Интерполяция: промежуточные значения
В этом упражнении вы построите линейную модель, обучив её на месячных данных временного ряда индекса Доу Джонса (DJIA), а затем используете эту модель для прогнозирования дневных значений — по сути, для интерполяции. После этого вы сравните полученный прогноз с реальными дневными данными DJIA.
Несколько пояснений по данным. «OHLC» расшифровывается как «Open-High-Low-Close» («Открытие — Максимум — Минимум — Закрытие») — это, как правило, дневные данные: например, цены открытия и закрытия, а также максимальная и минимальная цены акции за торговый день. «DayCount» — целое число дней, отсчитанных от начала сбора данных.
Это упражнение является частью курса
Введение в линейное моделирование на Python
Инструкции к упражнению
- Используйте
ols()и.fit(), чтобы обучить модель на данныхdata=df_monthlyс формулойformula="Close ~ DayCount". - Примените
model_fit.predict()кdf_monthly.DayCountиdf_daily.DayCount, чтобы получить прогнозные значения цены закрытияCloseдля месячных и дневных данных. Сохраните результаты в новый столбецModelкаждого DataFrame. - Дважды вызовите предопределённую функцию
plot_model_with_data— дляdf_monthlyиdf_daily— и сравните отображаемые значения RSS.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____)