Évaluer les rendements

Voyons maintenant comment notre sélection de portefeuille se comporterait comparativement à un simple placement dans le SPY. Nous faisons cet exercice pour vérifier si nos prédictions sont prometteuses, malgré la faible valeur de R$^2$.

Nous allons fixer une valeur de départ de 1 000 $ pour notre investissement, puis parcourir les rendements issus de nos prédictions ainsi que ceux du SPY. Nous utiliserons les rendements mensuels de notre sélection de portefeuille et du SPY et nous les appliquerons à notre solde de trésorerie initial. Nous obtiendrons ainsi un portrait mensuel de la performance de notre investissement et nous pourrons voir, au final, comment nos prédictions se comparent à celles du SPY. Ensuite, nous pourrons tracer notre portefeuille issu des prédictions et le comparer au SPY.

Cette activité fait partie du cours

Machine Learning pour la finance en Python

Voir le cours

Instructions de l’exercice

Attribuez la même valeur (cash) à la première entrée des listes algo_cash et spy_cash.
Multipliez cash dans la boucle test_returns par 1 + r afin d'appliquer les rendements à cash.
Comme dans la boucle test_returns, dans la boucle de performance du SPY, ajoutez cash à spy_cash après l'avoir multiplié par 1 + r pour intégrer les rendements à cash.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Calculate the effect of our portfolio selection on a hypothetical $1k investment
cash = 1000
algo_cash, spy_cash = [cash], ____  # set equal starting cash amounts
for r in test_returns:
    cash *= 1 + r
    algo_cash.append(cash)

# Calculate performance for SPY
cash = 1000  # reset cash amount
for r in returns_monthly['SPY'].iloc[train_size:]:
    cash ____ ____
    ____

print('algo returns:', (algo_cash[-1] - algo_cash[0]) / algo_cash[0])
print('SPY returns:', (spy_cash[-1] - spy_cash[0]) / spy_cash[0])

Modifier et exécuter le code