Объединение DataFrame с акциями и вычисление доходности

Первый шаг к построению портфелей на основе современной теории портфеля (MPT) — получение дневной и месячной доходности. В итоге мы выберем лучшие портфели для каждого месяца на основе коэффициента Шарпа. Проще всего объединить все цены акций в один DataFrame, а затем привести их к дневному и месячному временным периодам. Дневные изменения цен нужны нам для расчёта волатильности, которую мы будем использовать как меру риска.

Это упражнение является частью курса

Машинное обучение для финансов на Python

Посмотреть курс

Инструкции к упражнению

Объедините lng_df, spy_df и smlv_df с помощью pd.concat() в DataFrame full_df.
Выполните ресемплинг full_df до частоты начала делового месяца ('BMS').
Вычислите дневное процентное изменение full_df с помощью .pct_change().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Join 3 stock dataframes together
full_df = pd.concat(____, axis=1).dropna()

# Resample the full dataframe to monthly timeframe
monthly_df = full_df.resample(____).first()

# Calculate daily returns of stocks
returns_daily = ____

# Calculate monthly returns of the stocks
returns_monthly = monthly_df.pct_change().dropna()
print(returns_monthly.tail())

Редактировать и запускать код