Спробуймо спрогнозувати відсоткові ставки
Тепер ви застосуєте прийоми прогнозування, які вивчили у попередній вправі, до реальних даних, а не змодельованих. Ви знову повернетеся до набору даних із першого розділу: річні дані про 10-річні відсоткові ставки за останні 56 років, що зберігаються в Series під назвою interest_rate_data. Уміння прогнозувати відсоткові ставки має величезне значення не лише для інвесторів в облігації, а й для людей, наприклад нових власників житла, яким потрібно обирати між іпотекою з фіксованою чи плаваючою ставкою.
У першому розділі ви бачили, що на довгих горизонтах у відсоткових ставках є певне повернення до середнього. Тобто коли ставки високі, вони мають тенденцію знижуватися, а коли низькі — підвищуватися з часом. Наразі вони нижчі за довгострокові рівні, тож очікується зростання, але модель AR намагається кількісно оцінити, наскільки саме вони мають зрости.
Клас ARIMA та функцію plot_predict уже імпортовано.
Ця вправа є частиною курсу
Аналіз часових рядів у Python
Інструкції до вправи
- Створіть екземпляр класу
ARIMAпід назвоюmod, використавши річні дані відсоткових ставок і вибравшиorderдля моделі AR(1). - Навчіть модель
modза допомогою методу.fit()і збережіть результат у об'єкті результатів під назвоюres. - Побудуйте графік даних та внутрішньовибіркових і позавибіркових прогнозів за допомогою функції
.plot_predict().- Першим аргументом
plot_predict()має бути навчена модель. - Передайте аргументи
start=0, щоб почати внутрішньовибірковий прогноз з початку, і задайтеendяк '2027', щоб спрогнозувати на кілька років уперед. - Зверніть увагу: аргумент
end2027 тут має бути в лапках, адже це дата, а не індекс за номером.
- Першим аргументом
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Forecast interst rates using an AR(1) model
mod = ARIMA(interest_rate_data, order=___)
res = mod.fit()
# Plot the data and the forecast
fig, ax = plt.subplots()
interest_rate_data.plot(ax=ax)
plot_predict(___, start=___, end=___, alpha=None, ax=ax)
plt.show()