Tvorba příznaků a cílů

Aby mohl machine learning vybrat nejlepší portfolio, potřebujeme vygenerovat příznaky a cíle. Příznaky jsme vytvořili v předchozím cvičení – jsou to exponenciálně vážené klouzavé průměry cen. Jako cíle použijeme nejlepší portfolia, která jsme našli na základě nejvyššího Sharpe ratio.

Využijeme metodu .iterrows() z pandy, abychom získali páry index, value z DataFrame ewma_monthly. V rámci smyčky nastavíme aktuální hodnotu ewma_monthly jako příznaky. Poté použijeme index nejlepšího Sharpe ratio (z max_sharpe_idxs), abychom pro každý měsíc získali nejlepší portfolio_weights a nastavili je jako cíl.

Toto cvičení je součástí kurzu

Machine Learning for Finance in Python

Zobrazit kurz

Pokyny k cvičení

Použij metodu .iterrows() na ewma_monthly pro iteraci přes páry index, value ve smyčce.
Pomocí date ze smyčky a best_idx indexuj portfolio_weights, abys získal/a ideální váhy portfolia na základě nejlepšího Sharpe ratio.
Přidej ewma do příznaků pomocí append.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

targets, features = [], []

# Create features from price history and targets as ideal portfolio
for date, ewma in ewma_monthly.____:

    # Get the index of the best sharpe ratio
    best_idx = max_sharpe_idxs[date]
    targets.append(portfolio_weights[____][____])
    features.append(____)  # add ewma to features

targets = np.array(targets)
features = np.array(features)
print(targets[-5:])

Upravit a spustit kód