σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsSkills
Ctrl K
AO
+1,2 Tsd. Lernende
AnmeldenBeitreten ↗
RoadmapsSkills
AO
+1,2 Tsd. Lernende
Anmelden
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Linear Algebra-Skill›Modul 4 · Kleinste Quadrate und Zerlegungen›Thema 4.4·~1 Std. 30 Min.Mittelstufe

Abschlussprojekt: OLS-Regression von Grund auf

Position in der SkillModul 4 von 4 · Thema 4 von 4
4.4 Abschlussprojekt: OLS-Regression von Grund auf
—Lab-Punkte— / 100XP gesamt—Serie—

Eine Regression ist eine Projektion, und QR berechnet sie

Alles in dieser Fähigkeit trifft sich in einer Rechnung. Die Regression einer Zielgröße y auf Regressoren in den Spalten von X projiziert y auf den Spaltenraum von X; die Koeffizienten β̂ sind die Gewichte dieser Projektion, und das Residuum steht senkrecht auf jedem Regressor. Um die Gewichte ohne Quadrieren der Konditionszahl zu finden, zerlegt man X=QR und löst das Dreieckssystem Rβ̂=Qᵀy per Rückwärtseinsetzen. Das tut eine Bibliothek, wenn Sie eine Kleinste-Quadrate-Routine aufrufen.

X=QR, Rβ̂=Qᵀy, R²=1-(‖e‖²)/(‖y-ȳ1‖²)

In der Finanzwelt ist die Zielgröße die Tagesrendite einer Aktie und die Regressoren sind die Renditen des Marktes und anderer Faktoren. Der Achsenabschnitt α ist die durchschnittliche, nicht durch die Faktoren erklärte Rendite, jede Steigung β die Sensitivität gegenüber einem Faktor und R² der von den Faktoren erklärte Anteil der Varianz der Aktie. Berechnet werden sie aus einfachen Tagesrenditen rₜ=Pₜ/Pₜ₋₁-1, nur für Tage, an denen alle Reihen eine Rendite haben.

Was bei Apple zu erwarten istDie Regression von AAPL auf SPY (den Markt) und MSFT ab 2018 ergibt etwa β_SPY≈1,01, β_MSFT≈0,17, R²≈0,58 und ein α von rund 0,035 Prozent pro Tag über 2171 Tage. Ein Beta nahe eins heißt, dass Apple sich ungefähr eins zu eins mit dem Markt bewegt, und das R² sagt, dass Markt und Microsoft etwas mehr als die Hälfte der Tagesvarianz erklären; der Rest ist Apple-spezifisch. Behandeln Sie das α mit Vorsicht: Die Kurse sind bereinigt, und in der Datei stehen nur überlebende Unternehmen, was es schönt.
  • Modifiziertes Gram-Schmidt baut Q und R; ziehen Sie jede Projektion vom aktualisierten Vektor ab.
  • Rückwärtseinsetzen löst ein Dreieckssystem von der letzten Zeile aufwärts.
  • Die Einsenspalte liefert den Achsenabschnitt; ohne sie wird die Anpassung durch den Ursprung gezwungen.
Korrelierte Faktoren teilen sich das VerdienstSPY und MSFT bewegen sich zusammen, die Datenmatrix ist also nicht perfekt konditioniert. Die Betas sind hier dennoch gut bestimmt, weil beide Reihen weit von identisch sind, doch ein dritter Faktor, der nahezu eine Kombination der beiden ist, ließe die einzelnen Betas stark schwanken, während sich die angepassten Werte kaum ändern. Nutzen Sie die Konditionszahl von X als Warnlicht.

Lab: Was bewertet wird

  • Modifiziertes Gram-Schmidt25 Pkt.
  • Rückwärtseinsetzen15 Pkt.
  • Eine OLS-Anpassung aus QR30 Pkt.
  • Betas auf echten Renditen30 Pkt.
Explorer · lab-la-10
▾ lab-la-10
▾ data
…
bash · im Browser
learner@quantcraft:~/lab-la-10$
Python noch nicht geladenPythonLn 1, Col 1Spaces: 4UTF-8

Dieses Thema zurücksetzen?

Alles in lab-la-10 wird auf die Startdateien zurückgesetzt und das Terminal geleert. Ihre aktuelle Lösung geht verloren – das lässt sich nicht rückgängig machen.

Wird zurückgesetzt
  • main.py → Startcode
  • Terminal-Verlauf und Testausgabe
  • Nicht eingereichte Änderungen
Bleibt erhalten
  • Beste Lab-Punktzahl
  • Ihre XP und Ihre Serie
  • Vorlesungsfortschritt und Notizen

Melde dich an, um deinen Code auszuführen.

Alle Lektionen kannst du kostenlos lesen. Erstelle ein Konto oder melde dich an, um Code auszuführen, Tests zu starten und dieses Lab abzugeben.

  • IDE im Browser mit Bash-Terminal — nichts zu installieren
  • Sofortige Bewertung, XP und dein Platz auf der Skill
Konto erstellenAnmelden
ODER
Weiter mit GitHub