使用Python可视化并分析数据 大型流行病如何影响金融市场(三)

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(三)

方案2:疾病广泛传播

image.png

资料来源:维基百科

 过去也确实发生过这样的情况。比如西班牙流感,该流感始于第一次世界大战,影响了近56%的世界人口。

 另外两个是亚洲流感和香港流感,影响了大约一百万人。为了进行比较,我给出了冠状病毒感染者的数量。这个数字可能不是最新的,但可以帮助我们将当前情况与过去进行比较。

猪流感

 对于第二种情况,我们将与2009年开始的猪流感进行类比,它影响了大约20%的人口。让我们来评估这段时间疫情对财务的影响。

 这是猪流感时期的时间表。

image.png


资料来源:CDC

 现在让我们看看金融市场。

image.png

来源:Yahoo Finance

 蓝线是第一个病例的报告时间,红线是世界卫生组织宣布紧急情况的时间。

 因此,您将看到与当前市场明显不同的情况,因为市场正在从2008年金融危机中复苏,并且该股票在该特定时期内被严重低估。因此,这些情况并不像我们目前所看到的那样恶劣。

image.png

来源:Yahoo Finance

 尽管如此,疫情开始后,红线下方仍有原油下跌。黄金和SP500也是如此。只有TLT上升,原因是美联储降低了利率以支持经济。

 现在让我们看一下亏损。

image.png

来源:Yahoo Finance

最大亏损

原油-21.68%

SP500 -16.00%

黄金-13.56%

TLT -14.37%

 疫情中,SP500下跌了6%。原油下跌约18%,黄金下跌约7%,TLT下跌13%。但是,这里发生了波动,虽然最初并未被认为是严重的冲击,但它开始在美国蔓延开来。因此,我们看到,不是在疫情宣布时,而是其中某个时间,我们的数据下跌了很多。

 让我们看看散点图现在告诉我们什么。

image.png

来源:Yahoo Finance

 在这里,您可以看到资产之间形成了明确的关系。例如,S&P500和TLT为负相关,这意味着如果TLT上升,则S&P500将下跌。与黄金的关系尚不清楚,因此我们无法确定黄金是否是避风港。

 对于原油,我们发现两者之间存在正相关关系,这意味着如果S&P500下跌,原油也会下跌。

 总而言之,S&P500与原油呈正相关,与TLT呈负相关,与黄金无相关。

 让我们看看世卫组织确定疫情结束之后情况如何。

image.png

来源:Yahoo Finance

 正如我们之前所见,蓝色阴影区域是世界卫生组织宣布疫情结束之后。您可以看到回报非常强劲。数据是结束后一年中的变化。请记住,回报是从报告第一例病例的开始日期算起的。

 从报告第一例病例的开始日期算起

原油73.62%SP500 42.20%黄金29.89%TLT -10.46%

 因此,当疫情结束后,市场试图追赶并进入看涨模式,一切看起来都非常正常。让我们以条形格式查看收益,以进一步强调数据的特征。

image.png

来源:Yahoo Finance和GitHub代码

 您可以在此处查看所有数据相一定时间下的特征。

 让我们来看看行业表现。

image.png

来源:Yahoo Finance

 有趣的是,与以前的情况不同,这里的金融部门表现相对较好,并处于最高水平。原因基本上是全世界每年都因猪流感疫情陷入经济衰退,导致大量抛售并导致金融市场被低估。科技股也是如此。

 能源部门在疫情期间受到了严重影响,但在形势好转之后急剧恢复。这类似于我们之前看到的原油反弹。

亚洲流感

 我希望上述分析可以对目前的情况有一些帮助。下面让我们来看看亚洲流感的流行,这只是一项额外的练习。

 以下是S&P500的特征。

image.png

来源:Yahoo Finance和GitHub代码

 这里的红线表示病毒开始在美国传播的时间。蓝色区域是WHO宣布疫情结束的时间。

 亏损的特征与之前相似,在世卫组织宣布公共紧急状态后,我们看到最大亏损20%。

image.png

来源:Yahoo Finance

香港流感

 让我们看看香港流感时的数据有什么特征。

 红线表示世卫组织宣布紧急状态的时间,而蓝色阴影区域显示了世卫组织宣布疫情结束的时间。

 亏损方面,我们看到最大亏损为35%。

image.png

 这里的一个重要特征是,市场很少有不确定的情况。因此,当宣布紧急情况时,市场急剧下跌。但是,一旦我们采取了必要的措施来控制局势,并且一旦世界卫生组织宣布安全,市场就会立即做出反应并反弹至疫情前的水平,甚至在某些情况下甚至超过疫情前的水平。

