利用自相关的流行策略

股票市场中的一个令人困惑的异常现象是：投资者往往会对消息过度反应。无论是大涨还是大跌之后，股价往往会反转。这被称为股价的均值回归：在较大的波动之后，价格通常会回到、或回归到先前水平，且这种现象常见于大约 1 周的时间尺度上。更数学化的表述是：股票收益率呈现负自相关。

这个简单的想法其实是某些流行对冲基金策略的基础。如果您想进一步了解这种对冲基金策略（这对本课程后续内容并非必读），请参阅这里。

您将考察 2012 年至 2017 年 MSFT 股票的周度收益率的自相关。您将从一个包含日度价格的 DataFrame MSFT 开始。请使用 .resample() 方法得到周度价格，然后基于价格计算收益率。使用 pandas 的 .autocorr() 方法计算自相关，并展示该自相关为负。请注意，.autocorr() 方法只能用于 Series，不能用于 DataFrame（即使只有一列的 DataFrame 也不行），因此需要先从 DataFrame 中选择相应的列。

本练习是课程的一部分

Python 中的时间序列分析

查看课程

练习说明

使用 .resample() 方法配合 rule='W'，再调用 .last() 将日频数据转换为周频数据。
使用 .pct_change() 方法基于周度价格创建一个新的 DataFrame returns，表示百分比变化。
在收盘价序列上使用 .autocorr() 方法计算自相关。收盘价是 DataFrame returns 中的 'Adj Close' 列。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Convert the daily data to weekly data
MSFT = MSFT.resample(___).___

# Compute the percentage change of prices
returns = MSFT.___

# Compute and print the autocorrelation of returns
autocorrelation = returns[___].___
print("The autocorrelation of weekly returns is %4.2f" %(autocorrelation))

编辑并运行代码