Na weiter ?Schiebefenster (Windows verschieben)
Im Titel zitierte ich eine wörtliche Übersetzung. Wenn mich jemand korrigiert und ein anderer Begriff zutreffender ist - danke.Die Bedeutung des Schiebefensters besteht darin, dass mit jedem neuen Wert die Funktion für einen bestimmten Zeitraum neu berechnet wird. Diese Funktionen eine große Anzahl . Zum Beispiel: rollende.Mittel (), rollende.std (), die am häufigsten bei der Analyse von Bestandsbewegungen verwendet werden. rolling.mean () ist ein gängiger gleitender Durchschnitt, der kurzfristige Schwankungen ausgleicht und es Ihnen ermöglicht, den Gesamttrend zu visualisieren.
adj_close_px = sber['Adj Close']
moving_avg = adj_close_px.rolling(window=40).mean()
print(moving_avg[-10:])
Ein Diagramm, mit dem Sie verstehen können, was durch diese Funktion erzielt wird:
sber['40'] = adj_close_px.rolling(window=40).mean()
sber['252'] = adj_close_px.rolling(window=252).mean()
sber[['Adj Close', '40', '252']].plot(figsize=(20,20))
plt.show()
Wie Sie sehen können, bewältigt rolling.mean () die Aufgabe. Die Funktion gleicht kurzfristige Schwankungen aus und ermöglicht es Ihnen, einen langfristigen Trend zu erkennen, anhand dessen Sie eine Entscheidung treffen können: Der Preis ist höher als der gleitende Durchschnitt - wir nehmen eine Aktie, niedriger - wir verkaufen eine Aktie - wenn es einfach ist und ich nicht raten würde, dieser Methode zu folgen. In der Regel werden neben gleitenden Durchschnitten auch andere Indikatoren verwendet, die die Richtigkeit der Entscheidung bestätigen können. Jeder muss seine eigenen Entscheidungen treffen, abhängig vom Handelsstil.Flüchtigkeit
Die Aktienvolatilität ist die Änderung der Varianz der Aktienrenditen über einen bestimmten Zeitraum. Sie vergleichen normalerweise die Volatilität einer Aktie mit einer anderen, um eine Vorstellung davon zu erhalten, welches das größte Risiko birgt, oder mit einem Marktindex, um die Volatilität von Aktien im Verhältnis zum Markt zu verstehen. Je höher die Volatilität, desto riskanter ist in der Regel die Anlage in diese Aktie. Es ist zu beachten, dass es nicht konstant ist und sich im Laufe der Zeit ändert. Dies kann wieder mit der Funktion rolling.std () gesehen werden, die im Pandas-Paket enthalten ist. Beispiel für die Berechnung von Volatilitätsänderungen:
min_periods = 60
vol = daily_pct_change.rolling(min_periods).std() * np.sqrt(min_periods)
vol.plot(figsize=(10, 10))
plt.show()
Bitte beachten Sie, dass ich im Gegensatz zur letzten Woche zwei weitere Werte erhalten habe - den Moscow Exchange Index (IMOEX.ME) und den RBC (RBCM.ME). Ich werde ihre Werte in der nächsten Veröffentlichung über die Methode der kleinsten Quadrate benötigen. Und das ist alles für heute.