- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化小白上分记
Fama-French三因子回归A股实证（附源码）
01 三因子回归模型 Fama-French三因子回归是量化中最经典的模型之一，最早提出是在论文《Common risk factors in the returns on stocks and bonds Fama-French三因子回归通过计算上述的三个因子，对股票的收益来源进行了分解。本文基于这篇论文，在A股上实现Fama-French三因子回归全流程。论文及源码数据的获取方式见文末。 05 参考文献 Fama E F, French K R. Common risk factors in the returns on stocks and bonds[J].
5.9K13编辑于 2023-04-03 - 来自专栏拓端tecdat
R语言Fama-French三因子模型实际应用：优化投资组合
p=20360 本文将说明金融数学中的R 语言优化投资组合，Fama-French三因子（因素）模型的实现和使用。 Fama-French三因子模型 该示例将说明使用标准普尔500指数中的九种股票的Fama-French三因子模型。 stock_namelist)) data_set <- cbind(data_set, Ad(getSymbols(stock_namelist[stock_index], # 下载Fama-French 1.06 0.38 0.84 #> 2017-11-29 0.02 0.04 1.45 #> 2017-11-30 0.82 -0.56 -0.50 # 计算股票的对数收益率和Fama-French solve(t(F_) %*% F_, t(F_) %*% X_trn)) E <- xts(t(t(X_trn) - Gamma %*% t(F_)), index(X_trn)) # Fama-French
2.4K10发布于 2021-02-26 - 来自专栏拓端tecdat
R语言Fama-French三因子模型实际应用：优化投资组合|附代码数据
p=20360 最近我们被客户要求撰写关于Fama-French三因子模型的研究报告，包括一些图形和统计输出。 本文将说明金融数学中的R 语言优化投资组合，Fama-French三因子（因素）模型的实现和使用具有单一市场因素的宏观经济因素模型我们将从一个包含单个已知因子（即市场指数）的简单示例开始。 Fama-French三因子模型该示例将说明使用标准普尔500指数中的九种股票的Fama-French三因子模型。 1.06 0.38 0.84#> 2017-11-29 0.02 0.04 1.45#> 2017-11-30 0.82 -0.56 -0.50# 计算股票的对数收益率和Fama-French 本文选自《R语言Fama-French三因子模型实际应用：优化投资组合》。
1.1K00编辑于 2023-01-03 - 来自专栏机器之心
教程 | 入门Python神经机器翻译，这是一篇非常精简的实战指南
unique French words.'.format(len(french_words_counter))) print('10 Most common words in the French dataset = preproc_english_sentences.shape[1] max_french_sequence_length = preproc_french_sentences.shape[1] print("French vocabulary size:", french_vocab_size) ? = simple_model( tmp_x.shape, max_french_sequence_length, english_vocab_size, french_vocab_size) , max_french_sequence_length, english_vocab_size, french_vocab_size) embeded_model.fit(tmp_x, preproc_french_sentences
1.5K10发布于 2018-07-26 - 来自专栏拓端tecdat
Fama French (FF) 三因子模型和CAPM模型分析股票市场投资组合风险收益可视化
p=24983 本文我们超越了 CAPM 的简单线性回归，探索了 Fama French (FF) 股票风险/收益的多因素模型。 Fama French 因子的导入和整理 我们的首要任务是获取 FF 数据，幸运的是，FF 在互联网上提供了他们的因子数据。我们将记录导入和清理这些数据的每个步骤。 ---- 本文摘选《R语言Fama French (FF) 三因子模型和CAPM多因素扩展模型分析股票市场投资组合风险/收益可视化》
4.6K30编辑于 2022-03-05 - 来自专栏磐创AI技术团队的专栏
低资源语言的机器翻译
