Korelacje rocznych zwrotów dla wybranych akcji

W materiale wideo pokazano, jak obliczać korelacje i wizualizować wyniki.

W tym ćwiczeniu udostępniamy historyczne ceny akcji Apple (AAPL), Amazon (AMZN), IBM (IBM), WalMart (WMT) i Exxon Mobile (XOM) dla ostatnich 4 000 dni sesyjnych – od lipca 2001 roku do końca maja 2017 roku.

Obliczysz zwroty na koniec każdego roku, wyznaczyć korelacje parami między wszystkimi akcjami i zwizualizujesz wynik w postaci opisanej mapy ciepła.

To ćwiczenie jest częścią kursu

Manipulowanie danymi szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Biblioteki pandas jako pd, seaborn jako sns oraz matplotlib.pyplot jako plt zostały już zaimportowane. Dzienne ceny zamknięcia dla pięciu spółek są dostępne w zmiennej data.

Sprawdź dane za pomocą .info().
Zastosuj .resample() z częstotliwością końca roku (alias: 'A') do data i wybierz ostatnią cenę .last() z każdego podokresuj; przypisz wynik do annual_prices.
Oblicz annual_returns, stosując .pct_change() do annual_prices.
Oblicz correlations, stosując .corr() do annual_returns, i wyświetl wynik.
Zwizualizuj correlations jako opisaną mapę ciepła sns.heatmap().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Inspect data here
print(____)

# Calculate year-end prices here
annual_prices = ____

# Calculate annual returns here
annual_returns = ____

# Calculate and print the correlation matrix here
correlations = ____
print(____)

# Visualize the correlations as heatmap here

Edytuj i uruchom kod