Stock price direction prediction by directly using prices data: an empirical study on the KOSPI and HSI
School of Industrial Management Engineering, Korea University(高丽大学产业管理工程学院);Harbin Institute of Technology(哈尔滨工业大学)
股票市场方向的预测可以作为短期投资者的早期推荐系统,也可以作为长期股东的早期财务危机预警系统。许多股票预测研究都集中在使用宏观经济指标,如CPI和GDP,来训练预测模型。然而,几乎不可能获得宏观经济指标的每日数据。因此,这些方法很难在实践中使用。本文提出了一种直接利用价格数据预测市场指数方向和股票价格方向的方法。对韩国综合股价指数(KOSPI)和恒生指数(HSI)以及指数中包含的单个成分股进行了对所提出方法的广泛实证研究。实验结果表明,在预测KOSPI和HIS中单个成分的运动时,命中率显着较高。
2017-01-07 cs.CE cs.LG q-fin.ST
Short- to Mid-term Day-Ahead Electricity Price Forecasting Using Futures
由于市场的自由化,能源结构的变化和周围的能源法律,电力研究是一个动态变化的领域,不断变化的挑战。投资决策面临的一个挑战是,尽管电价的时间序列变化很大,但仍要提供可靠的短期和中期预测。本文解决了这个问题,在一个有前途的和新颖的方法。通过将计量经济学自回归模型的短期精度与市场参与者对短期和中期未来价格的预期相结合,我们发现预测性能可以大大提高,同时保持每小时的精度。我们调查了德国和奥地利的EPEX现货日前电价,并建立了一个模型,其中包括德国和奥地利的EEX的Pelix未来。该模型可以被认为是一个AR 24-X模型,一天中的每个小时都有一个不同的模型。我们能够表明,未来数据包含了前一天电价的未来时间段的相关价格信息。我们表明,仅依赖于确定性的外部回归可以提供稳定的预测范围的多个星期。通过实现一个快速,有效的套索估计方法,我们证明了我们的模型可以优于文献中的其他几个模型。
2018-01-31 q-fin.ST
Using Internal Bar Strength as a Key Indicator for Trading Country ETFs
本研究验证了内部柱强度(IBS)作为交易国家ETF的关键技术指标的有效性,基于10年历史数据与均值回归策略,发现其能有效预测短期价格走势。
2023-06-14 cs.CE q-fin.ST
Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction
Columbia University(哥伦比亚大学);Beijing Institute of Technology(北京理工大学);New York University Shanghai(上海纽约大学)
中期股价预测是股票市场价值投资的关键。然而,大多数深度学习模型本质上是短期的,将它们应用于中期预测会遇到很大的累积误差,因为它们无法避免异常。在本文中,我们提出了一种用于中期股票预测的新型深度神经网络Mid-LSTM,它将市场趋势作为隐藏状态。首先,在自回归滑动平均模型(ARMA)的基础上,考虑隐含状态和资本资产定价模型,建立了一个中期ARMA模型。然后,设计了一个基于LSTM的中期深度神经网络,它由三个组件组成:LSTM,隐马尔可夫模型和线性回归网络。提出的Mid-LSTM模型能够避免异常现象,减少较大的预测误差,对影响股价的因素具有较好的解释效果。对标准普尔500指数股票的大量实验表明,(i)所提出的Mid-LSTM在预测准确性方面实现了2-4%的提高,(ii)在投资组合配置投资中,我们实现了高达120.16%的年回报率和2.99的平均夏普比率。
2019-08-03 cs.LG q-fin.ST stat.ML
Inferring short-term volatility indicators from Bitcoin blockchain
在本文中,我们研究了使用从比特币每日交易图中获得的特征来推断极端比特币价格波动时期的预警指标(EWI)的可能性。我们使用比特币区块链推断了2012年至2017年期间交易图的低维表示,并演示了如何使用这些表示来预测极端价格波动事件。我们的EWI是通过非负分解获得的,它包含的预测信息比通过奇异值分解或比特币总交易量的标量值获得的信息更多。
2018-09-19 cs.CE cs.SI physics.soc-ph
