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”。 量化投资与机器学习公众号 独家解读 量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。
让我们进行一个常见的分析,您可能自己就可以完成这个分析。假设您想分析股票绩效,那么您可以: 在 Yahoo 金融专区找一支股票。 下载历史数据,保存为 CSV 文件格式。 将 CSV 文件导入 Excel。 进行数学分析:回归、描述性统计或使用 Excel Solver 工具进行线性优化。 很好,但本文为您展示一种更简单、更直观、功能更强大的方法,使用 IPython 和 pandas 进行同种分析。 工具准备 IPython 库是使用 Python 的数据科学家的重要工具之一。该工具与 Excel 的最
存货周转天数=360/存货周转率=[360*(期初存货+期末存货)/2]/产品销售成本
以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略,极大地减少了投资者情绪波动的影响,避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
根据产业链进行股市的划分,在上中下游进行利润和周期的排序,并根据发展规律,相关性排序,进行行业选择。
如果一个结合了不同情绪信号的机器学习模型可以创建一种有利可图的策略会是怎么样呢?
原文首发:https://maoli.blog.csdn.net/article/details/104787308
https://baike.baidu.com/item/%E5%A4%8F%E6%99%AE%E6%AF%94%E7%8E%87
关键词:投资、DD 网址:www.tikehui.com 投资人一言不合就丢给你一份 DD List,这是什么呢?DD 就是尽职调查(Due Diligence)。想要让把投资者手里的钱交给你?要做什么?怎样才能完美应对 DD 呢?不仅要知己更要知彼,怎么做?看下文。 ---- 1 个团队 第一,团队背景。投资就是投人和团队,尤其要看准投团队核心创始人! 投资人通常会要求提供核心成员的过往学习经历和工作经历,甚至有一些比较严谨的基金让团队出具一个无犯罪证明,来了解一些管理团队过去的背景。 为什么要收集这些学
风险平价是构建多样化和均衡投资组合十分流行选择。众所周知,大多数资产类别的未来表现很难预测。 通过仅使用资产的风险特征和相关矩阵构建投资组合,风险平价方法克服了这一缺点。Lohre、Rother和Schafer三位作者在经典风险平价基础上,提出了分层风险平价。他们的方法是:
组合优化是量化投资策略实施过程中非常重要的步骤,组合优化的过程是结合不同的投资目标及风险约束给出最优组合权重的过程。在数学上,它是一个凸优化的求解问题。业界常用的凸优化的求解工具包有CVXPY及CVXOPT。但这两款工具包并不是专门针对投资组合优化的,在求解过程中还需要将组合优化的问题转化为对应的优化问题。
财富管理按照管理资产额度进行收费,这导致了私人投资顾问倾向于选择高净值和富裕人群作为服务对象。而根据波士顿咨询公司界定:家庭平均可支配收入在2万-100万美元的属于富裕人群;100万美元以上的属于高净
从公式中可以看出存货周转率是用来衡量一个期间内存货能周转几次,数值越大,库存的利用率越高。
https://blog.csdn.net/weixin_44510615/article/details/90377275
数据来源:普华永道思略特咨询公司(PwC Strategy&)、加密谷协会(Crypto Valley Association),2018
尽职调查简称尽调,又称谨慎性调查(Due Diligence ResponsibleInvestigation),是指投资人在与目标企业达成初步合作意向后,经协商一致,投资人对目标企业的历史数据和文档、管理人员的背景、市场风险、管理风险、技术风险和资金风险做一个全面深入的审核,通常需要花费3-6个月时间。
随着Python编程语言的流行和普及,越来越多人对如何应用Python做金融数据分析和量化交易充满兴趣。但是不少人对量化投资本身存在一定的误解或认识不清,有的人过于异想天开,认为可以躺着挣钱(怕是只有岛国老师吧);有的人则因循守旧,认为没啥卵用;也有的人盲目追求模型的复杂性,在编程和数学中迷失了方向。
股票基本面数据接口,之前 AkShare 一直缺少关于股票基本面的数据,现在更新两个数据接口:财务摘要和财务指标。
可视化技术在任何投资分析中都是一种关键要素。今天公众号为大家介绍一个基于三角形图的Python项目,用于可视化长期投资指标!