if Clean: # 每个字母转换为小写 df["Target"] = df["Target"].apply(lambda x: str(x).lower()) df["French "] = df["French"].apply(lambda x: str(x).lower()) # 去掉句子中的撇号 df["Target"] = df["Target"].apply (lambda x: re.sub("'", "", x)) df["French"] = df["French"].apply(lambda x: re.sub("'", "", x)) "] = df["French"].apply(lambda x: x.translate(digit)) 基于语言将训练和测试数据划分为两个数据帧。 ","Target"]] train_data = train_data.rename(columns={"French":"input_text","Target":"target_text"})
1.5K40发布于 2021-10-27 - 来自专栏量化投资与机器学习
因子战国：q-factor模型的五大讨论！
90年代初期，Eugene Fama和Ken French（Fama-French）发表了经典的三因子模型，在CAPM中加入了市值和价值两个维度作为风险因子。 此后，Fama-French继续改善三因子模型，又添加了投资和盈利两个因子。 许多学者一直在持续搜寻能更好解释股票长期回报的因子，希望能对Fama-French的研究进行改进。 Jack：对于哪些风险因子最能解释股票的长期收益，学术界一直在争论，从CAPM模型和Beta因子，到后来Fama-French改进的三因子模型（加入了价值和市值作为风险因子），以及之后Fama-French Fama-French 系列模型的演化 从1992年Fama-French首次发布FF-3因子模型开始，因子投资的形式逐渐深入人心。 与Fama-French（1993，1996）不同。
2.6K21发布于 2019-09-17 - 来自专栏Ryan Miao
国家语言，语言代码，locale id对应表
fo 1080 438 1252 Farsi - Persian fa fa 1065 429 1256 Filipino 1124 464 Finnish fi fi 1035 1252 French - Belgium fr fr-be 2060 1252 French - Cameroon fr 11276 French - Canada fr fr-ca 3084 1252 French - Congo fr 9228 French - Cote d'Ivoire fr 12300 French - France fr fr-fr 1036 1252 French - Luxembourg fr fr-lu 5132 1252 French - Mali fr 13324 French - Monaco fr 6156 1252 French - Morocco fr 14348 French - Senegal fr 10252 French - Switzerland fr fr-ch 4108 1252 French - West Indies fr 7180
10.4K70发布于 2018-03-14 - 来自专栏ml
yaml配置文件编写小案例(python版)
yaml配置文件： --- doe: "a deer, a female deer" ray: "a drop of golden sun" pi: 3.14159 xmas: true french-hens calling-birds: - huey - dewey - louie - fred xmas-fifth-day: calling-birds: four french-hens "dewey", "louie", "fred" ], "doe": "a deer, a female deer", "french-hens golden sun", "xmas": true, "xmas-fifth-day": { "calling-birds": "four", "french-hens
53840发布于 2021-02-02 - 来自专栏bit哲学院
【python高级编程】namedtuple用法--给元组中的每个元素命名
_cards[position] >>> french_deck = FrenchDeck() >>> french_deck[0] Card(rank='2', suit='spades') >>> french_deck[0].rank '2' >>> french_deck[0].suit 'spades'
3.7K40发布于 2020-12-24 - 来自专栏量化投资与机器学习
新颖研究 | 长期投资与三角形的可视化邂逅（附代码）
图5：长期Fama-French价值因子投资组合与市场投资组合的表现（年度，1969年1月至2019年3月） ? 图6：长期Fama-French规模因子投资组合与市场投资组合的表现（年度，1969年1月至2019年3月） ? 图7：长期Fama-French动量因子投资组合与市场投资组合的表现（年度，1969年1月至2019年3月） ▍4.2 优异指标三角形 关于Fama-French因子组合的好处可以追溯到1926年的数据 图8：长期Fama-French价值因子投资组合与市场投资组合的优异指标（年度，1969年1月至2019年3月） ? 图9：长期Fama-French规模因子投资组合与市场投资组合的优异指标（年度，1969年1月至2019年3月） ?
