Python量化投资实践：基于蒙特卡洛模拟的投资组合风险建模与分析
蒙特卡洛模拟是一种基于重复随机抽样获取数值结果的计算算法。该方法的核心原理在于利用随机性解决本质上可能具有确定性的问题。其命名源自摩纳哥的蒙特卡洛赌场，这体现了该方法中固有的随机性特征。在金融与交易等多个领域，该方法被广泛应用于不确定性场景的建模和风险影响评估。 在金融应用领域，蒙特卡洛模拟主要用于股票和加密货币市场的分析。通过构建资产价格的多种可能路径来预测未来价格走势。考虑到金融市场的随机特....
使用 Python 模拟蒙特卡洛实验
使用 Python 模拟蒙特卡洛实验蒙特卡洛方法是一种使用随机采样来解决数学问题的统计学技术。它通常用于计算复杂系统的概率、优化问题和物理模拟等领域。在这篇文章中，我们将通过一个经典的问题——估算圆周率 (π) 的值，来演示如何使用 Python 进行蒙特卡洛实验。 蒙特卡洛估算 π 的基本原理蒙特卡洛方法可以用来估算 π 的值。假设我们在一个边长为 2 的正方形内绘...
Python随机波动性SV模型：贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
全文链接：https://tecdat.cn/?p=33885 本文描述了帮助客户使用马尔可夫链蒙特卡洛（MCMC）方法通过贝叶斯方法估计基本的单变量随机波动模型，就像Kim等人（1998年）所做的那样（点击文末“阅读原文”获取完整代码数据）。 定义模型以及从条件后验中抽取样本的函数的代码也在Python脚本中提供。 ...
Python用MCMC马尔科夫链蒙特卡洛、拒绝抽样和Metropolis-Hastings采样算法
原文链接：http://tecdat.cn/?p=27267 我们将研究两种对分布进行抽样的方法：拒绝抽样和使用 Metropolis Hastings 算法的马尔可夫链蒙特卡洛方法 (MCMC)。像往常一样，我将提供直观的解释、理论和一些带有代码的示例。 背景 在...
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
这篇文章介绍了一类离散随机波动率模型，并介绍了一些特殊情况，包括 GARCH 和 ARCH 模型。本文展示了如何模拟这些过程以及参数估计。这些实验编写的 Python 代码在文章末尾引用。 离散随机波动率模型 是一个随机基，有...
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
预测股价已经受到了投资者，政府，企业和学者广泛的关注。然而，数据的非线性和非平稳性使得开发预测模型成为一项复杂而具有挑战性的任务。在本文中，我将解释如何将 GARCH，EGARCH和 GJR-GARCH 模型与Monte-Carlo 模拟结合使用， 以建立有效的预测模型。金融时间序列的峰度，波动率和杠杆效应特征证明了GARCH的合理性。时间序列的非线性特征用于检查布朗运动并研究时间演化模式。非线....
使用Python基础与蒙特卡洛算法实现排列组合
排列组合是数学中的基本概念，也是编程中常见的问题之一。在Python中，我们可以使用内置的函数或库来轻松实现排列组合。然而，对于那些想要深入了解算法实现细节的新手朋友，从头开始编写代码将是一个很好的学习机会。本文将介绍如何使用Python基础知识和蒙特卡洛算法来实现排列组合，并通过案例和代码进行详细解释。 ...
【Python强化学习】蒙特卡洛法讲解及在冰湖问题中实战（图文解释 附源码）
需要源码请点赞关注收藏后评论区留言私信~~~随机性策略首先生成一个随机初始化的随机性策略def create_random_policy(env): pi = np.ones([env.observation_space.n, env.action_space.n]) # 用数组来存储策略 p = 1 / env.action_space.n return pi * p...
【Python强化学习】马尔可夫决策过程与蒙特卡洛近似算法讲解（图文解释）
觉得有帮助请点赞关注收藏~~~马尔可夫决策过程如果系统的下一个状态s_t+1的概率分布只依赖于它的前一个状态s_t，而与更早的状态无关，则称该系统满足马尔可夫性。即对任意的时间t，对任意的状态s_t、s_t+1，均有下面的条件概率等式：P(s_t+1│s_t)=P(s_t+1│s_1,s_2,…,s_t)马尔可夫性完全忽视了过往历史的影响，大大减少了系统建模的复杂度和计算量，是常用的建模简化假定....
python实现井字棋小游戏（使用蒙特卡洛搜索树进行训练）
需要源码请点赞关注收藏后评论区留言或私信博主蒙特卡洛搜索树是一类算法的统称，它适用于零和且确定环境的游戏，现在用蒙特卡洛搜索树算法对井字棋进行训练。训练要求将模拟次数设定为2000次，即每个状态都模拟2000次到达终点，到到达胜利叶子节点则回溯得一分，失败或平局则不得分。 代码运行效果如下 部分代码如下 # 深度强化学习——原理、算法与PyTorch实战，代码名称：代31-例8.6-基....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。