Изменение периода сглаживания
В предыдущем упражнении вы убедились, что период сглаживания при экспоненциальном взвешивании риска и доходности может влиять на структуру оптимального портфеля. На самом деле это влияние очень велико! Задавая период сглаживания, вы можете ограничиться данными лишь за несколько последних дней или охватить данные за несколько последних лет. В предельном случае, когда период сглаживания равен длине всей выборки, результат совпадёт с обычным историческим средним.
Давайте посмотрим, как короткий и длинный периоды сглаживания влияют на оптимальный портфель. В вашем распоряжении есть данные stock_prices.
Это упражнение является частью курса
Введение в анализ портфеля на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Calculate expected returns and sample covariance
mu_ema = expected_returns.ema_historical_return(stock_prices, span=____ ,frequency=252)
Sigma_ew = risk_models.exp_cov(stock_prices, span=____, frequency=252)
ef_2 = EfficientFrontier(mu_ema, Sigma_ew)
# Calculate weights for the maximum Sharpe ratio portfolio
weights = ef_2.max_sharpe()
cleaned_weights_maxsharpe_EW = ef_2.clean_weights()
perf_max_sharpe_EW = ef_2.portfolio_performance(verbose=True)