- 综合排序
- 最热优先
- 最新优先
- 来自专栏PM吃瓜(公众号)
Issue VS risk
问题日志强调的是干系人对项目上的关注和关心（concern），这些关注和关心的英文是“Issue”，这些“issue”可能是项目的问题（Problem）也可能是项目的风险（risk）。 注意风险Risk发生了将会变成项目的问题（Problem），针对Problem往往需要提出变更（change） ?
1.2K30发布于 2019-11-20 - 来自专栏王的机器
Quantopian Risk Model (QRM)
（市场、规模、价值因子）模型 Ross 提出的多因子模型 Arbitrage Pricing Theory（APT） 本帖考虑的是量化平台 Quantopian 中的风险模型（Quantopian Risk 贴心的是 Quantopian 有一个 risk_loading_pipeline 的 API，可以获取所有股票在任何历史时期的上述指标。 展示代码如下： ? ? 有了这些数据，就可以选股（用混合法或整合法）、配置权重（用 MVO, Risk Parity 等等），做回测了。 3 总结 本帖介绍了 QRM，它本质就是个多因子模型，但是有自己独到的处理方法。
1.4K21发布于 2019-11-04 - 来自专栏饶文津的专栏
【ZOJ 1221】Risk
题 题意 给你20个城市的相邻关系，求给定任意两个城市的最短距离 分析 求任意两个城市最短距离，就是用floyd算法，我脑残忘记了k是写在最外层的。 代码 #include<stdio.h> #include<algorithm> #define N 22 using namespace std; int n,x,a,b,test,d[N][N],from,to; void read() { for(int j=1; j<=x; j++) { scanf("%d",&b);
37630发布于 2020-06-02 - 来自专栏用户3246163的专栏
4.4 Bond Risk 债券风险
factor 假设了利率的期限结构，所有利率变化都是一个factor驱动的，利率移动是parallel shift single factor do not protect yield curve risk 了解key rate exposure的特征，包括partial 01s和forward bucket 01s Key rate exposure 使用流动性更强的bond的rate来hedging risk measures risk based on changes in the shape of yield curve partial 01s 用来对冲swap portfolio，使用更多的security forward bucket 01s 用来对冲swap和bond的组合，帮助理解portfolio的yield curve risk key rate exposure value计算原理 initial
2.8K30发布于 2018-09-14 - 来自专栏生信修炼手册
polygenic risk score:多基因风险评分
多基因风险评分，对应的英文如下 polygenic risk score 简称PRS, 计算公式如下 ?
3.4K31发布于 2019-12-19 - 来自专栏佳爷的后花媛
Virtual passport app presents real data risk, experts warn
government's plan to develop an online passport application process could put personal information at risk
41820发布于 2021-03-16 - 来自专栏金融安全
LexisNexis Risk Solutions数字身份与欺诈防范产品套件深度解析
本文对LexisNexis Risk Solutions旗下的五款核心产品——Digital Identity Network®、LexID® Digital、ThreatMetrix、Emailage®和BehavioSec®——进行了详尽的技术分析。这些产品共同构成了一个多层次、协同运作的欺诈防御生态系统,旨在应对日益复杂的全球数字欺诈威胁。
14910编辑于 2026-01-07 - 来自专栏拓端tecdat
R语言风险价值VaR（Value at Risk）和损失期望值ES（Expected shortfall）的估计
风险值（VaR）是在所选概率水平下预测分布分位数的负数。因此，图2和3中的VaR约为110万元。
3.5K20发布于 2020-11-03 - 来自专栏拓端tecdat
风险价值VaR（Value at Risk）和损失期望值ES（Expected shortfall）的估计
风险值（VaR）是在所选概率水平下预测分布分位数的负数。因此，图2和3中的VaR约为110万元。
6K20编辑于 2022-01-13 - 来自专栏拓端tecdat
R语言风险价值VaR（Value at Risk）和损失期望值ES（Expected shortfall）的估计
风险值（VaR）是在所选概率水平下预测分布分位数的负数。因此，图2和3中的VaR约为110万元。
2.2K20发布于 2020-10-23 - 来自专栏拓端tecdat
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
此分析的目的是构建一个过程，以在给定时变波动性的情况下正确估计风险价值。风险价值被广泛用于衡量金融机构的市场风险。我们的时间序列数据包括 1258 天的股票收益。
20210编辑于 2025-01-08 - 来自专栏拓端tecdat
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据|附代码数据
此分析的目的是构建一个过程，以在给定时变波动性的情况下正确估计风险价值。风险价值被广泛用于衡量金融机构的市场风险。我们的时间序列数据包括 1258 天的股票收益
69500编辑于 2023-07-07 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——2001-2017年使用坡度、化学和物理土壤特性得出的土壤肥力能力分类，预测平均值和标准偏差数据集
risk: shallow depth 25 #f3854e Shallow, High erosion risk: textual contrast, High erosion risk: shallow High erosion risk: textual contrast, High erosion risk: shallow depth, High erosion risk: steep slope Slope, High erosion risk: textual contrast, High erosion risk: shallow depth, High erosion risk: steep risk: textual contrast, High erosion risk: shallow depth, High erosion risk: steep slope, Low K, High , High erosion risk: textual contrast, High erosion risk: shallow depth, High erosion risk: steep slope
21210编辑于 2024-02-02 - 来自专栏用户3246163的专栏
1.1 风险管理基础
rate risk equity price risk foreign exchange risk commodity price risk Credit risk：交易对手履约的不确定性 default risk bankruptcy risk downgrade risk settlement risk liquidity risk：未来有足够现金流的不确定性 funding liquidity risk trading liquidity risk Operational risk：非金融范围的不确定性 Legal and regulatory risk：违反规则的不确定性 Business risk risk，OR，需要对冲成本和预算 Foreign currency risk，FR，如果用外币销售产品，pricing risk同时存在 interest risk, FR, 暴露给利率波动的风险 在银行risk function operate上数据有限 2. risk function也被银行risk appetite影响 3.
