ПочатиПочніть безкоштовно

Експоненційно зважені дохідності та ризик

У цій вправі ви виконаєте оптимізацію портфеля з дещо іншим підходом до оцінювання ризику та дохідності: ви надасте більшої ваги нещодавнім даним під час оптимізації.

Це розумний спосіб працювати з біржовими даними, які зазвичай є нестаціонарними, тобто їхній розподіл змінюється з часом. Реалізацію можна швидко виконати, змінивши модель ризику для обчислення Sigma та метод розрахунку дохідності для отримання mu. Набір цін акцій доступний як stock_prices. Спробуймо!

Ця вправа є частиною курсу

Вступ до Portfolio Analysis у Python

Переглянути курс

Інструкції до вправи

  • Використайте експоненційно зважену матрицю коваріації з risk_models та функцію експоненційно зважених історичних дохідностей з expected_returns, щоб обчислити Sigma і mu. Встановіть span = 180 і частоту (тобто торгові дні) 252.
  • Обчисліть ефективну межу з новими mu та Sigma.
  • Розрахуйте ваги для портфеля з максимальною часткою Шарпа.
  • Отримайте звіт про ефективність.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код