使用Python可视化并分析数据 大型流行病如何影响金融市场(二)

简介: 使用Python可视化并分析数据 大型流行病如何影响金融市场(二)

部门绩效

 到目前为止,我们只是在讨论整个S&P500。但是组成该指数的各个部门呢?

 观察它的一种方法是部门绩效。我创建了一个图表,其中考虑了市场的主要领域。

def plot_sector(tl):
     sector_list = ['IHE', 'IYW', 'IYF', 'IYK', 'IYZ','ITM', 'IYE']
     columns = ['Pharma', 'Technology', 'Financials', 'Consumer Goods',
                'Telecom', 'Basic Materials', 'Energy']
     sector_data = pd.DataFrame()
     for inst in sector_list:
         try:
             sector_data[inst] = pdr.get_data_yahoo(inst, tl.first_case.iloc[0]-timedelta(days=30),
                                         tl.last_date.iloc[0]+timedelta(days=365))['Adj Close']    
         except:
             pass
     sector_data.columns = columns
     plot_cumulative_returns(sector_data, tl)
plot_sector(covid_timelines)

image.png

您可以看到“制药和技术”是受影响相对较小的两个领域。 在上图中,“技术”是橙色的线,您可以在顶部看到它,然后是“制药”作为蓝线。总体而言,您可以看到所有扇区都在同一方向,但是相对大小或下降程度是不同的。正如我之前所说,“制药和技术”受到的影响相对较小。

您会看到粉红色的线表示受影响最大。考虑到我们早些时候已经看到原油受到的影响最大,这是合乎逻辑的,因为原油和能源直接相关,因此又对能源行业产生了影响。另一个观察结果是绿线,它指示财务状况也有所下降。出现这个情况的原因是,每当经济放缓时,就会发生大量的贷款违约,这会导致银行不良资产的增加,并最终损害其损益。不良资产的增加使银行难以生存。在印度市场上,经典的例子就是Yes银行。因此,在这场经济危机中,金融部门首当其冲。

这是否意味着我们应该不理会财务状况,而要加重负担,比如说选择技术和制药,我的投资组合应该是什么样?

 随之而来的是以下问题:

  • 流行病什么时候结束?
  • 它将如何结束?
  • 市场会下跌更多吗?它将如何发展?
  • 我应该购买黄金作为避风港吗?我的投资组合应该是什么样的?
  • 所有人都会受到流行病的影响吗?
  • 收入将受到怎样的影响,哪个部门将受到最大影响?

 让我们通过查看过去的流行病以及当时整个世界的状况来回答这些问题。我想在这里添加一个小的免责声明,我没有任何方法可以给我100%正确的答案,但是我相信数据始终是得出合理结论的最佳方法。让我们现在开始。

过去的流行病

“那些不记得过去的人被谴责重复过去。”

——George Santayana

 如果您认为流行病一种特殊情况,那么您会惊讶地了解到,几个世纪以来,流行病一直在影响着我们。我已经在一个简单的表中研究了一些数据,如下所示

image.png

资料来源:世界经济论坛

https://www.weforum.org/agenda/2020/03/a-visual-history-of-pandemics/

 根据死亡人数,我用红色突出显示了前三大流行病,而用绿色突出显示了后四个流行病。

这里出现了一个重要的趋势。你发现了吗?

 实际上,这里出现了两种趋势。一是多年来死亡人数大幅下降。另一个趋势是持续时间也大大减少。这样的原因是我们的医疗保健系统在改善,并且在为普通公众寻找和部署疫苗方面一直在努力着。

 但这只是过去的情况。冠状病毒将产生多少感染和死亡人数? 让我们快速了解病毒的传染性。

image.png

资料来源:世界经济论坛


此信息图告诉您什么?

 它向我们展示了病毒传播的速度。麻疹在这里为16。这意味着一个麻疹患者可以感染其他16个未接种疫苗的人。相比之下,冠状病毒为2.5,这意味着感染冠状病毒的人平均可影响2.5个人。

但是,为什么我们看到患者数量呈指数增长?

