Aktien-DataFrames zusammenführen und Renditen berechnen

Unser erster Schritt zur Berechnung von Portfolios nach der Modernen Portfoliotheorie (MPT) ist es, tägliche und monatliche Renditen zu ermitteln. Am Ende wollen wir die besten Portfolios jedes Monats basierend auf dem Sharpe-Ratio finden. Am einfachsten geht das, wenn wir alle Aktienkurse in einen DataFrame packen und dann auf tägliche und monatliche Zeiträume resamplen. Wir brauchen tägliche Kursänderungen, um die Volatilität zu berechnen, die wir als unser Risikomaß verwenden werden.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Führe lng_df, spy_df und smlv_df mit pd.concat() zu dem DataFrame full_df zusammen.
Resample full_df auf die Business Month Start-Frequenz ('BMS').
Ermittle die tägliche prozentuale Veränderung von full_df mit .pct_change().

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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())

Code bearbeiten und ausführen