97630发布于 2019-07-10 - 来自专栏技术从心
Java8如何使用流收集数据？
false, 700, Dish.Type.MEAT), new Dish("chicken", false, 400, Dish.Type.MEAT), new Dish("french 除此之外，也可以指定拼接符： list.stream().map(Dish::getName).collect(joining("，")); // pork，beef，chicken，french fries System.out.println(dishesByCalories); 输出结果：{DIET=[chicken, rice, season fruit, prawns], NORMAL=[beef, french 返回结果是一个二级Map，输出结果{FISH={DIET=[prawns], NORMAL=[salmon]}, OTHER={DIET=[rice, season fruit], NORMAL=[french ::isVegetarian)); System.out.println(map); 输出结果：{false=[pork, beef, chicken, prawns, salmon], true=[french
1K30发布于 2019-11-04 - 来自专栏量化投资与机器学习
中国版四因子模型，加入情绪指标，6不6？
从CAPM(Treynor, Sharpe, Linter, and Mossin)，FF-3(Fama and French)，Carhart-4(Fama, French, and Carhart) Fama-French的三因子模型深入人心，无论是在学术界还是投资界，都得到广泛的应用，被奉为因子投资的开山鼻祖。 数据来源：French Data Library. 当年Fama French构建三因子模型的第一步，是在一组价值因子候选比率中，选出具有最强价值效应的估值比率。 中国版三因子模型CH-3 根据中国特色及以上测试结果，作者对Fama French的三因子模型的构建方法在局部上做出了调整。
3.3K30发布于 2019-05-16 - 来自专栏ops技术分享
Python格式处理--配置文件
配置文件 [english] greeting = Hello [french] greeting = Bonjour [files] home = /usr/local # 简单的插入： bin = %(home)s/bin import configparser cfg = configparser.ConfigParser() cfg.read('settings.cfg') cfg['french '] cfg['french']['greeting'] cfg['files']['bin'] #返回节点列表 config.sections() #指定节点下的 config.options(section
31420发布于 2021-06-21 - 来自专栏飞鸟的专栏
Elasticsearch 高级操作-映射（四）
object", "properties": { "title": { "type": "text", "analyzer": "french 我们还覆盖了title字段的analyzer属性，将其值设置为french，以便使用法语分析器对book.title字段进行分析。
38010编辑于 2023-05-08 - 来自专栏杨熹的专栏
RNN与机器翻译
例如输入的语言是 French，目标语言是 English，我们希望翻译的概率达到最大。 也就是，如果给了f，它被翻译成e的概率最大，那e就是翻译的结果。 ? 这里有三个模块: 第一个是 Translation Model，是通过训练 parallel corpora 得到的，就是有一句 French，一句对应的 English。 第一个模块，会把输入的 French 句子，切割成单词和短语，然后去 parallel corpora 找对应，然后再把它们拼起来。 这个图里，左边是 English，右边是 French，右边的 Le 是没有对齐翻译的，模型需要识别出来。 ? 这还算简单点，因为 English 和 French 的语序差不多，如果遇到不同语序的一对，那几乎需要翻转所有单词。 还会有一个 French 可以对应多个 English： ?
1.8K50发布于 2018-04-02 - 来自专栏python前行者
python语言转换库snowballstemmer
'danish': 丹麦语, 'dutch': 荷兰语, 'english': 英语, 'finnish': 芬兰语, 'french': 法语, 'german import snowballstemmer >>> snowballstemmer.algorithms() ['danish', 'dutch', 'english', 'finnish', 'french
1.9K40发布于 2019-03-25 - 来自专栏Activemq
PHP cal_to_jd() 函数
必须是下面这些常量之一：CAL_GREGORIANCAL_JULIANCAL_JEWISHCAL_FRENCH month 必需。以数字规定月。 day 必需。以数字规定日。 year 必需。 CAL_GREGORIAN CAL_JULIAN CAL_JEWISH CAL_FRENCH month必需。以数字规定月。day必需。以数字规定日。year必需。以数字规定年。
65200发布于 2021-08-22 - 来自专栏Activemq
PHP cal_from_jd() 函数
必须是下列值之一：CAL_GREGORIANCAL_JULIANCAL_JEWISHCAL_FRENCH CAL_GREGORIAN CAL_JULIAN CAL_JEWISH CAL_FRENCH
66200发布于 2021-08-22 - 来自专栏前端自习课
【Web技术】502- Web 视频播放前前后后那些事
/french/ ├──segment0.mp4 ├──segment1.mp4 └──segment2.mp4 . segment0_video_720p_audio_esperanto_320kbps.mp4 segment0_video_720p_audio_french_128kbps.mp4 segment0 _320kbps.mp4 segment1_video_240p_audio_french_128kbps.mp4 segment1_video_240p_audio_french_320kbps.mp4 segment2_video_240p_audio_esperanto_320kbps.mp4 segment2_video_240p_audio_french_128kbps.mp4 segment2 _320kbps.mp4 segment2_video_720p_audio_french_128kbps.mp4 segment2_video_720p_audio_french_320kbps.mp4
2.1K00发布于 2020-02-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号