MulaiMulai sekarang secara gratis

Imbal hasil dan risiko berbobot eksponensial

Dalam latihan ini, Anda akan melakukan optimisasi portofolio dengan cara yang sedikit berbeda dalam mengestimasi risiko dan imbal hasil; Anda akan memberikan bobot lebih besar pada data terbaru dalam proses optimisasi.

Ini adalah cara yang cerdas untuk menangani data saham yang umumnya nonstasioner, yaitu ketika distribusinya berubah seiring waktu. Implementasinya dapat dilakukan dengan cepat dengan mengubah model risiko yang Anda gunakan untuk menghitung Sigma, serta perhitungan imbal hasil yang Anda gunakan untuk memperoleh mu. Himpunan data harga saham tersedia sebagai stock_prices. Mari kita coba!

Latihan ini adalah bagian dari kursus

Pengantar Analisis Portofolio dengan Python

Lihat Kursus

Petunjuk latihan

  • Gunakan matriks kovarians berbobot eksponensial dari risk_models dan fungsi imbal hasil historis berbobot eksponensial dari expected_returns untuk menghitung Sigma dan mu. Tetapkan span ke 180 dan frekuensi (yaitu hari perdagangan) ke 252.
  • Hitung efficient frontier dengan mu dan Sigma yang baru.
  • Hitung bobot untuk portofolio dengan rasio Sharpe maksimum.
  • Dapatkan laporan kinerja.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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)
Edit dan Jalankan Kode