σ
μ
implied vol · K
K
max(S−K,0)
u
d
β
ρᵢⱼ
fat tails
PnL · drawdown
yield · T
dSₜ = μSₜ dt + σSₜ dWₜ
C = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)
σₚ² = wᵀΣw
d₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T
∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0
Sharpe = (Rₚ − R_f) ⁄ σₚ
VaR₉₉ = μ − 2.33σ
ρ = Cov(X,Y) ⁄ σₓσᵧ
E[Rₚ] = Σ wᵢ·E[Rᵢ]
φ(x) = e^(−x²/2) ⁄ √2π
E[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)
dXₜ = θ(μ − Xₜ)dt + σ dWₜ
σ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁
C − P = S − K·e⁻ʳᵀ
Δ = ∂V/∂S Γ = ∂²V/∂S²
p = (e^(rΔt) − d) ⁄ (u − d)
rₜ = ln(Pₜ ⁄ Pₜ₋₁)
E[Xₜ₊₁ | ℱₜ] = Xₜ
f* = (bp − q) ⁄ b
z = (x − μ) ⁄ σ
P(N=k) = λᵏe^(−λ) ⁄ k!
Θ = −∂V/∂T
ν = S·φ(d₁)·√T
min wᵀΣw s.t. wᵀμ = μ*
∫
Σ
∂
∞
λ
uant
Craft
Academy
خرائط الطريق
المسارات
Ctrl K
AO
+1.2k
متعلّم
تسجيل الدخول
انضم
↗
خرائط الطريق
المسارات
AO
+1.2k
متعلّم
تسجيل الدخول
English
Français
Español
العربية
Português
Deutsch
日本語
中文
σ
μ
implied vol · K
K
max(S−K,0)
u
d
β
ρᵢⱼ
fat tails
PnL · drawdown
yield · T
dSₜ = μSₜ dt + σSₜ dWₜ
C = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)
σₚ² = wᵀΣw
d₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T
∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0
Sharpe = (Rₚ − R_f) ⁄ σₚ
VaR₉₉ = μ − 2.33σ
ρ = Cov(X,Y) ⁄ σₓσᵧ
E[Rₚ] = Σ wᵢ·E[Rᵢ]
φ(x) = e^(−x²/2) ⁄ √2π
E[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)
dXₜ = θ(μ − Xₜ)dt + σ dWₜ
σ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁
C − P = S − K·e⁻ʳᵀ
Δ = ∂V/∂S Γ = ∂²V/∂S²
p = (e^(rΔt) − d) ⁄ (u − d)
rₜ = ln(Pₜ ⁄ Pₜ₋₁)
E[Xₜ₊₁ | ℱₜ] = Xₜ
f* = (bp − q) ⁄ b
z = (x − μ) ⁄ σ
P(N=k) = λᵏe^(−λ) ⁄ k!
Θ = −∂V/∂T
ν = S·φ(d₁)·√T
min wᵀΣw s.t. wᵀμ = μ*
∫
Σ
∂
∞
λ
uant
Craft
Academy
خرائط الطريق
المسارات
Ctrl K
AO
+1.2k
متعلّم
تسجيل الدخول
انضم
↗
خرائط الطريق
المسارات
AO
+1.2k
متعلّم
تسجيل الدخول
English
Français
Español
العربية
Português
Deutsch
日本語
中文
مسار statsmodels
›
الوحدة 1 · الانحدار وفحوصه
›
الموضوع 1.7
·
~50 د
متوسط
مختبر: أخطاء نيوي–ويست المعيارية يدويًا
الموضع في المسار
الوحدة 1 من 3 · الموضوع 7 من 8
1.7
مختبر: أخطاء نيوي–ويست المعيارية يدويًا
—
درجة المختبر
— / 0
إجمالي XP
—
التتابع
—
لم يُكتب هذا الدرس بعد
ستتوفر محاضرته ومختبره قريبًا. تصفّح المسار في هذه الأثناء.
العودة إلى المسارات