Zipf's law for share price and company fundamentals
Graduate School of Arts and Sciences(文理研究生院);International Christian Unversity(国际基督教大学)
研究股价及三大财务指标分布,发现其符合齐夫定律,且通过面板回归模型验证公司基本面影响股价。
2017-02-01 econ.GN q-fin.EC q-fin.ST
Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines
在金融历史上,很少有资产像加密货币一样臭名昭著。虽然这一资产类别的长期前景仍不明朗,但我们成功地对几种主要加密资产进行了短期价格预测。使用2015年7月至2019年11月的历史数据,我们开发了大量的技术指标来捕捉加密货币市场的模式。然后,我们测试了各种分类方法,以预测基于这些指标的短期未来价格走势。在PPV和NPV指标上,我们的分类器在识别未来1小时的市场波动方面表现良好。除了评估分类准确性,我们还开发了一种将1小时前的类预测转化为交易决策的策略,以及一个在现实环境中模拟交易的回测器。我们发现,支持向量机产生了最有利可图的交易策略,自2018年1月以来,在过去22个月中,比特币,以太坊和莱特币的平均表现优于市场。
2019-11-28 q-fin.ST q-fin.TR stat.ML
Moving Mini-Max - a new indicator for technical analysis
我们提出了一个新的技术分析指标。该指标强调价格序列中的最大值和最小值,具有内在的平滑性,并有可能在机械交易规则和图表模式分析中有用。
2011-02-23 physics.soc-ph q-fin.ST
Probabilistic Mid- and Long-Term Electricity Price Forecasting
电力市场的自由化和可再生能源的开发给决策者带来了新的挑战。这些挑战伴随着未来电价走势的不确定性增加。旨在建立短期电价模型和预测电价的论文越来越多,为市场参与者提供了新的机会。然而,关于中期和长期价格预测问题的电力价格文献似乎非常稀少,而这是投资和政治决策所必须的。我们的论文通过引入一种新的方法来模拟几个月到三年的每小时分辨率的电价来弥补这一差距。考虑到未来事件的不确定性,我们能够提供概率预测,即使从长期来看,也能够检测价格飙升的概率。作为市场,我们决定使用德国和奥地利的EPEX日前电力市场。我们的模型扩展了X模型,主要利用销售和购买曲线的电力日前拍卖。通过应用我们的程序,我们能够给出概率,由于EEG的实际相关事件的连续六个小时的负价格。我们发现,使用的供应和需求曲线为基础的模型,从长远来看,产生现实的模式,电力价格的时间序列,并导致有希望的结果考虑常见的错误措施。
2018-05-17 q-fin.ST stat.AP
Working Paper: Improved Stock Price Forecasting Algorithm based on Feature-weighed Support Vector Regression by using Grey Correlation Degree
随着人工智能、大数据决策等广泛的工程应用,原本大量繁琐的金融数据处理、加工和分析变得越来越便捷有效。本文旨在提高股票价格预测的准确性。利用灰色关联分析(GCA)对支持向量机回归算法进行了改进,提高了股票预测的准确性。本文首先将影响股价运动的因素分为行为因素和技术因素。行为因素主要包括天气指标和情绪指标。技术因素主要包括日收盘数据和沪深300指数,然后通过灰色关联分析方法来衡量相关性。交易日内股票价格与其影响因子之间的关系,并将这种关系转化为各影响因子的特征权重。利用特征权重对各交易日影响因子的权重进行加权,最后采用支持向量回归机(SVR)进行回归。根据技术指标(MSE、MAE、SCC、DS)的预测结果和未修改的交易数据对修改后的股票交易数据进行预测比较,发现预测结果有明显改善。
2019-02-24 q-fin.CP q-fin.ST
Part 1: Training Sets & ASG Transforms
在本文中,我讨论了一种方法来解决数据科学家在构建使用月度/季度宏观金融指标的价格预测算法时可用的小数据集所产生的问题。我通过在来自一系列国家的等效数据集上训练单独的分类器来实现这一点。使用这些分类器,一个三级Meta学习算法(MLA)的开发。我开发了一个转换,ASG,为宏观金融指标创建一个国家不可知的代理。使用这些建议的方法,我调查的程度,美国5年债券价格的预测算法,主要使用宏观金融指标,可以优于一个相同的算法,只使用统计数据来自以前的价格。这是一个本科项目,随后的研究并不详尽。
