Observera volatilitetskluster

Volatilitetskluster är ett vanligt förekommande fenomen i finansmarknadsdata och utgör en utmaning vid tidsserie-modellering.

I den här övningen bekantar du dig med ett dataset med dagliga S&P 500-priser. Du beräknar daglig avkastning som procentuell prisförändring, plottar resultaten och studerar hur de beter sig över tid.

Historiska dagliga prisdata för S&P 500 har lästs in i förväg i sp_price.

Den här övningen är en del av kursen

GARCH-modeller i Python

Visa kurs

Övningsinstruktioner

Beräkna daglig avkastning som procentuell prisförändring och spara resultatet i DataFrame:n sp_price i en ny kolumn med namnet Return.
Visa data genom att skriva ut de sista 10 raderna.
Plotta kolumnen Return och se om du kan identifiera tecken på volatilitetskluster.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Calculate daily returns as percentage price changes
sp_price['____'] = 100 * (sp_price['Close'].____())

# View the data
print(sp_price.____(____))

# plot the data
plt.plot(sp_price['____'], color = 'tomato', label = 'Daily Returns')
plt.legend(loc='upper right')
plt.show()

Redigera och kör kod