风险评估

在本文中，我将介绍机器学习中关于传统机器学习中几乎最为强大的方法——支持向量机。

因为知乎中对于markdown的支持太差了，本文不在知乎直接排版，所以阅读体验不是很好，若想获得更好的阅读体验，请点击下文链接进行阅读。

[支持向量机​chrer.com ](https://link.zhihu.com/?target=http%3A//chrer.com/2018/08/04/%25E6%259

\

\

绩效和风险指标被广泛用于评估股票或投资组合的绩效，是投资组合管理的主要组成部分。在这篇文章中，我们将尝试触及一些重要的投资组合和风险指标，这些指标可以让您清楚地了解您的投资业绩和风险。

本文的第一部分着眼于这些常用的性能指标，这些指标使我们能够深入了解交易策略的结构。在本文的第二部分，我们将介绍投资或投资组合中风险管理的一些重要指标。最后一部分通过一个简单的示例简要说明了您的投资组合的策略优化。

为什么我们需要投资组合风险管理？

资产组合的表现是通过一组参数来衡量的。例如，如果您进行股票交易，那么您的回报将与基准指数进行比较。投资组合回报的一致性也被证明是一个重要因素。

2008年发生的金融危机，虽然已经过去了8年左右，但其造成的影响可能还会持续很长时间。而受这场金融危机影响最大的行业之一，就是处于危机爆发中心的银行业。

如果我们仔细研究美国一些大银行在2015年的市场估值，就会得到一个让人非常吃惊的结论：现在的股市对于这些大银行的风险评估，和08年金融危机时相比并没有多大改变。

![](data:image/svg+xml;utf8,<svg xmlns='<ht

简介

投资者依靠股票-债券的相关性来构建最优投资组合、设计对冲策略和评估风险。大多数投资者只是通过推断月度收益的历史相关性来估计股票与债券的长期相关性，但这种方法显然是不可靠的。作者为产生可靠的股票-债券相关性的预测引入了四项创新。首先，本文引入单期相关的概念，以解决股票和债券收益的自相关和滞后交叉相关不为零以及长期相关性随时间变化的问题。第二，确定了股票-债券相关性的基本预测因子。第三，将股票和债券相关性建模为一些基本预测因子路径的函数，而不是单一观测值的函数。最后，对样本进行审查，进行部分样本回归。结果显示，股票-债券相关性预测的可靠性得到显著提高。

全文

[/wiki/

/wiki/static/upload/0b/0b335f07-e0fb-44ce-b4ad-09f42e542f44.pdf

\

工作汇报，数据统计分析，管理能力

https://bigquant.com/experimentshare/657440e6921f4a32833dad80017fb83e

\

问题

大家好，我看很多关于AI的策略里面都有以下两句代码

ranker_prediction 和 context.benckmark_risk.ix[today_date].values[0]。我想请问这个内嵌的逻辑是什么…

• context.ranker_prediction就是传给回测模块的预测结果数据，通过context.options[‘data’].read_df()读出来。 ranker_prediction就获取到回测当天的预测结果数据

![{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api

\

\

\

\

如何写好一份PPT ？

\

%%BigQuant_ChatGPT

如何使用ChatGPT，可以用来做什么？

\

如何推八字

使用ChatGPT生成旅行建议

https://bigquant.com/experimentshare/7f045b5d839e4d5b8e36c768f64f4d6d

\

\

https://bigquant.com/experimentshare/a4e89b23c2de4c56b6534136169d13c1

\

摘要

合成生物学为何值得关注？

合成生物学对于全球可持续发展至关重要：合成生物学按照特定目标理性设计、改造乃至从头重新合成生物体系，用以解决人类食品缺乏、能源紧缺、环境污染、医疗健康等各方面的问题，对于全球可持续发展至关重要，根据CBInsights分析数据显示，预计到2024年合成生物学市场规模将达189亿美元，2019-2024年复合增长率达28.8%。

合成生物制造过程兼具绿色环保与降本增效优势：生物技术的应用可以降低工业过程能耗15-80%，原料消耗35%-75%，减少空气污染50%-90%，水污染33%-80%。据世界自然基金会（WWF）预估，到2030年工业

20200514-国盛证券-量化专题报告：利率债收益预测框架——大类资产定价

/wiki/static/upload/63/632174fd-6d0d-47e1-a63e-cb2799d0406f.pdf

\

\

https://bigquant.com/experimentshare/46cf815bdc7f4158a22aa05ccb45c98a

\

策略案例

https://bigquant.com/experimentshare/0150d45766bd42e2bd5c4f05b0df6644

\