ประเมินประสิทธิภาพของดัชนี

การจัดการข้อมูล Time Series ใน Python

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

ประเมินดัชนีแบบ Value-Weighted

ผลตอบแทนของดัชนี:
- ผลตอบแทนรวมของดัชนี
- การมีส่วนร่วมของแต่ละองค์ประกอบ
ประสิทธิภาพเทียบกับ Benchmark
- ผลตอบแทนรวมตลอดช่วงเวลา
- ผลตอบแทนแบบ Rolling สำหรับช่วงย่อย

ทบทวนดัชนีแบบ Value-Based

agg_market_cap = market_cap_series.sum(axis=1)

index = agg_market_cap.div(agg_market_cap.iloc[0]).mul(100)

index.plot(title='Market-Cap Weighted Index')

กราฟดัชนีถ่วงน้ำหนักตามมูลค่าตลาด

การมีส่วนร่วมตามมูลค่าของแต่ละหุ้น

agg_market_cap.iloc[-1] - agg_market_cap.iloc[0]

315,037.71

การมีส่วนร่วมตามมูลค่าของแต่ละหุ้น

change = market_cap_series.first('D').append(market_cap_series.last('D'))

change.diff().iloc[-1].sort_values() # or: .loc['2016-12-30']

TM     -6,365.07
KO     -4,034.49
ABB     7,592.41
ORCL   11,109.65
PG     14,597.48
UPS    17,212.08
WMT    23,232.85
BABA   27,800.00
JNJ    39,931.44
T      50,229.33
XOM    53,075.38
JPM    80,656.65
Name: 2016-12-30 00:00:00, dtype: float64

น้ำหนักตามมูลค่าตลาด

market_cap = components['Market Capitalization']

weights = market_cap.div(market_cap.sum())

weights.sort_values().mul(100)

Stock Symbol
ABB     1.85
UPS     3.45
TM      5.96
ORCL    6.93
KO      7.03
WMT     8.50
PG      8.81
T       9.47
BABA   10.55
JPM    11.50
XOM    12.97
JNJ    12.97
Name: Market Capitalization, dtype: float64

ผลตอบแทนของแต่ละองค์ประกอบแบบ Value-Weighted

index_return = (index.iloc[-1] / index.iloc[0] - 1) * 100

14.06

weighted_returns = weights.mul(index_return)

weighted_returns.sort_values().plot(kind='barh')

กราฟผลตอบแทนถ่วงน้ำหนักของแต่ละองค์ประกอบ

ประสิทธิภาพเทียบกับ Benchmark

data = index.to_frame('Index') # Convert pd.Series to pd.DataFrame

data['SP500'] = pd.read_csv('sp500.csv', parse_dates=['Date'],
                            index_col='Date')

data.SP500 = data.SP500.div(data.SP500.iloc[0], axis=0).mul(100)

กราฟเปรียบเทียบดัชนีกับ S&P 500

ประสิทธิภาพเทียบกับ Benchmark: ผลตอบแทน Rolling 30 วัน

def multi_period_return(r):
    return (np.prod(r + 1) - 1) * 100

data.pct_change().rolling('30D').apply(multi_period_return).plot()

กราฟผลตอบแทน Rolling 30 วัน เปรียบเทียบดัชนีกับ S&P 500

มาฝึกกันเถอะ!

การจัดการข้อมูล Time Series ใน Python