Aan de slagGa gratis aan de slag

Correlatie van risicofactoren visualiseren

Investeringsbanken belegden voor en tijdens de financiële crisis veel in door hypotheken gedekte effecten (MBS). Daardoor is MBS waarschijnlijk een risicofactor voor de portefeuille van een investeringsbank. Je beoordeelt dit met scatterplots tussen portfolio returns en een MBS-risicomaatstaf: het 90-daagse betalingsachterstandspercentage op hypotheken mort_del.

mort_del is alleen beschikbaar als kwartaaldata. Daarom moet portfolio_returns eerst worden omgezet van dagelijkse naar kwartaalfrequentie met de .resample()-methode van DataFrame.

In je werkruimte staan zowel portfolio_returns voor een gelijkgewogen portefeuille als de variabele voor de achterstandsgraad mort_del. Voor de scatterplots zijn plot_average en plot_min plotassen in je werkruimte—je voegt je scatterplots daaraan toe met de .scatter()-methode.

Deze oefening maakt deel uit van de cursus

Kwantitatief risicobeheer in Python

Cursus bekijken

Oefeninstructies

  • Zet de dagelijkse portfolio_returns om naar gemiddelde kwartaaldata met de methoden .resample() en .mean().
  • Voeg een scatterplot tussen mort_del en portfolio_q_average toe aan plot_average. Is er een sterke correlatie?
  • Maak nu minimale kwartaaldata met .min() in plaats van .mean().
  • Voeg een scatterplot tussen mort_del en portfolio_q_min toe aan plot_min.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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()
Code bewerken en uitvoeren