如果你也在 怎样代写投资组合Portfolio Theory 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。投资组合Portfolio Theory是管理是构建投资组合的持续过程，它平衡了投资者的目标和投资组合经理对未来的期望。这一动态过程为投资者提供了回报。

投资组合Portfolio Theory管理中，单个资产或投资是根据其对投资者投资组合的风险和回报的贡献来评估的，而不是孤立地评估。这被称为投资组合视角。在这个过程中，与投资于单个资产或证券相比，通过构建多样化的投资组合，投资组合经理可以在给定的预期回报水平上降低风险。根据现代投资组合理论(MPT)，不遵循投资组合观点的投资者承担了没有获得更高预期回报的风险。与2007-2008年金融危机等市场动荡时期相比，投资组合多元化在金融市场正常运行时效果最佳。在动荡时期，相关性往往会增加，从而降低了多样化的好处。相关性是衡量两种证券或市场之间收益变动的标准化指标。

statistics-lab™ 为您的留学生涯保驾护航 在代写投资组合Investment Portfolio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。我们的专家在代写投资组合Investment Portfolio方面经验极为丰富，各种代写投资组合Investment Portfolio相关的作业也就用不着说。

金融代写|投资组合代写Investment Portfolio代考|Conditional Asset Pricing Models and Return Predictability

Let $z_t$ be an $L$-vector of observed conditioning variables (instruments) that belongs to the information set at time $t$ and define $F_{t+1}=\left[z_t^{\prime}, f_{t+1}^{\prime}, z_t^{\prime} \otimes f_{t+1}^{\prime}\right]^{\prime}$ as a $\tilde{K}=(K+1)(L+1)-1$ vector of scaled factors. Recently, many empirical studies (see, for example, Shanken, 1990; Lettau and Ludvigson, 2001; Lustig and Van Nieuwerburgh, 2005; Santos and Veronesi, 2006) have considered a cross-sectional regression of unconditional expected returns on their unconditional betas with respect to $F_{t+1}$ :
$$
E\left[R_{t+1}\right]=1_N \gamma_0+\beta \gamma_1
$$
where
$$
\beta=\operatorname{Cov}\left[R_{t+1}, F_{t+1}\right] \operatorname{Var}\left[F_{t+1}\right]^{-1} \text {. }
$$
There are two ways for obtaining the unconditional relationship between $E\left[R_{t+1}\right]$ and $\beta$ in Equation 3.31. The first approach is a time-varying SDF coefficients approach, which assumes that the SDF is linear in a set of risk variables, i. e.,
$$
m_{t+1}=a_t+b_t^{\prime} f_{t+1}
$$
The linearity of the SDF in $f_{t+1}$ allows obtaining the following conditional asset pricing model:
$$
E\left[R_{t+1} \mid z_t\right]=1_N \gamma_{\mathrm{b}, t}+\beta_t \gamma_{1, t}
$$
where $\beta_t=\operatorname{Cov}\left[R_{t+1}, f_{t+1} \mid z_t\right] \operatorname{Var}\left[f_{t+1} \mid z_t\right]^{-1}$ is the matrix of conditional betas and
$$
\begin{gathered}
\gamma_{0, t}=\frac{1}{E\left[m_{t+1} \mid z_t\right]}-1, \
\gamma_{1, t}=-\frac{\operatorname{Var}\left[f_{t+1} \mid z_t\right] b_t}{E\left[m_{t+1} \mid z_t\right]} .
\end{gathered}
$$

金融代写|投资组合代写Investment Portfolio代考|Nonlinear Asset Pricing Models

The generality of the SDF representation and GMM estimation based on the HJ-distance becomes obvious in the case, for example, of nonlinear consumption-based asset pricing models. As discussed above, the SDF for a representative agent model can be written as the product of the time-preference parameter $\beta$ and the ratio of the marginal utilities of consumption at times $t+$ 1 and $t$, respectively.

Consider the constant relative risk aversion (CRRA) or power utility function
$$
u\left(c_t\right)=\frac{c_t^{1-\rho}-1}{1-\rho}
$$
where $\rho>0$ is the coefficient of relative risk aversion. For example, when $\rho \rightarrow 1$, $u\left(c_t\right)=\log \left(c_t\right)$. The Arrow-Pratt coefficient of relative risk aversion $\frac{c_t u^{\prime \prime}\left(c_t\right)}{u^{\prime}\left(c_t\right)}$ is $\rho$, suggesting that relative risk aversion is constant.

