Manajemen risiko real-time
Saatnya menggunakan apa yang telah Anda pelajari tentang neural networks untuk melakukan manajemen risiko secara (hampir!) real-time.
Jendela bergulir 14 hari untuk pengembalian aset menyediakan data yang cukup untuk membentuk deret waktu portofolio volatilitas minimum menggunakan Modern Portfolio Theory, seperti yang Anda lihat di Bab 2. Bobot portofolio minimum_vol ini menjadi nilai pelatihan untuk sebuah neural network. Ini adalah matriks (1497 x 4).
Inputnya adalah matriks average_asset_returns mingguan, yang sesuai dengan setiap portofolio efisien. Ini adalah matriks (1497 x 4).
Buat neural network Sequential dengan dimensi input yang tepat dan dua lapisan tersembunyi. Melatih jaringan ini akan memakan waktu terlalu lama, jadi Anda akan menggunakan pre_trained_model yang tersedia dengan tipe yang identik untuk memprediksi bobot portofolio untuk vektor harga aset yang baru.
Latihan ini adalah bagian dari kursus
Manajemen Risiko Kuantitatif dengan Python
Petunjuk latihan
- Buat neural network Sequential dengan dua lapisan tersembunyi, satu lapisan input, dan satu lapisan output.
- Gunakan
pre_trained_modeluntuk memprediksi seperti apa portofolio volatilitas minimum ketika data aset baruasset_returnsdisajikan.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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))