在查找如何使用Python实现滚动回归时,发现一个很有用的量化金融包——pyfinance。顾名思义,pyfinance是为投资管理和证券收益分析而构建的Python分析包,主要是对面向定量金融的现有包进行补充,如pyfolio和pandas等。pyfinance包含六个模块,
这本书的作者Wes McKinney是顶级对冲基金AQR的前员工,pandas也是这位大佬开发的,关于pandas、numpy的各种细节,在这本书里都可以找到,适合作为一本工具书,写代码时查阅。
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。
---- 他们不会给你讲述什么奇闻趣事,也不会带你一起去打高尔夫,甚至不能坐下来陪你喝一杯。可是,这些机器人顾问,这些自动化的机械却可以为你提供理财建议,管理你的投资组合,而且他们现在正逐渐走进投资世界的主流。 美国最大券商之一嘉信理财现在已经在向自己数量众多的客户推荐机器人顾问了。在美国,在英国,以及在其他众多发达国家市场,数十上百的初创公司都投身这一产业,致力于用机器来代替传统的,有血有肉的投资顾问,这些公司的发展都可以用飞速来形容。 自动化顾问在管理投资组合方面真的会表现得比人类好吗?围绕这一话
机器之心整理 参与:杜夏德 运筹学的历史比 AI 和机器学习更悠久,但 AI 与机器学习又为它提供了一种机会,很多顶层的东西都是要靠优化,不管是学习还是刚才讲到的决策问题,都要有 OR (运筹学)的结合。 作为优化算法的基础,运筹学在第二次世界大战期间因英美两国配置资源的需求而发展起来。近些年,随着数据量大幅度攀升等科技环境的变化,运筹学得以快速发展,并广泛应用于零售、金融、物流等行业。正如运筹学顶级专家叶荫宇所说,运筹学的历史比 AI 和机器学习更悠久,但 AI 与机器学习又为它提供了一种机会,很多顶层的
交易过程是一个复杂的过程,包括股票选择,策略设计和投资组合创建等多个步骤。在这里,我们将重点关注其中的一个步骤,即计算具有 n 个股票的投资组合的预期回报和潜在风险。 单只股票的预期回报 投资组合的预期收益提供了可以从投资组合中获得多少回报的估计。风险评估给出了投资者在持有这个投资组合时所需要承担的风险估计。投资组合的回报和风险都是取决于单只股票的回报和风险,及其单只股票在整个投资组合中的组成份额。 任何股票的风险和回报都是可以通过一些特定的参数进行控制的,所以投资者可以通过调整某些特定的参数将他/她的投资
前言 在本文中,以每日加密货币价格时间序列为例,以选择其中一个加密货币,通过巧妙地合并,我们将创建一个可存储的(例如HDF5,CSV文件格式)和可重用的N-CryptoAsset投资组合的文件。接下来,对于任何手动定义的时间间隔,我们将应用主成分分析(PCA)去实现建立一些模型,最后基于几个主要组件的分析来识别高度相关的加密货币。 520 找个好人 Python中的 N-Cryptocurrency组合 考虑任何资产的单一(每日抽样)收盘价时间序列。 它有开始和结束日期。 如果我们使用的数据来源是直接通
哈里马科维茨对金融和经济学的世界的贡献是怎么强调都不过分的。凭借其于 1952年发表的开创性论文“资产组合选择”,他被广泛的视作现代资产组合理论(MPT)的开拓者。最终在1990年,基于对这一领域的巨大贡献,他获得了诺贝尔经济学奖。
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”。 作者:Laurens Swinkels,PhD 今天公众号为大家分享一篇Rebeco的最新文章。关于大数据和机器学习的重大发展正在推动量化投资的前沿。计算能力的增强促进了机器学习模型的部署和使用。与基于规则的模型相比,这些模型采用完全数据驱动的方法,能够对复杂的非线性关系建
将价格动态转换为收益(2),用几何时间序列(4)计算期望收益(3),而不是算术平均(收益率的波动越大,算术平均和几何平均之间的差异越大)。
投资组合管理是最大化投资组合回报的过程。投资组合经理根据他们对风险的偏好,代表客户做出交易决策。他们在决定他们应该在投资组合中持有哪些股票以平衡风险和获取最大回报之前,分析不同的资产的优势和劣势。这使得投资组合管理变得困难。我们的目标是通过使用预测建模和深度学习技术使这个过程更好,根据下个季度的预测股价生成稳定的投资组合。
