Prevedi la crescita dello stipendio e il costo della vita
A causa sia dell'inflazione sia dell’aumento di produttività dovuto all’esperienza, puoi aspettarti che il tuo stipendio cresca a ritmi diversi a seconda del lavoro. Ora che lavori in un settore in crescita e molto richiesto come Data Scientist, puoi presumere una crescita costante del tuo stipendio annuo ogni anno in base alle prestazioni.
Puoi assumere un tasso di crescita annuo del 5%, il che significa che se parti da 85.000 \( all’anno, potresti arrivare a oltre 176.000 \) all’anno dopo 15 anni. Al netto delle tasse, ipotizzando che la tua aliquota non cambi, ciò corrisponde a circa 125.000 $ all’anno, che non è irragionevole per un Data Scientist. Anzi, potresti persino raggiungere quel livello in pochi anni! Ma per prudenza, è meglio essere conservativi nelle proiezioni.
Per questa applicazione, supponi che inflazione e crescita salariale avvengano in piccoli incrementi su base mensile, invece di un unico grande aumento alla fine di ogni anno.
monthly_takehome_salary dell’esercizio precedente è disponibile.
Questo esercizio fa parte del corso
Introduzione ai concetti finanziari in Python
Istruzioni dell'esercizio
- Ricava l’equivalente crescita salariale mensile (vedi il suggerimento per la formula!)
- Calcola la tua previsione effettiva dello stipendio nel tempo usando
cumulative_salary_growth_forecast, che abbiamo definito per te.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
import numpy as np
# Create monthly forecasts up to 15 years from now
forecast_months = 12*15
# Set your annual salary growth rate
annual_salary_growth = 0.05
# Calculate your equivalent monthly salary growth rate
monthly_salary_growth = ____
# Forecast the cumulative growth of your salary
cumulative_salary_growth_forecast = np.cumprod(np.repeat(1 + monthly_salary_growth, forecast_months))
# Calculate the actual salary forecast
salary_forecast = ____
# Plot the forecasted salary
plt.plot(salary_forecast, color='blue')
plt.show()