＃文件夹
使用HTML，CSS，Bootstrap和JS创建的个人作品集页面。
:backhand_index_pointing_right: 现场演示可以在找到。
初始版本| 使用过HTML，CSS和JS
从中学到应用
最终版本| 还使用了Bootstrap
改良设计
使用Bootstrap来提高响应速度
添加了“体验”部分，并删除了“联系”部分中的表格
在项目部分使用轮播，而不仅仅是显示图像
2021-10-14 15:46:22
2.7MB
1
论文研究-基于投资组合理论的商业银行信贷业务运营效率研究.pdf,
运用投资组合理论中有效前沿和资本市场线模型，基于商业银行不良贷款率和NIM（net interest margin）对商业银行信贷业务运营效率进行测算；采用2011-2016年中国16家上市商业银行的面板数据研究了不良贷款率对商业银行信贷业务收益造成的损失；通过对上述结果对比，发现本文提出的基于投资组合理论的商业银行信贷业务运营效率，能更好揭示商业银行信贷业务的风险和收益关系.未来商业银行在贷款业务中应考虑参考和使用投资组合理论.
2021-10-11 13:10:16
859KB
1
投资组合是由一个人或一群人持有的，由股票，债券和银行存款等投资工具组成的金融资产的集合。 在加纳，建立具有标准化优化的投资组合仍然是一个神话，因此，本研究显示了Markowitz模型如何在加纳证券交易所应用，并揭示了精选股票中最有效的投资组合，以减轻投资者的负担。 该研究使用了2011年至2016年股票收益的历史月度数据。 研究显示，GCB Bank limited的平均回报率最高（回报率为4.2％），风险为13.1％，其次是CAL（回报率为3.5％）和11.7％。 UGL的风险最低（风险为6.8％），平均回报最低，为2.1％。 风险爱好者可能会选择GCB和CAL，而完全不愿承担风险的投资者可以选择UGL，因为它具有最低的风险。 两种投资组合的组合还得出结论，最有效的投资组合是GCB和CAL的组合，因此建议风险承受能力的投资者可以将其所有资产投资于GCB，而风险规避投资者可以将其39.21％的资产投资于GCB。 GCB和CAL中的60.79％。 就预期收益而言，CAL和GCB银行有限组合的最高收益约为3.9％，风险为10.6％，其次是TOTAL和GCB组合的预期收益约为3.40％，高风
2021-10-11 10:39:05
258KB
1
粒子群算法（PSO）作为一种群智能算法，有效提高了投资组合模型的实用性，但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点，本文提出基于天牛须搜索（BAS）的粒子群优化算法（简称BSO），并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中（BSO），每个粒子的更新规则源自BAS，在每次迭代中都有自己对环境空间的判断，而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解，从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性.
2021-10-01 20:02:27
1.16MB
1
Portfolio_optimization
实施随机矩阵理论和Markowitz理论进行投资组合优化
2021-09-28 16:39:08
2KB
1
量化资产管理公司长期以来一直在为是构建投资组合优化模型还是购买现成的软件包的决定而苦苦挣扎。 为了满足不断变化的投资和风险管理需求，投资组合管理团队正在努力构建透明、易于采用且易于扩展的强大的投资组合管理解决方案。 在 MathWorks，我们与许多投资组合管理团队合作，他们采用 MATLAB 和相关工具箱来构建投资组合管理系统。 这些群体喜欢在透明、健壮和可定制的环境中构建和扩展模型的灵活性。 他们还喜欢在投资决策过程中使用这些模型之前，以最少的努力尝试新的研究想法的能力。 在本文中，我们将讨论 MATLAB 和金融工具箱中提供的各种投资组合优化函数。 特别是，我们将关注构建投资组合的新的面向对象方法，并讨论这种架构如何轻松构建和扩展应用程序。 我们将讨论 MATLAB 中 Portfolio 对象的面向对象实现，然后通过案例研究演示 Black-Litterman 优化方法的示例实现。
2021-09-27 11:05:56
828KB
1
copula111cGarch111VaR函数估计由两只股票组成的投资组合的VaR(Value at Risk) 收益和提取违反VaR的次数 估计方法是条件copula-GARCH模型。 边缘有 GARCH(1,1) 并且 copula 函数是 Clayton copula。
2021-09-20 12:12:27
3KB
1
要遍历代码并获得详尽的描述，请参见Meucci A.，“动态分配策略回顾”
最新版本的文章和代码可在http://symmys.com/node/153 上找到
2021-09-18 22:58:07
4KB
1
QuantStats：量化指标的投资组合分析
QuantStats Python库执行投资组合分析，通过向量化分析人员和投资组合管理人员提供深入的分析和风险指标，使他们更好地了解其绩效。
QuantStats包含3个主要模块：
quantstats.stats用于计算各种性能指标，例如夏普比率，获胜率，波动率等。
quantstats.plots用于可视化性能，缩编，滚动统计，月收益等。
quantstats.reports用于生成度量标准报告，批处理图和创建可另存为HTML文件的撕纸。
这是一个简单的撕裂表分析策略的示例：
快速开始
% matplotlib inline
import quantstats as qs
# extend pandas functionality with metrics, etc.
qs . extend_pandas ()
# fetch th
2021-09-06 13:46:38
1.25MB
1