指数加权收益与风险
在本练习中，您将用稍有不同的方法来估计风险和收益进行投资组合优化：在优化中对最新的数据赋予更高权重。
这是一种应对通常非平稳（即分布会随时间变化）的股票数据的聪明做法。实现方法很简单：更改用于计算 Sigma 的风险模型，以及用于得到 mu 的收益计算方式即可。股票价格数据集已提供为 stock_prices。我们来试试吧！
本练习是课程的一部分
Python 投资组合分析入门
练习说明
- 使用
risk_models中的指数加权协方差矩阵，以及expected_returns中的指数加权历史收益函数来计算Sigma和mu。将 span 设为 180，频率（即交易日数）设为 252。 - 使用新的
mu和Sigma计算有效前沿。 - 计算最大 Sharpe 比率组合的权重。
- 获取绩效报告。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)