Об'єднайте датафрейми акцій і розрахуйте дохідності

Перший крок до розрахунку портфелів за сучасною теорією портфеля (MPT) — отримати денні та місячні дохідності. Зрештою ми визначимо найкращі портфелі кожного місяця за коефіцієнтом Шарпа. Найпростіше це зробити, зібравши всі ціни акцій в один датафрейм, а потім виконати ресемплінг до денного та місячного інтервалів. Нам потрібні денні зміни цін, щоб обчислити волатильність, яку ми використаємо як міру ризику.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Об'єднайте lng_df, spy_df і smlv_df за допомогою pd.concat() у датафрейм full_df.
Виконайте ресемплінг full_df до частоти Business Month Start ('BMS').
Отримайте денну відсоткову зміну full_df за допомогою .pct_change().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Join 3 stock dataframes together
full_df = pd.concat(____, axis=1).dropna()

# Resample the full dataframe to monthly timeframe
monthly_df = full_df.resample(____).first()

# Calculate daily returns of stocks
returns_daily = ____

# Calculate monthly returns of the stocks
returns_monthly = monthly_df.pct_change().dropna()
print(returns_monthly.tail())

Редагувати та запускати код