Beräkna dynamisk portföljvarians

I den här övningen får du träna på att beräkna variansen för en enkel portfölj med två tillgångar, med hjälp av dynamisk kovarians från GARCH-modeller.

Modern portföljteori utgår från att det finns ett optimalt sätt att konstruera en portfölj för att dra nytta av diversifieringseffekten – så att man uppnår en önskad förväntad avkastning med så låg risk som möjligt. Effekten är särskilt tydlig när kovariansen mellan tillgångarnas avkastningar är negativ.

Anta att du har en portfölj med bara två tillgångar: valutaparen EUR/USD och CAD/USD. Deras varians från GARCH-modellerna har sparats i variance_eur respektive variance_cad, och deras kovarians har beräknats och sparats i covariance. Beräkna den totala portföljvariansen genom att variera vikterna för de två tillgångarna, och visualisera skillnaderna.

Den här övningen är en del av kursen

GARCH-modeller i Python

Visa kurs

Övningsinstruktioner

Sätt EUR/USD-vikten Wa1 i portfölj a till 0,9 och Wb1 i portfölj b till 0,5.
Beräkna variansen portvar_a för portfölj a med hjälp av variance_eur, variance_cad och covariance; gör sedan samma sak för att beräkna portvar_b för portfölj b.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define weights
Wa1 = ____
Wa2 = 1 - Wa1
Wb1 = ____
Wb2 = 1 - Wb1

# Calculate portfolio variance
portvar_a = Wa1**2 * ____ + Wa2**2 * ____ + 2*Wa1*Wa2 *____
portvar_b = Wb1**2 * ____ + Wb2**2 * ____ + 2*Wb1*Wb2*____

# Plot the data
plt.plot(portvar_a, color = 'green', label = 'Portfolio a')
plt.plot(portvar_b, color = 'deepskyblue', label = 'Portfolio b')
plt.legend(loc = 'upper right')
plt.show()

Redigera och kör kod