2020-05-27 q-fin.CP q-fin.ST
Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating
The University of Sydney(悉尼大学)
为了否定有效市场假说,确定了一组5个技术指标和23个基本指标,以确定股票市场产生超额收益率的可能性。利用这些数据点和各种分类机器学习模型,分析了过去20年美国标准普尔500指数505只股票的交易数据,以开发一个有效的分类器。从任何一天开始,我们都能够预测未来10天内1%的价格变化方向。预测的总体准确率为83.62%,买入信号的准确率为85%,卖出信号的召回率为100%。此外,我们按行业对股票进行分组,并重复实验,以观察将类似资产分组在一起是否会对结果产生积极影响,但得出的结论是,它没有显示出显着的业绩改善,拒绝了基于行业分析的想法。此外,使用特征排名,我们可以识别出一组更小的6个指标,同时保持与原始28个特征相似的准确性,并且还揭示了买入,持有和卖出分析师评级的重要性,因为它们是模型中的主要贡献者。最后,为了评估分类器在现实生活中的有效性,使用适度的交易策略对FAANG股票进行了回测,在测试数据集的期限内,它产生了超过60%的高回报。总之,我们提出的方法与有目的地挑选的特征相结合,显示出比以前的研究有所改进,我们的模型预测了第10天1%的价格变化方向,具有很高的信心,并且有足够的缓冲,甚至可以构建一个机器人交易系统。
2021-03-13 cs.LG q-fin.ST
Real-time Prediction of Bitcoin Bubble Crashes
在过去的十年中,比特币作为一种新兴的资产类别,由于其在极端价格增长阶段的非凡回报和不可预测的大规模崩溃而引起了公众的广泛关注。我们应用对数周期幂律奇异性(LPPLS)信心指标作为诊断工具,使用过去两年比特币价格的每日数据来识别泡沫。研究发现,当比特币价格在短时间内出现大幅波动时,基于每日比特币价格数据的LPPLS信心指标无法有效预警泡沫,尤其是对于正泡沫。为了诊断加密货币市场中泡沫的存在并准确预测泡沫崩溃,本研究提出了一种基于LPPLS模型和更精细(比每日)时间尺度的比特币价格数据的自适应多级时间序列检测方法。我们采用两个级别的时间序列,1小时和30分钟,以展示自适应多级时间序列检测方法。结果表明,基于该方法的LPPLS置信度指标能够有效地检测气泡,即使气泡在短时间内存在,也能准确地预测气泡的破裂。此外,我们发现,短期LPPLS信心指标对比特币价格的极端波动高度敏感,可以在较短的时间尺度上(从一天到一周)提供一些有用的泡沫状态见解,长期LPPLS信心指标在较长的时间尺度上(从一周到一个月)有效监测泡沫状态方面表现稳定。自适应多级时间序列检测方法可以提供对气泡的实时检测和对碰撞的高级预测,以警告即将发生的风险。
2019-06-13 q-fin.RM q-fin.ST stat.AP
News-sentiment networks as a risk indicator
为了了解新闻情绪和公司股价走势之间的关系,并更好地了解公司之间的连通性,我们定义了一个算法来衡量基于情绪的网络风险。该算法通过计算个体风险和聚合网络风险,对网络中的公司进行排名,并衡量基于情绪的风险。我们提取公司的相对情绪,以衡量单个公司的风险,并将其输入到我们的风险模型中,同时每季度从新闻中提取公司的共同出现。我们可以证明,我们的风险模型输出的最高季度风险值与风险测量后70天内股价下跌的可能性更高相关。我们的研究结果表明,与包含同一时期所有风险值的基准相比,股票价格下跌概率的最大差异是在季度测量后的21至30天之间。公司股价下跌的最高平均概率出现在公司达到最大风险值后延迟28天时。每日下跌的最高概率差异计算为13个百分点。
2018-05-15 q-fin.RM q-fin.ST q-fin.TR
Univariate and Multivariate LSTM Model for Short-Term Stock Market Prediction
NIT Hamirpur(国家理工学院哈米尔布尔分校)
