展开

关键词

利息浅谈(五)——我的率怎么

前面讲今天我们想继续分析一个金融和里的实战话题,就是我的率到底该怎么?嘻嘻,这又基本是个纯数学问题。这个问题再有了前面利率的基础知识以后,说难也难,说容易也容易。 – sum(Ct)其实简单来看,我们到这个值就够了,它完全剔除了你因为消费支取,或赚取劳动入等其他因素下,纯的绝对值。 ,但是当你后期有很多Ct的存取的时候,这么计你的率肯能偏差就很大了,但好在不会错赢还是亏,因为RT不会有错。 我认为这种法是不考虑复利,时间长短情况下,最适合地描述总的率的方式了。时间加权市面上还有一种常用法,叫做时间加权(time-weighted rate of return)。 好了,以上就是率计的相关内容,各个公式各有特点,在实际操作中,我的结论是不考虑时间权重就简单的现金加权就好了,考虑时间因素就用内部率,时间较长、较高的情况下记得用其复利形式(比如房贷利率就是典型

21810

有效前沿—让你的最大化

就是我们今天要分享的主题:有效前沿,如下图所示:上图中不同的散点代表着不同组合的风险和情况,黄色的线就是满足在同样风险情况下可以获得最高的;在同样的情况下风险最小的条件。 弄清楚了有效前沿的核心原理以后,我们来具体看一下和风险具体是怎么求取的。组合中各个股票基金的平均率,和各个股票的权重有关,也就是加权平均率。 以A股2000、B股3000、C股5000为例,我们计这个组合对应的平均率:通过上面的公式得出该组合下的平均率为3.4%。讲完了以后,我们来讲讲风险。 答案是可以的,但又不完全一样,这里面举例是用一只股票为例,但是有效前沿针对的是一个组合,即多只股票,也就是我们在考虑风险的时候应该是多只股票共同构成的这个组合的风险。 这个规则是源于领域,但实际又不止于,平常我们在做一些最优化决策的时候其实也是可以参考这个规则的思想的。

32120
  • 广告
    关闭

    90+款云产品免费体验

    提供包括云服务器,云数据库在内的90+款云计算产品。打造一站式的云产品试用服务,助力开发者和企业零门槛上云。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    python如何帮我在中获取更高

    搞技术的大都比较纯粹,比较实在,除了工之外基本就没有别的入了(少部分人能接外包赚外块)。 P2P有关,但不打广告,只讲技术,顺便说明:有风险,理财需谨慎,我们赚钱不容易,不能给打了水漂。 背景介绍某公司的理财产品有如下特点:公司分别有12,18,24,36个月的固定期限理财产品,期限越长利率越高用户可将债权申请转给其他人,转出时的利率你可以自行控制你也可以通过平台借钱,借钱金额不能超过在金额的 3倍,所谓加杠杆有一部分用户(行话叫牛)就靠平台活动或高息的时候借钱加杠杆,需要还钱的时候通过债权转让平台转让标还借款,通过买入和卖出时的利率差获得额外。 这中间比较关键的一点就是转出时的利率,利率低就高(但太低就没有人接手了,转不出去还不了借款就要支付高额罚金),利率又跟当天待还的金额和已成交的金额有直接关系,那么如果能及时获取这两个数据就大概知道自己标多少利率能转手成功了

    20230

    程序员炒股,如何计股票组合的风险和

    单只股票的预期回报组合的预期提供了可以从组合中获得多少回报的估计。风险评估给出了者在持有这个组合时所需要承担的风险估计。 那么预期 ri 可以使用如下公式进行计:? 列 A 中的我们可以采用产定价模型(CAPM)来进行计组合的预期回报让我们拿 N 只股票来做一个组合,我们假设第 i 只股票的预期回报是 ri,那么组合的预期将是:?任何股票的权重是于该股票的金额与总额的比率。 让我们用 Python 来计一下组合的预期,如下:df_port = pd.Series(, index=)df_port=df_port*df_portprint(df_port)print

    1.1K80

    用Python做-python仿真等价鞅下的曲线

    每次运行的结果都是不一样的,我们取一次观察一下金的变化情况。 ?我们可以看到,这次仿真中,最大的金回大概在72元左右。我们修改一下获胜的概率,假设我们的硬币是不均匀的,而赌场中往往是这呀。 如果我们的获胜概率只有2,那么金曲线是这样的:?获胜率为0.4,情况还马马虎虎?获胜的概率为0.6:?获胜的概率为0.9的时候,金曲线就比较平稳的向上了:?

