Sharpe tối đa so với biến động tối thiểu

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bài tập này là một phần của khóa học

Nhập môn Phân tích Danh mục đầu tư với Python

SkillTag.level.advancedSkillTag.label

4.9+

351 reviews

Bắt đầu khóa học miễn phí

Trong chương đầu tiên, bạn sẽ học cách một danh mục được cấu thành từ các tài sản riêng lẻ và trọng số tương ứng. Chương này cũng hướng dẫn cách tính các đặc trưng chính của danh mục: lợi nhuận và rủi ro.

Exercise 1: Chào mừng đến với Phân tích Danh mục đầu tư!Exercise 2: Vì sao đầu tư theo danh mục Exercise 3: Tác động của đa dạng hóa Exercise 4: Lợi suất danh mục đầu tư Exercise 5: Danh mục lỗ và lấy lại mức đã mất Exercise 6: Tính lợi nhuận trung bình Exercise 7: Lợi nhuận lũy kế của danh mục Exercise 8: Đo lường rủi ro của một danh mục đầu tư Exercise 9: Phương sai danh mục Exercise 10: Độ lệch chuẩn so với phương sai

Chương 2 đi sâu vào cách đo lường chính xác lợi nhuận và rủi ro. Hai thước đo quan trọng nhất của lợi nhuận — lợi nhuận hàng năm hóa và lợi nhuận đã điều chỉnh theo rủi ro — được đề cập ở phần đầu của chương. Ở phần sau, bạn sẽ học cách nhìn nhận rủi ro từ các góc độ khác nhau. Phần này tập trung vào độ lệch (skewness) và độ nhọn (kurtosis) của phân phối, cũng như rủi ro phía giảm (downside risk).

Exercise 1: Lợi suất quy đổi theo năm Exercise 2: Quy đổi lợi nhuận danh mục theo năm Exercise 3: So sánh tỷ suất lợi nhuận thường niên Exercise 4: Lợi nhuận điều chỉnh theo rủi ro Exercise 5: Diễn giải Sharpe ratio Exercise 6: Tỷ lệ Sharpe của S&P500 Exercise 7: Tỷ lệ Sharpe của danh mục Exercise 8: Phân phối lợi nhuận không chuẩn Exercise 9: Độ lệch (skewness) của S&P500 Exercise 10: Tính skewness và kurtosis Exercise 11: So sánh phân phối lợi nhuận cổ phiếu Exercise 12: Các thước đo rủi ro thay thế Exercise 13: Tỷ số Sortino Exercise 14: Danh mục có mức sụt giảm tối đa (maximum draw-down)

Trong chương 3, bạn sẽ tìm hiểu về các nhân tố đầu tư và vai trò của chúng trong việc dẫn dắt rủi ro và lợi nhuận. Bạn sẽ học về mô hình nhân tố Fama-French và dùng nó để phân rã lợi nhuận danh mục thành các nhân tố chung có thể giải thích được. Chương này cũng giới thiệu cách sử dụng Pyfolio, một công cụ phân tích danh mục đầu tư mã nguồn mở.

Exercise 1: So sánh với chỉ số tham chiếu Exercise 2: Lợi nhuận chủ động (Active return)Exercise 3: Phân tích theo ngành Exercise 4: Các nhân tố rủi ro Exercise 5: Yếu tố quy mô (Size factor)Exercise 6: Yếu tố momentum Exercise 7: Yếu tố value Exercise 8: Mô hình nhân tố Exercise 9: Tương quan các nhân tố Fama French Exercise 10: Mô hình hồi quy tuyến tính Exercise 11: Mô hình nhân tố Fama French Exercise 12: Công cụ phân tích danh mục Exercise 13: Bảng tổng hợp hiệu suất (performance tear sheet)Exercise 14: Tiếp xúc theo ngành với Pyfolio

Ở chương cuối, bạn sẽ học cách tạo trọng số danh mục tối ưu bằng khuôn khổ tối ưu hóa danh mục của Markowitz. Bạn sẽ học cách tìm trọng số tối ưu cho mức rủi ro hoặc lợi nhuận mong muốn. Cuối cùng, bạn sẽ học các cách thay thế để tính rủi ro và lợi nhuận kỳ vọng, chỉ sử dụng dữ liệu mới nhất.

Exercise 1: Lý thuyết danh mục hiện đại Exercise 2: Hiểu về đường biên hiệu quả (efficient frontier)Exercise 3: Tính toán rủi ro và lợi nhuận kỳ vọng Exercise 4: Các hàm đo rủi ro trong PyPortfolioOpt Exercise 5: Hiệu suất danh mục tối ưu Exercise 6: Sharpe tối đa so với biến động tối thiểu

Bài tập hiện tại

Exercise 7: Tối ưu hóa danh mục: Sharpe tối đa Exercise 8: Tối ưu hóa biến động tối thiểu Exercise 9: So sánh danh mục Sharpe tối đa với biến động tối thiểu Exercise 10: Tối ưu hóa danh mục thay thế Exercise 11: Lợi nhuận và rủi ro trọng số hàm mũ Exercise 12: So sánh các cách tiếp cận Exercise 13: Thay đổi span Exercise 14: Tổng kết