长期以来,设计鲁棒且准确的预测模型一直是一个可行的研究领域。虽然功能良好的市场预测者的支持者认为很难准确地预测市场价格,但许多学者不同意。强大而准确的预测系统不仅有助于企业,也有助于个人进行金融投资。本文提出了一个具有两种不同输入方法的LSTM模型,用于预测两家印度公司Reliance Industries和Infosys Ltd.的短期股票价格。从雅虎财经网站上获取了10年(2012-2021)的历史数据,对所提出的方法进行了分析。在第一种方法中,两个选定公司的收盘价直接应用于单变量LSTM模型。对于第二种方法,技术指标值是从收盘价计算出来的,然后集中应用于多变量LSTM模型。对未来几天的短期市场行为进行评估。实验结果表明,方法一对于确定未来趋势是有用的,但是具有技术指标的多变量LSTM模型对于准确预测未来价格行为是有用的。
2022-05-08 cs.AI cs.LG q-fin.ST
Evidence of a Worldwide Stock Market Log-Periodic Anti-Bubble Since Mid-2000
继2000年8月开始的美国标准普尔指数反泡沫调查之后,我们分析了38个世界股票市场指数,并确定了21个反泡沫。“反泡沫”被定义为一种自我实现的价格下降,这种价格下降是由积极的价格对价格的反馈造成的,这种反馈助长了整体的悲观情绪,而负面的市场情绪又因人际互动而进一步加强。我们在数学上的特点反泡沫的幂律下降的价格(或价格的对数)作为时间的函数和减速/扩大对数周期振荡。大多数欧洲和西方股票市场指数以及其他股票指数表现出几乎相同的对数周期幂律反泡沫结构,发现美国标准普尔500指数。这些反泡沫被发现大约在同一时间开始,2000年8月,在所有这些市场。这表明世界范围内的同步程度令人瞩目。因此,2000年以来全球股票市场的下跌是一个国际事件,表明全球化的加强。
2003-08-07 cond-mat.stat-mech q-fin.ST
Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks
在当前的股票市场中,计算机科学技术越来越广泛地应用于股票分析。与大多数相关的机器学习股价预测工作不同,本文研究的是公司年报披露后第二天股价走势的预测。我们使用各种不同的模型,包括决策树,逻辑回归,随机森林,神经网络,原型网络。我们使用两组财务指标(关键和扩展)进行实验,这些财务指标是从EastMoney网站上公司披露的财务指标中获得的,最后我们发现这些模型并不能很好地预测趋势。此外,我们还筛选ROE大于0.15、净现金比率大于0.9的股票。我们的结论是,根据公司刚刚发布的年度报告的财务指标,披露后的第二天的股票价格走势的可预测性较弱,在我们的测试集上的随机森林分类器的最大准确率约为59.6%,最大精度约为0.56,股票过滤并没有提高性能。而随机森林在这些模型中表现最好,这与已有的研究结果相一致。
2022-07-22 cs.AI q-fin.ST
Convolutional Feature Extraction and Neural Arithmetic Logic Units for Stock Prediction
BITS Pilani Goa Campus(贝拉理工学院皮拉尼果阿校区)
股票预测是一个多年来一直在深入研究的课题。金融专家和数学家一直在研究一种方法来预测未来的股票价格,以便决定购买或出售股票以获利。股票专家或经济学家,通常会对以前的股票价值进行分析,利用技术指标、情感分析等来预测未来的股票价格。近年来,许多研究已经广泛地使用机器学习来预测股票行为。在本文中,我们提出了数据驱动的深度学习方法,利用卷积神经网络的特征提取特性,并使用神经算术逻辑单元来预测未来的股票价值。
2019-05-18 cs.LG q-fin.ST stat.ML
A Comparative Predicting Stock Prices using Heston and Geometric Brownian Motion Models
本文提出了一种新的方法来预测股票价格的技术分析。通过利用伊藤引理和Euler-Maruyama方法,研究人员开发了赫斯顿和几何布朗运动模型,这些模型考虑了波动率、利率和历史股价来生成预测。研究结果表明,这些模型在准确预测股票价格方面是有效的,并且优于常用的统计指标。作者的结论是,这种技术分析为基础的方法提供了一个有前途的解决方案,股票市场预测。
2023-02-15 cs.NA math.NA q-fin.ST
A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity
Central South University(中南大学)
本文提出一种结合在线论坛投资者情绪与流行度因素的混合深度学习框架,用于提升股票价格预测的准确性。
2024-05-17 cs.CL cs.LG q-fin.ST
Continuous-time Modeling of Bid-Ask Spread and Price Dynamics in Limit Order Books
