Marknadsvärdeviktade portföljer
När stora bolag går bra tenderar marknadsvärdeviktade portföljer att prestera väl. Det beror på att de största vikterna tilldelas de största bolagen – det vill säga de med högst marknadsvärde.
Nedan visas en tabell över marknadsvärdet för bolagen i din portfölj strax före januari 2017:
| Bolagsnamn | Ticker | Marknadsvärde (miljarder USD) |
|---|---|---|
| Apple | AAPL | 601,51 |
| Microsoft | MSFT | 469,25 |
| Exxon Mobil | XOM | 349,5 |
| Johnson & Johnson | JNJ | 310,48 |
| JP Morgan | JPM | 299,77 |
| Amazon | AMZN | 356,94 |
| General Electric | GE | 268,88 |
| FB | 331,57 | |
| AT&T | T | 246,09 |
Den här övningen är en del av kursen
Introduktion till portföljriskhantering i Python
Övningsinstruktioner
- Slutför definitionen av arrayen
market_capitalizationsmed marknadsvärden i miljarder enligt tabellen ovan. - Beräkna arrayen
mcap_weightsså att varje element utgör kvoten mellan bolagets marknadsvärde och det totala marknadsvärdet för alla bolag. - Använd metoden
.mul()påmcap_weightsoch avkastningarna för att beräkna de marknadsvärdeviktade portföljavkastningarna. - Granska sedan diagrammet över kumulativ avkastning över tid.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create an array of market capitalizations (in billions)
market_capitalizations = np.array([601.51, 469.25, 349.5, 310.48, 299.77, 356.94, 268.88, 331.57, ____])
# Calculate the market cap weights
mcap_weights = ____
# Calculate the market cap weighted portfolio returns
StockReturns['Portfolio_MCap'] = StockReturns.iloc[:, 0:9].mul(____, axis=1).sum(axis=1)
cumulative_returns_plot(['Portfolio', 'Portfolio_EW', 'Portfolio_MCap'])