[1] Exploring / Manipulating Timeseries Data (Moving Average, Return series)

Business Problem Context

주가 데이터 분석을 통해 투자를 해야 할지? / 관련된 risk로는 어떤 것이 있는지? / 어떤 투자가 더 좋을지? / 수익을 얼마나 낼 수 있을지? 등의 질문에 대답할 수 있음

 

Stock trade data

# Data periodicity

- Tick by tick
- Intraday ; periodic
- Daily / Weekly / Monthly

 

# Data structure

- Period open / high / low / close
- Period volume

 

Timeseries data

- 금융 데이터 분석의 기본적인 형태인 Timeseries(시계열) 데이터

- eg. Stock prices / Trading volume / Revenue / Earnings / Losses / Defects
+ 연체는 Default

 

Corporate actions and market data

- 금융 데이터 분석의 기본적인 형태인 Timeseries(시계열) 데이터

- Market data에 영향을 주는 Corporate Actions
- Dividends (배당금)과 Stock splits / Reverse splits (액면 분할 / 병합)이 있음

 

 

# Stock splits

- 하지만 표만 봐서는 Split 여부를 알 수 없음

- eg. 4:1 Stock Split이 될 경우, 이전 가격을 4로 나눠 표기하기 때문에.

 

# Dividends

- 배당금을 지급할때마다 과거의 Adj Close에서 계속 뺄셈이 일어나기 때문에 과거의 데이터일수록 Diff가 커진다. (라고 이해)

 

Concepts and Techniques

- Timeseries 데이터에서는 count / mean / std와 같은 통계량이 잘 쓰이지 않음. (이것들은 Population-based data에 유용)

 

Smoothing with moving averages

- 단순 평균은 데이터의 트렌드를 반영하기 어려움. 따라서 moving averages (이동 평균) 사용

- 하지만 Random noise와 seasonality effects가 방해 요소

- MA를 계산함으로써 단기 / 장기 트렌드를 파악할 수 있음

- MA는 lagging indicator (실제 데이터의 경향을 조금 늦게 반영하는 지표) 

 

# Simple moving average

- 단순 이동 평균

- pandas.DataFrame.rolling()

 

 

- 이동 평균 시 보는 데이터 일 수가 길어질수록 곡선은 더 smooth 해짐

- 이 외에도 최근 데이터에 가중치를 더 부여하는 Weighted Moving Average (WMA), Exponential Moving Average (EMA)가 있음

 

Using moving averages in trading strategies

- Noise와 short-term price fluctuations를 필터링한 가격 트렌드를 확인할 수 있음

- 다른 MA 혹은 기본 주가 가격과의 상관관계를 일종의 trigger로 활용할 수 있음
eg. when the price goes above/below the 200-day MA, when the 50-day MA crosses above/below the 200-day MA

 

Using scaled returns for comparison purposes

- Timeseries 데이터를 scale, normalize할 때 도움이 됨

- 다른 시간 단위의 데이터도 쉽게 비교할 수 있게 도와줌

- 계산 방법 ) 날마다의 percent change에 기반, 시작일을 0으로 두고 Normalize

 

Calculating a return series

1. Calculate a percent change

-  (Current value - Original value) / Original Value

- pandas.DataFrame.pct_change()

 

2.  Apply cumulatively and normalize

- 시작일의 값을 1로 두고 cumulative return 계산

- Previous value * (1 + Current percent change)

 

eg. 2행 ; 1 * (1+0.049) / 3행 ; 1.048 * (1 - 0.091)

- pandas.DataFrame.cumprod()

- 최종적으로는 1을 빼서 0%에서 시작해 비교할 수 있도록함

- Return series의 가장 마지막 값은 관찰 기간 동안의 최종 return이 됨