通过对整个限价订单簿(LOB)动态过程的多尺度分析,建立了中间价和买卖价差联合演化的连续时间模型。我们将LOB建模为一个多类的嵌入系统,并使用经验观察到的风格化特征进行渐近分析。我们认为,在由经验观察支持的渐近制度下,中间价和买卖价差可以只用书中的某些参数来描述(而不是整本书本身)。我们的极限过程的特点是反射行为和状态相关的跳跃。我们的分析可以解释在实践中观察到的某些特征,如:在订单簿的数量和回报,以及长期价差分布的统计特性的幂律衰减尾部之间的连接。
2013-10-03 q-fin.ST q-fin.TR
Battery valuation on electricity intraday markets with liquidity costs
本文提出一个完整的建模框架,结合中间价随机模型与流动性成本确定性模型,基于动态规划对电力日内市场中的多个电池进行估值,回测证明考虑流动性与随机中间价能显著提升利润并避免高额损失。
2024-12-20 q-fin.ST q-fin.TR
Stock price prediction using BERT and GAN
The LNM Institute of Information Technology(LNM信息技术研究所)
股票市场一直是一个热门话题的兴趣在最近的过去。通货膨胀率的上升迫使人们投资于股票和商品市场以及其他领域,而不是储蓄。此外,深度学习模型对时间序列数据进行预测的能力已经被一次又一次地证明。借助技术指标对股票市场进行技术分析已成为交易者和投资者最常见的做法。另一个方面是情绪分析-投资者的情绪,表明投资意愿。世界各地的人们已经使用了各种技术,包括基本的机器学习和神经网络。从基本的线性回归到先进的神经网络,人们已经尝试了所有可能的技术来预测股票市场。从最近的事件中可以明显看出新闻和头条新闻如何影响股票市场和加密货币。本文提出了一个集成的国家的最先进的方法来预测股票价格。首先,使用BERT的版本执行对在纳斯达克上市的苹果公司的新闻和标题的情感分析,该版本是由Google用于自然语言处理(NLP)的预训练的Transformer模型。然后,生成对抗网络(GAN)使用技术指标、各国股票指数、一些商品和历史价格以及情绪得分来预测苹果公司的股票价格。与基线模型进行比较,如长短期记忆(LSTM),门控递归单位(GRU),香草GAN和自回归综合移动平均(ARIMA)模型。
2021-07-18 cs.CL cs.LG q-fin.ST
Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning
ETH Zürich(苏黎世联邦理工学院)
本研究结合基本面指标、技术指标和新闻情感,利用LSTM和Transformer模型预测盈利公告日的股价方向,发现Transformer在识别波动方面更敏感,且新闻情感有助于提升性能。
2026-05-25 cs.LG q-fin.ST
Cross Cryptocurrency Relationship Mining for Bitcoin Price Prediction
Zhejiang University of Technology(浙江工业大学)
区块链金融已经成为世界金融体系的一部分,最典型的表现是对比特币价格的关注。然而,大量的工作仍然局限于使用技术指标来捕捉比特币价格波动,很少考虑相关加密货币之间的历史关系和相互作用。在这项工作中,我们提出了一个通用的跨加密货币关系挖掘模块,命名为C2 RM,它可以有效地捕捉比特币和相关Altcoins之间的同步和异步的影响因素。具体来说,我们利用动态时间规整算法提取超前-滞后关系,产生超前-滞后方差核,用于聚合山寨币的信息,形成关系影响因子。综合实验结果表明,我们的C2 RM可以帮助现有的价格预测方法实现显着的性能改善,这表明了跨加密货币交互对比特币价格预测的有效性。
2022-04-28 cs.AI cs.LG q-fin.ST
Predictability of price movements in deregulated electricity markets
在本文中,我们调查在加拿大艾伯塔省和安大略省,以及在美国中C市场的电价的可预测性。使用尺度相关的去趋势波动分析,频谱分析和概率分布分析,我们表明,所研究的市场表现出强烈的反持续性,这表明他们的动态可以预测的基础上,在整个时间尺度范围内的历史价格记录从一个小时到一个月。对于这两个加拿大市场,价格变动揭示了三种类型的相关行为,可用于预测。所发现的情景在长达一个月的不同时间尺度上以及在高峰和非高峰电力数据上保持相同。这些情景代表了价格的急剧上涨,并且由于其波动性较低,因此在Mid-C市场中不存在。我们认为,极端的价格波动在这个市场应该遵循相同的趋势,更不稳定的加拿大市场。帕累托指数的估计值表明,这些事件的预测可以是统计稳定的。所获得的结果提供了新的相关信息,用于管理与电力衍生品在超过一天的时间范围内的动态相关的金融风险。
