En iyi Sharpe oranlarını bul

Machine Learning için hedef olarak kullanabilmek adına her tarih için "ideal" portföyleri bulmamız gerekiyor. portfolio_returns içindeki her tarihi dolaşacağız, sonra portfolio_returns[date] ile ürettiğimiz portföyleri döngüyle gezeceğiz. Ardından, risksiz getiri 0 varsayımıyla, getiriyi volatiliteye bölerek Sharpe oranını hesaplayacağız.

Geçerli tarih (portfolio_returns[date]) için getiriler üzerinde dolaşmak ve indeksi i ile takip etmek için enumerate() kullanıyoruz. Sonra, her portföyün volatilitesini almak için geçerli tarih ve indeksi kullanarak portfolio_volatility[date][i] ifadesinden yararlanıyoruz. Son olarak, her tarih için en iyi Sharpe oranının indeksini np.argmax() ile buluyoruz. Birazdan bu indeksi ideal portföy ağırlıklarını almak için kullanacağız.

Bu egzersiz, kursun bir parçasıdır

Python ile Finans için Machine Learning

Kursa Göz Atın

Egzersiz talimatları

Döngüdeki her date için enumerate() kullanarak portfolio_returns üzerinde numaralandırma yap.
Döngüdeki geçerli date için, döngülerdeki geçerli i ve geçerli tarih için portfolio_volatility ile ret değerini bölerek elde ettiğin Sharpe oranını sharpe_ratio sözlüğüne ekle.
Geçerli date için max_sharpe_idxs değerini, np.argmax() kullanarak maksimum Sharpe oranının indeksi olacak şekilde ayarla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Empty dictionaries for sharpe ratios and best sharpe indexes by date
sharpe_ratio, max_sharpe_idxs = {}, {}

# Loop through dates and get sharpe ratio for each portfolio
for date in portfolio_returns.keys():
    for i, ret in enumerate(portfolio_returns[____]):
    
        # Divide returns by the volatility for the date and index, i
        sharpe_ratio.setdefault(date, []).append(____ / portfolio_volatility[date][____])

    # Get the index of the best sharpe ratio for each date
    max_sharpe_idxs[date] = np.argmax(sharpe_ratio[____])

print(portfolio_returns[date][max_sharpe_idxs[date]])

Kodu Düzenle ve Çalıştır