image.png

西班牙流感

 让我们看看西班牙流感对我们有什么启发。可以说西班牙流感已经发生了三波。先是1918年6月和7月,然后是1918年10月至12月,最后是1919年1月至3月。我在这里使用Dow Jones指数,SP500从1927年的流感建立图标。您可以在下面看到其表现。

image.png

资料来源:大趋势


第二次世界大战

 顺便说一句,这是第二次世界大战下金融市场的变化。

image.png

 类似于我们看到的过去的图形,只是恢复时间不同。

 我们知道第二次世界大战在1945年结束,但是市场从1942年开始上升。正如我之前所说,市场少有不确定。战争是市场跌入低谷的原因,但是1942年,盟军聚集在一起,开始以击败敌人。市场将这些信息考虑在内,因此,一旦我们确定了计划,市场就会开始复苏。此处的最大跌幅约为43%。

image.png

来源:Yahoo Finance

要素投资

 在当前状况下您将如何投资?一种新兴的方法是要素投资。它基于 一个特点是如果一年内任何事物上升,它将继续上升。

 让我们看看COVID19期间某些要素的表现。

image.png

资料来源:van Vliet, Pim and Baltussen, Guido, Equity Styles and the Spanish Flu (March 30, 2020)


 上面显示了从1月到3月20日的各个月度的数据。

 在这里,您可以看到,尽管其他投资通常都是亏损的,但基于要素的投资却跑赢了市场。但这会继续吗?

 实际上,根据当前表格很难回答这个问题。让我们尝试看看过去的情况。

image.png

资料来源:van Vliet, Pim and Baltussen, Guido, Equity Styles and the Spanish Flu (March 30, 2020)

 我们可以看到,尽管要素的预测接近市场(黑色),但小型股表现不佳。但是在复苏阶段,小型股的表现优于所有其他形式的投资。您还可以看到,恢复阶段的低波动性股票的表现不及市场。

 到目前为止,我们已经看到与流行病有关的数据。我将尝试介绍有关1926年之前或更确切地说1872年至1918年发生的市场修正的数据。这些数据与流行病并不完全相关,但它们是一个充满不确定性的时期。

image.png

资料来源:van Vliet, Pim and Baltussen, Guido, Equity Styles and the Spanish Flu (March 30, 2020)

 正如我们前面所看到的,低波动性股票和要素投资并没有像市场体现的那样低,但是在复苏阶段并没有跑赢市场。相比之下,小型股在受影响阶段的跌幅大于市场,但在复苏阶段则表现优于市场。

什么时候结束?

哈克特金融公司(Hackett Financial)对流行病的研究表明,大多数重大病毒爆发都在3个月内消失,例如1665年的大瘟疫和一个多世纪前的西班牙流感。换句话说,这些不良事件主要在12周之内发生和消失。

 考虑到过去的数据表明,从疫情爆发到世卫组织宣布安全的天数已经减少,我们预测这次疫情可能要花三到六周的时间。

猪流感:116天 SARS:101天

 但是,我仍然强调社会隔离的重要性。世界各国政府应积极实施社会隔离。以下是西班牙流感在美国蔓延之时美国各个城市的图表。

image.png

资料来源:国家地理

 阴影区域是实施隔离的时间,您可以看到死亡人数迅速下降。因此,社会隔离确实可以有效地克服这一危机。

如何保护您的投资组合?

 如果您正在考虑自己的投资组合,那么TLT就很有意义,因为它与S&P500负相关。您应该避免使用原油,因为由于当前的危机,原油的需求可能会减弱。

 注意:在采用任何建议之前,您应咨询财务顾问。

总结

 我们已经浏览了许多情况。让我们尝试以某种方式在表中总结这些内容。


资料来源:Yahoo Finance和GitHub Codev

 您可以看到亏损方面,COVID以33%位居第三。但是,如果您在六个月后检查收益,这可能是最高的一次。这张表格将帮助您对COVID 19爆发后6个月和一年后的收益情况有所了解。

