1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe w finansach z Pythonem
Connected

ćwiczenie

Tworzenie cech i wartości docelowych

Aby używać uczenia maszynowego do wyboru najlepszego portfela, musimy wygenerować cechy i wartości docelowe. Cechy zostały właśnie utworzone w poprzednim ćwiczeniu – są to wykładniczo ważone średnie kroczące cen. Wartościami docelowymi będą najlepsze portfele znalezione na podstawie najwyższego współczynnika Sharpe'a.

Skorzystamy z metody .iterrows() biblioteki pandas, aby uzyskać pary index, value dla DataFrame ewma_monthly. W pętli ustawimy bieżącą wartość ewma_monthly jako nasze cechy. Następnie użyjemy indeksu najlepszego współczynnika Sharpe'a (z max_sharpe_idxs), aby pobrać optymalne portfolio_weights dla każdego miesiąca i ustawić je jako wartość docelową.

Instrukcje

100 XP
  • Użyj metody .iterrows() na ewma_monthly, aby iterować po parach index, value w pętli.
  • Użyj date z pętli oraz best_idx, aby zaindeksować portfolio_weights i uzyskać optymalne wagi portfela na podstawie najwyższego współczynnika Sharpe'a.
  • Dołącz ewma do cech.