Slumpmässig vandring II

I den senaste videon såg du också hur man skapar en slumpmässig avkastningsvandring genom att sampla från faktiska avkastningar, och hur man använder detta slumpmässiga urval för att skapa en slumpmässig aktiekursbana.

I den här övningen bygger du en slumpmässig vandring med historiska avkastningar från Facebooks aktiekurs sedan börsnoteringen fram till slutet av den 31 maj 2017. Sedan simulerar du en alternativ slumpmässig kursbana i nästa övning.

Den här övningen är en del av kursen

Manipulera tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Vi har redan importerat pandas som pd, choice och seed från numpy.random, seaborn som sns och matplotlib.pyplot som plt. Vi har också importerat FB:s aktiekursserie sedan börsnoteringen i maj 2012 som variabeln fb. Inspektera den med .head().

Sätt seed till 42.
Applicera .pct_change() för att beräkna Facebooks dagliga avkastningar, ta bort saknade värden och tilldela resultatet till daily_returns.
Skapa en variabel n_obs som innehåller .count() av Facebooks daily_returns.
Använd choice() för att slumpmässigt välja ut n_obs sampel från daily_returns och tilldela resultatet till random_walk.
Konvertera random_walk till en pd.Series och tilldela om den till sig själv.
Använd sns.distplot() för att plotta fördelningen av random_walk.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Set seed here


# Calculate daily_returns here
daily_returns = ____

# Get n_obs
n_obs = ____

# Create random_walk
random_walk = ____

# Convert random_walk to pd.series
random_walk = ____

# Plot random_walk distribution

Redigera och kör kod