Отримайте прогнози та першу оцінку

Тепер, коли ми натренували модель випадкового лісу (rfr), хочемо використати її, щоб отримати прогнози на тестовій вибірці. Ми робимо це, щоб оцінити якість моделі — на базовому рівні, чи працює вона не гірше за просту стратегію купити індекс SPY?

Ми скористаємося типовим методом sklearn .predict(features), потім помножимо наші місячні прибутки на прогнози портфеля. Далі підсумуємо їх за допомогою np.sum(), адже для кожного місяця буде 3 рядки. Потім побудуємо графік як місячних прибутків за нашими прогнозами, так і SPY, і порівняємо їх.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Скористайтеся методом .predict() моделі випадкового лісу rfr, щоб зробити прогнози на train_features і test_features.
Помножте тестову частину returns_monthly на test_predictions, щоб отримати прибутки для наших прогнозів на тестовій вибірці.
Побудуйте графік тестових returns_monthly для 'SPY' (усе від train_size до кінця даних).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Get predictions from model on train and test
train_predictions = rfr.predict(train_features)
test_predictions = ____

# Calculate and plot returns from our RF predictions and the SPY returns
test_returns = np.sum(returns_monthly.iloc[train_size:] * ____, axis=1)
plt.plot(test_returns, label='algo')
plt.plot(returns_monthly['SPY'].iloc[____], label='SPY')
plt.legend()
plt.show()

Редагувати та запускати код