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
|
2天前
|
数据采集 存储 JSON
Python爬虫开发中的分析与方案制定
Python爬虫开发中的分析与方案制定
|
2天前
|
图形学 Python
SciPy 空间数据2
凸包(Convex Hull)是计算几何中的概念,指包含给定点集的所有凸集的交集。可以通过 `ConvexHull()` 方法创建凸包。示例代码展示了如何使用 `scipy` 库和 `matplotlib` 绘制给定点集的凸包。
10 1
|
3天前
|
JSON 数据格式 索引
Python中序列化/反序列化JSON格式的数据
【11月更文挑战第4天】本文介绍了 Python 中使用 `json` 模块进行序列化和反序列化的操作。序列化是指将 Python 对象(如字典、列表)转换为 JSON 字符串,主要使用 `json.dumps` 方法。示例包括基本的字典和列表序列化,以及自定义类的序列化。反序列化则是将 JSON 字符串转换回 Python 对象,使用 `json.loads` 方法。文中还提供了具体的代码示例,展示了如何处理不同类型的 Python 对象。
|
3天前
|
数据采集 Web App开发 iOS开发
如何使用 Python 语言的正则表达式进行网页数据的爬取?
使用 Python 进行网页数据爬取的步骤包括:1. 安装必要库(requests、re、bs4);2. 发送 HTTP 请求获取网页内容;3. 使用正则表达式提取数据;4. 数据清洗和处理;5. 循环遍历多个页面。通过这些步骤,可以高效地从网页中提取所需信息。
|
8天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
18 3
|
9天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
28 2
|
2天前
|
索引 Python
SciPy 空间数据1
SciPy 通过 `scipy.spatial` 模块处理空间数据,如判断点是否在边界内、计算最近点等。三角测量是通过测量角度来确定目标距离的方法。多边形的三角测量可将其分解为多个三角形,用于计算面积。Delaunay 三角剖分是一种常用方法,可以对一系列点进行三角剖分。示例代码展示了如何使用 `Delaunay()` 函数创建三角形并绘制。
9 0
|
2天前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始,然后进行数据探索性分析,最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文,你将学会如何运用Python进行数据处理和可视化展示。
|
6月前
|
机器学习/深度学习 存储 数据可视化
数据分享|Python在Scikit-Learn可视化随机森林中的决策树分析房价数据
数据分享|Python在Scikit-Learn可视化随机森林中的决策树分析房价数据
|
6月前
|
传感器 数据可视化 BI
python研究汽车传感器数据统计可视化分析
python研究汽车传感器数据统计可视化分析