- 博客(11)
- 收藏
- 关注
RSS订阅原创 如何根据市场证券价格涨跌数据进行聚类研究
本专栏上期文章讨论了根据证券价格变动百分比序列相似度分析证券之间价格关联关系和构建证券市场价格关联关系网络的方法及其应用，本期文章将应用上期介绍的证券市场价格关联关系网络对市场上的证券节点进行聚类研究。复杂网络节点聚类可采用的方法有谱平分法、变色龙算法、群体动力学模型和粒子竞争模型等。这里就以粒子竞争模型为例进行聚类分析。粒子竞争模型的主要思路是：1. 初始化若干携带能量的粒子随机散落在网络节点上，粒子通过访问节点增加粒子对节点的控制力，节点访问次数最大的粒子是节点的控制粒子，控制节点的粒子的访问次
2022-03-22 17:50:52
1617
原创 如何分析市场各证券交易价格之间的关联关系网络
本专栏前期提供的关于证券市场业绩价值建模的方法论，适合用于分析证券市场长期有效程度、证券实质价值背书以及估值泡沫风险等问题。然而，现实市场在价值规律之外，还要受到各种非内在价值因素影响，例如国际问题冲击、宏观政策变动、投机者话题炒作、代理人道德风险等等。因此，现实市场经常会出现或长或短时期或严重或轻微的机制失效和价值偏离。一旦市场参与者无法遵循价值规律达成理性共识，由浓厚炒作情绪促成的投机共识便占领市场上风，技术指标则成为分析的主流。其中，板块股、概念股、关联股的同涨同跌、轮涨轮跌就是此类技术分析共识的典型
2022-03-22 17:46:29
1711
原创 使用Python库valuequant实现股权价值多模型加权整合
本专栏上期文章介绍使用公司利润表历史数据建立多维度时间序列集模型进行股权价值评估的分析方法，以解决单一每股收益时间序列模型因信息缺乏而出现较大误差的问题。本期文章继续在前期讨论的基础上，介绍在历史数据相邻时间点模型出现一定程度差异或者需要进行多种时间序列建模方法评估时可使用的一种加权整合方法。适合的建模场景 使用截止相邻不同时间点的历史数据构建的时间序列(集)模型的参数有一定程度差异，需要充分考虑不同时期模型信息以缓和突发性非稳定因素对建模工作的影响。 使用多种时间序列建模方法构建模型，
2022-03-03 23:35:31
446
原创 使用Python库valuequant和利润表历史数据计算股权价值
本专栏上期文章论述了使用每股收益历史数据分析上市公司普通股东所持股权价值的理论依据、计算指标和实际操作方法，同时也提到了公司每股收益历史时间序列受众多因素复合影响从而单一使用每股收益数据会使模型出现较大的误差。因此，本期将对公司利润表数据维度进行拆解，剖析利润表收益的组成要素，进行多层次的公司获利能力分析。上市公司的利润表结构国内上市公司定期发布的财务报表有普通、银行、证券、保险四类结构规范，上市公司按其实际行业采用相应的结构规范发布数据。以普通行业为例，如下树状图，综合收益总额可按利润表结构进行逐
2022-03-02 11:27:04
954
原创 使用Python库valuequant和每股收益历史数据计算股权价值
假设某公司的一个普通股东，其股权比例对公司决策而言微不足道，也未能参与公司管理而无法获得代理人之灰色便利，那么该股东的股权价值应该如何估算？这是股权证券市场上绝大多数投资者需要思考的问题。按照金融学基础理论，股权资产价值应当来自股东因持有股权而获得的未来股息以及因出售股权而获得的未来收益的贴现值。然而实际市场上，多数上市公司尤其很多新兴领域上市公司都甚少派息或者不派息，能够长期稳健派息的上市公司少之又少；而股权未来价格也因市场投机风气盛行而难以预料。所以该基础理论方法难以付诸实践。但是，资产必须未来
2022-03-02 11:19:42
4458
原创 使用Python库valuequant处理时间序列结构变化的建模方法4
