Features und Targets erstellen

Um mit Machine Learning das beste Portfolio auszuwählen, brauchen wir Features und Targets. Unsere Features hast du in der letzten Übung erstellt – die exponentiell gewichteten gleitenden Durchschnitte der Preise. Unsere Targets sind die besten Portfolios, die wir anhand der höchsten Sharpe Ratio gefunden haben.

Wir verwenden die pandas-Methode .iterrows(), um die index, value-Paare für das DataFrame ewma_monthly zu erhalten. Im Loop setzen wir den aktuellen Wert von ewma_monthly als unsere Features. Anschließend nutzen wir den Index der besten Sharpe Ratio (aus max_sharpe_idxs), um die besten portfolio_weights für jeden Monat zu holen und als Target zu setzen.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Verwende die Methode .iterrows() mit ewma_monthly, um im Loop über index, value zu iterieren.
Verwende das date im Loop und best_idx, um portfolio_weights zu indexieren und die idealen Portfolio-Gewichte basierend auf der besten Sharpe Ratio zu erhalten.
Hänge das ewma an die Features an.

Interaktive praktische Übung

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

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:])

Code bearbeiten und ausführen