สังเกตการรวมกลุ่มของความผันผวน
การรวมกลุ่มของความผันผวน (volatility clustering) เป็นปรากฏการณ์ที่พบได้บ่อยในข้อมูลตลาดการเงิน และเป็นความท้าทายสำคัญในการสร้างโมเดล time series
ในแบบฝึกหัดนี้ จะได้ทำความคุ้นเคยกับชุดข้อมูลราคารายวันของ S&P 500 โดยจะคำนวณผลตอบแทนรายวันในรูปแบบการเปลี่ยนแปลงของราคาเป็นเปอร์เซ็นต์ แล้วพล็อตผลลัพธ์เพื่อสังเกตพฤติกรรมของข้อมูลตามช่วงเวลา
ข้อมูลราคารายวันของ S&P 500 ถูกโหลดไว้ให้แล้วในตัวแปร sp_price
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
GARCH Models ใน Python
คำแนะนำการฝึกหัด
- คำนวณผลตอบแทนรายวันในรูปแบบการเปลี่ยนแปลงของราคาเป็นเปอร์เซ็นต์ แล้วบันทึกลงใน DataFrame
sp_priceในคอลัมน์ใหม่ชื่อReturn - แสดงข้อมูลโดยพิมพ์ 10 แถวสุดท้ายออกมา
- พล็อตคอลัมน์
Returnแล้วสังเกตสัญญาณของการรวมกลุ่มของความผันผวน
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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()