Volatilitäts-Cluster beobachten

Volatilitäts-Cluster treten in Finanzmarktdaten häufig auf und sind eine Herausforderung für die Zeitreihenmodellierung.

In dieser Übung machst du dich mit dem täglichen S&P-500-Preisdataset vertraut. Du berechnest tägliche Renditen als prozentuale Preisänderungen, visualisierst die Ergebnisse und beobachtest das Verhalten über die Zeit.

Historische tägliche S&P-500-Preisdaten wurden für dich in sp_price vorgeladen.

Diese Übung ist Teil des Kurses

GARCH-Modelle in Python

Kurs anzeigen

Anleitung zur Übung

Berechne die täglichen Renditen als prozentuale Preisänderungen und speichere sie im DataFrame sp_price in einer neuen Spalte namens Return.
Sieh dir die Daten an, indem du die letzten 10 Zeilen ausgibst.
Zeichne die Spalte Return und achte auf Anzeichen von Volatilitäts-Clustering.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Calculate daily returns as percentage price changes
sp_price['____'] = 100 * (sp_price['Close'].____())

# View the data
print(sp_price.____(____))

# plot the data
plt.plot(sp_price['____'], color = 'tomato', label = 'Daily Returns')
plt.legend(loc='upper right')
plt.show()

Code bearbeiten und ausführen