Ćwiczenie z PyPortfolioOpt: kowariancja
Optymalizacja portfela wymaga nieobciążonej i efektywnej estymacji kowariancji aktywów. Choć kowariancja próbkowa jest nieobciążona, nie jest efektywna – zdarzenia ekstremalne mają tendencję do nadmiernego wpływu na wynik.
Jednym ze sposobów złagodzenia tego problemu jest „kurczenie kowariancji" (covariance shrinkage), polegające na redukcji dużych błędów w celu poprawy efektywności. W tym ćwiczeniu użyjesz obiektu CovarianceShrinkage z modułu pypfopt.risk_models, aby przekształcić kowariancję próbkową w efektywną estymację. Podręcznikowa metoda redukcji błędów, .ledoit_wolf(), jest metodą tego obiektu.
Dane prices są dostępne w twoim środowisku pracy. Zwróć uwagę, że choć obiekt CovarianceShrinkage przyjmuje prices jako dane wejściowe, w rzeczywistości wyznacza macierz kowariancji zwrotów aktywów, a nie ich cen.
To ćwiczenie jest częścią kursu
Ilościowe zarządzanie ryzykiem w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the CovarianceShrinkage object
from pypfopt.risk_models import ____
# Create the CovarianceShrinkage instance variable
cs = ____(prices)