在本文中，我们展示了如何将长短期记忆 (LSTM) 类神经网络用于股票选择和投资组合优化。 我们使用 LSTM 网络来预测股票运动的方向和股票价格代理度量，并将这些用于股票选择和 Markowitz 均值方差投资组合优化框架。 使用印度 SENSEX 股票数据构建了四种类型的 LSTM 模型——个体模型和集合模型，每种模型都使用批量和增量学习方法进行训练。 我们在投资组合优化阶段利用入围股票中股票运动方向分类的准确性。 在投资组合优化阶段，除了标准的 Markowitz 公式之外，还构建了多样化和卖空的 Markowitz 公式。 我们还建议使用 LSTM 分类精度的补充作为风险度量，代替 Markowitz 框架内的协方差矩阵。 LSTM 构建和投资组合优化公式类型的上述每种组合的结果都针对 SENSEX 和标准最优 Markowitz 投资组合进行了基准测试，没有股票选择。 我们还推导出具有股票价格预测因子比平均股票价格更准确的 Markowitz 公式优于标准 Markowitz 公式的条件。

本文研究了具有交易成本的高阶矩投资组合优化模型。 该模型以峰度为目标函数，以偏度，方差，均值和交易成本为约束条件。 由于优化问题是高阶且非凸的，因此给模型的求解带来了一些困难。 因此，本文利用矩矩阵理论将优化问题转化为半定矩阵优化问题，并加以解决。 通过对中国证券市场中四种风险资产的研究，发现交易成本是投资组合模型研究的重要组成部分。 此外，敏感性分析表明，峰度和偏度与均值和方差不变呈正相关。 当均值和偏度恒定时，峰度和方差正相关。 当均值和偏度保持不变时，四阶标准中心矩和方差呈负相关。

投资组合优化器 概述 投资组合优化器有两个接口：证券回报检索和优化。 Getstocks.py 从雅虎财经获取给定证券的月回报。 Optimize.py 利用 Harry Markowitz 的投资组合理论和 EV 理论，通过生成必要的分配来以最小的投资组合方差实现所需的回报。 还绘制了一个有效边界并沿着边界定位用户的投资组合。 样本输出

Portfolio - Optimizer Latest Release Build Status Coverage 该项目在中被使用。 TODO lists Potfolio - optimizer由于有大量的c++代码，造成其使用困难。对于依赖的库而言（例如：alpha-mind)，也是使得被依赖库难以使用。所以Portfolio - Optimizer将有一次重大的重构，包括： 提供完整的python接口； 作为标准的python包在pypi上发布； 增加多期优化的能力。 安装 PYPI $ pip install portfolio-optimizer Source $ python setup.py install

投资组合优化 • 使用MATLAB 进行投资组合优化和高效前沿。 • 该项目是南安普顿大学COMP6212 计算金融课程，第二学期，理学硕士AI 的一部分作业。

投资组合优化 使用MATLAB比较投资组合优化策略

股票评估工具 此回购包含一组工具，投资者可以使用这些工具来更好地了解他/她感兴趣的股票。它不建议买卖股票，而是有助于形成对股票的有根据的猜测。潜在的未来股价走势，并因此对要分析的股票做出买/卖/持有决定。 这里包括的工具不是唯一可以使用的工具。 之所以将它们包括在内，是因为我相信没有任何一种工具或模型可以充分理解导致股价波动的所有因素。 此仓库中包含的工具集可分为： 工具-EMA信号，布林带。 -通过YahoofFinancials和YFinance API使用财务数据。 -ARIMA随机森林。 -随机森林。 模型-LSTM。 模型-蒙特卡洛模拟。 -NLP情感分析。 模型-基于Markowitz的Efficient Frontier和CVaR。 我相信，通过将上述分析工具一起使用，就可以对未来的股价做出正确的预测。 如何使用储存库 没有预定义的方式来使用存储库中包

AI学习投资-周六AI Euskadi。 机器学习项目的应用使新手的投资更容易理解。 1.投资比例的网站报废。 我们已经废弃了与来自纽约证券交易所市场的公司相关的beautifoulSoup投资数据。 2.创建数据集。 我们在过去10年中随机模拟了500.000个投资，投资期限在1天到2年之间。 通过应用分类或归一化技术等方法，已清理数据集并准备进行机器学习建模。 如果要使用结果数据集，则将其保存到“ datasets / transactions_variables.csv”中。 3.数据建模和优化。 在用pycaret筛选出哪种分类模型更适合我们的问题之后，我们选择了“决策树”，因为它更易于解释。 请记住，我们的目标不是进行更好的投资，而是使投资可用于更广泛的人群。 借助Graphviz，优化了决策树并可视化了结果。 4.数据部署并在REST API服务器上进行测试。 该项目的

通过最小化加权协方差矩阵来发现最佳投资组合权重

风险库 量化战略资产分配，每个人都很容易。 描述 Riskfolio-Lib是一个库，用于使用秘鲁制造的Python进行定量战略资产分配或投资组合优化 :Peru: 。它的目的是帮助学生，学者和从业人员轻松地基于数学上复杂的模型建立投资组合。它基于构建，并与数据结构紧密集成。 Riskfolio-Lib提供的一些关键功能： 具有4个目标函数的平均风险投资组合优化： 最低风险。 最大回报。 最大效用函数。 最大风险调整后回报率。 具有13个凸风险度量的平均风险投资组合优化： 标准偏差。 半标准偏差。 平均绝对偏差（MAD）。 较低的第一部分矩（Ω比） 第二较低的局部矩（Sortino比率） 条件风险价值（CVaR）。 熵值风险（EVaR）。 最坏情况的实现（Minimax模型） 最大跌幅（卡尔马率） 平均亏损 有条件的风险缩水（CDaR）。 熵降风险（EDaR）。 溃疡指数。 带有10个凸风险度量