Creează caracteristici și ținte

Pentru a folosi învățarea automată în selectarea celui mai bun portofoliu, trebuie să generăm caracteristici și ținte. Caracteristicile tocmai au fost create în exercițiul anterior – mediile mobile ponderate exponențial ale prețurilor. Țintele vor fi cele mai bune portofolii identificate pe baza celui mai mare raport Sharpe.

Vom folosi metoda .iterrows() din pandas pentru a obține perechile index, value din DataFrame-ul ewma_monthly. În cadrul buclei, vom seta valoarea curentă a ewma_monthly drept caracteristici. Apoi vom folosi indexul celui mai bun raport Sharpe (din max_sharpe_idxs) pentru a extrage portfolio_weights-urile optime pentru fiecare lună și le vom seta ca țintă.

Acest exercițiu face parte din cursul

Machine Learning pentru finanțe în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește metoda .iterrows() cu ewma_monthly pentru a itera prin perechile index, value în buclă.
Folosește date din buclă și best_idx pentru a indexa portfolio_weights și a obține ponderile optime ale portofoliului pe baza celui mai bun raport Sharpe.
Adaugă ewma la lista de caracteristici.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

targets, features = [], []

# Create features from price history and targets as ideal portfolio
for date, ewma in ewma_monthly.____:

    # Get the index of the best sharpe ratio
    best_idx = max_sharpe_idxs[date]
    targets.append(portfolio_weights[____][____])
    features.append(____)  # add ewma to features

targets = np.array(targets)
features = np.array(features)
print(targets[-5:])

Editează și rulează codul