Carteras ponderadas por capitalización bursátil
Por el contrario, cuando a las grandes empresas les va bien, las carteras ponderadas por capitalización bursátil, o "market cap", tienden a obtener mejores resultados. Esto se debe a que los mayores pesos se asignan a las empresas más grandes, es decir, a las que tienen mayor capitalización.
A continuación tienes una tabla con las capitalizaciones bursátiles de las empresas de tu cartera justo antes de enero de 2017:
| Company Name | Ticker | Market Cap ($ Billions) |
|---|---|---|
| Apple | AAPL | 601.51 |
| Microsoft | MSFT | 469.25 |
| Exxon Mobil | XOM | 349.5 |
| Johnson & Johnson | JNJ | 310.48 |
| JP Morgan | JPM | 299.77 |
| Amazon | AMZN | 356.94 |
| General Electric | GE | 268.88 |
| FB | 331.57 | |
| AT&T | T | 246.09 |
Este ejercicio forma parte del curso
Introducción a la gestión del riesgo de cartera en Python
Instrucciones del ejercicio
- Termina de definir el array
market_capitalizationscon las capitalizaciones en miles de millones según la tabla anterior. - Calcula el array
mcap_weightsde forma que cada elemento sea el cociente entre la capitalización de la empresa y la capitalización total de todas. - Usa el método
.mul()sobremcap_weightsy los retornos para calcular los retornos de la cartera ponderada por capitalización bursátil. - Por último, revisa la gráfica de retornos acumulados a lo largo del tiempo.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Create an array of market capitalizations (in billions)
market_capitalizations = np.array([601.51, 469.25, 349.5, 310.48, 299.77, 356.94, 268.88, 331.57, ____])
# Calculate the market cap weights
mcap_weights = ____
# Calculate the market cap weighted portfolio returns
StockReturns['Portfolio_MCap'] = StockReturns.iloc[:, 0:9].mul(____, axis=1).sum(axis=1)
cumulative_returns_plot(['Portfolio', 'Portfolio_EW', 'Portfolio_MCap'])