為波動度計算共變異數
在 MPT 中，我們用波動度來量化風險。計算投資組合波動度的數學推導較為複雜，且需要每日報酬率的共變異數。現在我們要迴圈走訪 returns_monthly DataFrame 中的每個月份，並計算該月份每日報酬率的共變異數。
使用 pandas 的日期時間索引時，可以用 df.index.month 和 df.index.year 取得月份與年份。我們會用這兩者替 returns_daily 建立一個篩選條件，讓它在迴圈中擷取目前月份與年份的每日報酬。接著用這個篩選條件來子集化 DataFrame，如：df[mask]。這會在每次迴圈中，取得 returns_daily 當前月份與年份的資料。最後，使用 pandas 的 .cov() 方法計算每日報酬的共變異數。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 迴圈走訪
returns_monthly的索引。 - 為
returns_daily建立一個篩選條件，利用returns_monthly的當前月份與年份，並與迴圈中i的當前月份與年份相符。 - 在
returns_daily上套用該篩選條件，並使用.cov()計算共變異數。
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。
# Daily covariance of stocks (for each monthly period)
covariances = {}
rtd_idx = returns_daily.index
for i in returns_monthly.____:
# Mask daily returns for each month and year, and calculate covariance
mask = (rtd_idx.month == i.month) & (rtd_idx.____ == i.____)
# Use the mask to get daily returns for the current month and year of monthy returns index
covariances[i] = returns_daily[____].cov()
print(covariances[i])