Substituting for $m_t=\beta\left(\frac{c_{t+1}}{c_t}\right)^{-\rho}$ in the fundamental pricing equation delivers the following set of moments:
$$
E_t\left[\beta\left(\frac{c_{t+1}}{c_t}\right)^{-\rho}\left(1+R_{t+1}\right)-1_N\right]=0_N
$$
For a vector of instruments (conditioning variables) $z_t$ that belongs to the information set at time $t$, the sample analog of the above population moment condition is
$$
g_T(\theta)=\frac{1}{T} \sum_{t=1}^T\left[\beta\left(\frac{c_{t+1}}{c_t}\right)^{-\rho}\left(1+R_{l+1}\right)-1_N\right] \otimes z_t=0_m
$$
where $m=\operatorname{dim}\left(R_{t+1}\right) \operatorname{dim}\left(z_t\right)$ and $\theta=(\beta, \rho)^{\prime}$. The unknown parameters $\theta$ are then estimated by GMM.

投资组合代考

金融代写|投资组合代写Investment Portfolio代考|Conditional Asset Pricing Models and Return Predictability

设$z_t$为观察到的条件变量(仪器)的$L$ -向量，它属于时间$t$的信息集，并将$F_{t+1}=\left[z_t^{\prime}, f_{t+1}^{\prime}, z_t^{\prime} \otimes f_{t+1}^{\prime}\right]^{\prime}$定义为缩放因子的$\tilde{K}=(K+1)(L+1)-1$向量。最近，许多实证研究(例如，参见Shanken, 1990;Lettau and Ludvigson, 2001;Lustig and Van Nieuwerburgh, 2005;Santos和Veronesi, 2006)考虑了无条件预期收益相对于$F_{t+1}$的无条件贝塔的横截面回归:
$$
E\left[R_{t+1}\right]=1_N \gamma_0+\beta \gamma_1
$$
在哪里
$$
\beta=\operatorname{Cov}\left[R_{t+1}, F_{t+1}\right] \operatorname{Var}\left[F_{t+1}\right]^{-1} \text {. }
$$
式3.31中$E\left[R_{t+1}\right]$与$\beta$的无条件关系有两种方法。第一种方法是时变SDF系数方法，该方法假设SDF在一组风险变量中是线性的，即
$$
m_{t+1}=a_t+b_t^{\prime} f_{t+1}
$$
通过$f_{t+1}$中SDF的线性，可以得到以下条件资产定价模型:
$$
E\left[R_{t+1} \mid z_t\right]=1_N \gamma_{\mathrm{b}, t}+\beta_t \gamma_{1, t}
$$
其中$\beta_t=\operatorname{Cov}\left[R_{t+1}, f_{t+1} \mid z_t\right] \operatorname{Var}\left[f_{t+1} \mid z_t\right]^{-1}$是条件的矩阵和
$$
\begin{gathered}
\gamma_{0, t}=\frac{1}{E\left[m_{t+1} \mid z_t\right]}-1, \
\gamma_{1, t}=-\frac{\operatorname{Var}\left[f_{t+1} \mid z_t\right] b_t}{E\left[m_{t+1} \mid z_t\right]} .
\end{gathered}
$$

金融代写|投资组合代写Investment Portfolio代考|Nonlinear Asset Pricing Models

例如，在基于消费的非线性资产定价模型中，基于HJ-distance的SDF表示和GMM估计的通用性变得明显。如上所述，代表性智能体模型的SDF可以写成时间偏好参数$\beta$与分别在$t+$ 1和$t$时刻的消费边际效用之比的乘积。

考虑恒定相对风险厌恶(CRRA)或功率效用函数
$$
u\left(c_t\right)=\frac{c_t^{1-\rho}-1}{1-\rho}
$$
其中$\rho>0$为相对风险厌恶系数。例如:当$\rho \rightarrow 1$, $u\left(c_t\right)=\log \left(c_t\right)$。相对风险厌恶$\frac{c_t u^{\prime \prime}\left(c_t\right)}{u^{\prime}\left(c_t\right)}$的Arrow-Pratt系数为$\rho$，表明相对风险厌恶是恒定的。

