R语言无套利区间模型期货期现研究:正向套利和反向套利次数、收益率分析华泰柏瑞300ETF可视化
股指期货的套利交易有助于股指期货实现其价格发现以及风险规避的功能。
股指期货的套利交易有助于股指期货实现其价格发现以及风险规避的功能。
Copula方法是测度金融市场间尾部相关性比较有效的方法,而且可用于研究非正态、非线性以及尾部非对称等较复杂的相依特征关系。
随着金融市场全球化的发展,金融产品逐渐受到越来越多的关注,而金融产品的风险度量成为投资者最关心的问题。
本文做SV模型,选取马尔可夫蒙特卡罗法(MCMC)、正则化广义矩估计法和准最大似然估计法估计。
让个人购买人员了解美国国债期货的特性,以便于进行个人投资及管理。
我们和一位客户讨论如何在R软件中处理GARCH族模型。
Limit Order Book Pricer
从Engle在1982发表自回归条件异方差(ARCH)模型的论文以来,金融时间序列数据的波动性就倍受关注。
最近我们被客户要求撰写关于投资组合的研究报告,引入Copula来描述多只股票间的非线性相关性,构建多元GARCH-EVT-Copula模型来度量开放式基金的风险,并与其他VaR估计方法的预测结果进行比较。
本文收集信息和数据,从多方面评估分析美光科技的市场走向,商业前景。
预测股票价格,并在合适的时间产生交易策略实现收益,一直是一个热门的问题,到现在为止也提出了很多预测方法。
金融资产/证券已使用多种技术进行建模。
Box 等人的开创性工作(1994) 在自回归移动平均模型领域的相关工作为波动率建模领域的相关工作铺平了道路,分别由 Engle (1982) 和 Bollerslev (1986) 引入了 ARCH 和 GARCH 模型。
当您处理金融时间序列时,我们通常可以获得相对高频的观察结果。
本文描述了一个模型,该模型解释了交易的聚集到达,并展示了如何将其应用于比特币交易数据。
从广义上讲,复杂的模型可以实现很高的预测准确性。
这篇文章是关于 copulas 和重尾的。
最近我们被客户要求撰写关于股票收益率时间序列的研究报告,包括一些图形和统计输出。在本文中,我们展示了 copula GARCH 方法拟合模拟数据和股票数据并进行可视化。
在这篇文章中,我想介绍 现代 投 资组合理论 (MPT)_、 _有效边界 以及它对投资组合构建的一些影响。
在多变量波动率预测中,我们有时会看到对少数主成分驱动的协方差矩阵建模,而不是完整的股票。
一只 股票的_beta_值通常意味着它与市场的关系,当市场变动 1%时,我们期望股票会发生多少百分比的变动。
从广义上讲,我们可以将金融市场状况分为两类:牛市和熊市。
今年的收益是否真的与典型年份的预期不同?
FF 模型通过回归除市场收益之外的几个变量的投资组合收益来扩展 CAPM。
最近我们被客户要求撰写关于量化交易的研究报告。
在这项工作中,我通过创建一个包含四只基金的模型来探索 copula,这些基金跟踪股票、债券、美元和商品的市场指数。
Beta 假设反映了一种工具对例如市场的风险。但是,您可以通过各种方式估算此度量。
最近,copula 在仿真模型中变得流行起来。
在这个例子中,我们考虑马尔可夫转换随机波动率模型。
此分析的目的是构建一个过程,以在给定时变波动性的情况下正确估计风险价值。 WeChat Tenc
此示例说明如何使用三种方法估计风险价值 (VaR) 并执行 VaR 回测分析。
我们研究波动聚集,以及使用单变量 GARCH(1,1) 模型对其进行建模。
这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。
使用 garch 指定一个单变量GARCH(广义自回归条件异方差)模型。
本文用 R 编程语言极值理论 (EVT) 以确定 10 只股票指数的风险价值(和条件 VaR)。
在量化金融中,我们学习了各种时间序列分析技术以及如何使用它们。
本文的目标是使用各种预测模型预测Google的未来股价,然后分析各种模型。
在这个例子中,我们考虑随机波动率模型 SV0 的应用,例如在金融领域。
在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型。
随机波动率(SV)模型是常用于股票价格建模的一系列模型。
本文介绍如何根据历史信号/交易制作股票曲线。
本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测。
简单地说,copulas是具有均匀边际的联合分布函数。
本文回答了关于逻辑回归的问题:它与线性回归有什么不同,如何在R中用glm()函数拟合和评估这些模型等等?
当从单变量波动率预测跳到多变量波动率预测时,我们需要明白,现在不仅要预测单变量波动率元素,还要预测协方差元素。
自回归条件异方差(ARCH)模型涉及具有时变异方差的时间序列,其中方差是以特定时间点的现有信息为条件的。
定量战术资产配置策略(QATAA)模型是使用10个月的移动平均线作为过滤器。
本文目标是创建合成波动率指数
跳跃扩散过程为连续演化过程中的偏差提供了一种建模手段。
VaR是 “风险价值 “的缩写,是许多公司和银行用来确定其公司内部金融风险水平的工具。风险值是为公司的投资而计算的,也可能是为检查银行或公司所管理的投资组合的风险水平。
Python计算获得多资产投资组合的风险度量。
虽然我对高频噪音中出现信号的有效性有一些怀疑,但我还是决定使用GARCH模型研究一下收益率的统计模型。与每日和较低频率的收益不同,日内高频数据有某些特殊的特点,使得使用标准的建模方法是无效的。
本文提供了一个在统计模型中使用马可夫转换模型模型的例子,来复现Kim和Nelson(1999)中提出的一些结果。
资产价格具有随时间变化的波动性(逐日收益率的方差)。
简要地提供了在经济学中使用模型平均和贝叶斯方法的论据,使用了动态模型平均法(DMA),并与ARIMA、TVP等方法进行比较。希望对经济和金融领域的从业人员和研究人员有用。
在这篇文章中,我们将学习一种在价格序列中建立波动性模型的标准方法,即广义自回归条件异方差(GARCH)模型。
两个随机变量之间的相依性问题备受关注,相依性(dependence)是反映两个随机变量之间关联程度的一个概念。
相信大家都听说过股票和债券的多元化投资组合。
极值理论关注风险损失分布的尾部特征,通常用来分析概率罕见的事件,它可以依靠少量样本数据,在总体分布未知的情况下,得到总体分布中极值的变化情况,具有超越样本数据的估计能力。
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。
本文将说明单变量和多变量金融时间序列的不同模型,特别是条件均值和条件协方差矩阵、波动率的模型。
机器学习算法可用于找到最佳值来交易您的指标。
在引入copula时,大家普遍认为copula很有趣,因为它们允许分别对边缘分布和相依结构进行建模。
最近我们被客户要求撰写关于ARMA-GARCH模型的研究报告。工业指数(DIJA)的价值基于每个组成公司的每股股票价格之和。
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。
永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。
技术干货
最新洞察
This will close in 0 seconds