R语言Fama-French三因子模型实际应用:优化投资组合
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。
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。
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。
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。
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。
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)。
票息率公式用于计算债券的票息率,根据该公式,债券的票息率将通过将年度票息支付总额除以债券的票面价值,然后乘以 100得出结果。
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
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
指数加权波动率是一种波动率的度量,它使最近的观察结果有更高权重。
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。
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。
本文提出了一种算法,可以根据市场波动性在均值回归和趋势跟随策略之间进行切换。
本说明介绍使用Student-t改进的GARCH(1,1)模型对汇率对数收益进行贝叶斯估计。
波动率是一个重要的概念,在金融和交易中有许多应用。这是期权定价的基础。波动率还使您可以确定资产分配并计算投资组合的风险价值(VaR)。甚至波动率本身也是一种金融工具,例如CBOE的VIX波动率指数。但是,与证券价格或利率不同,波动不能直接观察到。
风险价值VaR和损失期望值ES是常见的风险度量。
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。
在保险业中,由于分散投资,通常会在合法的大型投资组合中提及大数定律。在一定时期内,损失“可预测”。
在精算科学和保险费率制定中,考虑到风险敞口可能是一场噩梦。不知何故,简单的结果是因为计算起来更加复杂,只是因为我们必须考虑到暴露是一个异构变量这一事实。
使用Chain Ladder方法完成流量三角形,即计算我们认为未来几年将支付的平均金额
在之前的课堂上,我们已经看到了如何可视化多元回归模型(带有两个连续的解释变量)。
对精算科学来说,当我们处理独立随机变量的总和时,特征函数很有趣,因为总和的特征函数是特征函数的乘积。
拥有参数模型变得有趣,该模型应该比经验平均值更健壮。
在保险定价中,风险敞口通常用作模型索赔频率的补偿变量。
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。
在课程中进行案例研究(使用真实数据)时,学生都会惊讶地发现很难获得“好”模型
本文简要介绍了一种简单的状态切换模型,该模型构成了隐马尔可夫模型(HMM)的特例。
金融分析师通常关心市场何时“发生变化”:几个月或者几年内市场的典型行为可以立即转变为非常不同的行为。
本文比较了几个时间序列模型,以预测SP 500指数的每日实际波动率。
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。
采样函数svsample需要其输入数据y是数值向量,而且没有任何缺失值(NA),如果提供其他任何内容,则会报错。
在本教程中,我们将研究如何将Nelson-Siegel-Svensson(NSS)模型拟合到数据。由于我们将使用随机技术进行优化,因此我们应该重新运行几次。变量nRuns设置示例重启的次数。
我们要做的是:我们从一些收益率曲线开始,然后逐步地随机修改收益率,最后尝试拟合NS模型以新的收益。因此我们对此进行了模拟。
Nelson-Siegel- [Svensson]模型是拟合收益曲线的常用方法。
虽然期望债券不会出现负利率,但也不是完全看不到。在危机时期,政府债券甚至公司债券都可以以负收益率交易(例如雀巢)。
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。
这篇文章的目的是指导读者逐步使用R编程语言实现Nelson-Siegel模型的步骤。
R语言中的风险价值模型度量指标TVaR与VaR
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,我想向您展示如何应用S&P500股票市场指数的交易策略。
这个简短的演示说明了使用rmgarch软件包的DCC模型及其方法的使用,尤其是在存在MVT分布形状参数的情况下进行2级DCC估计的另一种方法。
In order to find out the main factors affecting price fluctuations, we use stepwise regression to eliminate some independent variables that have little impact on the dependent variable, that is, the price. The name of the variable is changed to x1, x2…
假设 有时间序列数据,如下所示。经验表明,目标变量y似乎与解释变量x有关。
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。
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。
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。
神经网络是一种基于现有数据创建预测的计算系统。
随机过程对定量融资的许多方面都很有用,包括但不限于衍生品定价,风险管理和投资管理。
在本文中,我们通过一个名为WinBUGS的免费贝叶斯软件,可以很容易地完成基于似然的多变量随机波动率(SV)模型的估计和比较。
R中针对高频数据的添加包highfrequency,用于组织高频数据, 高频数据的清理、整理,高频数据的汇总,使用高频数据建立相关模型 都非常方便。但是其中数据输入的过程中,会使用到包里的函数convert()。该函数支持三类的高频数据:
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。
通过数据挖掘我们能从股市数据得到什么
此示例演示了使用具有胖尾边缘分布的多变量copula模拟计算投资组合的风险价值和条件风险值(预期缺口)。
python用线性回归预测股票价格
此示例探讨了如何使用多因素copula模型模拟相关的交易违约。
状态转换模型,尤其是马尔可夫转换(MS)模型,被认为是识别时间序列非线性的不错的方法。
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。
一个加油站有一个加油桩,没有空间供车辆等待(如果车辆到达,加油桩被占用,它就会离开)。