R语言结合新冠疫情COVID-19股票价格预测:ARIMA,KNN和神经网络时间序列分析
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。
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。
面板向量自回归(VAR)模型在应用研究中的应用越来越多。
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。
时间序列是以固定时间_区间_记录的观察序列。
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。
两阶段最小二乘法(2SLS)回归拟合的线性模型是一种常用的工具变量估计方法。
在经济学中,技术效率是指在既定的投入下产出可增加的能力或在既定的产出下投入可减少的能力。
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。
项目背景:银行的主要盈利业务靠的是贷款,这些客户中的大多数是存款大小不等的责任客户(存款人)。
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
在这个文章中,我们演示了copula GARCH方法(一般情况下)。
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。
最近我们被客户要求撰写关于时间序列的研究报告。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。
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。
然而,诸如性别、季节、地点等变量则不能用数字来衡量。相反,我们使用虚拟变量来衡量它们。
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。
今天我们将计算投资组合收益的CAPM贝塔。这需要拟合一个线性模型,得到可视化,从资产收益的角度考虑我们的结果的意义。
本文是极端值推断的内容。我们在广义帕累托分布上使用最大似然方法。
资产价格具有随时间变化的波动性(逐日收益率的方差)。
在大数据的趋势下,我们经常需要做预测性分析来帮助我们做决定。
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。
如果你了解数据科学领域,你可能听说过LASSO。LASSO是一个对目标函数中的参数大小进行惩罚的模型,试图将不相关的变量从模型中排除。
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。
向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的。
相信大家都听说过股票和债券的多元化投资组合。
WeChat Tencent QQ email print 由Kaizong Ye,Liao Bao撰写 μ是
最近我们被客户要求撰写关于面板平滑转换回归(PSTR)的研究报告。建模过程包括三个阶段:表述,估计和评估。当采用两种状态时,单转换函数PSTR模型具有两个变量:
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。
洛伦兹曲线来源于经济学,用于描述社会收入不均衡的现象。
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。
本文估计实际GDP增长率的两状态Markov区制转换动态回归模型 。
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。
过程会随着时间的推移而发展,结果会发生变化。
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。
最近我们被客户要求撰写关于分析高频金融数据波动率的研究报告。在学术界和金融界,分析高频财务数据的经济价值现在显而易见。
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。
本文我们讨论了期望寿命的计算,人口统计模型的起点是死亡率表。
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)。
在这篇文章中,我使用 R 建立著名的Hull-White利率模型并进行仿真。
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
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。
本文对人口统计预测方法进行讨论。
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。
在本文中,我们使用了逻辑回归、决策树和随机森林模型来对信用数据集进行分类预测并比较了它们的性能。
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。
巴斯Bass扩散模型已成功地用于预测各种新推出的产品以及成熟产品的市场份额。
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