Calculează EWMA-uri

Vom lucra acum la crearea unor caracteristici care să ne permită să prezicem portofoliile ideale. Vom folosi deocamdată variația prețului ca caracteristică. Pentru aceasta, vom calcula o medie mobilă exponențial ponderată (EWMA) zilnică, pe care o vom reeșantiona la intervalul lunar. În final, vom decala media mobilă lunară a prețului cu o lună în viitor, astfel încât să o putem folosi ca caracteristică pentru a prezice portofoliile viitoare.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește un span de 30 pentru a calcula media mobilă exponențial ponderată zilnică (ewma_daily).
Reeșantionează EWMA zilnică la nivel lunar utilizând frecvența Business Monthly Start (BMS) și prima zi a lunii (.first()).
Decalează ewma_monthly cu o lună în față, astfel încât să poți folosi EWMA lunii anterioare ca caracteristică pentru a prezice portofoliul ideal al lunii următoare.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Calculate exponentially-weighted moving average of daily returns
ewma_daily = returns_daily.ewm(span=____).mean()

# Resample daily returns to first business day of the month with the first day for that month
ewma_monthly = ewma_daily.resample(____).____

# Shift ewma for the month by 1 month forward so we can use it as a feature for future predictions 
ewma_monthly = ewma_monthly.____.dropna()

print(ewma_monthly.iloc[-1])

Editează și rulează codul