基于ESG得分的股票选择和投资组合绩效分析 概括 该分析研究了在标准普尔500指数中选择证券所构建的投资组合的绩效。股票选择基于行业和ESG得分。投资组合中的股票具有同等的权重，并且将表现与标准普尔500指数中所有证券的同等权重基准进行比较。 数据 Yahoo Finance提供有关价格，行业和ESG得分等财务信息的信息 标准普尔500指数证券列表的Datahub 笔记本 参考

matlab copula代码乌克萨 不确定性量化 (UQ) 和灵敏度分析 (SA) 此存储库中分发的代码实现了 Eriksson 和 Jauhiainen 等人（2018 年）在论文“贝叶斯分析结合全局敏感性分析应用于动态细胞内通路模型的不确定性量化、传播和表征”中提出的方法。 该代码在 GNU 通用公共许可证 v3.0 下分发。 UQ 文件夹包含运行不确定性量化方法的 R 脚本（ABC-MCMC with copulas）。 需要包 ks、VineCopula、MASS、R.utils 和 R.matlab（将输出数据保存到 MATLAB 兼容文件的最后一个包）。 要运行的主脚本称为 runABCMCMC-Phenotype123.R。 该脚本将使模型适合表型 1-3（如论文中所述），我们将其用作说明性测试用例。 结果数据也以 R 和 MATLAB 格式上传到文件夹中。 我们使用表型 4 作为我们的预测数据集来说明 SA 方法。 SA 文件夹包含运行全局敏感性分析的 MATLAB 脚本。 需要 2014a 之后的 MATLAB 版本。 要运行的主脚本称为 get_predictio

matlab选股代码爱格 我的MATLAB代码用于E-GARCH价值加权投资组合估算。 该示例基于1926年7月至2014年12月来自CRSP的月度股票收益数据。通过在最后一个交易日结束时对股票收益加权（按市值），可以得出行业投资组合收益（SIC代码有12种行业分类）。的月份。 为了估算EGARCH（p，q）模型，我首先进行去意过程以获取残差。 然后执行标准的EGARCH程序。 我决定选择行业4（能源）和行业8（公用事业）进行比较。 与能源公司相比，能源公司和公用事业公司的两种模型产生的参数非常相似，对波动性冲击的影响要比上一时期实现的冲击大得多，公用事业的持续波动性也较低。 为了选择最佳的模型方法，可以使用样本外，交叉验证和罚分等方法。 我选择了第二种方法，并使用AIC惩罚来衡量拟合优度。 文件“ estim_egarch”和“ likelihood_egarch”包含MATLAB函数以估算E-GARCH模型，而文件“ example”中提供了其应用示例。 您可以在附图上看到两个行业的预测波动率结果。

通过人工神经网络算法与参数灵敏度分析的结合，找到了一种新的工程系统功能模拟和变化分析方法。神经网络可以有效地解决复杂、非线性系统的功能模拟问题，其传递函数的可微性为参数灵敏度矩阵的求解提供了保证，从而方便寻找系统输入属性与输出属性之间的影响因子。同时，该模型具有良好的扩展性，可以更加全面地考虑系统影响因素。经实例仿真分析表明：该方法在工程分析方面，能够快速找到属性之间的关联程度，得到准确、稳定的分析结果，满足工程分析需求。

Personal-Portfolio：按照freecodecamp响应式Web设计项目的指导方针，创建了一个个人投资组合页面。

matlab开发-电网连接光伏系统的电压稳定性和灵敏度分析。英德瑞尔Saki（英德瑞尔Saaki）

诺伯特·维纳（Norbert Wiener）于1938年提出的多项式混沌扩展（PCE）。直观地，可以将PCE视为在不确定模型参数下以高维多项式形式构造和获得模型响应面的数学最优方法。 最近，多项式混沌扩展得到了对任意多项式混沌扩展的概括（aPC：Oladyshkin S.和Nowak W.，2012），这就是PCE的所谓数据驱动的概括。 像所有多项式混沌扩展技术一样，aPC通过在正交多项式基础上进行扩展来近似仿真模型输出对模型参数的依赖性。 aPC将混沌扩展技术推广到具有任意概率测度的任意分布，该概率测度可以是离散的，连续的或离散的连续的，并且可以解析地（作为概率密度/累积分布函数），数值表示为直方图或原始数据集来指定。 处于有限扩展阶数的aPC仅需要存在有限数量的矩，并且不需要完全的知识，甚至不需要概率密度函数。 这避免了分配有限的可用数据未充分支持的参数概率分布的必要性。 或者，它允

本文主要是根据给出的约束条件分配医院里护士的工作时间，属于典型的整数规划问题，为此建立整数规划模型来求解该问题。

【金融大数据分析】投资组合（2只股票）

此函数计算投资组合的 Omega 值，如 Keating 和 Shadwick 的论文中所述。 S = OMEGA(RETURNS) 给出一个包含数据的结构 S，使得： S.returnLevel = 输入返回级别S.omegaValues = 该回报水平的 omega 值RETURNS 必须是一个向量。 S = OMEGA(RETURNS,LEVELS) 返回相同的结构，但仅提供 LEVELS 中指定的返回级别的值。