Ive recentemente começou a ler alguns livros sobre alocação de ativos e teoria de portfólio, mas eu não trabalho no campo e ainda não tenho muitos conhecimentos. Então, eu tenho lido a análise de variância média e minha pergunta é sobre o cálculo dos retornos esperados para um determinado bem. Pelo que entendi, os dados históricos são usados para prever os retornos futuros. No livro que estou lendo atualmente, o autor fornece retornos mensais para um estoque específico e, em seguida, foram convidados a calcular o retorno esperado para os próximos meses. Minha pergunta é essa, se eu tiver dados históricos abertos para um estoque em particular, como uso essas informações para calcular os retornos. Uma vez que o retorno é baseado no preço da ação quando o estoque foi comprado e o preço quando foi vendido, Im Não tenho certeza exatamente como seria o cálculo. Perguntou 6 de julho 11 às 23:06 Mesmo que não seja precisamente a questão, acho que a questão levanta outra questão, o que é o quot. Os retornos passados fornecem uma boa estimativa de retornos futuros. Esses algos de alocação de protótipo são bons, mas IMO é um pouco fácil Para assumir que temos uma boa estimativa dos retornos. Se você me fornecer uma boa estimativa do retorno futuro, deixe-me gerenciar seu dinheiro, não é muito difícil. Em vez de se concentrar nisso, não devemos concentrar-nos em como prever os retornos ndash RockScience 8 de julho 11 às 2:42 RockScience: sim, eu já ouvi a mesma pergunta perguntada muitas vezes, e vi em muitos textos as dificuldades de confiar no passado retornar para Estimar ganhos futuros. Embora esteja ciente de algumas dessas armadilhas, estou apenas começando neste campo e, então, ter uma compreensão de algumas das técnicas, mesmo que fora de moda, me dá algo para me cortar os dentes. Embora estejamos no assunto, você conhece quaisquer bons recursos (links, livros, etc.) que discutem como prever os retornos. É esse o tipo de problema que a análise da série de tempo seria usada para ndash miggety 11 de julho 11 em 21: 52 migração: não há uma melhor técnica para prever os retornos. É a parte mais difícil do seu modelo. Alguns tomam decisões discricionárias, outros confiam na aprendizagem de máquinas como Deus. Há muitas coisas diferentes para explorar. E sim, definitivamente a análise de séries temporais é uma boa base para esse problema. Boa sorte ndash RockScience 12 de julho 11 às 0:56. 1. PDF (2.9). 1.. . ARIMAX ARIMAX. . . . 1.1. ,. . -. 1,,. ,. ,. , 1. 1. 1.1. . 1.1 6.,,,. ,. (),. ,,,,,,,,. ,. ,,,,,,. ,. . . ,. ,. ,. 7.,. , 1.. ,. 7., 7.,,. ,. ,. . 1,,,,,,. 1.. , 1.,,. . ,. , 8. 3 4. 5 8. 16 24. 9.. . . . . . . ,. . . . . 10.,. ,. 1. 1.. 2.. ,. . 3.,. , (1.3.). (). ,. 