Üssel ağırlıklı getiriler ve risk
Bu egzersizde, risk ve getirileri biraz farklı bir şekilde tahmin ederek portföy optimizasyonu yapacaksın; optimizasyonda daha yeni verilere daha fazla ağırlık vereceksin.
Bu, genellikle durağan olmayan, yani dağılımın zamanla değiştiği hisse senedi verileriyle başa çıkmanın akıllı bir yoludur. Uygulamayı, Sigmayı hesaplamak için kullandığın risk modelini ve muyu elde etmek için kullandığın getiri hesabını değiştirerek hızla yapabilirsin. Hisse senedi fiyatları veri kümesi stock_prices olarak mevcut. Hadi deneyelim!
Bu egzersiz, kursun bir parçasıdır
Python ile Portföy Analizine Giriş
Egzersiz talimatları
risk_modelsiçindeki üssel ağırlıklı kovaryans matrisini veexpected_returnsiçindeki üssel ağırlıklı tarihsel getiriler fonksiyonunu kullanarakSigmavemuyu hesapla. Span değerini 180, frekansı (işlem günleri) 252 olarak ayarla.- Yeni
muveSigmaile etkin sınırı hesapla. - Maksimum Sharpe oranlı portföyün ağırlıklarını hesapla.
- Performans raporunu al.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Define exponentially weightedSigma and mu using stock_prices
Sigma = risk_models.____(____, span=____, frequency=____)
mu = expected_returns.____(____, frequency=____, span=____)
# Calculate the efficient frontier
ef = ____(____, ____)
# Calculate weights for the maximum sharpe ratio optimization
raw_weights_maxsharpe = ____.____()
# Show portfolio performance
ef.____(verbose=True)