利用数据可视化和相关历史背景分析在COVID-19影响下美国股市暴跌

如果你不知道过去两个月美国股市的下跌，那么你要么是个象牙塔里的大学生，要么是个既没有任何投资又没有要还一辈子的助学贷款的低级工人。不管怎样，不管你是否有没有在股票市场投入了大量家底，你都应该知道过去几周发生了什么。无论你在这场危机中是幸运还是不幸，你都目睹了一场黑天鹅事件。

小贴士：Investopedia将黑天鹅事件定义为：

黑天鹅事件意为那些超出了正常情况下的预期，并且具有潜在的严重后果的完全不可预测的事件。黑天鹅事件的特点是极端罕见，影响深远，以及在事后看来又特别普遍。

在本文中，我将使用数据科学的手段来量化2020年美国股市下跌的影响，并将其与近期（以及更早）历史上的其他主要下跌进行比较。我将收集数据来帮助构建我的模型，设置比较统计来提供背景，并通过可视化来传达重要的想法。

最后一件事，我只使用公开可用的数据，因此本文中使用的数据可视化和原始数据的所有代码都可以在我的 GitHub项目上使用。现在，我们开始吧！

量化过去几周的市场动荡

我们可以使用一些不同的数据集来了解市场的动荡。我们首先来分析过去三个月（2020年2月1日至2020年3月20日）以来的标准普尔500指数。这就是我的数据集的样子：

您可能每次在网上搜索股票时都会看到这些量化指标；现在，让我们做一些分析，以便更好地理解它们。首先，我将展示一个简单的价格-时间曲线，它已经显示了很多信息。

你可以清楚地看到，大约在2月中旬（2月19日），市场波动开始急剧增加。需要注意的是，我们关注的重点是市场波动的震荡严重程度，而不是这个变化趋势是上升还是下降。让我们更进一步，额外对随时间变化的市场成交量进行可视化，这一指标显示了正在进行的交易数量。

现在你也可以看到市场的波动性和成交量都在增加，特别是在过去几周。至少从表面上看，你可以从上图中看到的另一件事是，成交量第一次的真正飙升是在市场经历最初几次大跌后的一两天。

让我们使用另一种可视化方法来查看价格和市场成交量的百分比变化。百分比变化指标使用不同的尺度，因此我们需要从原始数据中生成进一步的描述。一个好的方法是使用Z-score。简单地说，Z-score是一个显示某个数据点离平均值有多远的统计指标。考虑到我们过去3个月的样本量，平均值的偏差是很大的，所以我将使用修改后的Z-score，它依赖于中位数，因为它对异常值和数据偏度不太敏感。另外，我将只使用修改后的Z-score的绝对值，因为我只关心与中值的距离，而不是方向。你可以看到下面的结果。

现在我们已经确认，百分比变化发生异常要先于成交量本身发生异常。从图中可以看到，2月22日那个周末发生了一些事情，导致百分比变化从中间值的0.5标准差飙升至2标准差。在一篇后续文章中，我将探讨那个周末的冠状病毒病例，以进一步了解发生了什么。

目前我们用Z-score的角度来可视化数据是有用的，但下面的可视化图则进一步捕捉到了蔓延在整个市场的恐慌，而我只是简单地绘制了标准普尔500指数的每日百分比变化。注意在过去的几周里，峰值和谷值是如何爆炸的，以及同一数据的方框图中异常值的数量。

我们花了最后几分钟单独分析了此次美股下跌。在下一节中，我们将把这一次下跌与最近历史上的其他下跌进行比较，以获得更好的历史背景，并真正回答以下问题：

这次市场下跌有多糟？

很糟很糟。

在任何时候我们要理解市场行为，最有用的策略之一是获得一些历史背景。在本节中，我们将对比美国2020年股市下跌与其他近期历史数据，进一步分析市场反应。

为此，我收集了最近10个10%以上的股市下跌数据。正如你所看到的，这份清单记录了大约10-20%的市场下跌，以及2007-2008年的金融危机和2000年的互联网泡沫，这两次危机比这次甚至严重得多。之后，我收集了这段时间内的每日标准普尔500回报率。我的目标是，结合这些统计数据，将2020年股市下跌速度与过去20年的下跌速度进行比较。

在构思了一些不同的数据可视化之后，我决定用一个折线图来最好地展示最近一次下跌的严重性。下面可以看到可视化效果。

正如你所看到的，我构建了一个图表来展示一笔10000美元的投资在市场下跌过程中的价值下降。这样我们可以对历史上不同的市场下跌进行同等且具体的比较。从图中可以看出，2020年美国市场的下跌不仅在投资价值的绝对下跌方面要严重得多，而且下跌速度也要快得多。我将图表中的不同数据分开，如下图所示，你在下面的列表中也能观察到这一点。

好了，现在我们做完了！2020年美国股市下跌绝非小事。在30天的时间里，标普500指数的总市值蒸发了大约8万亿美元。更具体一点，这次市场蒸发了约800000000000美元。

作者：Harsh Rana

deephub翻译组：Alexander Zhao

关注 deephub-imba 发送 20200405 即可获取本文代码github地址

DeepHub