ПочатиПочніть безкоштовно

Інтерполяція: проміжні моменти

У цій вправі ви побудуєте лінійну модель, підігнавши її за місячними часовими рядами для Dow Jones Industrial Average (DJIA), а потім використаєте цю модель, щоб зробити передбачення для щоденних даних (фактично, інтерполяція). Далі ви порівняєте це щоденне передбачення зі справжніми щоденними даними DJIA.

Кілька зауваг щодо даних. «OHLC» означає «Open-High-Low-Close» — зазвичай це щоденні дані, наприклад ціни відкриття й закриття, а також найвища й найнижча ціни для акції за певний день. «DayCount» — це ціла кількість днів від початку збирання даних.

Ця вправа є частиною курсу

Вступ до лінійного моделювання в Python

Переглянути курс

Інструкції до вправи

  • Використайте ols() і .fit() модель на data=df_monthly з formula="Close ~ DayCount".
  • Використайте model_fit.predict() як для df_monthly.DayCount, так і для df_daily.DayCount, щоб передбачити значення місячних і щоденних цін Close, збережених як новий стовпець Model у кожному датафреймі.
  • Двічі використайте заготовлену функцію plot_model_with_data — для df_monthly та df_daily — і порівняйте показані значення RSS.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____)
Редагувати та запускати код