Questions tagged «finance»

我很困惑。我不了解ARMA和GARCH流程的区别。 这是（G）ARCH（p，q）过程 σ2t=α0+∑i=1qαir2t−iARCH+∑i=1pβiσ2t−iGARCHσt2=α0+∑i=1qαirt−i2⏟ARCH+∑i=1pβiσt−i2⏟GARCH\sigma_t^2 = \underbrace{ \underbrace{ \alpha_0 + \sum_{i=1}^q \alpha_ir_{t-i}^2} _{ARCH} + \sum_{i=1}^p\beta_i\sigma_{t-i}^2} _{GARCH} 这是ARMA（）：p,qp,qp, q Xt=c+εt+∑i=1pφiXt−i+∑i=1qθiεt−i.Xt=c+εt+∑i=1pφiXt−i+∑i=1qθiεt−i. X_t = c + \varepsilon_t + \sum_{i=1}^p \varphi_i X_{t-i} + \sum_{i=1}^q \theta_i \varepsilon_{t-i}.\, ARMA是否只是GARCH的扩展，GARCH仅用于收益，并且假设，其中\ varepsilon遵循强白色过程？r=σεr=σεr = \sigma\varepsilonεε\varepsilon

42 arima  garch  finance 

精度定义为： p = true positives / (true positives + false positives) 对不对，作为true positives和false positives做法0，精度接近1？ 召回相同的问题： r = true positives / (true positives + false negatives) 我目前正在实施统计测试，需要计算这些值，有时分母为0，我想知道在这种情况下应返回哪个值。 PS：请原谅，不恰当的标签，我想用recall，precision和limit，但我不能创造新的标签呢。

20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 

我的女朋友最近在一家大银行找到了从事销售和交易的工作。受她的新工作的鼓舞，她认为自己可以预测月底库存是上升还是下降大于机会（她相信甚至可以做到80％的准确性！） 我很怀疑。我们已经同意做一个实验，她将选择一些股票，并在预定的时间检查它们是上升还是下降。 我的问题是：为了拥有足够的统计能力自信地告诉她可以准确预测股票，她将不得不挑选几只股票，并且必须正确选择几只股票？ 例如，她必须选择几只股票才能以95％的确定性告诉她以80％的准确性选择股票？ 编辑：对于我们同意的实验，她不必预测库存将增加或减少多少，而只需预测它们将增加或减少即可。

19 probability  forecasting  finance 

除了收益可能为负而价格必须为正之外，将股票价格建模为对数正态分布而将股票回报建模为正态分布背后还有其他原因吗？

19 normal-distribution  lognormal  finance 

我正在尝试针对随机变量（针对该变量的轻度到中度偏斜和峰度），针对局部替代测试零。遵循Wilcox在“稳健估计和假设检验简介”中的建议之后，我基于修整后的均值，中位数以及位置的M估计值（Wilcox的“一步”过程）对测试进行了研究。在使用非偏斜但具有正态分布的分布进行测试时，就功率而言，这些强大的测试确实优于标准t检验。E[X]=0E[X]=0E[X] = 0E[X]>0E[X]>0E[X] > 0XXX 但是，当使用偏斜的分布进行检验时，根据原假设，这些单面检验要么过于宽松，要么过于保守，这分别取决于该分布是左偏斜还是右偏斜。例如，对于1000个观察值，基于中位数的测试实际上将拒绝〜40％的时间，即名义5％的水平。原因很明显：对于偏斜的分布，中位数和均值是完全不同的。但是，在我的应用程序中，我确实需要测试均值，而不是中位数，而不是修整后的均值。 是否有t检验的更强大版本可以实际测试均值，但不能偏斜和峰度？ 理想情况下，该程序在无偏斜，高峰度的情况下也能很好地工作。“单步”测试几乎足够好，“弯曲”参数设置得较高，但是在没有偏斜的情况下，它不如经过修剪的均值测试强大，并且在保持偏斜下的废品标称水平方面有些麻烦。 背景：我真正关心平均值而不是平均值的原因是，该测试将用于金融应用程序。例如，如果您想测试某个投资组合是否具有正的预期对数回报，则该平均值实际上是适当的，因为如果您投资该投资组合，您将体验到所有的回报（这是平均值乘以样本数），而不是中位数的重复项。也就是说，我真的很在乎RV的和。nnnnnnXXX

