最近我们被客户要求撰写关于Nelson Siegel和线性插值模型的研究报告，包括一些图形和统计输出。
B（0，t）也可以称为零息债券的价格。大多数债券不是零息债券，但是有可能使用零息债券构造几乎所有支付结构。
在FRM考试中，债券远比股票重要。讲到债券，那么必然逃不了利率，interest rate。有一种利率叫做无风险利率，这种利率是所有定价的基础。
这是全书最后一章，感觉是最精彩的一章，把前面的内容都串了起来，做了个总结，作者尝试给出一个描述市场周期的参考模型。
编者按：金融衍生品定价是量化金融中最为关键的问题，当考虑多种因素进行价格评估时会遇到“维数灾难”，这种高度非线性的拟合问题正是神经网络擅长解决的，本文中的最小二乘后向DNN方法（LSQ-BDNN方法）在前面研究基础上提出了将LSQ嵌入DNN的思路，在百慕大期权和CYN中得到了精确性和时效性的验证。
这是 Python 进阶课的第十四节 - FR007 利率掉期定价和曲线拔靴，进阶课的目录如下：
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。您可能已经知道，估计利率期限结构是任何资产定价的关键，因此对投资者和政策制定者起着重要的作用 （ 点击文末“阅读原文”获取完整代码数据 ）。
2021年5月21日，“增长引力·QTrade ONE：固收科技新生态”主题大会在北京圆满召开。本次会议由腾讯云、腾讯企点、腾讯QTrade和债券俱乐部（CBC）共同主办，来自金融监管机构、基础设施平台、银行、证券、保险、基金等机构的债券投资、研究、交易、信息系统建设等相关人员及固收科技公司的代表共计400余人参加了会议。 债券俱乐部发起人之一陈剑平先生表示，作为中国债券市场最早从业人员组成的社群，在过去十几年的时间里，伴随债券市场的发展，日益发展壮大。面对复杂多变的时代、更需要思维转型、科技力量
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。您可能已经知道，估计利率期限结构是任何资产定价的关键，因此对投资者和政策制定者起着重要的作用。想法是使一条连续曲线适合现有数据。就是说，给定可获取的利率和相应的到期日（通过彭博社或任何其他数据提供商），可以使用Nelson-Siegel方法得出利率的期限结构。
这是 Python 进阶课的第十二节 - 负油价和负利率模型，进阶课的目录如下：
本节开始一个全新的系列，是整套 Python 第三阶段的课。我把整套知识体系分成四个模块：
discount factor：就是用来把一个FV给折现的factor，d(t), 代表年份
范剑青是国际数理统计学会创办70年以来第一位华人主席，也是统计旗舰杂志《统计年鉴》的第一位华人主编，论文引用数多年位列世界数学家前十名，是素有统计学诺贝尔奖之称的CPOSS总统奖得主，也是《概率及其相关领域》、《计量经济》、《商务统计》等五个国际顶尖学术期刊的主编。
择时荟萃第十篇，分享一篇多资产相关的择时策略。作者以股债为基础，构建了资产交叉信号，策略获取到了比传统时序动量更强的收益。获取文献请在后台回复“择时10”。
OTC增加了Counterparty risk，创建了明显的市场波动，clearing会缓解Counterparty risk
Heston模型是针对具有随机波动性的期权，并于1993年申请了债券的货币期权。对于固定的无风险利率
QuantLib是一个用于衍生品定价、分析分析的一个库，是用C++写的，通过SWING技术可以用Python调用。量化投资自古分P宗和Q宗，相比于各种量化回测平台，QuantLib无意识Q宗的宠儿。
金融科技&大数据产品推荐：兴业研究地方政府信用评级产品
从研究市场行为到管理投资组合，Wolfram Finance Platform均提供最先进的计算功能，并轻松连接数据库和web服务，以及具有内置并行处理功能的高性能计算，可将其扩展到任何大小的网格。
统计分析就是去理解一个数据集中变量之间的关系，以及这些关系如何受到其他变量的影响。Seaborn 的主要用处就是可视化这个过程。当数据以恰当的方式展示出来时，读者可以直观地观察到某些趋势并发现变量之间的关系。
