Coca-Cola: долгая дистанция бренда
Концепция
Фондовый рынок часто ассоциируется с резкими колебаниями и краткосрочными трендами. Однако для глобальных брендов динамика стоимости акций может отражать не только рыночные колебания, но и долгосрочное доверие инвесторов. В этом проекте я анализирую исторические данные по акциям Coca-Cola, охватывающие несколько десятилетий, чтобы понять, как бренд ведёт себя на длинной дистанции и можно ли через цифры увидеть его устойчивость.
Данные для анализа
Для анализа использован публичный датасет, содержащий исторические данные по акциям компании Coca-Cola. Формат данных — временной ряд, включающий: - дату торгов, - цену открытия и закрытия, - дневные минимумы и максимумы, - скорректированную цену, - объём торгов.
ИССЛЕДОВАТЕЛЬСКИЙ ВОПРОС:
Как меняется стоимость бренда Coca-Cola на длинной временной дистанции и можно ли через динамику акций увидеть его устойчивость?
Для визуализации данных были выбраны несколько типов графиков:
Линейные графики используются для анализа временного ряда и демонстрации изменения стоимости акций во времени.
Комбинированные линейные графики применяются для сопоставления краткосрочных колебаний и долгосрочного тренда на одном поле.
Гистограмма используется для анализа распределения дневных изменений цены. Она позволяет оценить волатильность акций, определить типичный диапазон колебаний и выявить редкие экстремальные значения.
Столбчатая диаграмма применяется для анализа торговой активности и отображения объёма торгов во времени.
Drawdown используется для оценки глубины спадов относительно исторических максимумов. В
Heatmap применяется для выявления сезонных и периодических паттернов. Формат «год × месяц», где информация передаётся через цвет, позволяет быстро сравнивать периоды и обнаруживать закономерности.
В визуализации и оформлении проекта был использован фирменный цвет CocaCola и шрифт Gotham Bold, похожий на тот, что компания использует в своих материалах.
Анализ датасета и визуализация данных
Импорт и чтение данных
На этом этапе загружаем данные из Excel-файла в датафрейм с помощью библиотеки Pandas. Проверяем структуру таблицы и корректность чтения столбцов, включая столбец с датами, необходимый для анализа временного ряда.Подготовка таблицы
Выполняем первичную обработку данных: используем первую строку как заголовки столбцов, приводим числовые значения к корректному формату с помощью pd.to_numeric (), а даты с помощью pd.to_datetime (). Далее удаляем пропуски в ключевых столбцах и сортируем данные по дате.Признаки для анализа
Расширяем исходные данные, добавляя новые аналитические признаки. С помощью функции pct_change () рассчитываем доходности, что позволяет анализировать изменения цены и волатильность. Для выявления долгосрочных тенденций используем скользящие средние через rolling ().mean (). Также применяем resample () для агрегации данных по месяцам.Единый стиль графиков
Задаем единый визуальный стиль для всех графиков: используем настройки matplotlib для управления цветовой палитрой, фоном, отступами и отключения второстепенных элементов интерфейса. Отдельно настраиваем заголовки графиков с использованием шрифта Gothic Bold.График 1 — динамика цены
Для анализа долгосрочной динамики используем линейный график изменения скорректированной цены закрытия во времени. Исходные данные агрегируются по месяцам с помощью метода resample («ME»).last (), что позволяет снизить влияние дневных колебаний. Дополнительно применяем сглаживание временного ряда с использованием скользящего среднего (rolling ().mean ()), благодаря чему визуализация акцентирует внимание на общей тенденции изменения стоимости акций.График 2 — тренд и краткосрочные колебания
Для сопоставления краткосрочных колебаний и долгосрочного тренда на одном графике отображаем исходные значения цены и скользящее среднее, рассчитанное с помощью rolling ().mean (). Такой приём позволяет визуально отделить рыночный шум от устойчивого направления движения стоимости и наглядно показать разницу между ежедневной динамикой и долгосрочным трендом.График 3 — волатильность
Оценку волатильности проводим на основе распределения дневных доходностей. Для повышения читаемости экстремальные значения отфильтровываем с использованием квантилей (quantile ()), после чего строим гистограмму. Это позволяет сосредоточиться на типичном диапазоне колебаний и избежать искажения формы распределения редкими выбросами.График 4 — активность торгов
Анализ торговой активности выполняем на основе объёма торгов, агрегированного по месяцам с помощью resample («ME»).sum (). Столбчатую диаграмму используем для отображения периодов повышенного интереса рынка, отражая реакцию участников рынка на внешние события.График 5 — просадки
Для анализа спадов рассчитываем накопленный максимум цены с помощью cummax (), после чего определяем отклонение текущей цены от исторического пика. Полученные значения визуализируем в виде графика просадок, что позволяет оценить глубину спадов и скорость восстановления стоимости акций после кризисных периодов.График 6 — heatmap месячных доходностей
Для выявления сезонных и периодических паттернов рассчитываем месячные доходности и формируем таблицу формата «год × месяц» с использованием pivot_table (). Значения визуализируем в виде heatmap, где цвет отражает величину доходности. Такой формат позволяет быстро выявить повторяющиеся закономерности, которые сложно заметить на линейных графиках.Выводы из анализа
Долгосрочная динамика цены: При анализе на длинной временной дистанции становится видно, что стоимость акций Coca-Cola демонстрирует устойчивый долгосрочный рост. Краткосрочные колебания сглаживаются при агрегации данных и не меняют общего направления движения.
Тренд и рыночный шум: Ежедневные изменения цены создают ощущение нестабильности, однако использование скользящих средних показывает, что за этим шумом скрывается относительно стабильный тренд.
Волатильность: Большинство дневных изменений цены находится в умеренном диапазоне. Резкие скачки и падения встречаются значительно реже, что указывает на сравнительно предсказуемое поведение акций.
Просадки и восстановление: Даже в периоды заметных спадов цена акций со временем возвращается к прежним уровням. Это говорит о способности бренда переживать кризисы и восстанавливаться после них.
Сезонность и месячные доходности: Календарная матрица месячных доходностей показывает чередование положительных и отрицательных периодов, подчёркивая цикличность рыночных процессов и отсутствие постоянной сезонной модели.
Заключение
В ходе исследования исторических данных по акциям Coca-Cola был проведён анализ, сочетающий количественные методы и объясняющую визуализацию. Такой подход позволил рассмотреть рынок не как набор разрозненных показателей, а как целостную систему с собственной динамикой и логикой.
Использование временных рядов, сглаживания, распределений и альтернативных форм визуализации показало, что краткосрочные колебания цены не отражают реальную устойчивость бренда. Напротив, при рассмотрении данных на длинной дистанции становится очевидно, что стоимость акций сохраняет стабильность и способность к восстановлению после периодов спада.
Единый визуальный стиль и последовательный нарратив визуализаций позволили представить данные в изучающем и объясняющем формате, где каждый график дополняет предыдущий и раскрывает разные аспекты поведения рынка. Такой подход подчёркивает ценность визуализации не только как инструмента представления данных, но и как способа их интерпретации.
В целом проект демонстрирует, что устойчивость бренда Coca-Cola проявляется во времени — в способности переживать кризисы, адаптироваться к изменениям и сохранять доверие рынка на протяжении десятилетий.
Описание применения генеративной модели
Генеративная модель ChatGPT 5.2 использовалась как инструмент для грамотного формулирования исследовательских вопросов, структурирования этапов анализа, а также для консультаций по работе с библиотеками Pandas и Matplotlib.