 与我们的投资进行类比,并请您注意复利。在第一天,一个人就会受到影响。因此,第二天2.5将受到影响。第三天,我们将看到大约六人被感染。这六个人将再次影响15左右的(6 * 2.5)。以这种方式,被感染的人数成倍增加。

 解决这一问题的最好办法是社会隔离,这是世界上大多数政府所遵循的。

那么,流行病将如何结束?

过去的表现是成功的最好预测——Jim Simons

 我想在这里讨论两种情况。让我们从第一个开始。

方案1:采取严格的防护措施

非典

 在我们的历史上有一个案例,是关于SARS爆发的。SARS具有类似的性质,它2002年在中国南部爆发。我们通过隔离和接触者追踪等措施,将其控制在较小的范围。

 在这次大流行中,约有8500人被感染。目前,尚无针对此病毒的疫苗,但我们能够通过社交疏散来控制这种情况,并且新感染的数量趋于平坦,因此,死亡人数最终减少了。但是,虽然可以很容易地识别出感染了SARS的人,但对于冠状病毒携带者的检测却要复杂一些。尽管如此,我们仍然可以以此为参考来了解冠状病毒对行业的影响。

image.png

资料来源:《金融时报》

 在这里,我们计算了感染数量以及自第100个案例以来的天数。您也可以看到轨迹。

 例如,美国花费了24天的时间才能达到100,000人,其他国家也差不多。此处的目标是尽快使该指数上升的曲线趋于平坦。在这里,让我将注意力转移到使韩国的人数增长曲线变得平坦的拐点上,并在SARS中进行了类似的处理。让我们现在看看该图表。

image.png

资料来源:维基百科

 这是取自维基百科,在这里您可以看到橘色线形式的累积案例,数量为8437。最初,案例数量从4月到5月呈指数级增长,但是由于社会隔离和其他措施 ,增量数量开始减少。这形成了我们在上面看到的“ S”形逻辑曲线。死亡率遵循橙色曲线并趋于平坦。

 如果我们认为SARS是冠状病毒的一个很好的类比,那么以下时间表将帮助我们了解当前情况将如何发展。

image.png

资料来源:CDC


 让我们看看在SARS爆发期间金融市场的表现如何。

image.png

来源:Yahoo Finance

 这与我们正在使用的四种数据的每日百分比变化相同。回想一下,原油,SP500,黄金和20年期美国国债。由于这几乎是一种在单独区域流行的疾病,因此我们认为对国际的金融市场的影响较小,但是红线表示何时宣布这是一种可能的健康紧急情况。您会看到在两个方向上都有一些剧烈运动。下图更加清晰。

image.png

来源:Yahoo Finance

 您可以看到,在这段时期内,原油价格大幅下跌,但与冠状病毒时期相比,S&P500受到的影响相对较小。在Gold和TLT的情况下也是如此。

 让我们来看看这段时期的亏损。

image.png

来源:Yahoo Finance

 您可以看到亏损非常大。在此期间,SP500亏损指数约为15%,原油约为30%。但是黄金又回到了百分之十几,美国财政部下跌了大约5%。我应该指出,由于通过控制对流行病进行了很好的管理,因此亏损没有我们现在看到的那么严重。

 尝试进行相关性分析,我们发现一切都与SP500负相关。

image.png

来源:Yahoo Finance

 由于这种流行病是在单独区域发生的,因此这套数据并不一定合适。更好的指标是将其与上海的数据进行比较。但是,在这段时间内,我们发现S&P500与美国国债,黄金和原油的负相关性非常高。

 让我们看看危机结束后事情如何发展。

image.png

来源:Yahoo Finance

 蓝色阴影区域是世卫组织宣布这场危机已经结束的时候。您可以看到,尽管世界卫生组织宣布紧急状态后,损失幅度很大,但该指数实际上已经迅速恢复,并且持续的天数也很短。

 为了简单起见,我仅使用了四种数据,您可以将自己的本地索引用于可能要进行的任何相关分析。请在评论中与我分享您的见解。

 遏制SARS所采取的措施与针对冠状病毒所采取的措施相似。实际上,这样的效果很好,因此病毒在中国的传播范围不大。

 从3月26日世界卫生组织宣布紧急状态开始,我们看到了回报的变化。

image.png

来源:Yahoo Finance和GitHub代码

 要知道这是一个月,三个月,六个月和一年的回报。您会看到,SP500的收益非常强劲,分别为5%,10%,15%和25%。其他情况也是如此。在这里,CL = F代表原油期货,GC = F代表黄金期货,而TLT是金库。

