请检查笔记本中的分析：

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。

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

riskParityPortfolio riskParityPortfolio提供了用于设计风险平价投资组合的工具。 在最简单的形式中，我们考虑了提出的具有唯一解决方案的凸公式，并使用了受启发的循环方法。 对于通常是非凸的更一般的公式，我们采用提出的逐次凸逼近方法。 最新的RiskParityPortfolio稳定版本可从。 可以从获取RiskParityPortfolio的最新开发版本。 在此处查看文档： https : //mirca.github.io/riskParityPortfolio 。 安装 要从CRAN安装最新稳定版本的riskParityPortfolio ，请在R中运行以下命令： > install.packages( " riskParityPortfolio " ) 要从GitHub安装开发版本的riskParityPortfolio ，请在R中运

PyPortfolioOpt是一个实现投资组合优化方法的库，其中包括经典的均值方差优化技术和Black-Litterman分配，以及该领域的最新发展，例如收缩和分层风险奇偶校验，以及一些新颖的实验功能，例如指数加权协方差矩阵。 它既广泛又易于扩展，对于临时投资者和认真的从业者都可能有用。 无论您是发现了一些被低估的精选期权的基础知识型投资者，还是拥有一篮子策略的算法交易者，PyPortfolioOpt都可以帮助您以风险有效的方式组合Alpha来源。 请上的以深入了解该项目，或查看以查看一些示例，这些示例显示了从下载数据到构建投资组合的完整过程。 目录 入门 如果您想在浏览器中交互使用PyP

robust optimization for options