2015-01-23 physics.data-an physics.soc-ph q-fin.ST
Bitcoin Runs on a Clock: Why Every Price Indicator Dies and the Halving Clock Doesn't
该研究指出比特币价格指标随时间退化,而减半时间结构稳定,发现自创世以来的时间幂律是唯一符号稳定的信号,预先注册了2026年底部及下次减半后525-546天的顶部窗口。
2026-07-30 q-fin.ST
Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark
Özyeğin University(奥兹耶金大学);Huawei Turkey R&D Center(华为土耳其研发中心);Marmara University(马尔马拉大学)
由于股票市场的走势受多种因素的影响,因此预测股票市场的走势一直是一项具有挑战性的工作。在这里,我们通过创建tomorrow_trend特征作为我们要预测的标签,将未来趋势预测问题作为机器学习分类问题来处理。提供不同的特征来帮助机器学习模型预测给定日期的标签;无论是上升趋势还是下降趋势,这些特征都是从股票价格历史中生成的技术指标。此外,由于金融新闻在改变投资者行为方面起着至关重要的作用,因此特定日期的整体情绪评分是根据当天发布的所有新闻创建的,并作为另一个功能添加到模型中。三种不同的机器学习模型在Spark(大数据计算平台),Logistic回归,随机森林和梯度提升机中进行了测试。随机森林是表现最好的模型,测试准确率为63.58%。
2022-01-19 cs.LG q-fin.ST
PreBit -- A multimodal model with Twitter FinBERT embeddings for extreme price movement prediction of Bitcoin
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出PreBit多模态模型,融合Twitter FinBERT嵌入、K线数据、技术指标与相关资产价格,用于预测比特币极端价格波动,并通过回测验证其可构建低风险盈利交易策略。
2023-10-21 cs.CL cs.LG q-fin.CP
Constraint-Based Inference of Heuristics for Foreign Exchange Trade Model Optimization
Michigan State University(密歇根州立大学)
外汇(Forex)是一个大型分散市场,交易分析和算法交易在其中很受欢迎。研究工作一直侧重于证明某些技术指标的有效性。然而,我们证明,指标函数的值是不可复制的,往往会减少贸易机会的数量,相比价格行动交易。在这项工作中,我们开发了两个与交易信号率高的外汇交易启发式模板。为了确定给定启发式原型的最佳参数,我们对三种低利润工具和6种不同OHLC粒度的10年外汇价格数据进行了机器学习模拟。因此,我们为每个工具粒度对开发了一个特定的和可重复的最佳交易参数列表,优化配置的平均每日利润为118点。
2021-05-11 cs.AI cs.CE cs.LG
Optimal execution comparison across risks and dynamics, with solutions for displaced diffusions
我们解决了一个版本的最优交易执行问题时,中间资产价格如下位移扩散。最优策略在适应类下的各种风险标准,即价值的风险,预期损失和一个新的标准称为“平方资产预期”(SAE),相关的版本的成本方差度量,推导和比较。众所周知,位移扩散(DD)表现出介于算术布朗运动(ABM)和几何布朗运动(GBM)之间的动力学,这取决于移位参数的选择。此外,DD允许改变对中间资产价格分布的支持,允许包括中间价的最小允许值,无论是正的还是负的。我们研究了最优解对风险规避准则选择的依赖性。尽管对于高风险规避水平和低市场冲击资产,差异不可忽略,但不同标准和资产动态的最优解决方案具有可比性。这是用数值例子说明。
2014-05-09 q-fin.RM q-fin.ST q-fin.TR