拓端tecdat|R语言对股票风险“溃疡指数”( Ulcer Index)曲面图可视化

(42) 2024-05-18 13:01:01

最近我们被要求撰写关于股票风险的研究报告,包括一些图形和统计输出。

目标函数的平滑度对于优化的成功至关重要。

可视化目标函数是一种检查平滑度的简便方法。

例如,让我们检查“溃疡指数”(  Ulcer Index)  ,这是一种风险度量,类似于“标准偏差”。

溃疡指数尝试通过衡量价格回撤来衡量持有交易或投资的压力。溃疡指数基于下降波动性有害、上升拨动性有利的概念。

不像金融行业通常用来衡量股票风险的标准差那样使用同样的权重来衡量上行波动和下行波动,溃疡指数使用了更加明智的方法。它声明投资者们往往只在乎股票的下行风险,并不在乎上行风险(因为在投资者做多的情况下,上行风险是有利的,相当于盈利)。

如果 Ulcer指数 是平滑函数,则可以使用例如非线性求解器轻松地将其用于优化。

#*****************************************************************
# 模拟数据
#*****************************************************************
load.packages('quantmod')

s = c(120,135,10) # 现货价格
r = c(0.15, 0.21,0.3) # 预期回报
sig  = c(0.12,0.36,0.17) # 预期标准差矩阵
r12 = 0.33 # 第一和第二资产之间的相关性
r13 = 0.3 #  第一和第三资产之间的相关性
r23 = 0.79 #第二和第三资产之间的相关性

# 构造相关矩阵
r = matrix(1,nr=3,nc=3)
r[upper.tri(rho)] = c(r12,r13,r23)


# 确保相关矩阵为正定义矩阵

rho = as.matrix(nearPD(rho, T)$mat)


#*****************************************************************
# 查看模拟价格
#*****************************************************************

plota.matplot(scale.one(xts.prices),main='Asset Perfromance')

拓端tecdat|R语言对股票风险“溃疡指数”( Ulcer Index)曲面图可视化 (https://mushiming.com/)  第1张

#*****************************************************************
# 计算溃疡指数
#*****************************************************************
apply(cho,1, function(x) {
	if(sum(x) > 1) NA
	else
 	last(ulcer(x[1]*prices[,1] + x[2]*prices[,2] + 1-sum(x)*prices[,3])
}
)


#*****************************************************************
#可视化曲面 - 静态 3D 绘图
#*****************************************************************
persp(tem, tem, z,col='green',xlab='x',ylab='y'

拓端tecdat|R语言对股票风险“溃疡指数”( Ulcer Index)曲面图可视化 (https://mushiming.com/)  第2张

上面的代码创建了一个很难研究的静态曲面图。

要创建可以用鼠标旋转的交互式3D图,使用:

#*****************************************************************
# 可视化曲面 - 交互式 3D 绘图,使用鼠标旋转
#*****************************************************************

persp3d(temp, temp, z,col='green',xlab='x',ylab='y')

 溃疡指数 曲面光滑,是优化合适的选择。


拓端tecdat|R语言对股票风险“溃疡指数”( Ulcer Index)曲面图可视化 (https://mushiming.com/)  第3张

最受欢迎的见解

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC(MVT)建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现:ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险

THE END

发表回复