Öva med PyPortfolioOpt: avkastning
Modern portföljteori är hörnstenen i portföljriskhantering, eftersom den effektiva fronten är en standardmetod för att bedöma både investerarens riskaptit och marknadens avvägning mellan risk och avkastning. I den här övningen får du kraftfulla verktyg för att utforska en portföljs effektiva front med hjälp av Python-biblioteket PyPortfolioOpt pypfopt.
För att beräkna den effektiva fronten krävs både förväntad avkastning och portföljens kovariansmatris.
Efter lite övning med att läsa in prisdatan för investmentbankerna använder du metoden mean_historical_return från pypfopt.expected_returns för att beräkna och visualisera den annualiserade genomsnittliga avkastningen för varje bank utifrån dagliga tillgångspriser. Nästa övning behandlar kovariansmatrisen.
Den här övningen är en del av kursen
Kvantitativ riskhantering i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Load the investment portfolio price data into the price variable.
prices = pd.____("portfolio.csv")
# Convert the 'Date' column to a datetime index
prices['Date'] = pd.to_datetime(____['Date'], format='%d/%m/%Y')
prices.____(['Date'], inplace = True)