Observer l’agrégation de volatilité

L’agrégation de volatilité est fréquemment observée dans les données de marché financier et constitue un défi pour la modélisation de séries temporelles.

Dans cet exercice, vous allez vous familiariser avec l’ensemble de données de prix quotidiens du S&P 500. Vous calculerez les rendements quotidiens comme variations de prix en pourcentage, tracerez les résultats et observerez leur comportement dans le temps.

Les données historiques de prix quotidiens du S&P 500 ont été préchargées dans sp_price pour vous.

Cet exercice fait partie du cours

<cours>Modèles GARCH en Python</cours>

Voir le cours

Instructions de l’exercice

Calculez les rendements quotidiens comme variations de prix en pourcentage et enregistrez-les dans le DataFrame sp_price dans une nouvelle colonne appelée Return.
Affichez les données en imprimant les 10 dernières lignes.
Tracez la colonne Return et recherchez des signes d’agrégation de volatilité.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()

Modifier et exécuter le code