指數加權的報酬與風險
在這個練習中，你將用稍微不同的方法來估計風險與報酬，並在最佳化時對較新的資料給予更高權重。
這是處理通常非定態（也就是分配會隨時間改變）的股票資料的聰明作法。實作上，只要更換用來計算 Sigma 的風險模型，以及用來取得 mu 的報酬計算方式即可。股票價格資料集已提供為 stock_prices。來試試看吧！
本練習屬於課程
Python 投資組合分析入門
練習說明
- 使用
risk_models中的指數加權共變異數矩陣，以及expected_returns中的指數加權歷史報酬函式，分別計算Sigma與mu。將 span 設為 180，frequency（也就是交易日數）設為 252。 - 以新的
mu與Sigma計算效率前緣。 - 計算最大 Sharpe 比率投資組合的權重。
- 取得績效報告。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)