请检查笔记本中的分析：

投资组合优化方法不可避免地依赖于市场和经济的多元建模。 在本文中，我们解决了与这些复杂系统建模相关的三个错误来源： 1. 过度简化假设； 2. 参数抽样误差导致的不确定性； 3. 这些系统的内在非平稳性。 对于第 1 点的问题，我们提出了 L0 范数稀疏椭圆建模，并表明稀疏化是有效的。 点 2. 和 3. 的影响通过研究模型在样本内和样本外的似然性对不同长度的训练集估计的参数进行量化。 我们表明，当训练集中包含两到三年的日常观察时，具有更大样本外可能性的模型可以产生更好的投资组合。 对于较大的训练集，我们发现投资组合性能恶化并与模型的可能性脱节，突出了非平稳性的作用。 我们通过研究表明系统随时间显着变化的单个观察的样本外可能性来进一步研究这种现象。 从长远来看，较大的估计窗口会导致稳定的可能性，但以短期内较低的可能性为代价：金融的“最佳”拟合需要根据持有期来定义。 最后，我们表明稀疏模型优于完整模型，因为它们提供更高的样本外似然性、更低的实际投资组合波动性和提高投资组合的稳定性，避免了均值方差优化的典型陷阱。

在本文中，我们展示了如何将长短期记忆 (LSTM) 类神经网络用于股票选择和投资组合优化。 我们使用 LSTM 网络来预测股票运动的方向和股票价格代理度量，并将这些用于股票选择和 Markowitz 均值方差投资组合优化框架。 使用印度 SENSEX 股票数据构建了四种类型的 LSTM 模型——个体模型和集合模型，每种模型都使用批量和增量学习方法进行训练。 我们在投资组合优化阶段利用入围股票中股票运动方向分类的准确性。 在投资组合优化阶段，除了标准的 Markowitz 公式之外，还构建了多样化和卖空的 Markowitz 公式。 我们还建议使用 LSTM 分类精度的补充作为风险度量，代替 Markowitz 框架内的协方差矩阵。 LSTM 构建和投资组合优化公式类型的上述每种组合的结果都针对 SENSEX 和标准最优 Markowitz 投资组合进行了基准测试，没有股票选择。 我们还推导出具有股票价格预测因子比平均股票价格更准确的 Markowitz 公式优于标准 Markowitz 公式的条件。

Active_Portfolio_Management Grinold和Kahn解决的主动投资组合管理（第二版）中的问题的解决方案。 可能有一些错误。 主要章节练习的解答：Nicholas J. Hestand。 技术附录中的练习解决方案：Nicholas J. Williams。 如果您最终赚了很多钱，请随时寄给我们一两美元。

GPS-LNAs-Portfolio-Highlights.pdf

Portfolio_Optimizer:优化投资组合-计算每日资产的执行年度收益和年度样本协方差矩阵

投资组合优化器 概述 投资组合优化器有两个接口：证券回报检索和优化。 Getstocks.py 从雅虎财经获取给定证券的月回报。 Optimize.py 利用 Harry Markowitz 的投资组合理论和 EV 理论，通过生成必要的分配来以最小的投资组合方差实现所需的回报。 还绘制了一个有效边界并沿着边界定位用户的投资组合。 样本输出

Portfolio - Optimizer Latest Release Build Status Coverage 该项目在中被使用。 TODO lists Potfolio - optimizer由于有大量的c++代码，造成其使用困难。对于依赖的库而言（例如：alpha-mind)，也是使得被依赖库难以使用。所以Portfolio - Optimizer将有一次重大的重构，包括： 提供完整的python接口； 作为标准的python包在pypi上发布； 增加多期优化的能力。 安装 PYPI $ pip install portfolio-optimizer Source $ python setup.py install

Python实践组合 你好 这是一系列实践Python代码和个人项目，可帮助我提高编码能力。 我的教育背景是完成航空工程学的工程学硕士学位，在此期间的最后一篇论文中，我接触了Python。 该项目涉及使用Python作为中间语言将软件程序Abaqus和MATLAB链接在一起。 目的是让Python自动充当程序多次迭代的执行者，每个迭代具有不同的参数，以模拟经过喷丸处理后的印版最终结果。 现在，我对从编程到软件开发的职业转变感兴趣，因此我希望既能提高自己对Python及其许多不同应用程序的了解，又能提高自己过去的技能。

The Science of Algorithmic Trading and Portfolio Management - Kissell, Robert，量化交易的经典！