เปรียบเทียบประสิทธิภาพของดัชนีกับ Benchmark II

ขั้นตอนต่อไปในการวิเคราะห์ประสิทธิภาพของดัชนีคือการเปรียบเทียบกับ benchmark

ในวิดีโอ เราใช้ S&P 500 เป็น benchmark นอกจากนี้ยังสามารถใช้ Dow Jones Industrial Average ซึ่งประกอบด้วยหุ้น 30 ตัวที่มีขนาดใหญ่ที่สุด และเป็นตัวเลือก benchmark ที่เหมาะสมสำหรับหุ้นขนาดใหญ่จากทุกภาคส่วนใน 3 ตลาดหลักทรัพย์

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การจัดการข้อมูล Time Series ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

เราได้ import numpy เป็น np, pandas เป็น pd และ matplotlib.pyplot เป็น plt ไว้ให้แล้ว รวมถึงโหลดดัชนีของคุณและ Dow Jones Industrial Average (ที่ normalize แล้ว) ไว้ในตัวแปร data

ตรวจสอบ data และแสดง 5 แถวแรก
สร้างฟังก์ชัน multi_period_return ที่รับ array ของ numpy ซึ่งเป็นผลตอบแทนรายงวดเป็น input และ return ผลตอบแทนรวมของงวดนั้น โดยใช้สูตรจากวิดีโอ ได้แก่ บวก 1 เข้ากับ input แล้วส่งผลลัพธ์ไปยัง np.prod() จากนั้นลบ 1 และคูณด้วย 100
สร้าง window .rolling() ที่มีความยาว '360D' จาก data แล้ว apply multi_period_return จากนั้น assign ให้กับ rolling_return_360
Plot rolling_return_360 โดยกำหนด title เป็น 'Rolling 360D Return'

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Inspect data
print(____)
print(____)

# Create multi_period_return function here
def multi_period_return(r):
    return (____) * 100

# Calculate rolling_return_360
rolling_return_360 = data.pct_change().____

# Plot rolling_return_360 here

แก้ไขและรันโค้ด