Korrelationer för årlig avkastning bland flera aktier

I videon såg du hur man beräknar korrelationer och visualiserar resultatet.

I den här övningen har vi tillhandahållit historiska aktiekurser för Apple (AAPL), Amazon (AMZN), IBM (IBM), WalMart (WMT) och Exxon Mobile (XOM) för de senaste 4 000 handelsdagarna från juli 2001 till slutet av maj 2017.

Du beräknar årsavkastningen, parvisa korrelationer mellan alla aktier och visualiserar resultatet som en annoterad heatmap.

Den här övningen är en del av kursen

Manipulera tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Vi har redan importerat pandas som pd, seaborn som sns och matplotlib.pyplot som plt. Det dagliga stängningspriset för de fem aktierna finns inläst i variabeln data.

Inspektera med .info().
Använd .resample() med årsfrekvens (alias: 'A') på data och välj .last() priset från varje delperiod; tilldela resultatet till annual_prices.
Beräkna annual_returns genom att använda .pct_change() på annual_prices.
Beräkna correlations genom att använda .corr() på annual_returns och skriv ut resultatet.
Visualisera correlations som en annoterad sns.heatmap().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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

Redigera och kör kod