ÎncepețiÎncepe gratuit

Randamente și risc ponderate exponențial

În acest exercițiu, vei efectua optimizarea portofoliului folosind o metodă ușor diferită de estimare a riscului și a randamentelor: vei acorda o pondere mai mare datelor recente în cadrul optimizării.

Acesta este un mod inteligent de a gestiona datele bursiere, care sunt în mod tipic non-staționare – adică distribuția lor se modifică în timp. Implementarea se face rapid prin schimbarea modelului de risc utilizat pentru calculul Sigma și a metodei de calcul al randamentelor folosite pentru mu. Setul de date cu prețurile acțiunilor este disponibil ca stock_prices. Să încercăm!

Acest exercițiu face parte din cursul

Introducere în analiza portofoliului în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Folosește matricea de covarianță ponderată exponențial din risk_models și funcția de randamente istorice ponderate exponențial din expected_returns pentru a calcula Sigma și mu. Setează span-ul la 180 și frecvența (adică zilele de tranzacționare) la 252.
  • Calculează frontiera eficientă folosind noul mu și Sigma.
  • Calculează ponderile pentru portofoliul cu raportul Sharpe maxim.
  • Obține raportul de performanță.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Define exponentially weightedSigma and mu using stock_prices
Sigma = risk_models.____(____, span=____, frequency=____)
mu = expected_returns.____(____, frequency=____, span=____)

# Calculate the efficient frontier
ef = ____(____, ____)

# Calculate weights for the maximum sharpe ratio optimization
raw_weights_maxsharpe = ____.____()

# Show portfolio performance 
ef.____(verbose=True)
Editează și rulează codul