门槛效应模型Threshold Effect Model分析数字金融指数与消费结构数据
在现代经济发展进程中，数字普惠金融如同一股新兴潮流，悄然改变着金融服务的生态，也深刻影响着居民消费结构。
Category Archives: 金融
Python+AI提示词用LSTM和注意力机制的苹果公司股票价格预测
作为数据科学家，我们深知在瞬息万变的金融市场中，准确的预测就如同珍贵的宝藏。随着技术的不断发展，机器学习成为了我们解读市场趋势的有力工具。
Python比特币价格时间序列：LGBMRegressor递归自回归、随机游走及外部变量预测探索
在当今数据驱动的时代，数据科学家们肩负着从海量数据中挖掘有价值信息、解决实际问题的重任。
Python+AI提示词比特币数据预测：Logistic逻辑回归、SVC及XGB特征工程优化实践
在当今数据驱动的时代，数据科学家肩负着通过数据分析和建模为各行业提供有价值洞察的重任。
专题|Python贝叶斯金融数据应用实例合集：随机波动率SV模型、逻辑回归、参数更新、绩效比较BEST分析亚马逊股票、标准普尔500指数|附数据代码
本专题合集系统梳理了贝叶斯方法在金融数据分析与分类建模中的前沿应用。
Python用langchain、OpenAI大语言模型LLM情感分析AAPL股票新闻数据及提示工程优化应用
本文主要探讨了如何利用大语言模型（LLMs）进行股票分析。
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
本文聚焦于利用生成对抗网络（GANs）进行金融时间序列的概率预测。介绍了一种新颖的基于经济学驱动的生成器损失函数，使 GANs 更适用于分类任务并置于监督学习环境中，能给出价格回报的全条件概率分布，突破传统点估计方式，实现不确定性估计。
Python深度强化学习智能体DDPG自适应股票交易策略优化道琼斯30股票数据可视化研究
股票交易策略在投资公司中起着至关重要的作用。然而，在复杂多变的股票市场中获取最优策略颇具挑战。
MATLAB贝叶斯优化混合Bayes-CNN-RNN分析股票市场数据与浅层网络超参数优化
本文旨在介绍一种利用贝叶斯优化方法来优化混合 CNN – RNN 和浅层网络超参数的简单方法，并展示了如何使贝叶斯优化器考虑离散值。
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
股票市场是一个复杂的非线性系统，股价受到许多经济和社会因素的影响。因此，传统的线性或近线性预测模型很难有效、准确地预测股票指数的价格趋势。
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
股票市场在经济发展中占据重要地位。由于股票的高回报特性，股票市场吸引了越来越多机构和投资者的关注。
【梯度提升专题】XGBoost、Adaboost、CatBoost预测合集：抗乳腺癌药物优化、信贷风控、比特币应用|附数据代码
金融领域同样挑战重重，信贷风控中精准预测违约支付及把握相关因素变化规律，以及比特币价格走势的准确预判，都对决策制定至关重要。再者，企业经营中处理严重不平衡的破产数据以评估风险，也是一大难点。在此背景下，XGBoost、Adaboost、CatBoost 等梯度提升算法展现出强大的预测能力。
银行信贷风控专题：Python、R 语言机器学习数据挖掘应用实例合集：xgboost、决策树、随机森林、贝叶斯等
在当今金融领域，风险管控至关重要。无论是汽车贷款违约预测、银行挖掘潜在贷款客户，还是信贷风控模型的构建，以及基于决策树的银行信贷风险预警，都是金融机构面临的关键挑战。
Python用CNN – LSTM、ARIMA、Prophet股票价格预测的研究与分析|附数据代码
股票市场的波动起伏一直备受投资者关注，准确预测股票价格对于投资者制定合理的投资策略至关重要。
【视频讲解】线性时间序列原理及混合ARIMA-LSTM神经网络模型预测股票收盘价研究实例
近年来人工神经网络被学者们应用十分广泛，预测领域随着神经网络的引入得到了很大的发展。
深度神经网络DNN、RNN、RCNN及多种机器学习金融交易策略研究|附数据代码
在当今的金融领域，量化交易正凭借其科学性和高效性逐渐成为主流投资方式之一。
【视频讲解】Python深度学习股价预测、量化交易策略：LSTM、GRU深度门控循环神经网络|附代码数据
本文以上证综指近 22 年的日交易数据为样本，构建深度门控循环神经网络模型，从股价预测和制定交易策略两方面入手，量化循环神经网络在股票预测以及交易策略中的效果。
R语言股价跳跃点识别：隐马尔可夫hmm和GARCH-Jump对sp500金融时间序列分析
WeChat Tencent QQ email print 由Kaizong Ye，Yue Ji撰写 在 A
【视频讲解】Python用LSTM长短期记忆网络GARCH对SPX指数金融时间序列波动率滚动预测
本文融合了多种技术，其中 LSTM（长短期记忆网络）和 GARCH（广义自回归条件异方差）模型尤为关键。
BC变换的EWMA控制图对顺丰控股股票的分析研究
结合历史股票数据和统计质量管理的思想，对数据作合适的处理并设计合理的控制图是十分关键的。本文将通过展示如何用基于BC变换的EWMA控制图对顺丰控股股票分析，并结合一个Python神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列实例的代码数据，为读者提供一套完整的实践数据分析流程。
