LoslegenKostenlos loslegen

Die effiziente Frontier und die Finanzkrise

Zuvor hast du die Kovarianzmatrix des Investmentbank-Portfolios vor, während und nach der Finanzkrise untersucht. Jetzt visualisierst du die Veränderungen in der effizienten Frontier und zeigst, wie die Krise für jeden gegebenen Ertrag ein deutlich höheres Basisrisiko erzeugt hat.

Mit dem Critical Line Algorithm (CLA) aus der PyPortfolioOpt-Bibliothek pypfopt leitest du die effiziente Frontier für den Zeitraum während der Krise her und visualisierst sie. Anschließend fügst du sie zu einem Streudiagramm hinzu, das bereits die effizienten Frontiers vor und nach der Krise zeigt.

Erwartete Erträge returns_during und die effiziente Kovarianzmatrix ecov_during sind verfügbar, ebenso das CLA-Objekt aus pypfopt. (Denk daran: DataCamp-Diagramme lassen sich in einem eigenen Fenster vergrößern, was die Lesbarkeit verbessert.)

Diese Übung ist Teil des Kurses

Quantitative Risk Management in Python

Kurs anzeigen

Anleitung zur Übung

  • Erstelle das Critical-Line-Algorithmus-Objekt (CLA) efficient_portfolio_during mit den erwarteten Erträgen und der effizienten Kovarianz der Erträge.
  • Gib das Minimum-Varianz-Portfolio von efficient_portfolio_during aus.
  • Berechne die effiziente Frontier von efficient_portfolio_during.
  • Füge die Ergebnisse der effizienten Frontier zu den bereits angezeigten Streudiagrammen der effizienten Frontiers von vor und nach der Krise hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Initialize the Crtical Line Algorithm object
efficient_portfolio_during = CLA(____, ecov_during)

# Find the minimum volatility portfolio weights and display them
print(efficient_portfolio_during.____)

# Compute the efficient frontier
(ret, vol, weights) = efficient_portfolio_during.____

# Add the frontier to the plot showing the 'before' and 'after' frontiers
plt.scatter(vol, ____, s = 4, c = 'g', marker = '.', label = 'During')
plt.legend()
plt.show()
Code bearbeiten und ausführen