Výpočet EWMA

Teď se pustíme do vytváření příznaků, které nám pomohou předpovědět ideální portfolia. Jako příznak zatím použijeme jednoduše pohyb ceny. Nejprve vytvoříme denní exponenciálně vážený klouzavý průměr (EWMA), který pak převzorkujeme na měsíční časový rámec. Nakonec posuneme měsíční klouzavý průměr ceny o jeden měsíc dopředu, abychom ho mohli použít jako příznak pro předpovídání budoucích portfolií.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Nastav span na 30 a vypočítej denní exponenciálně vážený klouzavý průměr (ewma_daily).
Převzorkuj denní EWMA na měsíční úroveň s použitím frekvence Business Monthly Start (BMS) a prvního dne v měsíci (.first()).
Posuň ewma_monthly o jeden měsíc dopředu, abychom mohli EWMA z předchozího měsíce použít jako příznak pro předpověď ideálního portfolia v následujícím měsíci.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Calculate exponentially-weighted moving average of daily returns
ewma_daily = returns_daily.ewm(span=____).mean()

# Resample daily returns to first business day of the month with the first day for that month
ewma_monthly = ewma_daily.resample(____).____

# Shift ewma for the month by 1 month forward so we can use it as a feature for future predictions 
ewma_monthly = ewma_monthly.____.dropna()

print(ewma_monthly.iloc[-1])

Upravit a spustit kód