रीयल-टाइम जोखिम प्रबंधन
अब समय है कि आप न्यूरल नेटवर्क्स के बारे में सीखी हुई बातों का उपयोग करके (लगभग!) रीयल-टाइम जोखिम प्रबंधन करें.
एसेट रिटर्न की 14-दिन की रोलिंग विंडो इतना डेटा देती है कि आप Chapter 2 में देखी गई Modern Portfolio Theory के आधार पर minimum volatility portfolios की एक टाइम सीरीज़ बना सकें. इन minimum_vol पोर्टफोलियो वेट्स को एक न्यूरल नेटवर्क के लिए प्रशिक्षण मान के रूप में उपयोग किया जाता है. यह एक (1497 x 4) मैट्रिक्स है.
इनपुट, प्रत्येक efficient पोर्टफोलियो के अनुरूप साप्ताहिक average_asset_returns की मैट्रिक्स है. यह भी (1497 x 4) मैट्रिक्स है.
उचित इनपुट डायमेंशन और दो hidden लेयर्स के साथ एक Sequential न्यूरल नेटवर्क बनाइए. इस नेटवर्क को ट्रेन करना बहुत समय लेगा, इसलिए आप समान प्रकार के उपलब्ध pre_trained_model का उपयोग करके एक नए एसेट प्राइस वेक्टर के लिए पोर्टफोलियो वेट्स की भविष्यवाणी करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Quantitative Risk Management
अभ्यास निर्देश
- दो hidden लेयर्स, एक इनपुट लेयर और एक आउटपुट लेयर के साथ एक Sequential न्यूरल नेटवर्क बनाइए.
pre_trained_modelका उपयोग करके अनुमान लगाइए कि नए एसेट डेटाasset_returnsदिए जाने पर minimum volatility पोर्टफोलियो क्या होगा.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Create neural network model
model = ____()
model.add(Dense(128, input_dim = ____, activation = 'relu'))
model.____(____(64, activation = 'relu'))
model.____(____(____, activation = 'relu'))
# Use the pre-trained model to predict portfolio weights given new asset returns
asset_returns = np.array([0.001060, 0.003832, 0.000726, -0.002787])
asset_returns.shape = (1,4)
print("Predicted minimum volatility portfolio: ", pre_trained_model.____(asset_returns))