Lấy dự đoán và đánh giá ban đầu
Giờ đây khi đã huấn luyện xong mô hình random forest (rfr), chúng ta sẽ dùng nó để dự đoán trên tập kiểm tra. Mục tiêu là đánh giá hiệu quả mô hình — ở mức cơ bản, liệu nó có hoạt động tốt ngang hoặc tốt hơn việc chỉ mua chỉ số SPY không?
Chúng ta sẽ dùng phương thức .predict(features) quen thuộc của sklearn, rồi nhân lợi nhuận theo tháng với dự đoán danh mục. Ta cộng các giá trị này bằng np.sum() vì mỗi tháng sẽ có 3 hàng. Sau đó vẽ biểu đồ chuỗi lợi nhuận theo tháng từ dự đoán của chúng ta, đồng thời vẽ cả SPY để so sánh hai bên.
Bài tập này là một phần của khóa học
Machine Learning cho Tài chính bằng Python
Hướng dẫn bài tập
- Dùng phương thức
.predict()của mô hình random forestrfrđể tạo dự đoán chotrain_featuresvàtest_features. - Nhân phần tương ứng tập kiểm tra của
returns_monthlyvớitest_predictionsđể thu được lợi nhuận từ các dự đoán trên tập kiểm tra. - Vẽ biểu đồ
returns_monthlycủa tập kiểm tra cho'SPY'(mọi thứ từtrain_sizeđến cuối dữ liệu).
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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()