如果你也在 怎样代写机器学习Machine Learning这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。
机器学习是人工智能（AI）和计算机科学的一个分支，主要是利用数据和算法来模仿人类的学习方式，逐步提高其准确性。
机器学习是不断增长的数据科学领域的一个重要组成部分。通过使用统计方法，算法被训练来进行分类或预测，在数据挖掘项目中发现关键的洞察力。这些洞察力随后推动了应用程序和业务的决策，最好是影响关键的增长指标。随着大数据的不断扩大和增长，市场对数据科学家的需求将增加，需要他们协助确定最相关的业务问题，随后提供数据来回答这些问题。
statistics-lab™ 为您的留学生涯保驾护航 在代写机器学习Machine Learning方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写机器学习方面经验极为丰富，各种代写机器学习Machine Learning相关的作业也就用不着说。
我们提供的机器学习Machine Learning及其相关学科的代写，服务范围广, 其中包括但不限于:
- Statistical Inference 统计推断
- Statistical Computing 统计计算
- Advanced Probability Theory 高等楖率论
- Advanced Mathematical Statistics 高等数理统计学
- (Generalized) Linear Models 广义线性模型
- Statistical Machine Learning 统计机器学习
- Longitudinal Data Analysis 纵向数据分析
- Foundations of Data Science 数据科学基础
统计代写|机器学习作业代写Machine Learning代考|Liquidity Augmented Expected Shortfall
As is discussed, ES provides us a coherent risk measure to gauge market risk. However, even though we differentiate financial risk as market, credit, liquidity, and operational, it does not necessarily mean that these risks are entirely unrelated to each other. Rather, they are, to some extent, correlated. That is, once a financial crisis hit the market, market risk surges align with the drawdown on lines of credit, which in turn increase liquidity risk.
Given the situation of the economy, the effect of illiquidity varies as it becomes commonplace during huge market downturns but it is more manageable during normal times. Therefore, its impact will be more distinct in down market.
This fact is supported by Antoniades stating that
Common pool of liquid assets is the resource constraint through which liquidity risk can affect the supply of mortgage credit. During the financial crisis of 2007-2008 the primary source of stresses to bank funding conditions arose from the funding illiquidity experienced in the markets for wholesale funding.
- Antoniades (Liquidity Risk and the Credit Crunch of 2007-2008: Evidence from Micro-Level Data on Mortgage
Loan Applications, 2014, p.6)
Ignoring liquidity dimension of risk may cause underestimating the market risk. Therefore, augmenting ES with liquidity risk may result in more accurate and reliable estimation. Well, it sounds appealing but how can we find a proxy for liquidity?
In the literature, bid-ask spread measures are commonly used for modeling liquidity. Shortly, bid-ask spread is the difference of bid-ask prices. Put differently, it is the difference between the highest available price (bid price) that a buyer is willing to pay and the lowest price (ask price) that a seller is willing to get. So, bid-ask spread gives a tool to measure the transaction cost.
To the extent that bid-ask spread is a good indicator of transaction cost, it is also a good proxy of liquidity in the sense that transaction cost is one of the components of liquidity. Spreads can be defined various ways depending on their focus. Here is the bid-ask spreads that we will use to incorporate liquidity risk into ES model.
- Effective Spread
Effective Spread $=2 *\left|\left(P_{t}-P_{\text {mid }}\right)\right|$
where $P_{t}$ is the price of trade at time $\mathrm{t}$ and $P_{\text {mid }}$ is the midpoint of the bidask offer $\left(\left(P_{a s k}-P_{b i d}\right) / 2\right)$ prevailing at the time of the $t$. - Proportional Quoted Spread
Proportional Quoted Spread $=\left(P_{a s k}-P_{b i d}\right) / P_{\text {mid }}$
where $P_{a s k}$ is the ask price and $P_{b i d}$ and $P_{\text {mid }}$ are bid price and mid price, respectively. - Quoted Spread
Quoted Spread $=P_{a s k}-P_{b i d}$ - Proportional Effective Spread:
Proportional Effective Spread $=2^{*}\left(\left|P_{t}-P_{\text {mid }}\right|\right) / P_{\text {mid }}$
统计代写|机器学习作业代写Machine Learning代考|Effective Cost
Effective Cost $=\left{\begin{array}{l}\left(P_{t}-P_{\text {mid }}\right) / P_{\text {mid }} \text { for buyer initiated } \ \left(P_{\text {mid }} / P_{t}\right) / P_{\text {mid }} \text { for seller initiated }\end{array}\right.$
Buyer-initiated trade occurs when a trade is executed at a price abover quoted mid price. Similarly, seller-initiated trade occurs when a trade is executed at a price below than the quoted mid price.
