如果你也在 怎样代写风险建模Financial risk modeling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。
风险建模是确定有多少风险存在于一个特定的企业、投资或一系列的现金流中。
statistics-lab™ 为您的留学生涯保驾护航 在代写风险建模Financial risk modeling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。我们的专家在代写风险建模Financial risk modeling代写方面经验极为丰富，各种代写风险建模Financial risk modeling相关的作业也就用不着说。
我们提供的风险建模Financial risk modeling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|风险建模代写Financial risk modeling代考|Dynamic Asset-Allocation
The recent availability of large, high-frequency financial data sets potentially provides a rich source of information about asset-price dynamics. Specifically, nonparametric variance/covariance measures constructed by summing intra-daily return data (i.e. realized variances and covariances) have the potential to provide very accurate estimates of the underlying quadratic variation and covariation and, as a consequence, accurate estimation of betas for asset pricing, index autocorrelation and lead-lag patterns. These measures, however, have been shown to be sensitive to market microstructure noise inherent in the observed asset prices. Moreover, it is well known from Epps (1979) that the nonsynchronicity of observed data leads to a bias towards zero in correlations among stocks as the sampling frequency increases. Motivated by these difficulties, some modifications of realized covariance-type estimators have been proposed in the literature (Martens, 2004; Hayashi and Yoshida, 2005; Large, 2007; Voev and Lunde, 2007; Barndorff-Nielsen et al., 2008a; Kinnebrock and Podolskij, 2008).
A different methodology has been proposed in Malliavin and Mancino $(2002)$, which is explicitly conceived for multivariate analysis. This method is based on Fourier analysis and does not rely on any datasynchronization procedure but employs all the available data. Therefore, from the practitioner’s point of view the Fourier estimator is easy to implement as it does not require any choice of synchronization method or sampling scheme.
统计代写|风险建模代写Financial risk modeling代考|Some properties of the Fourier estimator
The Fourier method for estimating co-volatilities was proposed in Malliavin and Mancino $(2002)$ considering the difficulties arising in the multivariate setting when applying the quadratic covariation theorem to the true returns data, given the nonsynchronicity of observed prices for different assets. In fact, the quadratic covariation formula is
unfeasible when applied to estimate cross-volatilities because it requires synchronous observations which are not available in real situations. Being based on the integration of “all” data, the Fourier estimator does not need any adjustment to fit nonsynchronous data. We briefly recall the methodology below (see also Malliavin and Mancino, 2009).
Assume that $p(t)=\left(p^{1}(t), \ldots, p^{k}(t)\right)$ are Brownian semi-martingales satisfying the following Itô stochastic differential equations
$$
d p^{j}(t)=\sum_{i=1}^{d} \sigma_{i}^{j}(t) d W^{i}(t)+b^{j}(t) d t \quad j=1, \ldots, k
$$
where $W=\left(W^{1}, \ldots, W^{d}\right)$ are independent Brownian motions. The price process $p(t)$ is observed on a fixed time window, which can always be reduced to $[0,2 \pi]$ by a change of the origin and rescaling, and $\sigma_{}^{}$ and $b^{}$ are adapted random processes satisfying the hypothesis $$ E\left[\int_{0}^{2 \pi}\left(b^{i}(t)\right)^{2} d t\right]<\infty, E\left[\int_{0}^{2 \pi}\left(\sigma_{i}^{j}(t)\right)^{4} d t\right]<\infty \quad i=1, \ldots, d, j=1, \ldots, k . $$ From the representation (1.1) we define the “volatility matrix,” which in our hypothesis depends upon time $$ \Sigma^{i j}(t)=\sum_{r=1}^{d} \sigma_{r}^{i}(t) \sigma_{r}^{i}(t) $$ The Fourier method reconstructs $\Sigma^{ *}(t)$ on $[0,2 \pi]$ using the Fourier transform of $d p^{\star}(t)$.
The main result in Malliavin and Mancino (2009) relates the Fourier transform of $\Sigma^{* }$ to the Fourier transform of the log-returns $d p^{}$. More precisely, the following result is proved: compute the Fourier transform of $d p^{j}$ for $j=1, \ldots, k$, defined for any integer $z$ by
$$
F\left(d p^{j}\right)(z)=\frac{1}{2 \pi} \int_{0}^{2 \pi} e^{-i z t} d p^{j}(t)
$$
and consider the Fourier transform of the cross-volatility function defined for any integer $z$ by
$$
F\left(\Sigma^{i j}\right)(z)=\frac{1}{2 \pi} \int_{0}^{2 \pi} e^{-i z t} \Sigma^{i j}(t) d t
$$
then the following convergence in probability holds
$$
F\left(\Sigma^{i j}\right)(z)=\lim {N \rightarrow \infty} \frac{2 \pi}{2 N+1} \sum{|s| \leq N} F\left(d p^{i}\right)(s) F\left(d p^{j}\right)(z-s)
$$
统计代写|风险建模代写Financial risk modeling代考|Forecasting and asset allocation
We use the methodology suggested by Fleming et al. (2001) and Bandi et al. (2008) to evaluate the economic benefit of the Fourier estimator of integrated covariance in the context of an asset-allocation strategy. Specifically, we compare the utility obtained by virtue of covariance forecasts based on the Fourier estimator to the utility obtained through covariance forecasts constructed using the more familiar realized covariance and other recently proposed estimators. In the following, we adopt a notation which is common in the literature about portfolio management. It will not be difficult for the reader to match it with the one in the previous section.