【视频讲解】Python用LSTM、Wavenet神经网络、LightGBM预测股价
在金融科技的浪潮中，量化投资方法以其数据驱动和模型导向的特性，日益成为资本市场分析的重要工具。
Python股票预测:注意力多层Attention RNN LSTM应用
Attention 机制是一种在神经网络处理序列数据时极为关键的技术，它赋予了模型“聚焦”能力，能够自动评估输入序列中各部分的重要性。
【视频讲解】神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列预测|附代码数据
WeChat Tencent QQ email print 由Haopeng Li撰写 基于此，选择合适的模型
【视频讲解】LSTM神经网络模型在微博中文文本评论情感分析和股市预测应用附代码数据
本文将通过视频讲解，展示如何用python的LSTM模型对中文文本评论情感分析。
TensorFlow、Keras的LSTM神经网络异常检验和预测股市价格时间序列数据可视化python实例附代码数据
本文旨在探讨如何利用TensorFlow和Keras中的LSTM神经网络来预测和检验股市价格时间序列数据，并通过Python编程语言和可视化技术来展示预测结果和异常检验的效果。
阈值向量误差修正模型TVECM对汇率金融时间序列数据分析|附数据代码
在全球金融市场中，汇率作为连接不同国家货币价值的桥梁，其动态变化对全球经济活动、贸易和投资具有深远影响。
马尔可夫转换MSVAR模型预测资产收益率时间序列可视化分析|附数据代码
在现代金融市场中，资产收益率序列的预测一直是投资者和金融机构关注的焦点。
Python贷款违约预测:Logistic、Xgboost、Lightgbm、贝叶斯调参/GridSearchCV调参
WeChat Tencent QQ email print 由Linseng Bo撰写 解决方案 任务/目标
R语言SOM神经网络聚类、多层感知机MLP、PCA主成分分析可视化银行客户信用数据实例
自组织地图（SOM）是一种强大的无监督数据可视化工具，它通过降维技术，在较低（通常二维）的空间中有效地展示高维数据集的内在结构和特征。
R语言汇率、股价指数与GARCH模型分析：格兰杰因果检验、脉冲响应与预测可视化
汇率和股价指数之间的联系是许多经济学家和投资者关注的重要议题。
R语言神经网络模型金融应用预测上证指数时间序列可视化
本文旨在利用神经网络模型来帮助客户预测上证指数的收盘价，通过分析不同历史数据作为输入，建立模型并进行预测。
R语言平稳性ADF检验、ARCH-LM效应检验分析收盘价收益率数据可视化
数据读取和处理是金融分析中非常重要的一步。
R语言逻辑回归logistic对ST股票风险建模分类分析混淆矩阵、ROC曲线可视化
信用风险建模是金融领域的重要课题，通过建立合理的信用风险模型，可以帮助金融机构更好地评估借款人的信用状况，从而有效降低信贷风险。
python、R语言ARIMA-GARCH分析南方恒生中国企业ETF基金净值时间序列分析
虽然中国股票市场日益完善,但还不完全是弱有效市场,因此中国股票市场存在比较明显的通过技术分析达到的套利机会。
Python随机波动性SV模型：贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据
WeChat Tencent QQ email print 由Kaizong Ye，Sherry Deng撰写
Python随机波动模型Stochastic volatility，SV随机变分推断SVI分析标普500指数股票价格时间序列数据波动性可视化
随机波动模型（Stochastic volatility models）经常被客户用来对股票价格随时间的变动性进行建模。
Python用GARCH对ADBL股票价格时间序列趋势滚动预测、损失、可视化分析
金融市场的股票价格时间序列分析一直以来都是投资者和研究者关注的主题之一。
【专题】中国可持续金融发展洞察白皮书报告PDF合集分享（附原数据表）
自我国提出双碳目标以来，可持续金融市场发展迅速，呈现蓬勃发展的态势。
R语言分析ROE与股票收益的关系
影响股票收益的因子一直是研究者与投资者关注的问题。
R语言改进的DCC-MGARCH：动态条件相关系数模型、BP检验分析股市数据
股票市场波动性模型一直是金融领域研究的热点之一。
R语言Copula对债券时间序列数据的流动性风险进行度量
在金融市场中，债券的流动性风险一直是一个备受关注的问题。
R语言ARMA-GARCH模型金融产品价格实证分析黄金价格时间序列
研究黄金价格的动态演变过程至关重要。
R语言门限误差修正模型(TVECM)参数估计沪深300指数和股指期货指数可视化
时间序列模型的理论已经非常丰富,模型的应用也相当广泛。 WeChat Tencent QQ email pri
Eviews回归分析股权集中度、股权制衡度与公司绩效关系：中小板上市公司数据
本文深入分析了国内外关于股权结构与公司绩效的影响因素
R语言逻辑回归Logistic选股因素模型交易策略及沪深300指数实证
