Portefeuilles pondérés par la capitalisation boursière
À l'inverse, lorsque les grandes entreprises se portent bien, les portefeuilles pondérés par la capitalisation boursière (ou « market cap ») ont tendance à mieux performer. C'est parce que les plus fortes pondérations sont attribuées aux plus grandes entreprises, celles dont la capitalisation boursière est la plus élevée.
Vous trouverez ci-dessous un tableau des capitalisations boursières des entreprises de votre portefeuille juste avant janvier 2017 :
| Nom de l'entreprise | Symbole | Capitalisation boursière (G$) |
|---|---|---|
| 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 |
Cette activité fait partie du cours
Introduction à la gestion du risque de portefeuille en Python
Instructions de l’exercice
- Terminez la définition du tableau
market_capitalizationsdes capitalisations boursières en milliards selon le tableau ci-dessus. - Calculez le tableau
mcap_weightsde sorte que chaque élément soit le ratio de la capitalisation de l'entreprise sur la capitalisation totale de toutes les entreprises. - Utilisez la méthode
.mul()surmcap_weightset sur les rendements pour calculer les rendements du portefeuille pondéré par la capitalisation boursière. - Enfin, examinez le graphique des rendements cumulés dans le temps.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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'])