Generera dynamiska prognoser
Nu tar vi steget längre och tittar på dynamiska prognoser. Tänk dig att du vill förutsäga Amazons aktiekurs – inte bara för imorgon, utan för nästa vecka eller nästa månad. Det är här dynamiska prognoser kommer in.
Kom ihåg att du i videon lärde dig att det är svårare att göra exakta långsiktiga prognoser eftersom feltermer ackumuleras. Ju längre in i framtiden prognoserna sträcker sig, desto mer osäkra blir de. Det gäller särskilt för aktiedata, och du kommer troligen att märka att prognoserna i den här övningen inte är lika precisa som i den förra.
Den här övningen är en del av kursen
ARIMA-modeller i Python
Övningsinstruktioner
- Använd
results-objektet för att göra dynamiska prognoser för de senaste 30 dagarna och tilldela resultatet tilldynamic_forecast. - Tilldela dina prognoser till en ny variabel kallad
mean_forecastmed hjälp av ett av attributen idynamic_forecast-objektet. - Extrahera konfidensintervallen för dina prognoser från
dynamic_forecast-objektet och tilldela dem till en ny variabelconfidence_intervals. - Skriv ut dina medelvärdesprognoser.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Generate predictions
dynamic_forecast = results.______(____=___, ____=____)
# Extract prediction mean
mean_forecast = ____.____
# Get confidence intervals of predictions
confidence_intervals = ____.____
# Select lower and upper confidence limits
lower_limits = confidence_intervals.loc[:,'lower close']
upper_limits = confidence_intervals.loc[:,'upper close']
# Print best estimate predictions
print(____)