Now, we need to find a way to incorporate these bid-ask spreads into the ES model so that we are able to account for the liquidity risk as well as market risk. We employ two different methods to accomplish this task. First one is to take the cross-sectional mean of the bid ask spread as suggested by Chordia et al., (2000) and Pastor and Stambaugh (2003). The second method is to apply Principal Component Analysis (PCA) as proposed by Mancini et al. (2013).
Cross-sectional mean is nothing but averaging the bid-ask spread. Using this method, we are able to generate a measure for market-wide liquidity. The averaging formula is as follows:
$$
L_{M, t}=\frac{1}{N} \sum_{i}^{N} L_{i, t}
$$
where $L_{M, t}$ is the market liquidity and $L_{i, t}$ is the individual liqudity measure, namely bid-ask spread in our case.
$$
\begin{aligned}
&E S_{L}=E S+\text { Liquidity Cost } \
&E S_{L}=\frac{1}{1-\alpha} \int_{\alpha}^{1} V a R_{u} d u+\frac{1}{2} P_{\text {last }}(\mu+k \sigma)
\end{aligned}
$$
where
统计代写|机器学习作业代写Machine Learning代考|Conclusion
Market risk has been always under scrutiny as it gives us the extent to which a company is vulnerable to risk emanating from market events. In a financial risk management textbook, it is customary to find a VaR and ES model, which are two prominent and commonly applied model in theory and practice. In this chapter, after providing an introduction to these models, a cutting edge models are introduced to revisit and improve model estimation. To this end, first we try to distinguish information flowing in the form of noise and signal, which is called denoising. In what follows, denoised covariance matrix is employed to improve the VaR estimation.
Then, ES model are discussed as a coherent risk measure. The method that we applied to improve this model is liquidity-based approach by which we revisit $\mathrm{eS}$ model and augment using liquidity component so that it is possible to consider liquidity risk in estimating $\mathrm{ES}$.
Further improvements in market risk estimation are also possible but the aim is to give an idea and tools to provide a decent ground for ML-based market risk approaches. However, you can go further and apply different tools. In the next chapter, we will discuss the credit risk modeling suggested by regulatory bodies such as the Basel Committee on Banking Supervision (BCBS) and enrich this model using ML-based approach.
机器学习代写
统计代写|机器学习作业代写Machine Learning代考|Liquidity Augmented Expected Shortfall
正如所讨论的，ES 为我们提供了一种连贯的风险度量来衡量市场风险。然而，即使我们将金融风险区分为市场风险、信用风险、流动性风险和运营风险，也并不一定意味着这些风险彼此完全不相关。相反，它们在某种程度上是相关的。也就是说，一旦金融危机冲击市场，市场风险激增与信贷额度的缩减相一致，这反过来又增加了流动性风险。
鉴于经济状况，流动性不足的影响各不相同，因为它在市场大幅下滑时变得司空见惯，但在正常时期更容易控制。因此，在下行市场中，其影响会更加明显。
Antoniades 支持这一事实，他指出
公共流动资产池是流动性风险影响抵押信贷供给的资源约束。在 2007-2008 年金融危机期间，银行融资状况的主要压力来源来自批发融资市场的资金流动性不足。