 如果您想知道哪些部门受影响最大,以及危机后该部门的表现如何,我已经尝试用这张图表来回答。

image.png

资料来源:FT 和 JPMorgan

 您会看到受影响最大的部门位于顶部,受影响最小的部门位于底部。该图为MSCI中国板块。如您所见,受影响最大的是耐用消费品,软件,酒店,饭店,休闲和航空公司。影响最小的是医疗保健,食品,饮料和烟草。深蓝色表示疫情期间该行业的表现,浅蓝色表示疫情之后该行业的表现。您可以看到,食品和饮料不仅在疫情期间取得了积极的回报,而且在疫情结束后仍继续保持积极的表现。这给了我们一些提示,例如快速消费品中的食品和日常必需品是我们可以选择的方面,类似地,医疗保健和制药公司也显示出类似的趋势。有趣的是,在疫情结束期间和结束之后,零售都呈负趋势。

 因此,如果这种情况是完全有可能的,那么您将知道哪些部门将显示出健康的复苏,哪些部门将需要更多的时间来恢复。

 在这种情况下,我们能够通过强有力的措施遏制这一流行病。现在,我们将继续下一个假设。

目录
相关文章
|
7月前
|
存储 分布式计算 大数据
基于Python大数据的的电商用户行为分析系统
本系统基于Django、Scrapy与Hadoop技术,构建电商用户行为分析平台。通过爬取与处理海量用户数据,实现行为追踪、偏好分析与个性化推荐,助力企业提升营销精准度与用户体验,推动电商智能化发展。
|
7月前
|
数据采集 Web App开发 数据可视化
Python零基础爬取东方财富网股票行情数据指南
东方财富网数据稳定、反爬宽松,适合爬虫入门。本文详解使用Python抓取股票行情数据,涵盖请求发送、HTML解析、动态加载处理、代理IP切换及数据可视化,助你快速掌握金融数据爬取技能。
4276 1
|
7月前
|
Java 数据挖掘 数据处理
(Pandas)Python做数据处理必选框架之一!(一):介绍Pandas中的两个数据结构;刨析Series:如何访问数据;数据去重、取众数、总和、标准差、方差、平均值等;判断缺失值、获取索引...
Pandas 是一个开源的数据分析和数据处理库,它是基于 Python 编程语言的。 Pandas 提供了易于使用的数据结构和数据分析工具,特别适用于处理结构化数据,如表格型数据(类似于Excel表格)。 Pandas 是数据科学和分析领域中常用的工具之一,它使得用户能够轻松地从各种数据源中导入数据,并对数据进行高效的操作和分析。 Pandas 主要引入了两种新的数据结构:Series 和 DataFrame。
671 0
|
7月前
|
JSON 算法 API
Python采集淘宝商品评论API接口及JSON数据返回全程指南
Python采集淘宝商品评论API接口及JSON数据返回全程指南
|
7月前
|
JSON API 数据安全/隐私保护
Python采集淘宝拍立淘按图搜索API接口及JSON数据返回全流程指南
通过以上流程,可实现淘宝拍立淘按图搜索的完整调用链路,并获取结构化的JSON商品数据,支撑电商比价、智能推荐等业务场景。
|
7月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的台风灾害分析及预测系统
针对台风灾害预警滞后、精度不足等问题,本研究基于Python与大数据技术,构建多源数据融合的台风预测系统。利用机器学习提升路径与强度预测准确率,结合Django框架实现动态可视化与实时预警,为防灾决策提供科学支持,显著提高应急响应效率,具有重要社会经济价值。
|
7月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的青少年网络使用情况分析及预测系统
本研究基于Python大数据技术,构建青少年网络行为分析系统,旨在破解现有防沉迷模式下用户画像模糊、预警滞后等难题。通过整合多平台亿级数据,运用机器学习实现精准行为预测与实时干预,推动数字治理向“数据驱动”转型,为家庭、学校及政府提供科学决策支持,助力青少年健康上网。
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
420 0

推荐镜像

更多