Visualizzare la correlazione tra i fattori di rischio
Prima e durante la crisi finanziaria, le banche d’investimento hanno investito pesantemente in titoli garantiti da mutui (MBS). Questo rende gli MBS un probabile fattore di rischio per il portafoglio delle banche d’investimento. Lo valuterai usando grafici a dispersione tra i portfolio returns e una misura di rischio MBS, il tasso di morosità sui mutui a 90 giorni mort_del.
mort_del è disponibile solo come dato trimestrale. Quindi portfolio_returns va prima trasformato da frequenza giornaliera a trimestrale usando il metodo .resample() dei DataFrame.
Nel tuo workspace trovi sia portfolio_returns per un portafoglio a pesi uguali sia la variabile di tasso di morosità mort_del. Per i grafici a dispersione, plot_average e plot_min sono assi già presenti nel workspace: aggiungerai i tuoi scatter plot usando il metodo .scatter().
Questo esercizio fa parte del corso
Gestione quantitativa del rischio in Python
Istruzioni dell'esercizio
- Trasforma i dati giornalieri di
portfolio_returnsin dati trimestrali medi usando i metodi.resample()e.mean(). - Aggiungi a
plot_averageuno scatter plot tramort_deleportfolio_q_average. C’è una correlazione forte? - Ora crea i dati trimestrali minimi usando
.min()invece di.mean(). - Aggiungi a
plot_minuno scatter plot tramort_deleportfolio_q_min.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Transform the daily portfolio_returns into quarterly average returns
portfolio_q_average = portfolio_returns.____('Q').____.dropna()
# Create a scatterplot between delinquency and quarterly average returns
plot_average.____(____, portfolio_q_average)
# Transform daily portfolio_returns returns into quarterly minimum returns
portfolio_q_min = ____.resample('____').____.dropna()
# Create a scatterplot between delinquency and quarterly minimum returns
plot_min.scatter(____, ____)
plt.show()