本文以多因素模型在股票交易中的应用为背景，帮助客户针对Logistic选股模型的理论基础以及模型原理方面分析Logistic选股模型的可行性与稳定性。为保证模型的可靠和稳定，使用过去五年的历史数据来检测模型。
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。
MATLAB、R基于Copula方法和k-means聚类的股票选择研究上证A股数据
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。
R语言MCMC-GARCH、风险价值VaR模型股价波动分析上证指数时间序列
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。
R语言随机波动模型SV：马尔可夫蒙特卡罗法MCMC、正则化广义矩估计GMM和准最大似然估计QMLE上证指数收益时间序列
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。
python用回归、arima、随机森林、GARCH模型分析国债期货波动性、收益率、价格预测
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。
R语言GARCH族模型：正态分布、t、GED分布EGARCH、TGARCH的VaR分析股票指数
我们和一位客户讨论如何在R软件中处理GARCH族模型。
R语言代做编程辅导COMP 226: Computer-based trading in financial markets（附答案）
Limit Order Book Pricer
R语言多元（多变量）GARCH ：GO-GARCH、BEKK、DCC-GARCH和CCC-GARCH模型和可视化
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。
MATLAB用GARCH-EVT-Copula模型VaR预测分析股票投资组合
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。
美光科技股票基本分析：经济背景、行业分析财政状况（盈利、EBITDA、PP&E、D&A等）预测计算DCF
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。
Python用RNN神经网络LSTM优化EMD经验模态分解交易策略的股票价格MACD分析
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。
Python 用几何布朗运动模型和蒙特卡罗Monte Carlo随机过程模拟股票价格可视化分析耐克NKE股价时间序列数据
金融资产/证券已使用多种技术进行建模。
R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化
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。
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
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。
R语言和Python用泊松过程扩展：霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列
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。
R语言指数加权模型EWMA预测股市多变量波动率时间序列
从广义上讲，复杂的模型可以实现很高的预测准确性。
R语言Copula模型分析股票市场板块相关性结构
这篇文章是关于 copulas 和重尾的。
R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化
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。
Python用Markowitz有效边界构建最优投资组合可视化分析四只股票
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。
R语言多变量广义正交GARCH（GO-GARCH）模型对股市高维波动率时间序列拟合预测
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。
R语言样条曲线分段线性回归模型piecewise regression估计个股beta值分析收益率数据
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。
R语言用有限混合模型(FMM,finite mixture model)创建衰退指标对股市SPY、ETF收益聚类和双坐标图可视化
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。
R语言股票收益分布一致性检验KS检验Kolmogorov-Smirnov、置换检验Permutation Test可视化
今年的收益是否真的与典型年份的预期不同？
