд. Такая оценка позволяет понять, насколько хорошо модель справляется с краткосрочным прогнозированием — на следующий день, когда истинное значение ещё неизвестно.

В вашем окружении доступны датафреймы lower_limits, upper_limits и amazon, а также средний прогноз mean_forecast, созданный в предыдущем упражнении.

Это упражнение является частью курса

Модели ARIMA в Python

Посмотреть курс

Инструкции к упражнению

Постройте график данных amazon, используя amazon.index в качестве координат x.
Аналогичным образом постройте график прогноза mean_forecast, используя mean_forecast.index в качестве координат x.
Отобразите закрашенную область между lower_limits и upper_limits доверительного интервала. В качестве координат x используйте индекс lower_limits.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# plot the amazon data
plt.plot(____, ____, label='observed')

# plot your mean predictions
plt.plot(____, ____, color='r', label='forecast')

# shade the area between your confidence limits
plt.____(____, ____,
		 ____, color='pink')

# set labels, legends and show plot
plt.xlabel('Date')
plt.ylabel('Amazon Stock Price - Close USD')
plt.legend()
plt.show()

Редактировать и запускать код

Это упражнение является частью курса

Модели ARIMA в Python

SkillTag.level.advancedSkillTag.label

4.9+

Начать курс бесплатно

Погружайтесь сразу и изучайте важнейшие свойства временных рядов. Вы узнаете о стационарности и о том, почему она важна для моделей ARMA. Вы научитесь проверять стационарность визуально и с помощью стандартного статистического теста. Наконец, вы познакомитесь с базовой структурой моделей ARMA, используете её для генерации данных ARMA и подгонки модели.

Exercise 1: Введение в временные ряды и стационарность Exercise 2: Исследование данных Exercise 3: Разбивка на обучающую и тестовую выборки Exercise 4: Стационарна ли временной ряд?Exercise 5: Приведение временного ряда к стационарному виду Exercise 6: Расширенный тест Дики–Фуллера Exercise 7: Взятие разности Exercise 8: Другие преобразования Exercise 9: Введение в модели AR, MA и ARMA Exercise 10: Порядок модели Exercise 11: Генерация данных ARMA Exercise 12: Первые шаги к обучению модели

В этой главе вы займётесь прогнозированием того, что ждёт ваши данные впереди. Вы научитесь использовать пакет statsmodels для подгонки моделей ARMA, ARIMA и ARMAX, а затем применять эти модели для предсказания неопределённого будущего цен на акции.

Exercise 1: Подбор моделей временных рядов Exercise 2: Подгонка моделей AR и MA Exercise 3: Обучение модели ARMA Exercise 4: Обучение модели ARMAX Exercise 5: Прогнозирование Exercise 6: Построение пошаговых прогнозов Exercise 7: Визуализация пошаговых прогнозов

Текущее упражнение

Exercise 8: Построение динамических прогнозов Exercise 9: Визуализация динамических прогнозов Exercise 10: Введение в модели ARIMA Exercise 11: Дифференцирование и подгонка модели ARMA Exercise 12: Восстановление абсолютных значений из прогноза ARMA Exercise 13: Подгонка модели ARIMA Exercise 14: Выбор модели ARIMA

В этой главе вы научитесь строить модели с умом и разборчивостью. Сначала вы узнаете, как определять подходящие порядки моделей непосредственно по данным, а затем — как выбрать наилучшую модель из набора обученных кандидатов. Кроме того, вы освоите удобный фреймворк для структурирования проектов по анализу временных рядов.

Exercise 1: Введение в ACF и PACF Exercise 2: AR или MA Exercise 3: Порядок модели для землетрясений Exercise 4: Введение в AIC и BIC Exercise 5: Перебор порядков модели Exercise 6: Выбор порядка модели с помощью AIC и BIC Exercise 7: AIC и BIC против ACF и PACF Exercise 8: Диагностика модели Exercise 9: Средняя абсолютная ошибка Exercise 10: Сводная диагностическая статистика Exercise 11: Диагностические графики Exercise 12: Метод Бокса–Дженкинса Exercise 13: Идентификация Exercise 14: Идентификация II Exercise 15: Оценка Exercise 16: Диагностика

В этой заключительной главе вы узнаете, как применять сезонные модели ARIMA для работы с более сложными данными. Вы научитесь разбивать данные на сезонную и несезонную составляющие, а затем используете все освоенные инструменты ARIMA в финальном задании по глобальному прогнозированию.

Exercise 1: Сезонные временные ряды Exercise 2: Сезонная декомпозиция Exercise 3: Сезонные ACF и PACF Exercise 4: Модели SARIMA Exercise 5: Обучение моделей SARIMA Exercise 6: Выбор порядка модели SARIMA Exercise 7: Сравнение прогнозов SARIMA и ARIMA Exercise 8: Автоматизация и сохранение Exercise 9: Автоматический выбор модели Exercise 10: Сохранение и обновление моделей Exercise 11: SARIMA и метод Бокса–Дженкинса Exercise 12: Мультипликативная и аддитивная сезонность Exercise 13: Диагностика модели SARIMA Exercise 14: Прогноз SARIMA Exercise 15: Поздравляем!