    39550

    用python教你计能获得多少

    我们不妨来用实际数据计一下,看看定如何。问题:长期定一个沪深300指数基金,能获得多少?分析1. 需要获得沪深指数的数据。2. 模拟,进行计。 比如从2015-01-01开始,每周定500元,到2018-10-01止,计本金和,进而得出率。过程1. 获取沪深数据。 总 -4433率 -4.64 %即,从2015年1月1日,到2018年10月1日,获得到为-4433,率 -4.64 %我们再分析一下,1年、2年、3年、5年和10年,分别能获得多少 年限 金额 率 年化率 1年 (2017.10.01~2018.10.01) 25000 -2439 -9.76% -9.76% 2年 (2016.10.01~2018.10.01 计结果是起日期 2008-01-24结束日期 2017-12-12总额 253500总 12853率 5.07 %定曲线如下图所示,刚开始时,本金少,损失波动也小。

    81920

    累计

    累计,fund_account, init_date, total_income drop table if exists data_stock;create table data_stock data_stock b on a.account=b.account where a.init_date>=b.init_dategroup BY a.account,a.init_date;-- 关联条件 (可以累计

    46850

    拓端tecdat|Python蒙特卡罗(Monte Carlo)模拟计组合的风险价值(VaR)

    蒙特卡洛模拟是一个概率模型,它使用产生的随机变量与经济因素(期望率、波动率),来预结果。该模型经常被用来计风险和不确定性。 我们现在将使用蒙特卡洛模拟为我们的产组合生成一组预,这将有助于我们找出我们的风险值。 max_sharpe() #可以使用增加目标来确保单个股票的最小零权重最大夏普比率的产权重产权重将被用于计组合的期望。 sigma = pre.std()price=price.dot(sh_wt) #计加权值在计组合的期望和波动率(期望的标准差)后,我们将设置并运行蒙特卡洛模拟。 对于使用现代组合理论(MPT)计一定数量的组合,有助于巩固你对组合分析和优化的理解。最后,VaR与蒙特卡洛模拟模型配合使用,也可用于通过股价预损失和

    29630

    【学术】国外技术大神用机器学习来预ICO的

    目前,有很多的ICO正在运行,选择合适的项目是很困难的。ICO很有可能是一个骗局,者会赔掉他们所有的。?ICO率最高的五名有许多网站集了即将发售的ICO的信息,例如:icodrop。 他有数据驱动的方法来选择ICO进行。他有一个电子表格,用数字、点和分数来描述每个ICO。根据计出的分数,来进行选择。? Ian Balina的电子表格利用电子表格进行分析,基于Ian的数据预,我建立了一个机器学习模型。首先,我从Ian的电子表格中获取数据,并创建了我的数据集。 在mljar.com中创建机器学习模型训练MLJAR通过许多不同的机器学习法进行搜索,并选择最适合的训练数据。我们有很多模型可供选择:?MLJAR中的模型哪些特征对于预ICO很重要? 者正试图评估未来增长的空间。社区成员的数量也非常重要。对项目感兴趣的人越多越好。新的ICO将会有什么样的?让我们计一下未知的代币的预,并检查它预以前的ICO的

    37770

    Man Group最新:动态风险管理在股票组合中的应用

    更重要的是,我们相信,对风险的预可能比对的预准确得多。分散化可以通过平衡组合内的风险来实现,系统地减少组合整体的风险还有额外的好处。 图3:股票风险与的关系考虑到股票风险与关系的不确定性,构建风险组合时,我们将研究的方法建立在具有更易处理性的相关性和波动率上,而不去考虑未来率的预。 我们相信,在不依靠对单只股票的的情况下,用这种方法构建的组合能够在承受更低的风险时获得相同的(即更高的夏普比率)。 表2:回结果图6:累计(对数化)3、杠杆:、成本和风险 Risk-Aware组合的目标是,相对于市值权重的组合,在不降低预期的情况下降低组合的风险。 (这里的例外是相关性覆盖,它使用债券率和交叉产相关性预股票抛售)。

    30710

    单因子试(中)——分层试法

    分层试法的思路是在统一的规则下, 利用单因子构建组合进行回,然后对组合的表现进行全面评价,通过组合的表现说明因子的有效性。 一般会把每一组当成一个组合,即每期构造5个组合,去看五个组合各自的表现,好的因子应该使各组合曲线明显分离,并且各组之间关系是单调的。 组合率净值组合率净值是分层试法里评价因子有效性最重要的指标,在计日度率的基础上,计组合月度,年度的率,并与基准率相比较,可以明显看出因子的效果。 如果是计月度率还好,只是每月两个加权的总价值,但如果要逐日的率,这种方法就效率很低了,而且要非常精确还要考虑股票的分红配股的影响,基本不太可能的准确,只是试因子的话,没必要做这么准,所以一般采用的是第二种方法 个人感觉,编程实现上来说,即使是第二种方法,想快速计组合的逐日率也不是想象中那么简单的事情,循环效率非常低。 2. ICIC定义为当期各股票因子值与下一期各股票率的相关系数。 ?