Let $R f$ and $R_{t+1}$ be the risk-free return and the return vector on $k$ risky assets over a day $[t, t+1]$, respectively. Define $\mu_{t}=E_{t}\left[R_{t+1}\right]$ and $\Phi_{t}=E_{t}\left[\left(R_{t+1}-\mu_{t}\right)\left(R_{t+1}-\mu_{t}\right)^{\prime}\right]$ as the conditional expected value and the conditional covariance matrix of $R_{t+1}$. We consider a mean-variance investor who solves the problem
$$
\min {\omega{t}} \omega_{t}^{\prime} \Phi_{t} \omega_{t}
$$
subject to
$$
\omega_{t}^{\prime} \mu_{t}+\left(1-\omega_{t}^{\prime} \mathbf{1}{k}\right) R^{f}=\mu p, $$ where $\omega{t}$ is a $k$-vector of portfolio weights, $\mu_{p}$ is a target expected return on the portfolio and $1_{k}$ is a $k \times 1$ vector of ones. The solution to this program is
$$
\omega_{t}=\frac{\left(\mu_{p}-R^{f}\right) \Phi_{t}^{-1}\left(\mu_{t}-R^{f} \mathbf{1}{k}\right)}{\left(\mu{t}-R^{f} \mathbf{1}{k}\right)^{\prime} \Phi{t}^{-1}\left(\mu_{t}-R \mathbf{R}^{\prime}\right)} .
$$
We estimate $\Phi_{t}$ using one-day-ahead forecasts $\hat{C}_{t}$ given a time series of daily covariance estimates obtained using the Fourier estimator, the
realized covariance estimator, the realized covariance plus leads and lags estimator, the $\mathrm{AO}$ estimator, its subsampled version and the kernel estimator. The out-of-sample forecast is based on a univariate ARMA model.
Given sensible choices of $R^{f}, \mu_{p}$ and $\mu_{t}$, each one-day-ahead forecast leads to the determination of a daily portfolio weight $\omega_{t}$. The time series of daily portfolio weights then leads to daily portfolio returns. In order to concentrate on volatility approximation and to abstract from the issues that would be posed by expected stock-return predictability, for all times $t$ we set the components of vector $\mu_{t}=E_{t}\left[R_{t+1}\right]$ equal to the sample means of the returns on the risky assets over the forecasting horizon. Finally, we employ the investor’s long-run mean-variance utility as a metric to evaluate the economic benefit of alternative covariance forecasts $\hat{C}{t}$, that is, $$ U^{*}=\bar{R}^{p}-\frac{\lambda}{2} \frac{1}{m} \sum{t=1}^{m}\left(R_{t+1}^{p}-\bar{R}^{p}\right)^{2},
$$
where $R_{t+1}^{p}=R^{f}+\omega_{t}^{\prime}\left(R_{t+1}-R^{f} \mathbf{1}{k}\right)$ is the return on the portfolio with estimated weights $\omega{t}, \bar{R}^{p}=\frac{1}{m} \sum_{t=1}^{m} R_{t+1}^{p}$ is the sample mean of the portfolio returns across $m \leq n$ days and $\lambda$ is a coefficient of risk aversion.
