Python 进阶视频课 - 7. Pandas 时间序列

这是 Python 进阶课的第七节 - 时间序列，进阶课的目录如下：

1. NumPy 上

2. NumPy 下

3. Pandas 上

4. Pandas 下

5. SciPy 上

6. SciPy 下
   

之前基础版的 11 节的目录如下：

1. 编程概览

2. 元素型数据

3. 容器型数据

4. 流程控制：条件-循环-异常处理

5. 函数上：低阶函数

6. 函数下：高阶函数

7. 类和对象：封装-继承-多态-组合

8. 字符串专场：格式化和正则化

9. 解析表达式：简约也简单

10. 生成器和迭代器：简约不简单

11. 装饰器：高端不简单

Pandas 中的 DataFrame 非常适合金融时间序列的建模，用以下数据格式

• index 是一组时间日期

• columns 是资产或因子
  

• value 是对应的值
  

学完本课后你会：

1. 了解时间序列数据类型的基本概念 (日期时间、期、频率、转换日期格式、用日期做切片) 和基本函数 (shift, diff, pct_change 等)

2. 标准化和重采样操作

一般来讲，不同股票价格的量纲不同，不同股票时间序列的频率也不同，在比较时通常会用

• 标准化 (standardization) 调成同量纲 (same scale)

• 重采样 (resample) 调成同频率 (same frequency)

多个时间序列的频率可能不同，为了比较它们，通常需要改变某些序列的频率，这个过程叫做重采样 (resampling)，有两种方法：

• 上采样 (upsampling)：将低频数据变成高频数据，填充 (fill) 或者内插 (interpolate) 中间缺失值。

• 
  

• 下采样 (downsampling)：将高频数据变成低频数据，将多个数据整合 (aggregate) 为一个。

上采样和下采样的比较图如下：

3. 计算多种滚动指标。

• 窗口期 (window) 定义时间序列的子期 (sub-period)。

• 在窗口期中计算每一个子期的指标

• 创建一个关于指标的新的时间序列

• 两种窗口期：

• Rolling: 相同大小，滑动

• Expanding: 越来越大，扩张

下图展示了 rolling 和 expanding 的区别。

以上三个知识点就是该课的前三节，之后就可以在第四节应用这些知识点来解决实际投资组合的问题，比如

• 创建任何一个股票投资组合上创建价值加权指数

• 计算每个成分股的对指数收益的贡献度

• 比对基准 (benchmark) 评估该组合表现

• 计算相关性系数矩阵来检查组合的分散度
  

付费用户（付 1 赠 1）可以获得：

• 观看课程视频 (108 分钟)

• Python 代码 (Jupyter Notebook)