- Antoniades（流动性风险和 2007-2008 年的信贷紧缩：来自抵押
贷款申请的微观数据的证据，2014 年，第 6 页）
忽略风险的流动性维度可能导致低估市场风险。因此，增加流动性风险的 ES 可能会导致更准确和可靠的估计。好吧，这听起来很吸引人，但我们如何才能找到流动性的代理？
在文献中，买卖差价测量通常用于对流动性建模。简而言之，买卖价差是买卖价的差额。换句话说，它是买方愿意支付的最高可用价格（出价）与卖方愿意获得的最低价格（要价）之间的差额。因此，买卖差价提供了衡量交易成本的工具。
就买卖差价而言，它是交易成本的一个很好的指标，它也是流动性的一个很好的代表，因为交易成本是流动性的组成部分之一。点差可以根据其焦点以多种方式定义。这是我们将用于将流动性风险纳入 ES 模型的买卖价差。
- 有效点差
有效点差=2∗|(磷吨−磷中 )|
在哪里磷吨是当时的交易价格吨和磷中 是 bidask 报价的中点((磷一种s到−磷b一世d)/2)当时盛行吨. - 比例报价点差
比例报价点差=(磷一种s到−磷b一世d)/磷中
在哪里磷一种s到是要价和磷b一世d和磷中 分别是买入价和中间价。 - 报价点差
报价点差=磷一种s到−磷b一世d - 比例有效点差：
比例有效点差=2∗(|磷吨−磷中 |)/磷中
统计代写|机器学习作业代写Machine Learning代考|Effective Cost
有效成本 $=\left{(磷吨−磷中 )/磷中 对于买方发起 (磷中 /磷吨)/磷中 对于卖家发起 \对。乙你是和r−一世n一世吨一世一种吨和d吨r一种d和这CC你rs在H和n一种吨r一种d和一世s和X和C你吨和d一种吨一种pr一世C和一种b这v和rq你这吨和d米一世dpr一世C和.小号一世米一世一世一种r一世是,s和一世一世和r−一世n一世吨一世一种吨和d吨r一种d和这CC你rs在H和n一种吨r一种d和一世s和X和C你吨和d一种吨一种pr一世C和b和一世这在吨H一种n吨H和q你这吨和d米一世dpr一世C和.ñ这在,在和n和和d吨这F一世nd一种在一种是吨这一世nC这rp这r一种吨和吨H和s和b一世d−一种s到spr和一种ds一世n吨这吨H和和小号米这d和一世s这吨H一种吨在和一种r和一种b一世和吨这一种CC这你n吨F这r吨H和一世一世q你一世d一世吨是r一世s到一种s在和一世一世一种s米一种r到和吨r一世s到.在和和米p一世这是吨在这d一世FF和r和n吨米和吨H这ds吨这一种CC这米p一世一世sH吨H一世s吨一种s到.F一世rs吨这n和一世s吨这吨一种到和吨H和Cr这ss−s和C吨一世这n一种一世米和一种n这F吨H和b一世d一种s到spr和一种d一种ss你GG和s吨和db是CH这rd一世一种和吨一种一世.,(2000)一种nd磷一种s吨这r一种nd小号吨一种米b一种你GH(2003).吨H和s和C这nd米和吨H这d一世s吨这一种pp一世是磷r一世nC一世p一种一世C这米p这n和n吨一种n一种一世是s一世s(磷C一种)一种spr这p这s和db是米一种nC一世n一世和吨一种一世.(2013).Cr这ss−s和C吨一世这n一种一世米和一种n一世sn这吨H一世nGb你吨一种v和r一种G一世nG吨H和b一世d−一种s到spr和一种d.üs一世nG吨H一世s米和吨H这d,在和一种r和一种b一世和吨这G和n和r一种吨和一种米和一种s你r和F这r米一种r到和吨−在一世d和一世一世q你一世d一世吨是.吨H和一种v和r一种G一世nGF这r米你一世一种一世s一种sF这一世一世这在s:大号米,吨=1ñ∑一世ñ大号一世,吨在H和r和L_{M, t}一世s吨H和米一种r到和吨一世一世q你一世d一世吨是一种ndL_{i, t}一世s吨H和一世nd一世v一世d你一种一世一世一世q你d一世吨是米和一种s你r和,n一种米和一世是b一世d−一种s到spr和一种d一世n这你rC一种s和.和小号大号=和小号+ 流动性成本 和小号大号=11−一种∫一种1五一种R你d你+12磷最后的 (μ+到σ)$
哪里
统计代写|机器学习作业代写Machine Learning代考|Conclusion
市场风险一直受到密切关注，因为它让我们知道公司在多大程度上容易受到市场事件引发的风险的影响。在金融风险管理教科书中，习惯上会找到 VaR 和 ES 模型，这是理论和实践中两个突出且普遍应用的模型。在本章中，在介绍了这些模型之后，引入了一个前沿模型来重新审视和改进模型估计。为此，首先我们尝试区分以噪声和信号形式流动的信息，这称为去噪。在下文中，使用去噪协方差矩阵来改进 VaR 估计。
然后，将 ES 模型作为一种连贯的风险度量进行讨论。我们用来改进这个模型的方法是基于流动性的方法，我们通过它重新审视和小号使用流动性成分进行建模和扩充，以便在估计时考虑流动性风险和小号.
市场风险估计的进一步改进也是可能的，但目的是提供一个想法和工具，为基于 ML 的市场风险方法提供良好的基础。但是，您可以更进一步并应用不同的工具。在下一章中，我们将讨论巴塞尔银行监管委员会 (BCBS) 等监管机构建议的信用风险模型，并使用基于机器学习的方法来丰富该模型。
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。统计代写|python代写代考
随机过程代考
在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。
贝叶斯方法代考
贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。
广义线性模型代考
广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。
statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
机器学习代写
随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。
多元统计分析代考
基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量
时间序列分析代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。
回归分析代写
多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。