R语言改进的股票配对交易策略分析SPY-TLT组合和中国股市投资组合
相信大家都听说过股票和债券的多元化投资组合。
相信大家都听说过股票和债券的多元化投资组合。
本文将分析2007-2018年的工业指数(DJIA)。工业指数(DIJA)是一个股市指数,表明位于30家大型上市公司的价值。
现在,分位数回归已被确立为重要的计量经济学工具。
时间序列分析是统计学中的一个主要分支,主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值。时序分析有两种方法,即频域和时域。
为了找出影响价格波动的主要因素,我们使用逐步回归法来剔除一些对于应变量即把对价格影响很小的自变量剔除出我们的模型
目标函数的平滑度对于优化的成功至关重要。可视化目标函数是一种检查平滑度的简便方法。
风险价值(VaR)用于尝试量化指定时间范围内公司或投资组合中的财务风险水平。VaR提供了一段时间内投资组合的最大损失的估计,您可以在各种置信度水平上进行计算。
在本文中,我想向您展示如何应用S&P500股票市场指数的交易策略。
我将建立道琼斯工业平均指数(DJIA)日交易量对数比的ARMA-GARCH模型。
神经网络是一种基于现有数据创建预测的计算系统。
已有大量关于预测高频波动的文献,但大多数仅根据统计误差评估预测。
R语言rcurl抓取问财财经搜索网页股票数据
python用线性回归预测股票价格
只要有金融经济学家,金融经济学家一直在寻找能够预测股票收益的变量。
这次,我们将使用k-Shape时间序列聚类方法检查与我们有业务关系的公司的股票收益率的时间序列。
线性回归在财务中被广泛应用于众多应用程序中。
“预测非常困难,特别是关于未来”。-丹麦物理学家尼尔斯·波尔(Neils Bohr)
之前在某社区中看到一篇帖子《一张价值几十万个跌停的统计表》,主要是预测即将被ST的股票,虽然有些标题党,但是还有有一些参考价值的。
如何用机器学习预测即将被ST的股票?
抓取问财财经搜索网页股票数据
本文学习创建时间序列预测的步骤,关注Dickey-Fuller检验、指数加权平均(EWMA)和ARIMA(自回归移动平均)模型,从理论上学习这些概念以及它们在python和R中的实现。
预测股价已经受到了投资者,政府,企业和学者广泛的关注。然而,数据的非线性和非平稳性使得开发预测模型成为一项复杂而具有挑战性的任务。
本文从实践角度讨论了季节性单位根。
时间序列为预测未来数据提供了方法。根据先前的值,时间序列可用于预测经济,天气的趋势。
本文将说明金融数学中的R 语言优化投资组合,因子模型的实现和使用。
资本资产定价模型(CAPM) 是用于确定是否在一个特定资产的投资是值得的。
在本教程中,您将学习如何在R中创建神经网络模型。
机器学习算法可用于找到最佳值来交易您的指标。
过程会随着时间的推移而发展,结果会发生变化。
有人已经表示有必要在战术资产配置(Tactical Asset Allocation, 简称TAA)策略中使用共同基金而不是ETF。
本文分析将用于制定管理客户和供应商关系的策略准则。
用于动量策略中所谓的动量(Momentum),是指某一对象所具有的一种倾向于保持其原有属性或特征的性质,也可以简单理解成一种惰性(Inertia)。
随着越来越多的数据被数字化,获取信息变得越来越困难。我们在本文中重点关注的一个示例是评估公司面临的不同风险领域。
利率衍生证券的定价依赖于描述基本过程的模型。这些利率模型取决于您必须通过将模型预测与市场上可用的现有数据进行匹配来确定的一个或多个参数。
动量和马科维茨投资组合模型使 均值方差优化 组合成为可行的解决方案。
本文在股市可视化中可视化相关矩阵 :最小生成树
分析师通常关心检测市场何时“发生变化”:几个月或几年内市场的典型行为可以立即转变为非常不同的行为。投资者希望及时发现这些变化,以便可以相应地调整其策略,但是这样做可能很困难。
最近,我们继续对时间序列建模进行探索,研究时间序列模型的自回归和条件异方差族。我们想了解自回归移动平均值(ARIMA)和广义自回归条件异方差(GARCH)模型。它们在量化金融文献中经常被引用。
最近,我们使用隐马尔可夫模型开发了一种解决方案,并被要求解释这个方案。
大数据背景下各种数据相关的岗位变得炙手可热,长期处于供不应求的状态。近年来随着人工智能的发展,数据分析岗也越发火热。
至少在统计学的角度上,要评估一个投资组合是否最优是很困难的。
这里的想法是使距离最大化:想法是区分,所以我们希望样本尽可能不独立。要计算基尼系数。
神经网络是一种非常通用的灵活预测模型,可用于解决各种问题,包括分类,降维和回归。
拥有参数模型变得有趣,该模型应该比经验平均值更健壮。
从动态的角度看,负利率效应也可以被描述为银行利率变化的速度小于价格指数变化的速度,这是一种违反经济规律的特殊状态。
我们将使用整容手术数据说明两种中心化类型,并对其进行等级线性模型分析。
在本教程中,我们将讨论一种非常强大的优化(或自动化)算法,即网格搜索算法。
R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长
使用ARIMA模型,您可以使用序列过去的值预测时间序列。
ARIMA模型是一种流行的且广泛使用的用于时间序列预测的统计方法。
在本文中,我将向您展示如何模拟股票价格的Heston随机波动率模型。
近年来,期权交易变得非常流行。 在这篇文章中,您将学习一种期权交易策略,可以用来以较低的价格购买自己喜欢的股票。期权是一种衍生工具。
本文使用模拟数据比较了标准最小二乘法和lasso回归。
在本文中,将对“牛市”和“熊市”两个独立机制下的市场收益进行模拟。隐马尔可夫模型识别处于特定状态的概率。
在本文中,我们将看到如何开发具有多个输出的文本分类模型。
分类问题属于机器学习问题的类别,其中给定一组特征,任务是预测离散值。
时间序列预测是指我们必须根据时间相关的输入来预测结果的问题类型。
我今年的研究课题是使用粒子群优化(PSO)的货币进行交易组合优化。
神经网络一直是迷人的机器学习模型之一
Python Monte Carlo K-Means聚类实战研究
在本文中,我将向您介绍集成建模的基础知识。 另外,为了向您提供有关集合建模的实践经验。
copula是将多变量分布函数与其边际分布函数耦合的函数,通常称为边缘。