将$m_t=\beta\left(\frac{c_{t+1}}{c_t}\right)^{-\rho}$代入基本定价方程，得到以下一组时刻:
$$
E_t\left[\beta\left(\frac{c_{t+1}}{c_t}\right)^{-\rho}\left(1+R_{t+1}\right)-1_N\right]=0_N
$$
对于属于时刻$t$的信息集的工具向量(条件变量)$z_t$，上述总体矩条件的样本模拟为
$$
g_T(\theta)=\frac{1}{T} \sum_{t=1}^T\left[\beta\left(\frac{c_{t+1}}{c_t}\right)^{-\rho}\left(1+R_{l+1}\right)-1_N\right] \otimes z_t=0_m
$$
其中$m=\operatorname{dim}\left(R_{t+1}\right) \operatorname{dim}\left(z_t\right)$和$\theta=(\beta, \rho)^{\prime}$。然后用GMM估计未知参数$\theta$。

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。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写投资组合Portfolio Theory 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。投资组合Portfolio Theory是金融投资的集合，如股票、债券、商品、现金和现金等价物，包括封闭式基金和交易所交易基金（ETF）。人们普遍认为，股票、债券和现金构成了投资组合的核心。

投资组合Portfolio Theory是资产的集合，可以包括股票、债券、共同基金和交易所交易基金等投资。投资组合更像是一个概念，而不是一个物理空间，特别是在数字投资的时代，但把你的所有资产放在一个比喻的屋顶下可能会有帮助。

statistics-lab™ 为您的留学生涯保驾护航 在代写投资组合Investment Portfolio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。我们的专家在代写投资组合Investment Portfolio方面经验极为丰富，各种代写投资组合Investment Portfolio相关的作业也就用不着说。

金融代写|投资组合代写Investment Portfolio代考|IRRATIONAL PEOPLE, IRRATIONAL MARKETS?

As goals-based investors aggregate, it seems clear that they will have an effect on market pricing. People are not isolated and, hard as it may be to remember these days, markets are comprised of real people. If these people were entering markets not for the fun of it but because they had specific objectives, that would carry some interesting consequences for the pricing mechanism. In this section, I would like to explore some interesting outcomes of market pricing if people are behaving in ways consistent with goals-based utility theory.

As we have explored, investors will seek to maximize the probability of attaining a goal. However, when considering something like pricing dynamics, it may be easier to simply analyze a line of indifference-that is, the points at which utility stays the same if we vary the other inputs. We assume that investors enter capital markets attempting to get a probability of goal achievement of at least $\alpha$, but greater than $\alpha$ is obviously preferred.

This treats the probability of goal achievement as a risk-aversion metric, which is essentially what it is. So, we can set up our form like this:
$$
v(A) \alpha=v(A) \phi(w, W, t),
$$
where $\alpha$ is the minimum probability our investor is willing to accept to achieve the goal, $w$ is the initial amount of wealth dedicated to the goal, $W$ is the amount of wealth required to achieve the goal, and $t$ is the time horizon within which the goal must be accomplished. Using the logistic cumulative distribution function, our equation becomes

From here, we can solve for $m$, or the minimum acceptable return, given some acceptable level of $\alpha$ :
$$
m \geq\left(\frac{W}{w}\right)^{\frac{1}{t}}-1+s \ln \left(\frac{1}{1-\alpha}-1\right)
$$

金融代写|投资组合代写Investment Portfolio代考|The Future Structure of Wealth Management Firms

Investment portfolios must be informed by goals, and goals, in turn, are influenced by the choice of investments.

Unfortunately, the current structure of wealth management firms is not conducive to delivering true goals-based solutions. While financial planning has now long been part of most wealth management practices, to execute the plan, firms build model portfolios-large boxes that can only ever approximate client needs. Of course, to date this has been the only way to scale a practice. It is not possible to run thousands of different portfolios, each with a separate objective and investment universe without a considerable investment of man-hours. Goals-based portfolio theory brings a need for better plan implementation. Those differences between account objectives and the differences between clients, though ignored by monolithic model portfolios, are fundamental to the proper execution of a goals-based plan.

