Kom igångKom igång gratis

Interpolation: Värden däremellan

I den här övningen bygger du en linjär modell genom att anpassa månadsvis tidsseriedata för Dow Jones Industrial Average (DJIA) och sedan använda modellen för att göra prediktioner för dagliga data – i praktiken en interpolation. Därefter jämför du den dagliga prediktionen med de verkliga dagliga DJIA-data.

Några noteringar om data. "OHLC" står för "Open-High-Low-Close" (öppning, högsta, lägsta, stängning) och avser vanligtvis dagliga data, till exempel en akties öppnings- och stängningskurs samt högsta och lägsta kurs under en given dag. "DayCount" är ett heltal som anger antalet dagar från starten av datainsamlingen.

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Visa kurs

Övningsinstruktioner

  • Använd ols() för att .fit() en modell mot data=df_monthly med formula="Close ~ DayCount".
  • Använd model_fit.predict() på både df_monthly.DayCount och df_daily.DayCount för att prediktera värden för månadsvis och daglig Close-kurs – lagra resultaten som en ny kolumn Model i respektive DataFrame.
  • Använd den fördefinierade funktionen plot_model_with_data två gånger, en gång för varje df_monthly och df_daily, och jämför de RSS-värden som visas.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____)
Redigera och kör kod