17 hypothesis-testing  t-test  finance  robust 

我正在发现所谓的“隐马尔可夫模型”（也称为“制度转换模型”）的奇妙世界。我想在R中使用HMM来检测趋势和转折点。我想建立尽可能通用的模型，以便可以在许多价格上对其进行测试。 谁能推荐一篇论文？我已经看过（并阅读）了（不止）一些，但是我正在寻找一个易于实现的简单模型。 另外，建议使用哪些R软件包？我可以看到有很多人在做HMM。 我已经买了《时间序列的隐马尔可夫模型：使用R的介绍》这本书，让我们看一下其中的内容吧；） 弗雷德

17 r  time-series  finance  hidden-markov-model 

排列检验（也称为随机检验，重新随机检验或精确检验）非常有用，并且在t-test未满足例如要求的正态分布的假设以及通过按等级对值进行转换时派上用场非参数测试之类的测试Mann-Whitney-U-test会导致丢失更多信息。但是，在使用这种检验时，一个假设且唯一一个假设应该是原假设下样本的可交换性假设。还值得注意的是，当有两个以上的示例（如在coinR包中实现的示例）时，也可以应用这种方法。 您能用简单的英语用一些比喻语言或概念直觉来说明这一假设吗？这对于在像我这样的非统计学家中阐明这个被忽视的问题非常有用。 注意： 提及在相同假设下应用置换测试不成立或无效的情况将非常有帮助。 更新： 假设我随机从我所在地区的当地诊所收集了50个受试者。他们被随机分配为接受药物或安慰剂的比例为1：1。分别Par1在V1（基准），V2（3个月后）和V3（1年后）时测量了参数1 。根据特征A，所有50个主题都可以分为2组；正值= 20，负值=30。它们也可以基于特征B细分为另外2组；B阳性= 15，B阴性=35。 现在，我具有Par1所有访问中所有受试者的值。在可交换性的假设下，如果可以，我是否可以在Par1使用置换测试的水平之间进行比较： -将接受药物治疗的受试者与接受V2安慰剂治疗的受试者进行比较？ -将具有特征A的对象与具有V2的特征B的对象进行比较？ -比较在V2具有特征A的对象与在V3具有特征A的对象？ -在哪种情况下，这种比较是无效的，并且违反了可交换性的假设？

15 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

或者，预测外汇市场。我知道这可能会变得非常复杂，因此作为介绍，我正在寻找一种具有一定准确性的简单预测算法。 （这是为期四个月的硕士学位课程） 我读过多层神经网络可能会有用。有什么想法吗？另外，社交媒体的语义分析可以提供对影响股票市场的市场行为的洞察力。但是，语义分析目前不在项目范围内。

15 machine-learning  finance 

在金融计量经济学研究中，以每日数据的形式调查金融时间序列之间的关系非常普遍。例如，通常通过取对数差将变量设为；LN （P 吨）- LN （P 吨- 1）。I(0)I(0)I(0)ln(Pt)−ln(Pt−1)ln⁡(Pt)−ln⁡(Pt−1)\ln(P_t)-\ln(P_{t-1}) 但是，每日数据意味着有555每周数据点，而星期六和星期日则丢失。在我所知道的应用文献中，这似乎没有提及。这是我根据观察得出的一些密切相关的问题： 即使金融市场在周末休市，这是否也属于不规则间隔的数据？ 如果是这样，那么迄今为止，大量的忽略该问题的论文对现有经验结果的有效性有何影响？

14 time-series  econometrics  finance  macroeconomics  unevenly-spaced-time-series 

我将对金融时间序列使用ARMA-GARCH模型，并想知道在应用上述模型之前该序列是否应该是固定的。我知道要应用ARMA模型，该序列应该是平稳的，但是我不确定ARMA-GARCH，因为我包括了GARCH错误，这意味着波动性聚类和非恒定方差，因此无论如何进行变换，其序列都是非平稳的。 金融时间序列通常是固定的还是非固定的？我尝试将ADF测试应用于一些易失性序列，并得到p值<0.01，这似乎表明了平稳性，但易失性序列本身的原理告诉我们该序列不是平稳的。 有人可以帮我清理一下吗？我真的很困惑

14 time-series  finance  arma 

有人可以在“股票收益的横截面”中给出横截面的定义吗？ 谢谢

13 finance  cross-section 

我正在尝试掌握如何使用机器学习来预测未来的财务时间序列1或更多步骤。 我有一个包含描述性数据的财务时间序列，我想形成一个模型，然后使用该模型预测未来的n步。 到目前为止，我一直在做的是： getSymbols("GOOG") GOOG$sma <- SMA(Cl(GOOG)) GOOG$range <- GOOG$GOOG.High-GOOG$GOOG.Low tail(GOOG) GOOG.Open GOOG.High GOOG.Low GOOG.Close GOOG.Volume GOOG.Adjusted sma range 2013-05-07 863.01 863.87 850.67 857.23 1959000 857.23 828.214 13.20 2013-05-08 857.00 873.88 852.91 873.63 2468300 873.63 834.232 20.97 2013-05-09 870.84 879.66 868.23 871.48 2200600 871.48 840.470 11.43 2013-05-10 875.31 880.54 872.16 …

