R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险。
Tag Archives: 股市
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
该项目包括：自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
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Fama French (FF) 三因子模型和CAPM多因素扩展模型分析股票市场投资组合风险/收益可视化
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。
Python配对交易策略Pairs Trading统计套利量化交易分析股票市场
说到在股票市场上赚钱，有无数种不同的赚钱方式。
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
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。
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
使用 garch 指定一个单变量GARCH（广义自回归条件异方差）模型。
R语言多元动态条件相关DCC-MVGARCH、常相关CCC-MVGARCH模型进行多变量股市波动率预测
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。
R语言时间序列GARCH模型分析股市波动率
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。
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。
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
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。
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。
R语言Copula函数股市相关性建模：模拟Random Walk(随机游走)
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。
R语言动量交易策略分析调整后股市数据
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）。
R语言GARCH-DCC模型和DCC（MVT）建模估计
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。
SPSS Modeler通过关联规则数据挖掘我们能从股市数据得到什么
众所周知，在证券投资领域将涉及很多数据，因此，通过简单的处理难以有效地分析各种公司股票之间的关系
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
波动率是众多定价和风险模型中的关键参数，例如BS定价方法或风险价值的计算。
隐马尔可夫模型HMM识别不断变化的市场条件
某些策略在波动剧烈的市场中表现良好，而其他策略则需要强劲而平稳的趋势，否则将面临长时间的下跌风险。
R语言多元Copula GARCH 模型时间序列预测
和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。
用机器学习识别不断变化的股市状况—隐马尔可夫模型(HMM)的应用
了解不同的股市状况，改变交易策略，对股市收益有很大的影响。
