Spoj DataFramy akcií a vypočítej výnosy

Prvním krokem k výpočtu portfolií podle moderní teorie portfolia (MPT) je získat denní a měsíční výnosy. Nakonec budeme hledat nejlepší portfolia pro každý měsíc na základě Sharpeho poměru. Nejjednodušší způsob, jak to udělat, je vložit všechny ceny akcií do jednoho DataFramu a pak je převzorkovat na denní a měsíční časové rámce. Denní cenové změny potřebujeme k výpočtu volatility, kterou budeme používat jako míru rizika.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Spoj lng_df, spy_df a smlv_df pomocí pd.concat() do DataFramu full_df.
Převzorkuj full_df na frekvenci Business Month Start ('BMS').
Získej denní procentuální změnu full_df pomocí .pct_change().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Join 3 stock dataframes together
full_df = pd.concat(____, axis=1).dropna()

# Resample the full dataframe to monthly timeframe
monthly_df = full_df.resample(____).first()

# Calculate daily returns of stocks
returns_daily = ____

# Calculate monthly returns of the stocks
returns_monthly = monthly_df.pct_change().dropna()
print(returns_monthly.tail())

Upravit a spustit kód