风险库 量化战略资产分配，每个人都很容易。 描述 Riskfolio-Lib是一个库，用于使用秘鲁制造的Python进行定量战略资产分配或投资组合优化 :Peru: 。它的目的是帮助学生，学者和从业人员轻松地基于数学上复杂的模型建立投资组合。它基于构建，并与数据结构紧密集成。 Riskfolio-Lib提供的一些关键功能： 具有4个目标函数的平均风险投资组合优化： 最低风险。 最大回报。 最大效用函数。 最大风险调整后回报率。 具有13个凸风险度量的平均风险投资组合优化： 标准偏差。 半标准偏差。 平均绝对偏差（MAD）。 较低的第一部分矩（Ω比） 第二较低的局部矩（Sortino比率） 条件风险价值（CVaR）。 熵值风险（EVaR）。 最坏情况的实现（Minimax模型） 最大跌幅（卡尔马率） 平均亏损 有条件的风险缩水（CDaR）。 熵降风险（EDaR）。 溃疡指数。 带有10个凸风险度量

这是全局灵敏度分析算法PAWN的MATLAB实现。 PAWN.m 包含 PAWN 算法的 MATLAB 实现。 ishigami_homma.m 重新创建了论文 [1] 的图 4。 [1] Pianosi, F., Wagener, T., 2015. 一种基于累积分布函数的简单有效的全局敏感性分析方法。 环境。 模型。 软件67, 1-11。 doi:10.1016/j.envsoft.2015.01.004

线性编程：单纯形法，双重单纯形法和灵敏度分析的MATLAB实现

Python_Portfolio__VaR_Tool 基于Python的风险管理工具，可从Yahoo Finance中获取数据，并计算基于单个股票和投资组合的不同类型的风险价值（VaR）指标以及许多其他风险/回报特征，包括独立的和相对于选择基准（使用wxPython构造） 此wxPython Notebook笔记本应用/小部件允许通过Pandas Datareader从Yahoo Finance检索股票/指数数据，这些数据又与初始投资组合权重和选择的基准相结合，以计算以下风险/回报指标： 历史回报（年度和每日-分别基于股票，基准和投资组合） 收益率的历史标准差（年度和每日-分别基于股票，基准和投资组合） 年夏普比率（分别基于股票，基准和投资组合） Beta（分别基于股票，基准和投资组合） 事后跟踪错误与选择的基准 基于单个股票和投资组合的每日收益直方图 基于单个股票和投资组合建

＃文件夹 使用HTML，CSS，Bootstrap和JS创建的个人作品集页面。 :backhand_index_pointing_right: 现场演示可以在找到。 初始版本| 使用过HTML，CSS和JS 从中学到应用 最终版本| 还使用了Bootstrap 改良设计 使用Bootstrap来提高响应速度 添加了“体验”部分，并删除了“联系”部分中的表格 在项目部分使用轮播，而不仅仅是显示图像

mdp-迷宫 Python 中的马尔可夫决策过程实现。

论文研究-基于投资组合理论的商业银行信贷业务运营效率研究.pdf,  运用投资组合理论中有效前沿和资本市场线模型，基于商业银行不良贷款率和NIM（net interest margin）对商业银行信贷业务运营效率进行测算；采用2011-2016年中国16家上市商业银行的面板数据研究了不良贷款率对商业银行信贷业务收益造成的损失；通过对上述结果对比，发现本文提出的基于投资组合理论的商业银行信贷业务运营效率，能更好揭示商业银行信贷业务的风险和收益关系.未来商业银行在贷款业务中应考虑参考和使用投资组合理论.

投资组合是由一个人或一群人持有的，由股票，债券和银行存款等投资工具组成的金融资产的集合。 在加纳，建立具有标准化优化的投资组合仍然是一个神话，因此，本研究显示了Markowitz模型如何在加纳证券交易所应用，并揭示了精选股票中最有效的投资组合，以减轻投资者的负担。 该研究使用了2011年至2016年股票收益的历史月度数据。 研究显示，GCB Bank limited的平均回报率最高（回报率为4.2％），风险为13.1％，其次是CAL（回报率为3.5％）和11.7％。 UGL的风险最低（风险为6.8％），平均回报最低，为2.1％。 风险爱好者可能会选择GCB和CAL，而完全不愿承担风险的投资者可以选择UGL，因为它具有最低的风险。 两种投资组合的组合还得出结论，最有效的投资组合是GCB和CAL的组合，因此建议风险承受能力的投资者可以将其所有资产投资于GCB，而风险规避投资者可以将其39.21％的资产投资于GCB。 GCB和CAL中的60.79％。 就预期收益而言，CAL和GCB银行有限组合的最高收益约为3.9％，风险为10.6％，其次是TOTAL和GCB组合的预期收益约为3.40％，高风

matlab模拟优化代码topopt-mgcg-matlab 用于高效3-D拓扑优化的MATLAB代码使用多网格CG，近似灵敏度分析，回收预编码器 该存储库包含以下论文中使用的matlab代码： Omir，N.Aage和BS Lazarov（2014）。 在multigrid-CG上进行有效的拓扑优化。 结构和多学科优化，49（5），815-829。 Amir，O.（2015年）。 回顾拓扑优化中的近似重新分析：以最小的重量过程进行循环预处理的优势。 结构和多学科优化，51（1），41-57。 这些代码现已免费提供，请在您的研究工作中参考相关出版物。 三种类型的代码： top3d * .m =使用MGCG求解器的3-D最小符合性topopt： a）基本 b）具有灵敏度监控 minV * .m =二维最小体积topopt： a）基本 b）重新分析 c）无基质再分析 minW3d * .m =使用MGCG求解器的3-D最小体积topopt： a）基本 b）无基质，带回收预处理器 c）无矩阵，带有循环预处理器和灵敏度监控 强烈建议扩展和改进！！！

lpc matlab代码 :mountain: 马尔可夫决策过程的值迭代算法 该存储库的内容作为计算机科学理学硕士课程的学生要求的概率图形模型课程的一项分配项目。 这段代码的版本中提供的所有资源都是从您可以在参考部分找到的类书中获得的。 算法和信息的这种应用仅用于教育目的 描述： 实现值迭代算法以解决离散的马尔可夫决策过程。 教授： 博士 参与的学生： 马里奥·德·洛斯·桑托斯（Mario De Los Santos）。 Github ：。 电子邮件： 指示 下载存储库的文件 验证C ++版本是否至少为C ++ 14 调用文档中标记的功能 以下算法基于教授提供的文档。 用作参考的书位于此文件的末尾。 值迭代算法包括根据Bellman方程迭代地估计每个状态s的值。 下图显示了用于创建该项目的伪代码。 Policy迭代算法由基于Bellman方程迭代地估算每个状态s的值组成，主要区别在于我们将Policy存储在每次迭代中，这将使我们可以将迭代（t）与（t-1）进行比较），那么如果政策相同，则我们将完成该过程，这将以存储成本为您带来计算速度上的优势。 图像2显示了用于创建该项目的伪代码。 示例需要调用该类，如