Secsmo - metodika kurzu
Ridge a Lasso regrese při správě portfolia
Regresní modely patří k nejpoužívanějším nástrojům kvantitativní analýzy ve financích. Tento kurz propojuje statistickou teorii s praktickými aplikacemi v prostředí reálných tržních dat.
Cena kurzu 6200 Kč* Data jsou anonymizovaná a slouží výhradně pro vzdělávací účely.
Zahrnuje metodický manuál, kód v Pythonu a sadu cvičných dat Přihlásit se ke kurzu
Struktura programu
Průběh a obsah výuky
01
Fáze metodiky
-
- Příprava faktorové matice
- Sestavení matice prediktorů z fundamentálních, technických a makroekonomických dat.
-
- Standardizace dat
- Z-score normalizace všech prediktorů před regularizací.
-
- Výběr metody
- Porovnání Ridge, Lasso a Elastic Net na validační sadě.
-
- Ladění lambda
- Bloková křížová validace pro výběr optimální hodnoty penalizačního parametru.
-
- Analýza stability
- Testování koeficientů v klouzavých oknech, vizualizace změn v čase.
-
- Aplikace na portfolio
- Překlad výstupu modelu do vah portfolia s ohledem na transakční náklady.
Podrobný popis
O čem tento kurz skutečně je
Při práci s portfoliem složeným z desítek nebo stovek aktiv naráží standardní regrese na problém přeučení. Regularizované metody tento problém řeší přidáním penalizačního členu do ztrátové funkce.
Ridge versus Lasso v portfoliovém kontextu
Ridge regrese zmenšuje všechny koeficienty rovnoměrně. Lasso část koeficientů nastaví přesně na nulu, čímž provádí automatický výběr proměnných. Ve faktoru modelech, kde pracujeme s desítkami potenciálních prediktorů, je Lasso přirozenou volbou pro redukci dimenzionality.
Elastic Net kombinuje oba přístupy. Používá se tam, kde jsou prediktory navzájem korelovány a Lasso by vybralo jen jeden z nich náhodně.
Nastavení hyperparametru lambda
Hodnota penalizačního parametru lambda se určuje křížovou validací. Pro finanční časové řady je nutné použít blokovou křížovou validaci, která respektuje časovou závislost dat. Standardní k-fold validace by vedla k úniku informací z budoucnosti do trénovací sady.
Výsledky a jejich meze
Regularizované modely produkují stabilnější odhady koeficientů, ale nevyřeší strukturální změny na trhu. Metodika zahrnuje testování stability koeficientů v čase pomocí klouzavých oken délky 52 týdnů.