12 r  time-series  machine-learning  random-forest  finance 

事件研究在经济学和金融学中很普遍，可以确定事件对股票价格的影响，但是它们几乎总是基于常识性推理。OLS回归-在与事件窗口不同的参考期间内-通常用于确定对资产的正常收益进行建模所需的参数。然后，在从到的指定事件窗口内的事件之后，确定资产上累积的异常收益（）的统计显着性。假设检验用于确定这些收益是否显着并因此确实异常。从而：i T 1 T 2汽车CAR\text{CAR}一世iiŤ1个T1T_1Ť2T2T_2 H0：汽车一世= 0H0:CARi=0H_0 : \text{CAR}_i = 0，其中 汽车一世= ∑Ť2t = T1个增强现实我，Ť= ∑Ť2t = T1个（[R我，Ť- è [ [R我，Ť] ）CARi=∑t=T1T2ARi,t=∑t=T1T2(ri,t−E[ri,t])\text{CAR}_i = \sum_{t=T_1}^{T_2} \text{AR}_{i,t} = \sum_{t=T_1}^{T_2} \left( r_{i,t} -\mathbb{E}[r_{i,t}] \right)和 è [ [R我，Ť]E[ri,t]\mathbb{E}[r_{i,t}]是模型预测的资产收益。 如果我们的观察数量足够大，我们可以假定资产收益率分布的渐近正态性，但是对于较小的样本量可能无法验证。 可以说，因此，单企业，单事件的研究（例如在诉讼中要求的）应遵循贝叶斯方法，因为无限多次重复的假设比在这种情况下“更难以验证”多家公司。然而，频频主义者的做法仍然是惯例。 鉴于有关该主题的文献稀少，我的问题是如何使用贝叶斯方法最好地进行事件研究（类似​​于上面概述的方法，并在MacKinlay，1997年进行了总结）。 尽管这个问题是在公司财务实证研究的背景下提出的，但实际上是关于贝叶斯回归和推论的计量经济学，以及常识和贝叶斯方法背后的推理差异。特别： 我应该如何最好地使用贝叶斯方法来估计模型参数（假设对贝叶斯统计量有理论了解，但几乎没有经验）。 一旦计算出累积的异常收益（使用模型的正常收益），如何测试统计显着性？ 如何在Matlab中实现呢？

11 bayesian  econometrics  finance 

我试图了解财务回报的时间序列中的全部方差/标准差错误，但我觉得很棘手。我有一系列的月度股票回报数据（我们称其为），其预期值为1.00795，差异为0.000228（标准偏差为0.01512）。我正在尝试计算年收益率的最坏情况（假设期望值减去标准误差的两倍）。哪种方法是最好的方法？一。计算一个月（），然后将其自身乘以12倍（= 0.7630）。乙。假设月份是独立的，则将 12次，求出其期望值μ X - 2 ⋅ σ X = 0.977 Ŷ = X ⋅ X ⋅ 。。。⋅ X ë [ Ý ] = （ë [ X ] ）12XXX μX-2 ＆CenterDot;＆σX= 0.977μX-2⋅σX=0.977\mu_X-2\cdot \sigma_X=0.977 ÿ= X⋅ X⋅ 。。。⋅Xÿ=X⋅X⋅。。。⋅XY=X\cdot X\cdot ...\cdot XË[ Y] = （E[ X] ）12Ë[ÿ]=（Ë[X]）12E[Y]=(E[X])^{12}）和方差。在这种情况下，标准的开发是0.0572，和预期值减去STD。dev的两次是0.9853。ç。乘以每月的std。dev的与获得年度之一。用它来查找最坏的情况下每年的值（），结果为0.9949， 哪一个是正确的？如果您仅知道每月数据的这些属性，则计算预期年值减去标准差两倍的正确方法是什么？ ？（通常-如果 12次并且，变种[ Y] = …

11 time-series  variance  independence  finance 

我正在寻找有关信用评分的书籍的推荐。我对该问题的各个方面都感兴趣，但主要涉及：1）良好的功能。如何建立它们？哪些被证明是好的？2）神经网络。它们在信用评分问题中的应用。3）我选择了神经网络，但是我对其他方法也很感兴趣。

11 references  finance  credit-scoring