使用 MAE、MSE 进行回测

在本练习中，您将通过回测来评估模型表现。我们将通过计算 MSE 和 MAE 来评估样本外预测的准确性。

您可以使用 sklearn.metrics 包中的预定义函数，轻松估计预测误差 MSE 和 MAE。实际方差与预测方差已分别预加载在 actual_var 和 forecast_var 中。

本练习是课程的一部分

Python 中的 GARCH 模型

查看课程

练习说明

在 evaluate() 中，从 sklean.metrics 调用相应函数计算 MAE。
在 evaluate() 中，从 sklean.metrics 调用相应函数计算 MSE。
将变量传入 evaluate()，以执行回测。

交互式实操练习

通过完成这段示例代码来试试这个练习。

def evaluate(observation, forecast): 
    # Call sklearn function to calculate MAE
    mae = ____(observation, forecast)
    print('Mean Absolute Error (MAE): {:.3g}'.format(mae))
    # Call sklearn function to calculate MSE
    mse = ____(observation, forecast)
    print('Mean Squared Error (MSE): {:.3g}'.format(mse))
    return mae, mse

# Backtest model with MAE, MSE
evaluate(____, ____)

编辑并运行代码