1. Aprende
    2. /
  2. Cursos
    3. /
  3. Manipulación de datos de series temporales en Python
  • 1

    Trabajar con series temporales en Pandas

    Gratuito

    En este capítulo se sientan las bases para aprovechar la potente funcionalidad de las series temporales que Pandas pone a disposición mediante la representación de fechas, en particular mediante DateTimeIndex. Aprenderá a crear y manipular información de fechas y series temporales, y a realizar cálculos con DataFrames temporales para desplazar los datos en el tiempo o crear rendimientos específicos de un periodo.

  • 2

    Métricas básicas de series temporales y remuestreo

    Este capítulo profundiza en la funcionalidad esencial de las series temporales disponible a través del DataTimeIndex de pandas. Introduce el remuestreo y cómo comparar diferentes series temporales normalizando sus puntos de inicio.

  • 3

    Funciones de ventana: Métricas de balanceo y expansión

    Este capítulo le mostrará cómo utilizar la función de ventana para calcular métricas de series temporales tanto para ventanas móviles como expansivas.

  • 4

    Ponerlo todo junto: Creación de un índice ponderado por valor

    Este capítulo combina los conceptos anteriores enseñándole a crear un índice ponderado por valor. Este índice utiliza los datos de capitalización bursátil que figuran en los listados de las bolsas para calcular las ponderaciones y la información sobre el precio de las acciones en 2016. A continuación, el rendimiento del índice se compara con los índices de referencia para evaluar el rendimiento del índice creado.

Initializing

Ejercicio

Diferencia de rendimiento frente al índice de referencia

En el vídeo, ha aprendido a calcular y trazar la diferencia de rendimiento de una acción en puntos porcentuales con respecto a un índice de referencia.

Comparemos la rentabilidad de Microsoft (MSFT) y Apple (AAPL) con la del S&P 500 en los últimos 10 años.

Instrucciones

100 XP

Ya hemos importado pandas como pd y matplotlib.pyplot como plt.

  • Cree la lista tickers que contiene los dos símbolos bursátiles.
  • Utilice pd.read_csv() para importar 'msft_aapl.csv' y 'sp500.csv', creando un DatetimeIndex para cada uno a partir de la columna 'date' utilizando parse_dates y index_col, y asigne el resultado a stocks y sp500, respectivamente.
  • Utilice pd.concat() para concatenar stocks y sp500 junto con axis=1, aplique .dropna() para eliminar todos los valores que faltan y asigne el resultado a data.
  • Normalice data dividiendo por el primer precio, multiplique por 100 y asigne el resultado a normalized.
  • Seleccione tickers de normalized, y reste normalized['SP500'] con la palabra clave axis=0 para alinear los índices, luego trace el resultado.