大数据文摘作品,转载要求见文末 编译 | 徐宇文,蒋晔、范玥灿 卞峥,yawei xia 技术早已成为金融业的一项资产:金融交易的高速、高频与超大数据体量结合,促使金融机构在一年一年不断地加深对技术的关注,在今天,技术已经切实成为了金融界的一项主导能力。 在金融界最受欢迎的编程语言中,你会看到R和Python,与C++,C#和Java这些语言并列。在本教程中,你将开始学习如何在金融场景下运用Python。本教程涵盖以下这些方面: 基础知识:对于金融入门阶段的读者,你将会首先学到股票和交易策略,什么是时间序列
目前,金融市场总是变幻莫测,充满了不确定因素,是一个有许多投资风险的市场。这与其本身的市场规律和偶然性有关,金融危机、国家政策以及自然灾难等都会影响到金融市场,均会影响投资的收益情况。所以投资者总是希望能够找到应对的方法来减少投资的风险而增加收益。随着老百姓对合理的财富分配理论有着迫切的需求,学会优化投资理财,做到理性投资,是当前投资者最关心的问题。
Understanding Financial Ratio Analysis: A Comprehensive Guide 理解财务比率分析:全面指南
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。
原文首发:https://maoli.blog.csdn.net/article/details/90415391
如何使用Python通过蒙特卡洛模拟自动计算风险值(VaR)来管理投资组合或股票的金融风险。
本案例适合作为大数据专业数据清洗或数据可视化课程的配套教学案例。通过本案例,能够达到以下教学效果:
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:
选自GitHub 作者:Zhengyao Jiang、Dixing Xu、Jinjun Liang 机器之心编译 参与:路雪 近日,《A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem》的作者开源了该论文的项目代码。这篇文章关于如何利用深度强化学习进行投资组合管理,提出的 DRL 框架性能大大优于其他算法。机器之心对论文摘要进行了简要翻译,附 GitHub 实现。 论文链接:https:
生活中经常会遇到各种形态的营销活动,例如小米的饥饿营销、海底捞式的口碑营销、PaPi酱式的内容营销、杜蕾斯的借势营销、京东的造势营销、百雀羚的病毒式营销、RIO与六神合作的跨界营销、成龙代言霸王洗发水的名人营销、各种综艺冠名的植入营销 等等。
大家好,我是智能仓储物流技术研习社,社长,老K。距离前一篇:“整箱自动化拣选的秘密”有一段时间了,老K打算这次斗胆再分享一下拆零拣选的自动化拣选的内容。
企业想要长期存在,必须要能赚钱。不管是现在赚钱,还是以后赚钱。那些连员工的工资都发不出的企业,靠什么来创造价值?
中衡量交易策略的表现。并将开发一个简单的动量交易策略,它将使用四种资产类别:债券、股票和房地产。这些资产类别的相关性很低,这使得它们成为了极佳的风险平衡选择。
但在2020年,一些最简单的事情,如网上订票和机场接机,都已经变成了生死攸关的事情,因此我们必须要好好的规划我们行程中的每一步。然而,为什么没有人在这个情况下好好规划,以尽可能避免航空业在2020年发生崩溃呢?
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。
电商数据分析涉及多个指标,这些指标可以帮助企业了解其业务表现、用户行为和市场趋势。以下是一些常见的电商数据分析指标:
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,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 量化投资与机器学习公众号 独家解读 量化投资与机器学公众号 QIML Insight——深度研读系列 是公众号全力打造的一档深度、前沿、高水准栏目。 公众号遴选了各大期刊前沿论文,按照理解和提炼的方式为读者呈
领取专属 10元无门槛券
手把手带您无忧上云