Porównanie z punktem odniesienia

Wprowadzenie do analizy portfela w Pythonie

Charlotte Werger

Data Scientist

Aktywne inwestowanie względem benchmarku

Skumulowane zwroty portfela w porównaniu ze skumulowanymi zwrotami benchmarku

Aktywna stopa zwrotu portfela zarządzanego aktywnie

Aktywna stopa zwrotu to wynik inwestycji (aktywnej) względem jej benchmarku.
Obliczana jako różnica między stopą zwrotu benchmarku a rzeczywistą stopą zwrotu.
Osiągana przez „aktywne" inwestowanie, tj. przyjmowanie pozycji przeważonych i niedoważonych względem benchmarku.

Błąd odwzorowania dla funduszu indeksowego

Pasywne fundusze inwestycyjne, czyli indeksowe, nie stosują aktywnej stopy zwrotu jako miary wyników.
Błąd odwzorowania to różnica między portfelem a benchmarkiem w przypadku pasywnego funduszu inwestycyjnego.

Aktywne wagi

Wykres słupkowy aktywnych wag według branż

¹ Źródło: Schwab Center for Financial Research.

Aktywna stopa zwrotu w Pythonie

# Inspect the data 
portfolio_data.head()

      mean_ret    var     pf_w     bm_w     GICS Sector    
Ticker                            
A       0.146    0.035    0.002    0.005    Health Care    
AAL     0.444    0.094    0.214    0.189    Industrials    
AAP     0.242    0.029    0.000    0.000    Consumer Discretionary    
AAPL    0.225    0.027    0.324    0.459    Information Technology        
ABBV    0.182    0.029    0.026    0.010    Health Care

¹ Global Industry Classification System (GICS)

Aktywna stopa zwrotu w Pythonie

# Calculate mean portfolio return
total_return_pf = (pf_w*mean_ret).sum()

# Calculate mean benchmark return
total_return_bm = (bm_w*mean_ret).sum()

# Calculate active return
active_return = total_return_pf - total_return_bm 
print ("Simple active return: ", active_return)

Simple active return: 6.5764

Aktywne wagi w Pythonie

# Group dataframe by GICS sectors 
grouped_df=portfolio_data.groupby('GICS Sector').sum()

# Calculate active weights of portfolio
grouped_df['active_weight']=grouped_df['pf_weights']-
                            grouped_df['bm_weights']

print (grouped_df['active_weight'])

GICS Sector
Consumer Discretionary         20.257
Financials                     -2.116
...etc

Czas na ćwiczenia!

Wprowadzenie do analizy portfela w Pythonie