基于系统性风险视角的基金投资组合配置策略.pdf

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。

包含三个m文件，用于通过指数加权移动平均线估计由两只股票价格组成的投资组合的风险价值（VaR）。主要功能为“ewmaestimatevar”，可帮助您计算所需的VaR值。此外，文章还提供了不同置信水平下的相关图表。

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。

Matlab开发的在线投资组合选择系统不仅考虑了交易成本，还特别关注市场影响成本的最小化。该系统通过定量投资策略的绩效比较，有效优化投资组合的选择过程。

系统性能的最佳实现始于设计阶段，并贯穿整个生命周期。在初始设计时，重点考虑性能问题能够使系统在生产过程中更加灵活可调。本章内容包括：• Oracle方法论•投资选择洞察•可伸缩性评估•系统架构•应用设计原则•负载测试、建模和实施•新应用程序的部署。

2018年[WAFR 2018，共同第一作者]，我成功地将信号时态逻辑（STL）与Hamilton-Jacobi可达性（HJ-Reachability）相结合，以提高机器人的安全性和时变目标实现能力。在攻读硕士学位期间，我专注于此项目的研发，并在2018年机器人技术基础研讨会上发表。最近，我开发了一个更为平稳稳定的MPC控制器，取代了传统的bang-bang控制器。想了解更多关于新旧控制器性能对比的信息，请访问{链接}。在AA203最佳控制入门课程中，我应用非线性轨迹优化技术，成功启动了斯堪的纳维亚轻型动力系统的非线性轨迹模型。

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。