利用股票指数简化投资组合模型

MATLAB 的股票投资组合构建功能，真的是金融里的一个老牌利器了，尤其是搞量化的小伙伴，用起来得心应手。它用的是均值方差模型，说白了就是在控制风险的前提下，尽量让收益最大化。 历史收益数据的，在Stock-Portfolio-Builder-master项目里都有封装好的脚本，省去了不少手动采集的麻烦。你只要喂给它一份股票的历史价格数据，它就能自动算出每日收益率，响应也快，逻辑也清晰。 期望回报和方差的计算，也就几行代码的事，用的是 MATLAB 自带的统计工具箱。平均收益率越高，预期越好；方差越大，波动也就越高。两者一起看，才能挑出那些“收益高但风险低”的宝藏组合。 讲协方差矩阵有点抽象，

为教育和研究提供基础的Treynor-Black投资组合管理模型简化版本。此模型应用现代投资组合管理原则，结合被动和主动投资组合组件。它支持多头和空头头寸管理，并允许模块化扩展估计参数。本示例引用自Bodie、Kane和Marcus的《投资》第9版。

由于工作原因，我的投资账户分散在不同国家和经纪商，涉及多种货币（GBP、SGD、HKD）。向雇主合规部门报告个人账户交易一直是手动操作，非常耗时。我也无法清晰了解整体投资组合的绩效和构成，从而做出明智的投资决策。 为此，我自主开发了投资组合分析工具，整合我在各个国家和经纪人之间的所有交易。该工具通过 API 连接 Yahoo Finance 获取市场数据，帮助我有效管理跨境投资组合。

包含三个m文件，用于通过指数加权移动平均线估计由两只股票价格组成的投资组合的风险价值（VaR）。主要功能为“ewmaestimatevar”，可帮助您计算所需的VaR值。此外，文章还提供了不同置信水平下的相关图表。

该项目提供了计算投资组合欧米伽值的 Matlab 函数。

2018年[WAFR 2018，共同第一作者]，我成功地将信号时态逻辑（STL）与Hamilton-Jacobi可达性（HJ-Reachability）相结合，以提高机器人的安全性和时变目标实现能力。在攻读硕士学位期间，我专注于此项目的研发，并在2018年机器人技术基础研讨会上发表。最近，我开发了一个更为平稳稳定的MPC控制器，取代了传统的bang-bang控制器。想了解更多关于新旧控制器性能对比的信息，请访问{链接}。在AA203最佳控制入门课程中，我应用非线性轨迹优化技术，成功启动了斯堪的纳维亚轻型动力系统的非线性轨迹模型。

利用仿真模型可以深入理解电阻串联和并联的组合方式。

假设股票交易成本为交易额的 1%，那么即使当前持有的股票比例与理论最优解不同，也不一定需要立即调整。这是因为： 交易成本会降低预期收益： 卖出当前股票并买入新的股票会产生交易成本，这将直接降低投资组合的整体收益。 偏离程度与调整成本的权衡： 如果当前组合与最优组合的偏离度不大，那么调整带来的收益可能不足以弥补交易成本，此时不调整可能更为合理。 为了确定是否需要调整，我们需要计算调整到最优组合所需的交易成本，并将其与调整带来的预期收益增量进行比较。如果预期收益增量大于交易成本，则进行调整是合理的；反之，则不应调整。

其它目标下的投资组合模型讲的是一种挺有意思的思路——不再单盯着收益的方差来衡量风险，而是考虑实际中更常见的非对称分布下，怎么把下侧风险搞清楚。里面提到的半方差、downside risk，对搞金融建模的你应该不陌生。讲得挺实在，还有个用 ANSYS Workbench 做的工程例子，虽说是金融建模，但工程味也挺浓的，值得一看。