MATLAB中的马尔可夫区制转移(Markov regime switching)模型
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。
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。
由于目标是预测理赔频率(以评估保险费水平),因此他建议使用旧数据来训练该模型,并使用最新数据对其进行测试。问题在于该模型没有包含任何时间模式。
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。
本示例说明如何创建并可视化Markov链模型的结构和演化 。
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。
正如有配偶的寿命之间存在很强的相关性,我们可能会问,孩子和孙子的出生是否具有对一个人的剩余生命的影响(或者我们是否可以像这样假设独立性)。
灰色关联分析包括两个重要功能。
第一项功能:灰色关联度,与correlation系数相似,如果要评估某些单位,在使用此功能之前转置数据。第二个功能:灰色聚类,如层次聚类。
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。
最近我们被客户要求撰写关于分析各种投资的历史收益的研究报告。要执行此分析,我们需要资产的历史数据。数据提供者很多,有些是免费的,大多数是付费的。
风险价值VaR和损失期望值ES是常见的风险度量。
广义线性模型(GLM) 是通过连接函数,把自变量线性组合和因变量的概率分布连起来
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。
我们已经看到了如何考虑风险敞口,计算包含风险敞口的多个数量(经验均值和经验方差)的非参数估计量。让我们看看如果要对二项式变量建模。
公司必须使用细分技术才能生存。现在,问题在于,我们不能确定指数衰减是溢价随年龄变化的正确方法。一种替代方法是使用非参数技术来可视化年龄对索赔频率的真实影响。
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”。
通常,我们在回归模型中一直说的一句话是“ 请查看一下数据 ”。
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。
我们已经很自然地认为,不仅可以用一些协变量来解释单个索赔的频率,而且可以用单个成本来解释。
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)。
本文为非人寿保险课程的一部分,该示例对1900 -2005年间的“ 美国标准化飓风损失 ”数据集进行研究(2008)。我们使用了广义线性模型和帕累托分布Pareto distributions分析。
上周在 非人寿保险课程中,我们了解了广义线性模型的理论
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。
我和同事一起分析死亡率。我们在研究人口数据集,可以观察到很多波动性。
拥有参数模型变得有趣,该模型应该比经验平均值更健壮。
今天上午,在课程中,我们讨论了利率制定中可观察和不可观察异质性之间的区别(从经济角度出发)。
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
我们进行了MIDAS回归分析,以预测季度GDP增长以及每月非农就业人数的增长。
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。
使用ARIMA模型,您可以使用序列过去的值预测时间序列。
ARIMA模型是一种流行的且广泛使用的用于时间序列预测的统计方法。
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。
我们分析了已迁离北京的外来人口的月收入、性别、迁入北京和迁离北京的日期、教育程度和职业这些方面的数据。
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。
我想研究如何使用pymc3在贝叶斯框架内进行线性回归。根据从数据中学到的知识进行推断。
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。
向量自回归(VAR)模型的一般缺点是,估计系数的数量与滞后的数量成比例地增加。
脉冲响应分析是采用向量自回归模型的计量经济学分析中的重要一步。
自从Sims(1980)发表开创性的论文以来,向量自回归模型已经成为宏观经济研究中的关键工具。
经济时间序列的分析通常需要提取其周期性成分。
澳大利亚在2008 – 2009年全球金融危机期间,政府发布了一揽子刺激计划,其中包括2008年12月的现金支付,恰逢圣诞节支出。
matlab中的隐马尔可夫模型(HMM)实现
狙击涨停板-通达信,同花顺,金字塔,TB等指标公式量化开发安装及使用教程
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…
最近我们被客户要求撰写关于时间序列的研究报告。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。
VAR面临的批评是他们是理论上的; 也就是说,它们不是建立在一些经济学理论的基础上,这些理论强加了方程式的理论结构。假设每个变量都影响系统中的其他变量,这使得估计系数的直接解释变得困难。尽管如此,VAR在几种情况下都很有用:
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。
ARIMA等传统模型有一个主要缺点 – 它们通常不会解释“冲击”或时间序列的突然变化。
Python Monte Carlo K-Means聚类实战研究
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。
R语言互联网金融下的中国保险业数据分析
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。
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