Začněte nyníZačněte zdarma

Vizualizace korelace rizikových faktorů

Investiční banky před finanční krizí i během ní masivně investovaly do cenných papírů zajištěných hypotékami (MBS). MBS tak představují pravděpodobný rizikový faktor pro portfólio investiční banky. Tuto závislost posoudíš pomocí bodových grafů mezi portfolio returns a mírou rizika MBS, konkrétně 90denní mírou nesplácení hypoték mort_del.

mort_del je dostupný pouze jako čtvrtletní data. Proto je nejprve nutné převést portfolio_returns z denní na čtvrtletní frekvenci pomocí metody .resample() třídy DataFrame.

Tvůj pracovní prostor obsahuje portfolio_returns pro rovnoměrně vážené portfólio i proměnnou míry nesplácení mort_del. Pro bodové grafy jsou v pracovním prostoru připraveny osy plot_average a plot_min – přidáš do nich bodové grafy pomocí metody .scatter().

Toto cvičení je součástí kurzu

Kvantitativní řízení rizik v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Převeď denní data portfolio_returns na průměrná čtvrtletní data pomocí metod .resample() a .mean().
  • Přidej bodový graf závislosti mort_del a portfolio_q_average do plot_average. Je mezi nimi silná korelace?
  • Nyní vytvoř minimální čtvrtletní data pomocí .min() namísto .mean().
  • Přidej bodový graf závislosti mort_del a portfolio_q_min do plot_min.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Transform the daily portfolio_returns into quarterly average returns
portfolio_q_average = portfolio_returns.____('Q').____.dropna()

# Create a scatterplot between delinquency and quarterly average returns
plot_average.____(____, portfolio_q_average)

# Transform daily portfolio_returns returns into quarterly minimum returns
portfolio_q_min = ____.resample('____').____.dropna()

# Create a scatterplot between delinquency and quarterly minimum returns
plot_min.scatter(____, ____)
plt.show()
Upravit a spustit kód