Portfolio MSR

Portfolio s maximálním Sharpeho poměrem, označované jako MSR, leží na vrcholu efektivní hranice a sestavíme ho tak, že najdeme portfolio s nejvyšším Sharpeho poměrem.

MSR portfolio je ale bohužel často poměrně nestabilní. Vysoký historický Sharpeho poměr totiž nezaručuje, že si portfolio povede stejně dobře i v budoucnu.

Toto cvičení je součástí kurzu

Úvod do řízení portfoliového rizika v Pythonu

Zobrazit kurz

Pokyny k cvičení

Seřaď RandomPortfolios podle nejvyšší hodnoty Sharpe sestupně.
Vynásob MSR_weights_array přes řádky StockReturns, čímž získáš vážené výnosy akcií.
Nakonec si prohlédni graf kumulativních výnosů v čase.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Sort the portfolios by Sharpe ratio
sorted_portfolios = RandomPortfolios.____(by=['Sharpe'], ascending=____)

# Extract the corresponding weights
MSR_weights = sorted_portfolios.iloc[0, 0:numstocks]

# Cast the MSR weights as a numpy array
MSR_weights_array = np.array(MSR_weights)

# Calculate the MSR portfolio returns
StockReturns['Portfolio_MSR'] = StockReturns.iloc[:, 0:numstocks].mul(____, axis=1).sum(axis=1)

# Plot the cumulative returns
cumulative_returns_plot(['Portfolio_EW', 'Portfolio_MCap', 'Portfolio_MSR'])

Upravit a spustit kód