產生動態預測
現在把時間往未來再推一點，進入動態預測。如果你想預測 Amazon 的股價，不只是明天，而是下週或下個月呢？這時就會用到動態預測。
還記得影片中提到，長期預測較難精準，因為震盪項會逐步累積。預測越往未來走，不確定性就越高。對股價資料而言尤其如此，所以在這個練習中的預測，可能不如上一個練習那麼精準。
本練習屬於課程
Python 中的 ARIMA 模型
練習說明
- 使用
results物件為最近 30 天進行動態預測，並將結果指定給dynamic_forecast。 - 使用
dynamic_forecast物件的其中一個屬性，將你的預測指定給新變數mean_forecast。 - 從
dynamic_forecast物件擷取預測的信賴區間，並指定給新變數confidence_intervals。 - 列印你的平均預測值。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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(____)