CQF笔记M1L1资产的随机行为
CQF笔记M1L1资产的随机行为
- 简介
- Module 1 Building Blocks of Quant Finance
- Lecture 1 The Random Behaviour of Assets
- 三种分析方法
- 收益率
- 离散时间下的收益率
- 连续时间下的收益率
简介
CQF课程简介
Module 1 Building Blocks of Quant Finance
Lecture 1 The Random Behaviour of Assets
三种分析方法
- 基本面分析:从财务报表/管理团队等角度分析公司(股票)价值。存在的问题:
- 难以分析:大量问题没有体现在报表中
- The market can stay irrational longer than you can stay solvent(Keynes).市场会长期不理性:持有低估值的公司导致持续亏损
- 技术分析:只关心从历史股价以及从中中提取的信息,大量研究表明这种方法是无用功
- 量化分析:用随机性对股价/利率建模
备注:CQF关注量化金融,上面这段比较可能有失偏颇。关注点在于:量化分析基于对随机性建模。
收益率
SPX指数1950年至今的日回报分布近似为正态分布(这里可以理解为实证研究)
假设收益率为正态分布,则有
R i = S i + 1 − S i S i = m e a n + s t a n d a r d d e v i a t i o n × ϕ 其 中 ϕ 是 标 准 正 态 分 布 , 均 值 m e a n 和 标 准 差 s t a n d a r d d e v i a t i o n 都 是 常 数 \begin{aligned} &R_i = \frac{S_{i+1} - S_i}{S_i} = mean + standard \ deviation \times \phi \\ &其中 \phi是标准正态分布,\\ & 均值mean和标准差standard \ deviation都是常数 \end{aligned} Ri=SiSi+1−Si=mean+standard deviation×ϕ其中ϕ是标准正态分布,均值mean和标准差standard deviation都是常数
离散时间下的收益率
单期时间用 δ t \delta t δt表示,单位为年,
计算SPX收益率时,单期时间 δ t \delta t δt为一天,所以 δ t = 1 252 \begin{aligned}\delta t = \frac{1}{252}\end{aligned} δt=2521用 μ \mu μ表示年化收益率(growth rate/drift rate), 则单期收益率的均值 m e a n = μ δ t mean = \mu \delta t mean=μδt
忽略收益率等式中的随机项
R i = S i + 1 − S i S i = μ δ t \begin{aligned} R_i = \frac{S_{i+1} - S_i}{S_i} = \mu \delta t \end{aligned} Ri=SiSi+1−Si=μδt
S i + 1 = S i ( 1 + μ δ t ) \begin{aligned} S_{i+1}= {S_i} (1 + \mu \delta t) \end{aligned} Si+1=Si(1+μδt)
S M = S M − 1 ( 1 + μ δ t ) = S M − 2 ( 1 + μ δ t ) 2 = ⋯ = S 0 ( 1 + μ δ t ) M = S 0 e M l o g ( 1 + μ δ t ) ≈ S 0 e M μ δ t , 当 δ t → 0 时 = S 0 e μ t \begin{aligned} S_{M} &= {S_{M-1}} (1 + \mu \delta t) \\ &= {S_{M-2}} (1 + \mu \delta t)^2 \\ &= \cdots \\ &= {S_{0}} (1 + \mu \delta t)^M \\ &= {S_{0}} e^{Mlog(1 + \mu \delta t)} \\ &\approx {S_{0}} e^{M\mu \delta t}, \ 当\delta t \rightarrow 0时 \\ &= {S_{0}} e^{\mu t} \\ \end{aligned} SM=SM−1(1+μδt)=SM−2(1+μδt)2=⋯=S0(1+μδt)M=S0eMlog(1+μδt)≈S0eMμδt, 当δt→0时=S0eμt
上述推导说明,当 M → ∞ , δ t → 0 M \rightarrow \infin, \ \delta t \rightarrow 0 M→∞, δt→0 时,,收益率与步长 δ t \delta t δt无关用 σ \sigma σ表示收益率的年化波动率,则单期收益率的波动率为 s t a n d a r d d e v i a t i o n = σ δ t standard \ deviation=\sigma \sqrt{\delta t} standard deviation=σδt
备注:这里隐含了一个假设:单期收益率相互独立,多期收益率满足平方根法则
如果 X , Y X, Y X,Y相互独立, 则 C O V ( X , Y ) = 0 \begin{aligned} COV(X, Y) = 0 \end{aligned} COV(X,Y)=0
V ( X + Y ) = V ( X ) + V ( Y ) + 2 C O V ( X , Y ) = V ( X ) + V ( Y ) \begin{aligned} & V(X+Y) \\ = & V(X)+V(Y) + 2COV(X, Y) \\ = & V(X)+V(Y) \end{aligned} ==V(X+Y)V(X)+V(Y)+2COV(X,Y)V(X)+V(Y)收益率等式
R i = S i + 1 − S i S i = m e a n + s t a n d a r d d e v i a t i o n × ϕ = μ δ t + σ ϕ δ t \begin{aligned} R_i &= \frac{S_{i+1} - S_i}{S_i} \\ &= mean + standard \ deviation \times \phi \\ &= \mu \delta t + \sigma \phi \sqrt{\delta t} \end{aligned} Ri=SiSi+1−Si=mean+standard deviation×ϕ=μδt+σϕδt
