1. Aprender
    2. /
  2. Cursos
    3. /
  3. Manipulação de dados de séries temporais em Python
  • 1

    Trabalhando com séries temporais no Pandas

    Gratuito

    Este capítulo estabelece as bases para você aproveitar a poderosa funcionalidade de série temporal disponibilizada pela forma como o Pandas representa as datas, em particular pelo DateTimeIndex. Você aprenderá a criar e manipular informações de datas e séries temporais e a fazer cálculos com DataFrames com reconhecimento de tempo para deslocar seus dados no tempo ou criar retornos específicos de períodos.

  • 2

    Métricas básicas de séries temporais e reamostragem

    Este capítulo se aprofunda na funcionalidade essencial de séries temporais disponibilizada pelo DataTimeIndex do pandas. Ele apresenta a reamostragem e como comparar diferentes séries temporais normalizando seus pontos iniciais.

  • 3

    Funções da janela: Métricas de rolagem e expansão

    Este capítulo mostrará a você como usar a função de janela para calcular métricas de séries temporais para janelas contínuas e em expansão.

  • 4

    Juntando tudo: Criação de um índice ponderado por valor

    Este capítulo combina os conceitos anteriores, ensinando a você como criar um índice ponderado por valor. Esse índice usa dados de capitalização de mercado contidos nas listagens da bolsa de valores para calcular pesos e informações de preços de ações de 2016. O desempenho do índice é então comparado com os benchmarks para avaliar o desempenho do índice que você criou.

Initializing

Exercício

Passeio aleatório II

No último vídeo, você também viu como criar um passeio aleatório de retornos por amostragem a partir de retornos reais e como usar essa amostra aleatória para criar um caminho aleatório de preço de ações.

Neste exercício, você criará um passeio aleatório usando retornos históricos do preço das ações do Facebook desde IPO até o final de 31 de maio de 2017. Em seguida, você simulará uma trajetória de preço aleatória alternativa no próximo exercício.

Instruções

100 XP

Já importamos pandas como pd, choice e seed de numpy.random, seaborn como sns, e matplotlib.pyplot como plt. Também importamos a série de preços das ações FB desde IPO em maio de 2012 como a variável fb. Inspecione isso usando o site .head().

  • Defina a semente para 42.
  • Aplique .pct_change() para gerar retornos diários do Facebook, elimine os valores ausentes e atribua a daily_returns.
  • Crie uma variável n_obs que contenha o .count() do Facebook daily_returns.
  • Use choice() para selecionar aleatoriamente amostras de n_obs de daily_returns e atribua a random_walk.
  • Converta random_walk em um pd.Series e reatribua-o a você mesmo.
  • Use sns.distplot() para traçar a distribuição de random_walk.