Porównanie wyników indeksu z benchmarkiem II

Kolejnym krokiem w analizie wyników twojego indeksu jest porównanie go z benchmarkiem.

W filmie użyliśmy indeksu S&P 500 jako benchmarku. Możesz też skorzystać z Dow Jones Industrial Average, który obejmuje 30 największych spółek i równie dobrze nadaje się jako punkt odniesienia dla największych akcji ze wszystkich sektorów na trzech giełdach.

To ćwiczenie jest częścią kursu

Manipulowanie danymi szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Biblioteki numpy jako np, pandas jako pd oraz matplotlib.pyplot jako plt zostały już zaimportowane. Twój indeks oraz Dow Jones Industrial Average (znormalizowany) są dostępne w zmiennej data.

Sprawdź zawartość data i wyświetl pierwszych pięć wierszy.
Zdefiniuj funkcję multi_period_return, która przyjmuje tablicę numpy ze stopami zwrotu za poszczególne okresy i zwraca łączną stopę zwrotu za cały okres. Użyj wzoru z filmu: dodaj 1 do danych wejściowych, przekaż wynik do np.prod(), odejmij 1 i pomnóż przez 100.
Utwórz okno .rolling() o długości '360D' na podstawie data i zastosuj funkcję multi_period_return. Przypisz wynik do zmiennej rolling_return_360.
Wyświetl wykres rolling_return_360, używając tytułu 'Rolling 360D Return'.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Inspect data
print(____)
print(____)

# Create multi_period_return function here
def multi_period_return(r):
    return (____) * 100

# Calculate rolling_return_360
rolling_return_360 = data.pct_change().____

# Plot rolling_return_360 here

Edytuj i uruchom kod