Vai al contenuto principale

Corso

Elaborazione di serie temporali in Python

IntermedioLivello di competenza

Aggiornato 05/2022

In questo corso imparerai le basi per lavorare con i dati delle serie temporali.

Inizia il corso gratis

PythonData Manipulation

4 h

16 video

55 Esercizi

4,700 XP

71,660

Attestato di conseguimento

Preferito dagli studenti di migliaia di aziende

Formare un team?

Prova per il Business

Descrizione del corso

In questo corso imparerai le basi per manipolare le serie temporali. Le serie temporali sono dati indicizzati da una sequenza di date o orari. Vedrai come usare i metodi integrati in Pandas per lavorare con questo indice. Imparerai anche come ricampionare le serie temporali per cambiare la frequenza. Il corso ti mostrerà inoltre come calcolare valori mobili e cumulati per le serie temporali. Infine, metterai in pratica le nuove competenze per costruire un indice azionario ponderato per valore a partire da dati reali di borsa.

Prerequisiti

Data Manipulation with pandas

1

Lavorare con le serie temporali in Pandas

Questo capitolo getta le basi per sfruttare le potenti funzionalità per serie temporali rese possibili dal modo in cui Pandas rappresenta le date, in particolare con DateTimeIndex. Imparerai a creare e manipolare informazioni di data e serie temporali, e a fare calcoli con DataFrame sensibili al tempo per spostare i tuoi dati nel tempo o creare rendimenti specifici per periodo.

Come usare date e orari con pandas

La tua prima serie temporale

Indicizzazione e ricampionamento delle serie temporali

Crea una serie temporale con i dati sulla qualità dell'aria

Confronta l'andamento annuale del prezzo delle azioni

Impostare e modificare la frequenza di una serie temporale

Ritardi, variazioni e rendimenti per le serie dei prezzi azionari

Spostare i prezzi azionari nel tempo

Calcolare le variazioni del prezzo azionario

Tracciare i rendimenti multi-periodo

Inizia il capitolo

2

Metriche di base e ricampionamento delle serie temporali

Questo capitolo approfondisce le funzionalità essenziali per serie temporali offerte da pandas tramite il DataTimeIndex. Introduce il ricampionamento e come confrontare serie temporali diverse normalizzando i loro punti di partenza.

Confronta i tassi di crescita delle serie temporali

Confronta la performance di diverse classi di attivi

Confrontare i prezzi azionari con un benchmark

Grafica la differenza di performance rispetto all'indice benchmark

Modificare la frequenza di una serie temporale: resampling

Converti dati mensili in dati settimanali

Crea dati settimanali a partire da dati mensili sulla disoccupazione

Upsampling e interpolazione con .resample()

Usa l'interpolazione per creare dati settimanali sull'occupazione

Interpreta debt/PIL e confrontalo con la disoccupazione

Downsampling e aggregazione

Confronta le tendenze dell’ozono settimanali, mensili e annuali per NYC e LA

Confronta i prezzi medi mensili delle azioni di Facebook e Google

Confronta il tasso di crescita trimestrale del PIL e i rendimenti azionari

Visualizza media, mediana e deviazione standard mensili dei rendimenti dell'S&P500

Inizia il capitolo

3

Funzioni finestra: metriche rolling ed expanding

Questo capitolo ti mostrerà come usare le funzioni finestra per calcolare metriche su serie temporali sia con finestre mobili (rolling) sia con finestre espandenti (expanding).

Funzioni con finestra mobile in pandas

Media mobile della qualità dell’aria dal 2010 per New York City

Mediana e deviazione std. a finestra mobile di 360 giorni per i dati sull'ozono di NYC dal 2000

Quantili mobili per la qualità dell'aria giornaliera a NYC

Funzioni di finestra espandibile con pandas

Somma cumulativa vs .diff()

Rendimento cumulato su $1.000 investiti in google vs apple I

Rendimento cumulato su 1.000 $ investiti in Google vs Apple II

Caso di studio: simulazione del prezzo dell'S&P500

Random walk I

Random walk II

Random walk III

Relazioni tra serie temporali: correlazione

Correlazioni dei rendimenti annuali tra diverse azioni

Inizia il capitolo

4

Mettere tutto insieme: costruire un indice ponderato per valore

Questo capitolo combina i concetti precedenti insegnandoti a creare un indice ponderato per valore. Questo indice utilizza i dati di capitalizzazione di mercato contenuti negli elenchi di borsa per calcolare i pesi e le informazioni sui prezzi azionari del 2016. Le prestazioni dell'indice vengono poi confrontate con benchmark per valutarne l’efficacia rispetto a quanto hai creato.

Seleziona i componenti dell'indice e importa i dati

Esplora e ripulisci le informazioni sulle aziende quotate

Seleziona e ispeziona i componenti dell'indice

Importa le informazioni sui prezzi dei componenti dell'indice

Crea un indice ponderato per capitalizzazione di mercato

Calcola il numero di azioni in circolazione

Crea serie temporali del valore di mercato

Calcola e traccia l'indice composito

Valuta le prestazioni dell'indice

Calcola il contributo di ogni azione all'indice

Confronta la performance dell'indice con il benchmark I

Confronta le performance dell'indice con il benchmark II

Correlazione dell'indice ed esportazione in Excel

Visualizza le correlazioni tra i componenti del tuo indice

Salva la tua analisi in più fogli di lavoro Excel

Congratulazioni!

Inizia il capitolo

Elaborazione di serie temporali in Python

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti ora

Unisciti a oltre 19 milioni di studenti e inizia Elaborazione di serie temporali in Python oggi!

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.