Gerenciamento de risco em tempo real
É hora de usar o que você aprendeu sobre redes neurais para fazer gerenciamento de risco (quase!) em tempo real.
Uma janela móvel de 14 dias de retornos de ativos fornece dados suficientes para criar uma série temporal de carteiras de mínima volatilidade usando a Teoria Moderna do Portfólio, como você viu no Capítulo 2. Esses pesos de carteira minimum_vol são os valores de treino para uma rede neural. Trata-se de uma matriz (1497 x 4).
A entrada é a matriz de average_asset_returns semanais, correspondente a cada portfólio eficiente. Esta é uma matriz (1497 x 4).
Crie uma rede neural Sequential com a dimensão de entrada adequada e duas camadas ocultas. Treinar essa rede levaria muito tempo, então você usará um pre_trained_model do mesmo tipo para prever os pesos da carteira para um vetor de preços de ativos novo.
Este exercício faz parte do curso
Gerenciamento Quantitativo de Risco em Python
Instruções do exercício
- Crie uma rede neural Sequential com duas camadas ocultas, uma camada de entrada e uma camada de saída.
- Use o
pre_trained_modelpara prever qual seria a carteira de mínima volatilidade quando novos dados de ativosasset_returnsforem apresentados.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))