投资组合优化方法不可避免地依赖于市场和经济的多元建模。 在本文中，我们解决了与这些复杂系统建模相关的三个错误来源： 1. 过度简化假设； 2. 参数抽样误差导致的不确定性； 3. 这些系统的内在非平稳性。 对于第 1 点的问题，我们提出了 L0 范数稀疏椭圆建模，并表明稀疏化是有效的。 点 2. 和 3. 的影响通过研究模型在样本内和样本外的似然性对不同长度的训练集估计的参数进行量化。 我们表明，当训练集中包含两到三年的日常观察时，具有更大样本外可能性的模型可以产生更好的投资组合。 对于较大的训练集，我们发现投资组合性能恶化并与模型的可能性脱节，突出了非平稳性的作用。 我们通过研究表明系统随时间显着变化的单个观察的样本外可能性来进一步研究这种现象。 从长远来看，较大的估计窗口会导致稳定的可能性，但以短期内较低的可能性为代价：金融的“最佳”拟合需要根据持有期来定义。 最后，我们表明稀疏模型优于完整模型，因为它们提供更高的样本外似然性、更低的实际投资组合波动性和提高投资组合的稳定性，避免了均值方差优化的典型陷阱。

梯度下降算法处理曲线拟合问题，线性 ，单极点，多极点数据均有良好的表现

计量经济学实验报告(多元线性回归自相关)借鉴.pdf

X = rmvnrnd(MU,SIG,N,A,B) 在 N×P 矩阵 X a 中返回从 P 维多元正态中抽取的随机样本均值 MU 和协方差 SIG 截断为 a 的分布由不等式 Ax<=B 定义的超平面界定的区域。 [X,RHO,NAR,NGIBBS] = rmvnrnd(MU,SIG,N,A,B) 返回算法接受-拒绝部分的接受率 RHO （见下文），由生成的返回样本的数量 NAR 接受-拒绝算法，以及返回的 NGIBBS 数算法的 Gibbs 采样器部分。 rmvnrnd(MU,SIG,N,A,B,RHOTHR) 设置可接受的最小值算法接受-拒绝部分的接受率到 RHOTHR。 默认值是经验确定的值2.9e-4。

多元一次方程组（二元一次方程组，三元一次方程组，四元一次方程组等）的三种算法，是本人在myeclipse10下编写出来的，并测试成功，很方便调用。希望带给大家惊喜~~

多元统计分析与应用【作者】余锦华，杨维权编著

多元时间序列之间的传递熵

mix_T Scipy和sklearn目前没有任何资源可用于拟合多元Student t分布或其混合，即使这些已广泛用于建模重尾数据。 该程序包（正在进行中，即将完成）将提供以下类： 使用类似于scikit-learn的界面将数据集拟合到多元Student T分布的有限混合并计算关键统计量（BIC，AIC等）； 使用变分近似将数据集拟合为多元学生T分布的混合。

一元、多元逻辑回归的实现——tensorflow2 https://blog.csdn.net/qq_43940950/article/details/122807943

本资源是2019年美国大学生数学竞赛C题M奖论文内含全部的R语言代码。有用的伙伴下载学习交流。 声明：此论文只供自己学习使用，内容切勿用于商用。