Portefeuilles pondérés par la capitalisation boursière
À l’inverse, lorsque les grandes entreprises performent, les portefeuilles pondérés par la capitalisation boursière (ou « market cap ») ont tendance à surperformer. En effet, les plus fortes pondérations sont attribuées aux plus grandes entreprises, celles dont la capitalisation est la plus élevée.
Voici un tableau des capitalisations boursières des entreprises de votre portefeuille juste avant janvier 2017 :
| Company Name | Ticker | Market Cap ($ Billions) |
|---|---|---|
| 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 |
Cet exercice fait partie du cours
Introduction à la gestion du risque de portefeuille en Python
Instructions
- 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 corresponde au ratio entre la capitalisation de l’entreprise et la capitalisation totale de l’ensemble des entreprises. - Utilisez la méthode
.mul()surmcap_weightset 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 cet exemple de code.
# 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'])