Voeg aandelen-DataFrames samen en bereken rendementen

Onze eerste stap richting het berekenen van modern portfolio theory (MPT)-portefeuilles is het ophalen van dagelijkse en maandelijkse rendementen. Uiteindelijk gaan we de beste portefeuilles van elke maand bepalen op basis van de Sharpe-ratio. De makkelijkste manier is om al onze aandelenkoersen in één DataFrame te zetten en ze daarna te resamplen naar dagelijkse en maandelijkse tijdvakken. We hebben dagelijkse koersveranderingen nodig om de volatiliteit te berekenen, die we gebruiken als onze maat voor risico.

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Voeg lng_df, spy_df en smlv_df samen met pd.concat() tot het DataFrame full_df.
Resample full_df naar Business Month Start-frequentie ('BMS').
Haal de dagelijkse procentuele verandering van full_df op met .pct_change().

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Join 3 stock dataframes together
full_df = pd.concat(____, axis=1).dropna()

# Resample the full dataframe to monthly timeframe
monthly_df = full_df.resample(____).first()

# Calculate daily returns of stocks
returns_daily = ____

# Calculate monthly returns of the stocks
returns_monthly = monthly_df.pct_change().dropna()
print(returns_monthly.tail())

Code bewerken en uitvoeren