这是 Python 进阶课的第十五节 - 量化交易之向量化回测 ，进阶课的目录如下：
Seaborn 是基于 matplotlib 开发而用于统计可视化的高阶工具包。它可无缝相接的在 Pandas 的 DataFrame 上直接画图，而且代码量不多，函数签名也很一致。Seaborn 可视化的内容很多，我将其分为三个部分来讲解。
开篇第一句话就总结的非常到位：人们对股票、债券和基金的价格行为的关注度是如此之高，使得很少由其他的经济问题能够与之媲美。深以为然。
主程序是 asset-allocation.mlx, 这是 Maltab 里面的 Live Script 的格式 (如下图)，类似于 Python 的 Jupiter Notebook。( Matlab 2015 之后的版本才能用)
在有了上一篇预备知识的铺垫之后,从现在开始我们正式的进入远期合约的定价 我们在之前留下了一个思考题: 假设黄金现货价格是1000美元,市场普遍认为1年以后的价格会涨到2000美元,那么一年期黄金期货的
近日，百度宣布发行10亿美元的五年期债券，票面利率为2.75%，百度表示，拟将发售所得资金用于一般企业用途。2012年11月和2013年7月百度曾分别发行15亿美元与10亿美元债券，一年不到再度发债10亿美元，百度此举有何用意？ 直接的财务目的 百度Q1财报透露其拥有现金及短期投资总计63.8亿美元，24.8亿美元应付票据以及3.5亿美元的长期贷款。减去应付票据，百度能够掌握的现金流接近40亿美金，可买下绝大多数中国互联网上市公司。且百度对Q2营收展望约为120亿人民币，我估计其利润应在5亿美金以上，
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。 Journal of Portfolio Management在2022年的开年给大家送出了因子投资特刊。本期特刊也是因子投资的第七本特刊，总共包括了14篇关于因子投资文章，其中有8篇来自业界，5篇由业界和学术界共著，还有1篇来自学术界。 The Future of Fac
May there be enough clouds in your life to make a beautiful sunset.愿你的生命中有足够的云翳，来造成一个美丽的黄昏。
我不能在广义线性模型中使用双变量样条，但是考虑到广义可加模型（现在绝对不是可加模型），它确实可以工作。更准确地说，投资组合的分布是这两个协变量的函数，如下所示
与全球市场相比，中国金融和商品市场的交易是否为系统投资者提供了有吸引力的回报和多样化特征？
信贷业务俗称放贷，传统银行主要从事业务。表现形式有面向企业的贷款，房贷，P2P，花呗、借呗、白条等。
自从Jegadeesh和Titman（1993）验证了“买入过去收益较高的股票，卖出收益较低的股票“的交易策略能够带来显著的正收益，动量效应的提出至今已经有30多年。这种动量效应在各种资产类别和全球范围内都很强劲，这可能是对有效市场假说最直接的反驳。对投资者来说，动量是一种稳健、多变且有利可图的投资策略，这种策略已被共同基金、对冲基金和被动ETF广泛采用。对于金融研究来说，动量与Fama（1970）的弱形式有效市场假说存在显著矛盾。
本文由CDA作者库成员HarryZhu翻译，并授权发布。 CDA作者库凝聚原创力量，只做更有价值的分享。 Harry Zhu，擅长用Python和R进行数据建模、定量研究，目前就职于量子金服（Quan
本次修改原来的 「全球债券行情数据」 接口，重命名函数和增加频率字段，可以设定：日、周、月的数据频率。
公众号第一次介绍Marcos Lopez de Prado，则是来自他一篇论文：《The 7 Reasons Most Machine Learning Funds Fail》，公众号进行了解读，详见：
最近我们被客户要求撰写关于MVGARCH的研究报告，包括一些图形和统计输出。在本文中，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，现在我们不仅要预测单变量波动率元素，还要预测协方差元素
上周的Quantocracy里面有一篇感觉挺有意思，A Deep Dive into the Low Beta Premium ，文章链接可以去翻翻上周的推文，里面介绍了许多关于beta的文献及研究结论，以后有空可以找找看
