Экспоненциально взвешенная доходность и риск

В этом упражнении вы выполните оптимизацию портфеля, используя несколько иной подход к оценке риска и доходности: более свежим данным будет присвоен больший вес.

Это эффективный способ работы с биржевыми данными, которые, как правило, нестационарны, то есть их распределение меняется со временем. Реализовать такой подход несложно: достаточно заменить модель риска для расчёта Sigma и метод вычисления доходности для получения mu. Набор данных с ценами акций доступен в переменной stock_prices. Приступим!

Это упражнение является частью курса

Введение в анализ портфеля на Python

Посмотреть курс

Инструкции к упражнению

Используйте экспоненциально взвешенную ковариационную матрицу из risk_models и функцию экспоненциально взвешенной исторической доходности из expected_returns для расчёта Sigma и mu. Задайте параметр span равным 180, а частоту (то есть количество торговых дней) — 252.
Рассчитайте эффективную границу с новыми значениями mu и Sigma.
Вычислите веса для портфеля с максимальным коэффициентом Шарпа.
Получите отчёт о показателях портфеля.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)

Редактировать и запускать код