शुरू करेंमुफ़्त में शुरू करें

Exponentially weighted रिटर्न्स और रिस्क

इस अभ्यास में, आप पोर्टफोलियो ऑप्टिमाइज़ेशन करेंगे, लेकिन रिस्क और रिटर्न्स का अनुमान लगाने का तरीका थोड़ा अलग होगा: आप ऑप्टिमाइज़ेशन में हाल के डेटा को ज़्यादा वेट देंगे.

यह स्टॉक डेटा को हैंडल करने का एक अच्छा तरीका है, जो आमतौर पर non-stationary होता है, यानी समय के साथ जिसकी डिस्ट्रीब्यूशन बदलती रहती है. इसे लागू करना तेज़ी से किया जा सकता है: जिस रिस्क मॉडल से आप Sigma निकालते हैं, और जिस रिटर्न्स कैलकुलेशन से आप mu लेते हैं, उन्हें बदल दीजिए. स्टॉक प्राइसेज़ का डेटासेट stock_prices के रूप में उपलब्ध है. आइए, शुरू करें!

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Portfolio Analysis परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • risk_models से exponential weighted covariance matrix और expected_returns से exponential weighted historical returns फंक्शन का उपयोग करके Sigma और mu निकालें. span को 180 और frequency (यानी trading days) को 252 सेट करें.
  • नए mu और Sigma के साथ efficient frontier कैलकुलेट करें.
  • maximum Sharpe ratio पोर्टफोलियो के लिए वेट्स कैलकुलेट करें.
  • परफॉर्मेंस रिपोर्ट प्राप्त करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Define exponentially weightedSigma and mu using stock_prices
Sigma = risk_models.____(____, span=____, frequency=____)
mu = expected_returns.____(____, frequency=____, span=____)

# Calculate the efficient frontier
ef = ____(____, ____)

# Calculate weights for the maximum sharpe ratio optimization
raw_weights_maxsharpe = ____.____()

# Show portfolio performance 
ef.____(verbose=True)
कोड संपादित करें और चलाएँ