黑石集团发展史--推荐《资本之王》

        最近在阅读《资本之王》,全面认识了黑石集团,这个让中国有爱又恨的上市公司(中投在07年黑石上市以每股29.605美元/股的投资价购买了30亿美元的股份,目前黑石的股票价格还在13美元/股,算上2008年中投以9-10美元/股增持的2.5%股权,如今浮亏也依然达到50%)。其实作为长期战略投资,相信我们还是有得赚的,只是投资效率和资本运作率太低了。
        这本书全面介绍了黑石集团的业务和成长发展,从两位创始人的经历到黑石诞生时的艰难,到后来在私募股权市场上的呼风唤雨,再到最后的成功上市。让读者身临其境般的体味了美国的资本运作,并购业务的场景。书中浓墨重彩的展示了黑石集团创始人之一史蒂夫·施瓦茨曼的人生经历,以及他与黑石的浮浮沉沉,介绍了这些事件背后千丝万缕的影响因素。黑石的成功与两位创始人尤其与施瓦茨曼有着密不可分的关联。
        如今中国的私募行业正在如火如荼的发展中,有句笑话就是:你去发廊,理发师都会跟你谈PE。真是全民PE的时代。这本书正好可以让我们好好了解一下全球最好的私募基金公司的发展历程。另外,本人也简单收集了一下其他7家顶级PE公司,他们是:PE中的领袖--KKR;以投资界“总统俱乐部“著称的凯雷;以“专业经营”模式帮助企业迅速成长的华平;“华尔街秃鹫”--橡树;英国的私募大佬--3i;在市场低迷时出手,专注科技领域--德州太平洋集团;点石成金的“独行侠” ,擅长不良资产收购--阿波罗;有兴趣的朋友可以继续研究其他几家PE,他们已经在中国开展了若干业务,例如3i投资的港湾集团,小肥羊集团;华平投资的学大教育、红星美凯龙;
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 首先,您需要安装必要的库,例如NumPy、Pandas和SciPy。然后,您可以使用以下代码实现绝对观点的Black-Litterman模型: ```python import numpy as np import pandas as pd from scipy.optimize import minimize def black_litterman(returns, cov_matrix, tau, Pi, Q): n = returns.shape[0] returns = returns.values cov_matrix = cov_matrix.values omega = np.multiply(tau, cov_matrix) def objective_function(x, sign=1.0): portfolio = x portfolio_return = np.sum(returns * portfolio) portfolio_risk = np.sqrt(np.dot(portfolio.T, np.dot(cov_matrix, portfolio))) objective = sign * (portfolio_return - Q) / portfolio_risk return objective constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1}, {'type': 'eq', 'fun': lambda x: np.dot(x, Pi) - Q}) bounds = [(0, 1) for i in range(n)] initial_guess = np.ones(n) / n result = minimize(objective_function, initial_guess, method='SLSQP', bounds=bounds, constraints=constraints) optimal_weights = result.x pi = np.dot(np.linalg.inv(cov_matrix + omega), np.dot(cov_matrix, optimal_weights) + tau * Pi) return pi returns = pd.read_csv("stock_returns.csv", index_col=0) cov_matrix = pd.read_csv("cov_matrix.csv", index_col=0) tau = 0.05 Pi = np.array([0.01, 0.02, 0.03, 0.04]) Q = 0.03 weights = black_litterman(returns, cov_matrix, tau, Pi, Q) print(weights) ``` 在这段代码中,`returns` 是一个 pandas DataFrame,包含股票收益率数据。`cov_matrix` 是一个 pandas DataFrame,包含股票收益率协方差矩阵。其他参数,如`tau`、`Pi`和`Q`是预先定义的超额收益率、绝对观点和目标 ### 回答2: 黑石——利特曼(Black-Litterman)模型是一种投资组合理论模型,结合马科维茨(Markowitz)均值方差模型和资产配置的观点,用于确定最优资产配置比例。以下是一个可以直接带入股票数据,使用绝对观点的黑石——利特曼模型的Python代码示例: ```python import numpy as np # 定义函数计算黑石——利特曼模型资产分配 def black_litterman(stock_returns, views, view_confidences, risk_aversion): # 计算历史收益率协方差矩阵 cov_matrix = np.cov(stock_returns.T) # 计算市场组合历史收益率 market_returns = np.mean(stock_returns, axis=0) # 计算市场组合权重 market_weights = market_returns / np.sum(market_returns) # 计算风险偏好系数 p = np.dot(np.dot(view_confidences, cov_matrix), views) * risk_aversion # 计算资产预期收益率 expected_returns = np.dot(np.dot(market_weights, cov_matrix), market_weights.T) + p # 计算资产权重 asset_weights = np.dot(np.linalg.inv(risk_aversion * cov_matrix), expected_returns) return asset_weights # 设定股票数据 stock_returns = np.array([[0.01, -0.02, 0.03], [-0.03, 0.02, 0.01], [0.02, 0.01, -0.03], [0.03, -0.01, -0.02]]) # 设定观点 views = np.array([[0.02, 0.01, -0.01, 0.03]]).T # 设定观点置信度 view_confidences = np.array([[1]]) # 设定风险偏好系数 risk_aversion = 0.5 # 调用黑石——利特曼模型函数 asset_weights = black_litterman(stock_returns, views, view_confidences, risk_aversion) print("资产权重:") for i in range(len(asset_weights)): print(f"资产{i + 1}: {asset_weights[i]}") ``` 此代码示例中,我们首先定义了一个函数 `black_litterman` 来计算黑石——利特曼模型的资产分配。然后我们根据输入的股票数据、观点、观点置信度和风险偏好系数,调用该函数来计算最优的资产权重。最后,打印出每个资产的权重。 请注意,这只是一个简单的代码示例,实际应用中可能需要做更多的数据预处理、模型验证和调整。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值