S'exercer avec PyPortfolioOpt : covariance
L'optimisation de portefeuille repose sur une estimation non biaisée et efficace de la covariance des actifs. Même si la covariance empirique est non biaisée, elle n'est pas efficace : les événements extrêmes ont tendance à être surpondérés.
Une façon d'atténuer ce problème est la « réduction de la covariance » (covariance shrinkage), où l'on réduit (« contracte ») les grandes erreurs pour améliorer l'efficacité. Dans cet exercice, vous utiliserez l'objet CovarianceShrinkage de pypfopt.risk_models pour transformer la covariance empirique en une estimation plus efficace. La méthode de référence pour la réduction d'erreur, .ledoit_wolf(), est une méthode de cet objet.
Les prices des actifs sont disponibles dans votre espace de travail. Notez que, même si l'objet CovarianceShrinkage prend prices en entrée, il calcule en fait la matrice de covariance des rendements des actifs, et non des prix.
Cette activité fait partie du cours
Gestion quantitative des risques en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import the CovarianceShrinkage object
from pypfopt.risk_models import ____
# Create the CovarianceShrinkage instance variable
cs = ____(prices)