Łączenie obiektów DataFrame akcji i obliczanie zwrotów

Pierwszym krokiem w budowaniu portfeli zgodnie z nowoczesną teorią portfela (MPT) jest wyznaczenie dziennych i miesięcznych zwrotów. Naszym celem będzie wyłonienie najlepszych portfeli każdego miesiąca na podstawie wskaźnika Sharpe'a. Najwygodniej jest połączyć ceny wszystkich akcji w jednym obiekcie DataFrame, a następnie poddać je resamplingowi do interwałów dziennych i miesięcznych. Dzienne zmiany cen będą potrzebne do obliczenia zmienności, którą przyjmiemy jako miarę ryzyka.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w finansach z Pythonem

Zobacz kurs

Instrukcje do ćwiczenia

Połącz lng_df, spy_df i smlv_df za pomocą pd.concat() w obiekt DataFrame o nazwie full_df.
Dokonaj resampleingu full_df do częstotliwości Business Month Start ('BMS').
Oblicz dzienną zmianę procentową full_df przy użyciu .pct_change().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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())

Edytuj i uruchom kod