本期在之前三期关于时间序列结构变化讨论的基础上，再对建模方法稍做变化，以适应不同场景。需要注意的是，包括本期在内关于使用Python处理时间序列结构变化的方法，都源于自动化批量识别时间序列结构变化的需求。场景描述（1）时间序列具有季节周期，且季节项估计误差使得趋势项估计存在明显的异方差（2）时间序列的随机项波幅较大，时间序列的趋势容易被剧烈的非周期波动掩盖（3）需要识别时间序列当前趋势状态，即识别时间序列当前n阶差分正负偏向（4）避免短期异常造成识别过敏（5）对时间序列当前趋势状态的
2022-01-27 14:31:25
1040
原创 使用Python库valuequant处理时间序列结构变化的建模方法3
继续前两期关于外生刺激复杂多变条件下时间序列数据结构变化处理的讨论。本期介绍第3种需求场景及其建模方法。场景描述（1）时间序列具有季节周期，且季节项估计误差使得趋势项估计存在明显的异方差（2）时间序列的随机项波幅较大，时间序列的趋势容易被剧烈的非周期波动掩盖（3）需要敏感识别时间序列当前趋势状态，即敏感识别时间序列当前n阶差分正负偏向（4）对时间序列当前趋势状态的判定需要足够的时间步数据进行验证（5）对未经足够时间步数据验证的数据突变持保守态度（6）区分趋势明确的部分和趋势模糊的
2022-01-19 13:02:24
835
原创 使用Python库valuequant处理时间序列结构变化的建模方法2
继续上期关于外生刺激复杂多变条件下时间序列数据结构变化处理的讨论。本期介绍第2种需求场景及其建模方法。场景描述（1）时间序列的非周期波动比较大（2）需要识别时间序列当前趋势状态，即识别时间序列当前n阶差分正负偏向（3）时间序列的趋势变化容易被剧烈的非周期波动掩盖（4）对时间序列当前趋势状态的判定需要足够的时间步数据进行验证（5）对时间序列的未来估计只考虑符合当前趋势的最新信息（6）环境多变，数据稀疏量少，暴力型大数据算法不适用建模方法第一步，针对第(2)点需求，计算时间序
2022-01-18 15:02:09
442
原创 使用Python库valuequant处理时间序列结构变化的建模方法1
本专栏往期文章曾讨论过，在外生刺激复杂多变的条件下，时间序列数据会发生结构变化，使得过时数据不再适用于当前时间序列建模。一般时间序列计量建模方法本身，并不兼备识别结构变化参数和变化时间点功能；而常用结构稳定性计量检验方法也需要较多的人工干预或计算资源投入，此问题在处理大量时间序列建模需求时尤其突出。为了解决量化研发过程中处理大量时间序列建模需求时遇到的结构变化问题，本人琢磨了一系列处理时间序列结构变化的建模方法，分别适用于不同场景的时间序列分析。本期介绍第1种需求场景及其建模方法。
2022-01-17 13:28:08
2415
原创 使用ARIMA和Python建立时间序列模型及其问题
继专栏上期介绍使用N阶差分项假设检验和Python识别时间序列形态，本期介绍使用ARIMA(整合差分移动自回归模型)和Python建立时间序列模型的方法，以及该方法在批量时间序列建模过程中会遇到的问题。对于时间序列建模工作而言，一个关键的难题在于，影响时间序列的外界因素可能是繁杂而多变的，而在某些情况下，时间序列数据的时间间隔又是十分稀疏的。比如上市公司的季度营业收入数据，其繁杂的影响因素可能在一个或有限数个季度内发生了明显的变化，但是收集到的季度数据样本量却不足以可信地描述这些因素对上市公司季度收入的
2021-12-02 14:57:32
2423
原创 使用假设检验和Python识别时间序列形态
继本专栏上期介绍上市公司利润表时间序列的标准化处理，本期介绍用于时间序列曲线形态识别的统计方法，以及批量识别时间序列曲线形态的计算机程序的Python代码实现。当我们去识别时间序列随时间是增长还是下降，是匀速增长还是加速增长的时候，最简单的方法是使用绘图工具将时间序列数据绘制成折线图，再通过视觉判断时间序列的形态。但是，使用视觉判断的方法，在时间序列波动较大时，很容易陷入主观性视觉误判，这一点依靠人工标注进行训练的视觉智能算法也无法避免。尤其在处理大量时间序列曲线时，通过人工去进行时间序列形态分类的缺陷
2021-11-24 22:33:14
907
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人