    3.6K40

    Python风险价值计组合VaR、期望损失ES(Expected Shortfall)

    p=22788原文出处:拓端数据部落公众号Python计获得多组合的风险度量。关键概念随着价格的变动,经理所持有的市场价值也会发生变化。 风险本身被看作是实际和期望之间的差异,两者可能不同。如果它们相等,被认为是无风险的。同时,它不能有违约风险,也不能有再风险。 关于历史序列的假设:过去的率是未来率的预指标,但不能保证历史记录会显示未来最坏和最好的情况,但我们用几何平均法将价格转化为,所以我们对所有不同的周月...给予同等的权重,来获得T年内的复合最终价值 如果产价格中的期望是合理的,那么实际率应该围绕这些预期呈正态分布。当率可以很好地接近于正态分布时,管理就变得更加容易操作了。 #率的计df.pct_change()#不同的风险敞口进入组合percentage * exposuresptf_percentage = value_ptf 。

    49320

    因子基金如何赚钱?

    最后通过CAPM 模型,求出基金相对于市场组合的alpha:用基金率和市场组合率进行线性回归,获得该基金的alpha,如果alpha大于0,则说明在回时间段里使用这些因子能为基金带来超额结果如下:?因子基金alpha回归结果从美国基金与国际基金的alpha z评分回归来看,因子基金都有显著且为正的alpha。 而金权重率通过IRR 的方式来计,将初始总净值定义负值作为初始值,定义最新的总净值为终值:??不同风格的因子基金者的真实年化? 文章将【基金净产增速(rel_flow_i,t)】、 【因子哑变量】、【过去12个月超额】和【存活时长】等控制变量进行分段线性回归,衡量金流量驱动因子。计方式如下:?? 为了延展论文的结论,我们试了长期持有因子ETF的

    40420

    基于R语言股票市场的统计可视化分析

    p=16453 金融市场上最重要的任务之一就是分析各种的历史。要执行此分析,我们需要产的历史数据。数据提供者很多,有些是免费的,大多数是付费的。 股票的累计绘制每日和每月对了解的每日和每月波动很有用。 要计的增长,换句话说,计的总,我们需要计的累积。要计累积,我们将使用  cumprod()  函数。 在这段时期内,很少有者能够坚持。 计多只股票的累计通常,我们希望看到过去哪种产生了最佳效果。为此,我们可以计累积结果。下面我们比较自2013年以来所有FAANG股票的结果。哪项是自2013年以来最好的

    50000

    Python计股票组合的风险价值(VaR)

    在开始之前,请注意,标准VaR计假定以下条件:的正态分布 -VaR假设组合的是正态分布。对于大多数产而言,这当然是不现实的,但允许我们使用更为简单的计来制定基准。 计组合的VaR的步骤为了计组合的VaR,您可以按照以下步骤操作:计组合中股票的定期根据创建协方差矩阵计组合均值和标准差(根据组合中每只股票的水平加权)用指定的置信区间 ,标准差和均值计正态累积分布(PPF)的反函数通过从步骤(4)的计中减去初始,估组合的风险价值(VaR)1)计组合中股票的定期 # 创建我们的股票组合 tickers = 3)计组合的平均值和标准差 # 计每只股票的平均returns.mean()# 计整个组合的平均回报,# 对权重进行归一化avg_rets.dot(weights)# 计组合标准差 当然,我们无法预这种情况,但我们至少可以检查历史如何分配,以帮助我们评估VaR是否适合用于我们的组合。

    94110

    R语言风险价值VaR(Value at Risk)和损失期望值ES(Expected shortfall)的估计

    在给定时间范围内的盈亏预分布,示例如图1所示。  图1:预的损分布 给定概率水平的预的分位数。图2:带有分位数的预分布 超出分位数的尾部。 缩略语“风险价值”的缩写有可能与其他两个概念混淆:方差向量自回归所有这些都可以避免与大写约定冲突:VaR:风险价值var:方差VAR:向量自回归估初始成分有两种初始成分:组合中的产所涉及产的价格历史衍生成分组合加上当前价格得出组合权重 通常被称为模拟方法的方法实际上只是使用一些特定数量的组合的经验分布。使用单变量garch模型可以很好地估VaR和ES。R语言对于VaR和ES ,R语言是非常合适的环境。 多元估计当我们从产级别开始时,VaR和ES在组合级别上都是一个风险数字。一种方法是估计的方差矩阵,然后使用组合权重将其折叠为组合方差。 单变量估计通过组合的单个时间序列(现在是该组合),估更为简单。我们可以通过将组合中产的简单矩阵乘以组合权重的矩阵来获得此信息。

