Exponenciálně vážené výnosy a riziko

V tomto cvičení provedeš optimalizaci portfolia s trochu jiným přístupem k odhadování rizika a výnosů – novějším datům přidělíš větší váhu.

Jde o chytrý způsob, jak pracovat s akciovými daty, která obvykle nejsou stacionární, tzn. jejich distribuce se v čase mění. Implementace je rychlá – stačí změnit model rizika pro výpočet Sigma a způsob výpočtu výnosů pro získání mu. Dataset cen akcií je dostupný jako stock_prices. Jdeme na to!

Toto cvičení je součástí kurzu

Introduction to Portfolio Analysis in Python

Zobrazit kurz

Pokyny k cvičení

Z modulu risk_models použij exponenciálně váženou kovarianční matici a z modulu expected_returns exponenciálně váženou funkci historických výnosů pro výpočet Sigma a mu. Nastav span na 180 a frekvenci (tj. obchodní dny) na 252.
Vypočítej eficientní hranici s novými hodnotami mu a Sigma.
Vypočítej váhy pro portfolio s maximálním Sharpeho poměrem.
Získej výkonnostní report.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define exponentially weightedSigma and mu using stock_prices
Sigma = risk_models.____(____, span=____, frequency=____)
mu = expected_returns.____(____, frequency=____, span=____)

# Calculate the efficient frontier
ef = ____(____, ____)

# Calculate weights for the maximum sharpe ratio optimization
raw_weights_maxsharpe = ____.____()

# Show portfolio performance 
ef.____(verbose=True)

Upravit a spustit kód