目录
相关文章
|
3天前
|
数据采集 Web App开发 数据挖掘
使用Python和BeautifulSoup轻松抓取表格数据
使用Python和BeautifulSoup,结合代理IP,可以从网页抓取表格数据,如中国气象局的天气信息。通过requests库发送HTTP请求,BeautifulSoup解析HTML提取表格。安装必要库后,设置代理IP,发送请求,解析HTML找到表格,提取数据并存储。通过Pandas进行数据分析,如计算平均气温。这种方法让数据抓取和分析变得更加便捷。
使用Python和BeautifulSoup轻松抓取表格数据
|
4天前
|
数据采集 Web App开发 数据处理
一步步教你用Python Selenium抓取动态网页任意行数据
使用Python Selenium爬取动态网页,结合代理IP提升抓取效率。安装Selenium,配置代理(如亿牛云),设置User-Agent和Cookies以模拟用户行为。示例代码展示如何使用XPath提取表格数据,处理异常,并通过隐式等待确保页面加载完成。代理、模拟浏览器行为和正确配置增强爬虫性能和成功率。
一步步教你用Python Selenium抓取动态网页任意行数据
|
4天前
|
存储 数据安全/隐私保护 计算机视觉
Python教程:一文了解从Bytes到Bits的数据转换
在Python编程中,处理数据时经常需要在字节(bytes)和位(bits)之间进行转换。这种转换在网络通信、数据加密、图像处理等领域尤为常见。本文将详细介绍如何在Python中进行字节与位之间的转换,并提供一个实用的功能:如何在指定的位位置替换位数据。
17 4
|
4天前
|
Python
Python+Jinja2实现接口数据批量生成工具
在做接口测试的时候,我们经常会遇到一种情况就是要对接口的参数进行各种可能的校验,手动修改很麻烦,尤其是那些接口参数有几十个甚至更多的,有没有一种方法可以批量的对指定参数做生成处理呢。
14 3
|
3天前
|
机器学习/深度学习 自然语言处理 数据可视化
文本挖掘与可视化:生成个性化词云的Python实践【7个案例】
词云(Word Cloud),又称为文字云或标签云,是一种用于文本数据可视化的技术,通过不同大小、颜色和字体展示文本中单词的出现频率或重要性。在词云中,更频繁出现的单词会显示得更大,反之则更小。
|
3天前
|
机器学习/深度学习 自然语言处理 数据可视化
文本挖掘与可视化:生成个性化词云的Python实践【7个案例】
词云是文本数据可视化的工具,显示单词频率,直观、美观,适用于快速展示文本关键信息。 - 用途包括关键词展示、数据探索、报告演示、情感分析和教育。 - 使用`wordcloud`和`matplotlib`库生成词云,`wordcloud`负责生成,`matplotlib`负责显示。 - 示例代码展示了从简单词云到基于蒙版、颜色和关键词权重的复杂词云生成。 - 案例覆盖了中文分词(使用`jieba`库)、自定义颜色和关键词权重的词云。 - 代码示例包括读取文本、分词、设置词云参数、显示和保存图像。
17 1
|
2天前
|
数据可视化
Seaborn 可视化(三)
Seaborn的pairplot用于多变量数据可视化,但上半部分与下半部分重复。可通过PairGrid手动定制,如示例所示,用regplot和kdeplot分别绘制对角线以上和以下的图,histplot画对角线。hue参数增强可视化,比如在violinplot和lmplot中按性别着色,展示不同类别。还能通过点的大小和形状(如markers参数)添加信息。Seaborn提供darkgrid等5种样式,用sns.set_style切换。
|
2天前
|
数据可视化 Python
Seaborn 可视化(二)
Seaborn教程展示了如何用`jointplot`创建蜂巢图,以及使用`matplotlib`的`hexbin`函数绘制2D核密度图。此外,它还介绍了2D核密度图,强调其在展示两个变量联合分布上的作用。条形图、箱线图和小提琴图也被讨论,其中箱线图揭示了数据的统计特性,而小提琴图结合了箱线图和核密度图的信息。`pairplot`函数用于可视化数据集中所有变量之间的两两关系。每种图表类型都配有示例图像。
|
2天前
|
数据可视化 数据挖掘 API
Seaborn 可视化(一)
Seaborn是Python的一个基于matplotlib的统计图形库,提供交互式界面,便于创建吸引人的统计图表。它与Pandas集成良好,支持直接使用DataFrame数据进行绘图。Seaborn能绘制直方图(distplot)、密度图(核密度估计)、条形图(计数图)以及散点图(regplot、lmplot、jointplot),适用于单变量和双变量数据分析,如展示分布、关系和趋势。例如,`sns.distplot()`用于直方图,`sns.lmplot()`和`sns.jointplot()`则用于绘制散点图并可添加回归线。
|
数据采集 数据可视化 数据挖掘