本文是「信用风险建模 in Python」系列的第一篇，其实在之前的 Cufflinks 那篇已经埋下了信用风险的伏笔，
区块链经过九年多的发展，“价值网络”这一说法正在逐渐为更多的人所接受。但是对于目前的区块链而言，这张“网络”过于抖动，让很多人，甚至是专业投资者都难以摸清“价值网络”的内在“价值”，如今，币价的剧烈波动已经成为区块链具备更广泛社会价值的一只“拦路虎”，这意味着需要对区块链本身做更多的经济思考，尝试分析其通证价格的内在决定因素、达成价格稳定的条件等，而不能仅关注其极富想象力的技术外衣和“一夜暴富”的财富神话，让区块链沦为骗局的帮凶。
SciPy 是 Python 里处理科学计算 (scientific computing) 的包，使用它遇到问题可访问它的官网 (https://www.scipy.org/). 去找答案。 在使用 scipy 之前，需要引进它，语法如下：
我们将对量化因子进行一个全方位的介绍与挖掘。并且结合众多机构人士一起，把这个专题做好、做精！
中数据意味着数据体积已经超越单服务器处理的上限，但也无需使用数千台节点组成的集群——通常是TB级，而不是PB级的。这里，我们不妨走进Bloomberg的用例，着眼时间序列数据处理上的数据和体积挑战。 以下为译文 在Bloomberg，我们并不存在大数据挑战。取而代之，系统正在遭遇“中数据（Medium data）”的威胁，而当下许多行业的机构基本上都面临着这种威胁。对Bloomberg来说，在企业级低延时场景下，Hadoop和Spark这样的系统既没有效率，也难以维护。时至今日，高核心数、SSD以及海量内存
在构建掉期曲线（swap curve）时，每个标准年限都对应着一个市场报价，这样我们通常可以完美拟合出市场上它们的价格，但在构建债券曲线（bond curve）时，市场报价的债券到期日各不相同，我们只能近似拟合出它们的价格。
在上贴中「FMM 大战 LMM 1」中，我们主要解决了用 RFR 复合利率来替代 IBOR 的痛点，即两者的利率范式都不同
以往大家接触的量化投资与机器学习在股票和期货上运用的较多，然而大家却忽略了一个重要的金融市场，那就是债券市场。今天小编就告诉大家机器学习在债券市场上的运用。在机器学习中有一个非常重要的模型—神经网络模型。 by编辑部：李齐 一、利用BP网络模型仿真成本分析的原理 建立如图所示为一个三层神经网络结构。它具有:(1)输入层。用来输入资源动因数据、或作业中心成本。(2)中间层。也称为处理层或隐层，处理输入层的数据并为输出层传递信息。(3)输出层。它以中间层的输出作为输入，再经处理给出网络的最终输出。若共有m个输
比特币带动了区块链概念的诞生,区块链技术也让数字资产在近几年高速发展。区块链交易所作为各种数字资产币的“中转站”，整个区块链生态中不可或缺的一部分，未来的发展趋势必然是全方位的，区块链交易所未来发展趋势是怎样的呢？
CF(receive FRA) value = L * (FRA-R)*(T2-T1)
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。 Saeed Amen
[1] Persistent government debt and aggregate risk distribution
【作者按】我们前不久对外发布了 Solv Markets 项目融资成功的消息。很多朋友都很好奇，这个项目是干什么的？是克隆或者抄袭的哪一个国外项目？为什么叫 Solv Markets？为什么 Markets 用复数形式？有什么优势,等等。事实上，这个产品还在快速迭代当中，就这个项目而言，我们常感觉自己并不是创造者，而是探索者，表面上是自己的作品，实际上是一个早就在那里等待被发现的领域，因此我们对它也存在一个不断摸索和认识的过程，对于一些本质性的问题还不能给出完整的、最终的回答。不过，项目发展至今，确实应该做一个阶段性的总结，因此我们以此文对 Solv Markets 进行一个轮廓型的介绍。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
