Calcul des rendements d’un portefeuille

Pour construire et tester un portefeuille en historique, vous devez être à l’aise avec la manipulation des rendements de plusieurs actifs dans un même objet.

Dans cet exercice, vous utiliserez un objet DataFrame de pandas, déjà stocké dans la variable StockReturns, pour conserver les rendements de plusieurs actifs et calculer les rendements d’un portefeuille modèle.

Le portefeuille modèle est construit avec des pondérations prédéfinies pour certaines des plus grandes entreprises au monde juste avant janvier 2017 :

Company Name	Ticker	Portfolio Weight
Apple	AAPL	12%
Microsoft	MSFT	15%
Exxon Mobil	XOM	8%
Johnson & Johnson	JNJ	5%
JP Morgan	JPM	9%
Amazon	AMZN	10%
General Electric	GE	11%
Facebook	FB	14%
AT&T	T	16%

Notez que, dans la plupart des cas, la somme des pondérations du portefeuille doit être égale à 100 %.

Cet exercice fait partie du cours

Introduction à la gestion du risque de portefeuille en Python

Afficher le cours

Instructions

Terminez la définition du tableau numpy portfolio_weights avec les valeurs du tableau ci-dessus.
Utilisez la méthode .mul() pour multiplier portfolio_weights sur les lignes de StockReturns afin d’obtenir des rendements pondérés par action.
Utilisez ensuite la méthode .sum() sur les lignes de l’objet WeightedReturns pour calculer les rendements du portefeuille.
Enfin, examinez le graphique des rendements cumulés dans le temps.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Finish defining the portfolio weights as a numpy array
portfolio_weights = np.array([0.12, 0.15, 0.08, 0.05, 0.09, 0.10, 0.11, ____, ____])

# Calculate the weighted stock returns
WeightedReturns = StockReturns.____(portfolio_weights, axis=____)

# Calculate the portfolio returns
StockReturns['Portfolio'] = WeightedReturns.____(axis=____)

# Plot the cumulative portfolio returns over time
CumulativeReturns = ((1+StockReturns["Portfolio"]).cumprod()-1)
CumulativeReturns.plot()
plt.show()

Modifier et exécuter le code