『曲线构建系列 2』多曲线方法 (基差)

本文含4659字,29图表截屏建议阅读60分钟本篇是金融工程系列的第八篇,总体内容如下:曲线构建 - 多曲线方法 (基差)曲线构建 - 多曲线方法 (抵押品)产...
摘要由CSDN通过智能技术生成

本文含 4659 字,29 图表截屏

建议阅读 60 分钟

本篇是金融工程系列的第八篇,总体内容如下:

  1. 弄清量化金融十大话题 (上)

  2. 弄清量化金融十大话题 (下)

  3. 金融工程高度概览

  4. 日期生成

  5. 变量计算

  6. 模型校正

  7. 曲线构建 - 单曲线方法

  8. 曲线构建 - 多曲线方法 (基差)

  9. 曲线构建 - 多曲线方法 (抵押品)

  10. 产品估值理论

  11. 产品估值 - 解析法和数值积分法 (CF)

  12. 产品估值 - 偏微分方程有限差分法 (PDE-FD)

  13. 产品估值 - 蒙特卡洛模拟法 (MC)

  14. 风险计量 - 敏感度 (Greeks & Sensitivities)

  15. 风险计量 - 风险价值 (VaR)

  16. 风险计量 - 价值调整 (XVA)

上贴〖曲线构建 - 单曲线方法〗最后得出的结论是,每个国家都有自己的利率市场以及相应的折现曲线,除美国之外,其他国家的外汇市场也有相应的折现曲线。上贴也留下了两个问题:

  1. USD LIBOR 3M 是 USD 折现曲线,当然也可以计算 3M-LIBOR,那么     1M-LIBOR 和 6M-LIBOR 怎么计算呢?也是用 LIBOR 3M 这条曲线?(提示: 利率基差

  2. EURUSD 的外汇掉期点 1Y 之后就不活跃了,那么 1Y 之后的 EUR 外汇曲线做折现还合适吗?(提示: 跨货币基差

本帖目录如下:

目录

第一章 - 基础知识

    1.1 IBOR 利率

    1.2 IBOR 基差

    1.3 多曲线构建框架

第二章 - 用利率基差建曲线

    2.1 市场报价

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
构建多目标accuracy曲线,首先需要准备多个模型,并使用这些模型对数据进行训练和预测。然后,可以使用sklearn.metrics库中的multilabel_confusion_matrix()函数计算多标签混淆矩阵,并使用该函数中的参数来控制标签的阈值。最后,可以使用matplotlib库中的plot()函数将多个模型的accuracy曲线绘制到同一图表中。 以下是一个简单的示例代码: ``` from sklearn.metrics import multilabel_confusion_matrix import matplotlib.pyplot as plt # 训练和预测多个模型 models = [model1, model2, model3] y_pred = [model.predict(X_test) for model in models] # 计算多标签混淆矩阵和accuracy thresholds = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9] confusion_matrices = [] accuracies = [] for threshold in thresholds: y_pred_thresholded = [((y >= threshold).astype(int)) for y in y_pred] confusion_matrix = multilabel_confusion_matrix(y_test, y_pred_thresholded) true_positives = confusion_matrix[:, 1, 1].sum() false_positives = confusion_matrix[:, 0, 1].sum() true_negatives = confusion_matrix[:, 0, 0].sum() false_negatives = confusion_matrix[:, 1, 0].sum() accuracy = (true_positives + true_negatives) / (true_positives + true_negatives + false_positives + false_negatives) confusion_matrices.append(confusion_matrix) accuracies.append(accuracy) # 绘制多目标accuracy曲线 plt.plot(thresholds, accuracies, label='Model 1') plt.plot(thresholds, accuracies, label='Model 2') plt.plot(thresholds, accuracies, label='Model 3') plt.legend() plt.xlabel('Threshold') plt.ylabel('Accuracy') plt.show() ``` 在这个示例中,我们使用三个模型并计算了多个阈值下的多标签混淆矩阵和accuracy。然后,我们使用plot()函数将三个模型的accuracy曲线绘制到同一图表中。请注意,这只是一个简单的示例,你可以根据自己的需求进行修改和调整。

“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