Therefore, we need to update the structure and skill set of the wealth management firm.

To best understand the needed changes, we need to first understand the client experience. Goals-based investing puts the client at the absolute center of everything we do, so to properly understand the changes needed it is best to first understand our center of gravity. Let’s walk through the client experience from the point of first contact to the accomplishment of a goal.

A prospective client comes to the firm. Clients, of course, do not come to an advisor looking for goals; they have plenty of those. Clients come to the advisor looking for ways to accomplish their goals. The first meeting, in addition to the usual rapport-building, should be focused on understanding the panoply of goals: their relative importance, time horizons, funding requirements, and all else that has been discussed in this book so far. A clear understanding of the client’s current financial picture is also important. As a general rule, investment recommendations have no place being discussed in a first meeting. Certainly prospective clients will want some understanding of the firm’s opinions of markets and investment solutions offering, and some brief discussion on the firm’s points of difference is all sensible. But there is no way for an advisor to properly know what investment solutions are needed by the client without first doing the work of financial planning. Investments, in a goals-based framework, are simply tools to get a job done. How can we reach for the correct tool when we do not yet know what job needs doing?
After the initial discussion, the advisor takes the client’s data and builds a financial plan. Of course, the nature of the client and the listed goals will determine how detailed this financial plan needs to be (I am not fond of the 127-page financial plan, simpler is better in my view). Much of the plan is calculating the relative value of goals, calculating the allocation of current wealth and future savings across goals, the determination of optimal investment allocations for each subaccount, the determination of taxes on the various account types, and so on. The role of the financial planner is to map the plan of attack-it is, perhaps, the most important role in the firm. Errors at this stage will compound into later stages, becoming magnified and possibly catastrophic to the client. Financial planning done well is of paramount importance.

投资组合代考

金融代写|投资组合代写Investment Portfolio代考|IRRATIONAL PEOPLE, IRRATIONAL MARKETS?

随着以目标为导向的投资者聚集起来，似乎很明显，他们将对市场定价产生影响。人们并不是孤立的，尽管现在可能很难记住，市场是由真实的人组成的。如果这些人进入市场不是为了好玩，而是因为他们有特定的目标，这将给定价机制带来一些有趣的后果。在本节中，我想探讨一些有趣的市场定价结果，如果人们的行为方式与基于目标的效用理论相一致。

正如我们所探讨的，投资者将寻求实现目标的可能性最大化。然而，在考虑诸如定价动态之类的问题时，简单地分析一条无差异线可能更容易——也就是说，如果我们改变其他输入，效用保持不变的点。我们假设投资者进入资本市场试图获得目标实现的概率至少为$\alpha$，但大于$\alpha$显然是首选。

这将目标实现的可能性视为一种风险规避度量，本质上就是这样。所以，我们可以这样设置表单:
$$
v(A) \alpha=v(A) \phi(w, W, t),
$$
其中$\alpha$是我们的投资者愿意接受的实现目标的最小概率，$w$是用于实现目标的初始财富，$W$是实现目标所需的财富，$t$是必须完成目标的时间范围。使用logistic累积分布函数，我们的方程变成

从这里，我们可以解出$m$，或者给定某个可接受水平$\alpha$的最小可接受回报:
$$
m \geq\left(\frac{W}{w}\right)^{\frac{1}{t}}-1+s \ln \left(\frac{1}{1-\alpha}-1\right)
$$

金融代写|投资组合代写Investment Portfolio代考|The Future Structure of Wealth Management Firms

投资组合必须以目标为依据，而目标反过来又受到投资选择的影响。

不幸的是，目前财富管理公司的结构不利于提供真正基于目标的解决方案。虽然长期以来财务规划一直是大多数财富管理业务的一部分，但为了执行计划，公司建立了模型投资组合——这些大盒子只能接近客户的需求。当然，到目前为止，这是扩展实践的唯一方法。如果不投入大量的人力时间，就不可能运行数千个不同的投资组合，每个投资组合都有单独的目标和投资领域。基于目标的投资组合理论需要更好的计划实施。账户目标之间的差异和客户之间的差异，虽然被整体模型投资组合所忽略，但对于正确执行基于目标的计划是至关重要的。