风险建模代写
统计代写|风险建模代写Financial risk modeling代考|Dynamic Asset-Allocation
近期大量高频金融数据集的可用性可能提供有关资产价格动态的丰富信息来源。具体而言，通过对日内回报数据（即实现的方差和协方差）求和构建的非参数方差/协方差测量有可能提供对潜在二次变异和协方差的非常准确的估计，因此，准确估计资产定价的贝塔，指数自相关和领先滞后模式。然而，这些措施已被证明对观察到的资产价格中固有的市场微观结构噪声敏感。此外，Epps (1979) 众所周知，随着采样频率的增加，观察数据的非同步性导致股票之间的相关性偏向于零。在这些困难的鼓舞下，
Malliavin 和 Mancino 提出了一种不同的方法(2002)，这是为多变量分析而明确设想的。该方法基于傅立叶分析，不依赖任何数据同步过程，而是使用所有可用数据。因此，从从业者的角度来看，傅里叶估计器很容易实现，因为它不需要任何同步方法或采样方案的选择。
统计代写|风险建模代写Financial risk modeling代考|Some properties of the Fourier estimator
Malliavin 和 Mancino 提出了用于估计共挥发性的傅里叶方法(2002)考虑到在将二次协变定理应用于真实收益数据时在多元设置中出现的困难，因为不同资产的观察价格不同步。实际上，二次协变公式是
当应用于估计交叉波动率时是不可行的，因为它需要在实际情况下不可用的同步观测。基于“所有”数据的整合，傅立叶估计器不需要任何调整来适应非同步数据。我们简要回顾一下下面的方法（另见 Malliavin 和 Mancino，2009 年）。
假使，假设p(吨)=(p1(吨),…,pķ(吨))是满足下列伊藤随机微分方程的布朗半鞅
dpj(吨)=∑一世=1dσ一世j(吨)d在一世(吨)+bj(吨)d吨j=1,…,ķ
在哪里在=(在1,…,在d)是独立的布朗运动。价格流程p(吨)在固定的时间窗口上观察到，它总是可以减少到[0,2圆周率]通过更改原点和重新缩放，以及σ和b是满足假设的适应随机过程和[∫02圆周率(b一世(吨))2d吨]<∞,和[∫02圆周率(σ一世j(吨))4d吨]<∞一世=1,…,d,j=1,…,ķ.根据表示（1.1），我们定义了“波动性矩阵”，在我们的假设中，它取决于时间Σ一世j(吨)=∑r=1dσr一世(吨)σr一世(吨)傅里叶方法重构Σ∗(吨)在[0,2圆周率]使用傅里叶变换dp⋆(吨).
Malliavin 和 Mancino (2009) 的主要结果涉及傅里叶变换Σ∗对数返回的傅里叶变换dp. 更准确地说，证明了以下结果：计算傅里叶变换dpj为了j=1,…,ķ, 为任何整数定义和经过
F(dpj)(和)=12圆周率∫02圆周率和−一世和吨dpj(吨)
并考虑为任何整数定义的交叉波动率函数的傅里叶变换和经过
F(Σ一世j)(和)=12圆周率∫02圆周率和−一世和吨Σ一世j(吨)d吨
那么下面的概率收敛成立
F(Σ一世j)(和)=林ñ→∞2圆周率2ñ+1∑|s|≤ñF(dp一世)(s)F(dpj)(和−s)
统计代写|风险建模代写Financial risk modeling代考|Forecasting and asset allocation
我们使用 Fleming 等人建议的方法。（2001）和班迪等人。（2008 年）在资产配置策略的背景下评估综合协方差的傅立叶估计量的经济效益。具体来说，我们将通过基于傅立叶估计量的协方差预测获得的效用与通过使用更熟悉的已实现协方差和其他最近提出的估计量构建的协方差预测获得的效用进行比较。在下文中，我们采用了在有关投资组合管理的文献中常见的符号。读者不难将其与上一节中的内容相匹配。
让RF和R吨+1是无风险收益和收益向量ķ一天内的风险资产[吨,吨+1]， 分别。定义μ吨=和吨[R吨+1]和披吨=和吨[(R吨+1−μ吨)(R吨+1−μ吨)′]作为条件期望值和条件协方差矩阵R吨+1. 我们考虑一个解决问题的平均方差投资者
分钟ω吨ω吨′披吨ω吨
受制于
ω吨′μ吨+(1−ω吨′1ķ)RF=μp,在哪里ω吨是一个ķ-投资组合权重的向量，μp是投资组合的目标预期回报，并且1ķ是一个ķ×1的向量。该程序的解决方案是
ω吨=(μp−RF)披吨−1(μ吨−RF1ķ)(μ吨−RF1ķ)′披吨−1(μ吨−RR′).
我们估计披吨使用提前一天的预测C^吨给定使用傅立叶估计器获得的每日协方差估计的时间序列，
已实现协方差估计器，已实现协方差加超前和滞后估计器，一种这估计器，其子采样版本和内核估计器。样本外预测基于单变量 ARMA 模型。
鉴于明智的选择RF,μp和μ吨，每个提前一天的预测都会导致确定每日投资组合权重ω吨. 然后，每日投资组合权重的时间序列导致每日投资组合回报。为了专注于波动率近似，并从任何时候都将由预期股票收益可预测性带来的问题中抽象出来吨我们设置向量的分量μ吨=和吨[R吨+1]等于预测期内风险资产收益的样本均值。最后，我们使用投资者的长期平均方差效用作为衡量替代协方差预测的经济效益的指标C^吨， 那是，在∗=R¯p−λ21米∑吨=1米(R吨+1p−R¯p)2,
在哪里R吨+1p=RF+ω吨′(R吨+1−RF1ķ)是具有估计权重的投资组合的回报ω吨,R¯p=1米∑吨=1米R吨+1p是整个投资组合收益的样本均值米≤n天和λ是风险厌恶系数。
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。
金融工程代写
金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。
非参数统计代写
非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。
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。
术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。
有限元方法代写
有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。
有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。
tatistics-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。
随机分析代写
随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。
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。