เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การสร้างการพยากรณ์แบบ dynamic

ต่อไปเราจะก้าวไปสู่การพยากรณ์ระยะยาวขึ้น นั่นคือ dynamic predictions ลองคิดดูว่าถ้าต้องการพยากรณ์ราคาหุ้น Amazon ไม่ใช่แค่พรุ่งนี้ แต่สัปดาห์หน้าหรือเดือนหน้า นั่นคือจุดที่ dynamic predictions เข้ามามีบทบาท

จำไว้ว่าในวิดีโอได้อธิบายแล้วว่าการพยากรณ์ระยะยาวนั้นทำได้ยากกว่า เพราะค่า shock สะสมกันเรื่อย ๆ ยิ่งพยากรณ์ไกลเท่าไหร่ ความไม่แน่นอนก็ยิ่งมากขึ้นเท่านั้น โดยเฉพาะกับข้อมูลราคาหุ้น ดังนั้นผลลัพธ์ในแบบฝึกหัดนี้อาจมีความแม่นยำน้อยกว่าแบบฝึกหัดที่ผ่านมา

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ARIMA Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ออบเจกต์ results เพื่อสร้างการพยากรณ์แบบ dynamic สำหรับ 30 วันล่าสุด แล้วกำหนดผลลัพธ์ให้กับตัวแปร dynamic_forecast
  • กำหนดค่าพยากรณ์ให้กับตัวแปรใหม่ชื่อ mean_forecast โดยใช้แอตทริบิวต์หนึ่งของออบเจกต์ dynamic_forecast
  • ดึงช่วงความเชื่อมั่นของการพยากรณ์จากออบเจกต์ dynamic_forecast แล้วกำหนดให้กับตัวแปรใหม่ชื่อ confidence_intervals
  • แสดงผลค่าพยากรณ์เฉลี่ยของคุณ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____)
แก้ไขและรันโค้ด