因此，我们需要更新财富管理公司的结构和技能。

为了最好地理解所需的更改，我们需要首先了解客户体验。基于目标的投资将客户置于我们所做的一切的绝对中心，因此，为了正确理解所需的变化，最好首先了解我们的重心。让我们回顾一下从第一次接触到完成目标的客户体验。

一位潜在客户来到公司。当然，客户不是来找顾问寻找目标的;他们有很多。客户向顾问寻求实现目标的方法。第一次会议，除了通常的建立关系之外，应该集中于理解目标的整体:它们的相对重要性，时间范围，资金需求，以及本书迄今为止讨论过的所有其他内容。清楚地了解客户当前的财务状况也很重要。一般来说，投资建议不应该在第一次会议上讨论。当然，潜在客户希望了解公司对市场和投资解决方案的看法，对公司的不同之处进行一些简短的讨论是明智的。但是，如果不先做财务规划工作，顾问就不可能正确地知道客户需要什么样的投资解决方案。在以目标为基础的框架下，投资只是完成工作的工具。当我们还不知道需要做什么工作时，我们怎么能找到正确的工具呢?
在最初的讨论之后，顾问获取客户的数据并建立一个财务计划。当然，客户的性质和列出的目标将决定这个财务计划需要有多详细(我不喜欢127页的财务计划，在我看来越简单越好)。该计划的大部分内容是计算目标的相对价值，计算当前财富和未来储蓄在目标之间的分配，确定每个子账户的最佳投资分配，确定各种账户类型的税收，等等。财务规划师的角色是绘制攻击计划，这可能是公司中最重要的角色。这一阶段的错误将在以后的阶段中复杂化，变得更大，对客户来说可能是灾难性的。做好财务规划是至关重要的。

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。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写投资组合Portfolio Theory 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。投资组合Portfolio Theory是金融投资的集合，如股票、债券、商品、现金和现金等价物，包括封闭式基金和交易所交易基金（ETF）。人们普遍认为，股票、债券和现金构成了投资组合的核心。

投资组合Portfolio Theory是资产的集合，可以包括股票、债券、共同基金和交易所交易基金等投资。投资组合更像是一个概念，而不是一个物理空间，特别是在数字投资的时代，但把你的所有资产放在一个比喻的屋顶下可能会有帮助。

statistics-lab™ 为您的留学生涯保驾护航 在代写投资组合Investment Portfolio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。我们的专家在代写投资组合Investment Portfolio方面经验极为丰富，各种代写投资组合Investment Portfolio相关的作业也就用不着说。

金融代写|投资组合代写Investment Portfolio代考|Human Risks

Goals-based investing was born in the private wealth management space, driven by practitioners looking for solutions to the problems they encountered every day-problems of which academics seemed unaware. Nowhere does this ring more true than in those decidedly more human risks-the risks faced by individuals and wealthy families that have nothing at all to do with organizing an investment portfolio. With the technical bits of the theory out of the way, I would be remiss if I did not cover a few of the more human aspects of goals-based investing. There are enough to cover a library of books, and I do not intend to recount all of the wonderful resources already in existence. Rather, having spent time in the family office space, serving families and listening to family members from around the globe, I have found that there are a handful of very human risks that can legitimately threaten the long-term growth and preservation of wealth. I do not claim to be an expert here, only to offer my small perspective on a very big topic.

While goals-based portfolio theory does allow for aspirational goals for which high-variance outcomes are preferable, I suspect that many entrepreneurs would read most of this book as a “stay-wealthy” approach (as opposed to a “get-wealthy” approach). And that is true. This is not a book about how to play option markets more profitably, or how to build a better startup. This is a book dedicated to the people who are tasked with the preservation and growth of wealth … implying that wealth exists already. It is a truism to say that maintaining wealth is a prerequisite to achieve future goals for which more wealth is a requirement, rather than less.

For almost any family, it is the training of the next generation that becomes most critical for the maintenance and prudent growth of family wealth. Each family has a different perspective on this topic, as well they should, but in all cases it should be well noted that staying wealthy requires a different skill set than getting wealthy. While that may seem obvious, I have noted that some wealthy families struggle with this. As counter to the prevailing wisdom as this sounds, the numbers favor getting wealthy: you can fail 99 times, win once, and you are wealthy. However, those stats work against you once you have won. Now you have to win 100 times out of 100 lest you lose it all. It is usually the wealth-creators who have the greatest trouble shifting mindsets once they have built their business or after a significant liquidity event. And that is my point: maintaining that wealth requires a different skill set from building it. Families that fail to build that skill set tend to fail to maintain their wealth long-term.

