Assembler les DataFrame boursiers et calculer les rendements

Notre première étape pour calculer des portefeuilles selon la modern portfolio theory (MPT) consiste à obtenir les rendements quotidiens et mensuels. À terme, nous allons extraire les meilleurs portefeuilles de chaque mois selon le ratio de Sharpe. Le plus simple est de regrouper toutes nos valeurs boursières dans un seul DataFrame, puis de rééchantillonner aux fréquences quotidienne et mensuelle. Nous avons besoin des variations de prix quotidiennes pour calculer la volatilité, que nous utiliserons comme mesure du risque.

Cette activité fait partie du cours

Machine Learning pour la finance en Python

Voir le cours

Instructions de l’exercice

Assemblez lng_df, spy_df et smlv_df avec pd.concat() dans le DataFrame full_df.
Rééchantillonnez full_df à la fréquence Business Month Start ('BMS').
Obtenez la variation quotidienne en pourcentage de full_df avec .pct_change().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Join 3 stock dataframes together
full_df = pd.concat(____, axis=1).dropna()

# Resample the full dataframe to monthly timeframe
monthly_df = full_df.resample(____).first()

# Calculate daily returns of stocks
returns_daily = ____

# Calculate monthly returns of the stocks
returns_monthly = monthly_df.pct_change().dropna()
print(returns_monthly.tail())

Modifier et exécuter le code