1.9K30发布于 2018-09-14 - 来自专栏用户3246163的专栏
[和坚FRM1学习笔记_2.0]1.1 风控原则
rate risk equity price risk foreign exchange risk commodity price risk Credit risk：交易对手履约的不确定性 default risk bankruptcy risk downgrade risk settlement risk liquidity risk：未来有足够现金流的不确定性 funding liquidity risk trading liquidity risk Operational risk：非金融范围的不确定性 Legal and regulatory risk：违反规则的不确定性 Business risk Make It有现金流困难，履约不确定性升高，说明default risk增加 质押的资产价值无法清偿贷款额度，LBI破产不确定性升高，说明Bankrupty Risk增加 Downgrade risk currency risk，FR，如果用外币销售产品，pricing risk同时存在 interest risk, FR, 暴露给利率波动的风险 考题分析： ?
3K60发布于 2018-09-14 - 来自专栏AI SPPECH
020_具身人工智能的人机协作安全与信任机制：从协同感知到责任共担的安全框架
_assess_overall_risk() self.security_state["risk_assessment"] = { "level": risk_level (physical_risk, 2), risk_values.get(perception_risk, 2), risk_values.get(decision_risk , 2), risk_values.get(communication_risk, 2), risk_values.get(supervision_risk , "risk_level": max(self.security_state["risk_assessment"]["level"], task_risk["level"]), ) == 2 or task_type == "high_risk": risk_level = "high" elif len(risk_factors) ==
30010编辑于 2025-11-19 - 来自专栏AI SPPECH
智能金融风控中的大模型实践_02
, base_risk_score)) # 确定风险等级 if risk_score >= self.risk_thresholds['high_risk # 确定市场风险等级 if market_risk_score >= self.risk_thresholds['high_risk']: market_risk_level plt.bar(['风险评分'], [credit_risk['risk_score']], color='red' if credit_risk['risk_level'] == '高风险' else (0, credit_risk['risk_score'] + 0.05, f'{credit_risk['risk_score']:.2f}', ha='center') plt.grid , 'market_risk': market_risk_result } risk_system.visualize_risk_analysis(results
72410编辑于 2025-11-13 【Multi-agent实战】 AI理财顾问实战项目
= state["user_risk_profile"] goal = state["user_goal"] candidates: List[FundInfo] = [] if risk : risk_list: List[FundRisk] = [] for m in state["metrics"]: # 简单构造一个 risk_score：收益高 + 回撤大 = FundRisk( code=m["code"], risk_level=level, risk_score=round(score , 2), ) risk_list.append(risk_item) state["risks"].extend(risk_list) state["logs" ].append( f"[RiskProfiler] evaluated risk for {len(risk_list)} funds." ) return state真正落地时
50400编辑于 2025-11-22- 来自专栏AI智能体从入门到实践
构建AI智能体：金融风控系统：基于信息熵和KL散度的异常交易检测
.values risk_score = self.risk_system.calculate_risk_score(features) risk_scores.append (risk_score) # 将风险分数添加到数据集中 self.risk_system.df['risk_score'] = risk_scores = self.risk_system.df[self.risk_system.df['is_fraud'] == 0]['risk_score'] fraud_risk = self.risk_system.df [self.risk_system.df['is_fraud'] == 1]['risk_score'] axes[0,0].hist([normal_risk, fraud_risk = 0.7 # 高风险阈值 high_risk_data = self.risk_system.df[self.risk_system.df['risk_score'] > high_risk_threshold
42410编辑于 2025-12-23 - 来自专栏量化投资与机器学习
Man Group最新：动态风险管理在股票投资组合中的应用
图10显示了以上四种Risk Overlay对Risk-Aware-Levered投资组合风险的控制效果。 图11显示了使用Risk Overlay之后的Risk-Aware-Levered投资组合的净风险暴露。关于如何叠加Risk Overlay，下一小节有详细的解释。 图10：不同Risk Overlay带来的风险降低的百分比（以杠杆Risk-Aware投资组合的总风险的百分比度量） 图11：叠加Risk Overlay之后的Risk-Aware-Levered投资组合的净风险暴露 表5给出了Risk-Aware-Levered投资组合本身的一些收益和风险统计数据，也包括叠加每个Risk Overlay之后的统计数据作为对比： 1、应用Risk Overlay有助于降低投资组合的波动性 ，因为Risk Overlay的应用降低了组合的平均风险暴露； 2、不应期望Risk Overlay会增加收益率。
1.6K10发布于 2020-12-08
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