เพิ่ม Drift เข้าไป

ในแบบฝึกหัดที่แล้ว คุณได้จำลองราคาหุ้นที่เป็นไปตาม random walk แบบฝึกหัดนี้จะต่อยอดจากนั้นใน 2 ด้าน

จะพิจารณา random walk แบบที่มี drift หลายๆ time series เช่น ราคาหุ้น เป็น random walk แต่มีแนวโน้มที่จะค่อยๆ ปรับตัวขึ้นเรื่อยๆ ตามเวลา
ในแบบฝึกหัดที่แล้ว noise ใน random walk เป็นแบบบวก (additive) กล่าวคือการเปลี่ยนแปลงของราคาแบบ normal สุ่มจะถูกบวกเข้ากับราคาล่าสุด อย่างไรก็ตาม วิธีนี้อาจทำให้ราคาติดลบได้ในทางทฤษฎี แบบฝึกหัดนี้จึงเปลี่ยนมาใช้ noise แบบคูณ (multiplicative) แทน โดยบวก 1 เข้ากับการเปลี่ยนแปลงแบบ normal สุ่มเพื่อให้ได้ผลตอบแทนรวม แล้วนำไปคูณกับราคาล่าสุด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์อนุกรมเวลาด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้างขั้นตอนการคูณแบบ normal สุ่ม 500 ขั้น ที่มีค่าเฉลี่ย 0.1% และส่วนเบี่ยงเบนมาตรฐาน 1% โดยใช้ np.random.normal() ซึ่งขั้นตอนเหล่านี้แทนผลตอบแทน แล้วบวก 1 เพื่อให้ได้ผลตอบแทนรวม
จำลองราคาหุ้น P:
- คูณสะสมขั้นตอนต่างๆ โดยใช้เมธอด .cumprod() ของ numpy
- คูณผลคูณสะสมของผลตอบแทนรวมด้วย 100 เพื่อให้ได้ค่าเริ่มต้นเท่ากับ 100
พล็อต random walk ที่จำลองขึ้นพร้อม drift

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Generate 500 random steps
steps = np.random.normal(loc=___, scale=___, size=___) + ___

# Set first element to 1
steps[0]=1

# Simulate the stock price, P, by taking the cumulative product
P = ___ * np.cumprod(___)

# Plot the simulated stock prices
plt.plot(___)
plt.title("Simulated Random Walk with Drift")
plt.show()

แก้ไขและรันโค้ด