    60120

    R语言风险价值VaR(Value at Risk)和损失期望值ES(Expected shortfall)的估计

    在给定时间范围内的盈亏预分布,示例如图1所示。 图1:预的损分布 ?给定概率水平的预的分位数。图2:带有分位数的预分布 ?超出分位数的尾部。图3:带有分位数和尾部标记的预分布 ? 缩略语“风险价值”的缩写有可能与其他两个概念混淆:方差向量自回归所有这些都可以避免与大写约定冲突:VaR:风险价值var:方差VAR:向量自回归估初始成分有两种初始成分:组合中的产所涉及产的价格历史衍生成分组合加上当前价格得出组合权重 通常被称为模拟方法的方法实际上只是使用一些特定数量的组合的经验分布。使用单变量garch模型可以很好地估VaR和ES。R语言对于VaR和ES ,R语言是非常合适的环境。 多元估计当我们从产级别开始时,VaR和ES在组合级别上都是一个风险数字。一种方法是估计的方差矩阵,然后使用组合权重将其折叠为组合方差。 单变量估计通过组合的单个时间序列(现在是该组合),估更为简单。我们可以通过将组合中产的简单矩阵乘以组合权重的矩阵来获得此信息。

    63420

    风险价值VaR(Value at Risk)和损失期望值ES(Expected shortfall)的估计

    在给定时间范围内的盈亏预分布,示例如图1所示。 图1:预的损分布 给定概率水平的预的分位数。图2:带有分位数的预分布 超出分位数的尾部。 缩略语“风险价值”的缩写有可能与其他两个概念混淆:方差向量自回归所有这些都可以避免与大写约定冲突:VaR:风险价值var:方差VAR:向量自回归估初始成分有两种初始成分:组合中的产所涉及产的价格历史衍生成分组合加上当前价格得出组合权重 通常被称为模拟方法的方法实际上只是使用一些特定数量的组合的经验分布。使用单变量garch模型可以很好地估VaR和ES。R语言对于VaR和ES ,R语言是非常合适的环境。 多元估计当我们从产级别开始时,VaR和ES在组合级别上都是一个风险数字。一种方法是估计的方差矩阵,然后使用组合权重将其折叠为组合方差。 单变量估计通过组合的单个时间序列(现在是该组合),估更为简单。我们可以通过将组合中产的简单矩阵乘以组合权重的矩阵来获得此信息。

    3720

    1.2 CAPM

    ,只留下systematic risk(就是CML)明确期望和beta有线性关系,组合beta可以通过加权平均每个产的beta来获得使用risk free asset和market portfolio 09.4 应用CAPM来计产的?09.5 解释beta,并计组合的betabeta本质是和市场的关系,一单位市场超额的变化(Rm-Rf),会导致变化多少? 更适合forward lookingJensen alpha:超出CAPM预,非系统性风险? ratioTracking ErrorTE=TEV tracking error volatility 是组合和benchmark的标准如果把benchmark设定成CAPM,那么Tracking Human Development Index 人类发展指数,越高国家越发达11.2 使用single factor和multi factor模型计一个产的期望使用公式计:?

    89030

    译文 | 量化教程:组合优化与R实践

    请注意,本文不应该被作为建议。本文数据是基于之前观察到的来模拟的,和历史上的数据并不太一致。这些技术可以帮助了解如何更好地分配一个组合。 在政府债券的组合,这将意味着购买期限长或短而不是持有中间。那么什么样的风险情况下你会采用这个策略?首先,我们将风险定义为组合的方差。 我们将定义为预期。在上面的表中,年回报率表示持有产的预期为1年,标准差的平方表示风险。假设组合只包括持有长期和短期债券,我们便需要计组合的预期和风险。 的计是很容易的,这是两种持仓的加权平均,权重就是每个产的本百分比。 正因为如此,我们还将在标的同等权重条件下试我们的策略。组合优化策略这是我们的组合优化策略:1.每个季度初,用上一季度市场组合。2.对当前季度使用当前组合。

    67581

    扫码关注云+社区

    领取腾讯云代金券