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 AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • 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 AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de Linear Algebra›Módulo 4 · Mínimos cuadrados y factorizaciones›Tema 4.4·~1 h 30 minIntermedio

Proyecto final: regresión MCO desde cero

Posición en la rutaMódulo 4 de 4 · Tema 4 de 4
4.4 Proyecto final: regresión MCO desde cero
—Puntuación del lab— / 100XP total—Racha—

Una regresión es una proyección y QR la calcula

Todo lo de esta habilidad confluye en un solo cálculo. La regresión de una respuesta y sobre regresores en las columnas de X proyecta y sobre el espacio de columnas de X; los coeficientes β̂ son los pesos de esa proyección y el residuo es ortogonal a cada regresor. Para hallar los pesos sin elevar al cuadrado el número de condición, se factoriza X=QR y se resuelve el sistema triangular Rβ̂=Qᵀy por sustitución hacia atrás. Es lo que hace una biblioteca cuando se llama a una rutina de mínimos cuadrados.

X=QR, Rβ̂=Qᵀy, R²=1-(‖e‖²)/(‖y-ȳ1‖²)

En finanzas, la respuesta es el rendimiento diario de una acción y los regresores son los rendimientos del mercado y de otros factores. El intercepto α es el rendimiento medio no explicado por los factores, cada pendiente β es la sensibilidad a un factor y R² es la parte de la varianza de la acción que explican los factores. Se calculan con rendimientos simples diarios rₜ=Pₜ/Pₜ₋₁-1, usando solo los días en que todas las series tienen rendimiento.

Qué esperar con AppleRegresar AAPL sobre SPY (el mercado) y MSFT desde 2018 da aproximadamente β_SPY≈1,01, β_MSFT≈0,17, R²≈0,58 y un α de cerca de 0,035 por ciento diario a lo largo de 2171 días. Una beta cercana a uno indica que Apple se mueve casi uno a uno con el mercado, y el R² indica que el mercado y Microsoft explican algo más de la mitad de su varianza diaria; el resto es propio de Apple. Tome el α con cautela: los precios están ajustados y en el archivo solo hay empresas sobrevivientes, lo que lo favorece.
  • Gram-Schmidt modificado construye Q y R; reste cada proyección del vector actualizado.
  • La sustitución hacia atrás resuelve un sistema triangular desde la última fila hacia arriba.
  • La columna de unos da el intercepto; sin ella, el ajuste se fuerza a pasar por el origen.
Los factores correlacionados se reparten el méritoSPY y MSFT se mueven juntos, así que la matriz de datos no está perfectamente condicionada. Aquí las betas siguen bien determinadas porque ambas series distan de ser idénticas, pero añadir un tercer factor casi combinación de ellas haría oscilar las betas individuales mientras los valores ajustados apenas cambian. Use el número de condición de X como luz de alarma.

Lab: qué se califica

  • Gram-Schmidt modificado25 pts
  • Sustitución hacia atrás15 pts
  • Un ajuste MCO con QR30 pts
  • Betas con rendimientos reales30 pts
Explorador · lab-la-10
▾ lab-la-10
▾ data
…
bash · en el navegador
learner@quantcraft:~/lab-la-10$
Python aún no cargadoPythonLn 1, Col 1Spaces: 4UTF-8

¿Restablecer este tema?

Todo lo que hay en lab-la-10 vuelve a los archivos iniciales y se limpia el terminal. Tu solución actual se perderá: no se puede deshacer.

Se restablecerá
  • main.py → código inicial
  • Historial del terminal y salida de pruebas
  • Cambios sin enviar
Se conservará
  • Mejor puntuación del lab
  • Tu XP y tu racha
  • Progreso de la lección y notas

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub