Основы ресемплирования по частоте
Модели факторов риска нередко используют данные с разной частотой. Типичный пример — сочетание квартальных макроэкономических данных (цены, уровень безработицы и т. д.) с финансовыми данными, которые обычно имеют дневную (или даже внутридневную) частоту. Чтобы использовать оба источника в одной модели, данные с более высокой частотой необходимо ресемплировать до более низкой.
Объекты DataFrame и Series библиотеки Pandas имеют встроенный метод .resample(), который задаёт целевую частоту. Этот метод объединяется в цепочку с методом вычисления статистики для нового периода: например, .mean() для среднего значения или .min() для минимального.
В этом упражнении вы потренируетесь преобразовывать дневные данные returns к недельной и квартальной частоте.
Это упражнение является частью курса
Количественное управление рисками на Python
Инструкции к упражнению
- Преобразуйте
returnsк квартальной частоте, вычислив среднее значениеreturns_qс помощью методов.resample()и.mean(). - Изучите заголовок
returns_q, обратив внимание на то, что метод.resample()автоматически формирует индекс дат. - Теперь преобразуйте
returnsк недельной частоте, вычислив минимальное значениеreturns_wс помощью метода.min(). - Изучите заголовок
returns_w.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Convert daily returns to quarterly average returns
returns_q = returns.____('Q').____
# Examine the beginning of the quarterly series
print(returns_q.____)
# Now convert daily returns to weekly minimum returns
returns_w = ____.resample('W').____
# Examine the beginning of the weekly series
print(returns_w.____)