स्टॉक प्राइस सीरीज़ के लिए लैग, बदलाव, और रिटर्न

Python में Time Series डेटा मैनिपुलेट करना

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

बेसिक टाइम सीरीज़ कैलकुलेशन

टाइम सीरीज़ की सामान्य कार्रवाइयाँ:
- वैल्यू को समय में आगे/पीछे शिफ्ट या लैग करें
- दिए गए समय-काल के लिए वैल्यू का फर्क पाएँ
- किसी भी संख्या के पीरियड्स पर प्रतिशत बदलाव निकालें
pandas की बिल्ट-इन मेथड्स pd.DateTimeIndex पर निर्भर करती हैं

GOOG स्टॉक प्राइस लाना

पार्सिंग pd.read_csv() को करने दें!

google = pd.read_csv('google.csv', parse_dates=['date'], index_col='date')

google.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 504 entries, 2015-01-02 to 2016-12-30
Data columns (total 1 columns):
price    504 non-null float64
dtypes: float64(1)

GOOG स्टॉक प्राइस लाना

google.head()

             price
date
2015-01-02  524.81
2015-01-05  513.87
2015-01-06  501.96
2015-01-07  501.10
2015-01-08  502.68

.shift(): डेटा को अतीत और भविष्य में ले जाएँ

.shift():
- डिफॉल्ट periods=1
- 1 पीरियड भविष्य में

google['shifted'] = google.price.shift() # default: periods=1

google.head(3)

             price  shifted
date
2015-01-02  542.81      NaN
2015-01-05  513.87   542.81
2015-01-06  501.96   513.87

.shift(): डेटा को अतीत और भविष्य में ले जाएँ

.shift(periods=-1):
- लैग्ड डेटा
- 1 पीरियड समय में पीछे

google['lagged'] = google.price.shift(periods=-1)

google[['price', 'lagged', 'shifted']].tail(3)

             price  lagged  shifted
date
2016-12-28  785.05  782.79   791.55
2016-12-29  782.79  771.82   785.05
2016-12-30  771.82     NaN   782.79

वन-पीरियड प्रतिशत बदलाव निकालें

$x_t$ / $x_{t-1}$

google['change'] = google.price.div(google.shifted)

google[['price', 'shifted', 'change']].head(3)

             price  shifted    change
Date
2017-01-03  786.14      NaN       NaN
2017-01-04  786.90   786.14  1.000967
2017-01-05  794.02   786.90  1.009048

वन-पीरियड प्रतिशत बदलाव निकालें

google['return'] = google.change.sub(1).mul(100)

google[['price', 'shifted', 'change', 'return']].head(3)

             price  shifted  change  return
date
2015-01-02  524.81      NaN     NaN     NaN
2015-01-05  513.87   524.81    0.98   -2.08
2015-01-06  501.96   513.87    0.98   -2.32

.diff(): बिल्ट-इन टाइम-सीरीज़ बदलाव

दो लगातार पीरियड्स के बीच वैल्यू का फर्क
$x_t - x_{t-1}$

google['diff'] = google.price.diff()

google[['price', 'diff']].head(3)

             price        diff
date
2015-01-02  524.81         NaN
2015-01-05  513.87      -10.94
2015-01-06  501.96      -11.91

.pct_change(): बिल्ट-इन टाइम-सीरीज़ % बदलाव

दो लगातार पीरियड्स के बीच प्रतिशत बदलाव
$\frac{x_t}{x_{t-1}}$

google['pct_change'] = google.price.pct_change().mul(100)

google[['price', 'return', 'pct_change']].head(3)

             price    return  pct_change
date
2015-01-02  524.81       NaN         NaN
2015-01-05  513.87     -2.08       -2.08
2015-01-06  501.96     -2.32       -2.32

आगे देखें: मल्टी-पीरियड रिटर्न्स पाएँ

google['return_3d'] = google.price.pct_change(periods=3).mul(100)

google[['price', 'return_3d']].head()

             price  return_3d
date
2015-01-02  524.81        NaN
2015-01-05  513.87        NaN
2015-01-06  501.96        NaN
2015-01-07  501.10  -4.517825
2015-01-08  502.68  -2.177594

दो पीरियड्स के बीच, 3 ट्रेडिंग दिनों के फासले पर प्रतिशत बदलाव

अभ्यास करते हैं!

Python में Time Series डेटा मैनिपुलेट करना