S i + 1 − S i = μ S i δ t + σ S i ϕ δ t \begin{aligned} S_{i+1} - S_i = \mu S_i \delta t + \sigma S_i \phi \sqrt{\delta t} \end{aligned} Si+1−Si=μSiδt+σSiϕδt
这个等式是蒙特卡洛模拟的基石,是随机游走的离散时间模型
连续时间下的收益率
S i + 1 − S i = μ S i δ t + σ S i ϕ δ t \begin{aligned} S_{i+1} - S_i = \mu S_i \delta t + \sigma S_i \phi \sqrt{\delta t} \end{aligned} Si+1−Si=μSiδt+σSiϕδt
在连续时间条件下
等式右边的第一项 μ S i δ t \mu S_i \delta t μSiδt中, δ t \delta t δt变为 d t dt dt
等式右边的第二项 σ S i ϕ δ t \sigma S_i \phi \sqrt{\delta t} σSiϕδt 中, 因为随机变量 ϕ \phi ϕ的存在, δ t \sqrt{\delta t} δt 不能直接变为 d t \sqrt{dt} dt
将 ϕ δ t \phi \sqrt{\delta t} ϕδt 记为 d X dX dX, 有 E [ d X ] = 0 , E [ d X 2 ] = d t E[dX]=0, E[dX^2] = dt E[dX]=0,E[dX2]=dt, d X dX dX称为维纳过程 Wiener Process资产价格的连续时间模型 d S = μ S d t + σ S d X dS = \mu S dt + \sigma S dX dS=μSdt+σSdX
这是一个随机微分方程Stochastic Differential Equation (SDE)
CQF笔记M1L1资产的随机行为相关推荐
- CQF笔记M2L2优化理论及其在资产组合选择中的应用
CQF笔记M2L2优化理论及其在资产组合选择中的应用 Module 2 Quantitative Risk & Return Lecture 2 Fundamentals of Optimiz ...
- CQF笔记Primer数学基础
CQF笔记Primer数学基础 1 Calculus 微积分 1.1 Basic Terminology 基本术语 1.2 Functions 函数 1.2.1 Explicit/Implicit R ...
- CQF笔记M2L1现代资产组合管理理论
CQF笔记M2L1资产组合理论 Module 2 Quantitative Risk & Return Lecture 1 Portfolio Management 2.1.1 MPT 历史 ...
- CQF笔记M2L3VaR和ES
CQF笔记M2L3VaR和ES Module 2 Quantitative Risk & Return Lecture 3 Value at Risk and Expected Shortfa ...
- CQF笔记M1L3泰勒级数和转移概率密度函数
CQF笔记M1L3泰勒级数和转移密度函数 Module 1 Building Blocks of Quant Finance Lecture 2 Taylor Series and Transitio ...
- 机器学习笔记十四:随机森林
在上一篇机器学习笔记十三:Ensemble思想(上)中,简要的提了一下集成学习的原理和两种主要的集成学习形式. 而在这部分要讲的随机森林,就算是其中属于bagging思路的一种学习方法.为了篇幅,b ...
- Deep Network with Stochastic Depth(阅读笔记)一种随机深度的正则化方法
题记: 最近Swin Transformer在计算机视觉上大放异彩,成为许多视觉榜单上的霸主,然而传统的Conv卷积如Resnet就真的不行了吗? 一些学者就传统的卷积网络进行了深入的研究,并通过细致 ...
- 机器学习笔记 十五:随机森林(Random Forest)评估机器学习模型的特征重要性
随机森林 1. 随机森林介绍 1.1 租赁数据案例 2. 特征相关性分析(热图) 2.1 热图绘制 2.2 构建随机森林模型 2.3 不同特征合并的重要性 2.3.1 经纬度合并(分3类) 2.3.2 ...
- 数据分析学习笔记(六)-- 随机漫步
该例子通过模拟一些随机数,完成简单的数理统计工作,作为后期数据分析的一次体验 随机漫步:随机产生1或-1随机数,模仿一个人前进或者后退 在此环境下,进行一些统计工作 随机漫步 首页做一些准备工作 im ...
最新文章
- 【转】DHCP工作过程详解
- 源码分析Handler机制
- Java数组的十大方法
- 终极JPA查询和技巧列表–第3部分
- linux kong_当Linux是善良的面Kong
- C#结构体中的只写属性
- list所有元素相加 python_什么是序列,Python序列详解(包括序列类型和常用操作)...
- codeforces 812B. Sagheer, the Hausmeister
- 根据歌曲(mp3/wav)的旋律生成它的简谱(粗略大致)
- ajax 上传文件实例,Ajax 之文件上传
- [ext3已成功,ext4不成功]如何在buildroot中添加支持去制作ext3和ext4类型的根文件系统rootfs镜像文件
- 信号与系统 基础知识点整理 01(文末可下载PDF格式)
- 开源:通用的日志分析工具(LogViewer)
- 一个从培训机构出来的程序员
- 物联网单位换算:光的强度与辐射转换
- MycoLightTM 比率细菌膜电位试剂盒程序
- ei指什么_EI是什么
- Codeforces Round #727 (Div. 2) A~D题
- 小米手机因为默认权限设置电话拨号,短信等广播无法使用的解决办法
- android删除本地图片,Android之删除图库照片