Introduzione al ricampionamento delle frequenze
I modelli basati su fattori di rischio spesso utilizzano dati con frequenze diverse. Un esempio tipico è l’uso di dati macroeconomici trimestrali, come prezzi, tassi di disoccupazione, ecc., insieme a dati finanziari che sono spesso giornalieri (o addirittura infragiornalieri). Per usare entrambe le fonti di dati nello stesso modello, i dati a frequenza più alta devono essere ricampionati per allinearsi alla frequenza più bassa.
Gli oggetti Pandas DataFrame e Series dispongono di un metodo integrato .resample() che specifica la frequenza più bassa. Questo metodo si concatena a un metodo per creare la statistica a frequenza inferiore, come .mean() per la media dei dati all’interno del nuovo periodo di frequenza, o .min() per il minimo dei dati.
In questo esercizio metterai in pratica la conversione dei returns giornalieri in frequenza settimanale e trimestrale.
Questo esercizio fa parte del corso
Gestione quantitativa del rischio in Python
Istruzioni dell'esercizio
- Converte
returnsin frequenza trimestrale calcolando la mediareturns_qusando i metodi.resample()e.mean(). - Esamina l’intestazione di
returns_q, notando che il metodo.resample()gestisce automaticamente l’indice delle date. - Ora converte
returnsin frequenza settimanale calcolando il minimoreturns_w, usando il metodo.min(). - Esamina l’intestazione di
returns_w.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Convert daily returns to quarterly average returns
returns_q = returns.____('Q').____
# Examine the beginning of the quarterly series
print(returns_q.____)
# Now convert daily returns to weekly minimum returns
returns_w = ____.resample('W').____
# Examine the beginning of the weekly series
print(returns_w.____)