4.. ,. (). 5.,,. ,. ,. . . ,. . , 9,. ,. . ,. . . . ,. . . ::,,. (1.3.). . ,. ,. ,. 1.2. . T 1,2. T. Z (t) Z (1), Z (2). Z (T). T Z (t) T1. TP. T, P 1. 1). (1.1). , P (1.1) () Z (t). . 2). 1.2. . 1.2. . Z (t) t 1,2. T. , Z (t). X 1 (t 1) t 1 1,2. T 1. X 2 (t 2) t 2 1,2. T 2 ..,, T, T 1. T S, X 1 (t 1). X S (t S) t. T Z (t) T1. TP. X 1 (t). X S (t). X 1 (T1). X 1 (TP). X S (T1). X S (TP). 1) Z (t). Z (t), X 1 (t). X S (t) (1,4) X 1 (t). X S (t). , P (1,2). 2). 1.3. . 1.3. 1.3. ,. , 1, 11. 12, 13 (média móvel de regressão automática externa, ARIMAX). ARIMAX. ,. . 14. 100. ,. . ,. 14:. ,,,,. (). . ,. 6,,,. 15. 15. 16. . 9. ,. :. :,,. , 8.,, 17.,,,,, (),,, 18.. . 1.3.1. ,. 19.,. (). 19 20.. . , X (t). Z (t). . 0 1 t. Z (t) t X (t) t. . . Z (t) X 1 (t) ,, X S (t). , Z (t) X 1 (t) ,, X S (t). . Z (t) X (t) A. ,. , Z (t) X (t). . () .. 21. (1.9). ,. , .., i, j, k. . (2 10). ,. ,. X 1 (t) ,, X S (t). . 1.3.2. - ARIMAX ARIMAX. , Z (t) Z (t-1) ,, Z (t-p). . (Autorregressivo, AR) (média móvel, MA) 1, 5. 1.. , (1.10) c p. AR (p). C, 1. P, t. I C 19 20. q (1.11) MA (q) q, t. . , ... 1.. ARMA (p, q) q p. , D - (d, d 2),. ARIMA (p, d, q) (média móvel integrada de autorregressão). ARIMA (p, d, q) ARIMAX (p, d, q), 1. S X 1 (t) ,, X S (t). Z (t) MA (q),. Z (t), X 1 (t) ,, X S (t). (Heterocedasticidade condicional autorregressiva, GARCH) 1986 AR (p) 22. AR (p) (1,10). (1.10) t t t,,, 0,, 1. 0. Q 0. P. (1.14) GARCH (p, q): p q. . . NGARCH, IGARCH, EGARCH, GARCH-M 22. (modelos de atraso distribuído autorregressivo, ARDLM). 23.,,,. 0. P, l. (1.15) ARDLM (p, l) 23. 1.3.3. . XX. (Suavização exponencial, ES) 24. ES. ,. ES, 0 lt lt 1 S (1) Z (0). S (t) Z (t) S (t-1). ,. : 24., (1.16),. -, R (t) G (t) S (t) L. . 1.3.4. (Rede neural artificial, ANN) 5. (1.4.). . 1.4. Z (t-1). Z (t-m) 1. M p (U (t)). 25. -. . 25.,,. 1,5, 26, 27, 28, 29. . 1.5. ,. . MATLAB 24. 1.3.5. (Modelo de corrente de Markov), 30.,,. ,. . 1.6. . 1.6. S 1. X 3 Z (t) 12 S 1 S 2. 23 S 2 S 3 .... S i. S i. ( eu j ) . ,. 1.3.6. - - (árvores de classificação e regressão, CART) 31. CARRINHO,,. , Z (t). ,. , -. . 1.7. - CARRINHO, , . 1.7 Z 0. Z (t-1) Z 0. : X (t) gt X 11. , Z (t) C 3. , Z (t). X (t). Y. . , Z 0. X 11. Y 11, Y 12 31., CART Z (t),. 1.1.1. . ,. . ,. . . ,. ,. (Máquina vetorial de suporte, SVM),, 32 5.,,,. SVM, 33., (), Z (t). (Algoritmo genético, GA),. GA. 34, GA 15, GA. , Z (t) X 1 (t) ,, X S (t), 0 1,. :. . , (),. ,. (Função de transferência, TF) Z (t) X (t) 35., B BZ (t) Z (t-1) ,, B k Z (t) Z (t-k). (T). (B) (1.24) i Z (t) X (t). 1.4. . ,. ,. 1.4.1. . 19.,. , 5.. . . 14.. 28.. . , 1. 3. :, 4,,,, 26.. . 24. 36.. , .. :, (ANN) 25. ANN, 5.. . 30. -. : (ANN) 9.. .., 31. 1. 1.
No comments:
Post a Comment