使用指数加权移动平均线估计风险价值的投资组合分析

罗贝科提供了三个Jupyter书签，包括ERC_CDaR和HRP C_DaR的回测分析。ERC_CDaR采用标准差、风险标准价值和风险条件性提款等不同风险度量，与同等加权和最小方差策略进行比较。HRP C_DaR利用层次聚类机器学习方法进行回溯测试。统计分析显示它们的锐化率在p_val = 0.023和p_val = 0.02水平上显著异于基准策略。此外，还介绍了一款名为《Hearts of Fire》的网格世界游戏，玩家需收集心脏以避免触发炸弹，尝试使用强化学习优化游戏代理人的策略。

本节介绍利用股票指数对投资组合模型进行简化的方法。通过线性回归，可以找出股票收益与股票指数之间的线性关系。根据该线性关系，可将股票收益表示为股票指数的线性函数。该方法可以避免协方差矩阵的计算，从而简化模型。

这篇资源是一篇金融工程领域的数学建模论文，主要涉及相关性计算、统计图表、历史数据分析、数据处理、经典算法及模型引用。

计算风险价值 (VaR) 的方法 本部分探讨几种计算风险价值 (VaR) 的常用方法： 数据可视化与标准化: 在进行 VaR 计算之前，对数据进行可视化分析和标准化处理至关重要。数据可视化帮助识别数据特征和潜在风险，而标准化则确保不同风险因素对 VaR 计算的影响一致。 历史模拟法: 历史模拟法是一种非参数方法，直接利用历史数据模拟未来的收益率分布。通过对历史收益率进行排序，可以得到不同置信水平下的 VaR 值。 基于随机收益率序列的蒙特卡罗风险价值计算: 蒙特卡罗模拟是一种强大的工具，可以模拟各种复杂的风险场景。通过生成大量的随机收益率序列，可以估计投资组合在不同情景下的潜在损失，进而计算 VaR。 基于几何布朗运动的蒙特卡罗模拟: 几何布朗运动是一种随机过程，常用于模拟资产价格的走势。通过假设资产价格服从几何布朗运动，可以利用蒙特卡罗模拟估计 VaR。

由于工作原因，我的投资账户分散在不同国家和经纪商，涉及多种货币（GBP、SGD、HKD）。向雇主合规部门报告个人账户交易一直是手动操作，非常耗时。我也无法清晰了解整体投资组合的绩效和构成，从而做出明智的投资决策。 为此，我自主开发了投资组合分析工具，整合我在各个国家和经纪人之间的所有交易。该工具通过 API 连接 Yahoo Finance 获取市场数据，帮助我有效管理跨境投资组合。

在投资决策中，了解风险与预期回报之间的关系至关重要。通过调整预期回报率目标，并观察投资组合风险（回报率方差）的变化，投资者可以做出更明智的决策。 本案例利用 MATLAB 软件对投资组合优化模型进行参数灵敏度分析。通过设置回报率目标值在 0.09 到 0.234 之间变化，步长为 0.002，我们可以绘制出风险随预期回报变化的曲线。 具体步骤如下：1. 加载模型数据，包括股票预期回报率和协方差矩阵。2. 初始化参数，例如回报率目标起始值和步长。3. 使用循环结构，逐步增加回报率目标值。4. 在每次循环中，求解投资组合优化问题，得到最优投资比例和对应的风险。5. 将结果保存，并绘制风险-回报曲线。 通过观察风险-回报曲线，投资者可以直观地了解不同预期回报率目标下的风险水平，从而选择合适的投资策略。

该项目提供了计算投资组合欧米伽值的 Matlab 函数。

为 S3 类 studentS3 创建 mean 泛型函数，计算加权平均成绩。函数接收一个 studentS3 对象，返回加权平均分。

function [mvAvgData] = FnMvAvgData(originData,m,n,mvStep) %% m x n移动平均数据originData %输入% originData: 待处理的数据 % m,n: m x n移动平均 % mvStep: 移动平均的步长（如2x12移动平均顺序进行, 步长1；月度数据的3x3移动平均按照相同月份进行, 步长12） %输出% mvAvgData: 移动平均后的数据 % lostCount: 缺失的数据的个数