金融代写|投资组合代写Investment Portfolio代考|Prudent Investing with High-Variance Assets: An Experimental Chapter

This can only be true if (1) an investor can invest borrowed money without limit or cost, and (2) can sell securities short without limit or cost. Besides the fact that this is entirely unrealistic, this also creates a contradiction. If a goalsbased investor can borrow without limit or cost, why not simply borrow enough money to accomplish the goal? Clearly, these are absurd assumptions.

When short sales and leverage are bounded (or eliminated, as is most common in practice), an endpoint to the efficient frontier must exist. Under that real-world constraint, it is possible that the portfolio’s required return $(r)$ is greater than the expected return of the last portfolio on the efficient frontier $(\mu)$, and probabilities of achievement then are had by increasing variance rather than decreasing it-hence the break with modern portfolio theory. I refer to these portfolios as $r>\mu$ portfolios. Of course, mean-variance theory would simply declare these portfolios “infeasible” (no solution exists), or would keep you exposed to the last portfolio on the frontier rather than let you depart from it.

It is for those $r>\mu$ portfolios that this chapter is concerned. In the realm of high-variance, low-return assets-assets traditionally considered the very definition of imprudent and irresponsible-what is prudent and responsible investing?

“Prudent and responsible” is relative. Again-and I cannot stress this enough-we are talking about goals that are not highly valued. These are goals at or near the top of the Maslow-Brunel pyramid. We typically call these goals aspirational. Goals-based theory certainly does not recommend high-variance solutions for more foundational goals.

And investors regularly have aspirational goals. I would even venture to say that aspirational goals are as common as foundational ones, and sometimes it is the aspirational goals that are more often discussed. There are several important reasons why a theory should incorporate them. First, they exist. To deny their existence or label someone irrational for having such goals just does not serve the needs of real people. Are practitioners really supposed to simply disregard some of the most exciting objectives a client may have? Of course not! And, indeed, most practitioners do not disregard them, and so are left fumbling around in the dark, or are reliant on heuristics to guide them.

投资组合代考

金融代写|投资组合代写Investment Portfolio代考|Human Risks

基于目标的投资诞生于私人财富管理领域，其驱动因素是从业人员为他们每天遇到的问题寻找解决方案，而学术界似乎没有意识到这些问题。这一点在那些显然更人性化的风险中体现得最为真切——个人和富裕家庭所面临的风险，与组织投资组合毫无关系。在讲完这个理论的技术部分之后，如果我不讲一些基于目标的投资更人性化的方面，那我就太疏忽了。它们足以覆盖一个图书馆的书籍，我不打算详述所有已经存在的奇妙资源。相反，在家族办公室里度过了一段时间，为家族服务，听取了全球家族成员的意见，我发现，有一些非常人性化的风险，可能会合理地威胁到财富的长期增长和保存。我并不是这方面的专家，只是就一个非常大的话题提出我的一些观点。

虽然以目标为基础的投资组合理论确实允许实现高方差结果更可取的理想目标，但我怀疑许多企业家会将本书的大部分内容视为“保持富有”的方法(而不是“致富”的方法)。这是真的。这不是一本关于如何在期权市场上更赚钱，或者如何建立一个更好的创业公司的书。这是一本献给那些肩负着财富保存和增长任务的人们的书……这意味着财富已经存在了。保持财富是实现未来目标的先决条件，而实现未来目标需要更多的财富，而不是更少，这是不言而喻的。

对几乎所有家庭来说，培养下一代对于维持和谨慎增长家庭财富至关重要。每个家庭对这个话题都有不同的看法，他们也应该这样做，但在所有情况下，都应该注意到，保持富裕需要的技能与致富不同。虽然这似乎是显而易见的，但我注意到一些富裕家庭也在为此挣扎。虽然这听起来与流行的智慧相反，但数字更倾向于致富:你可以失败99次，赢一次，然后你就有钱了。然而，一旦你赢了，这些数据就会对你不利。现在你必须赢100次，否则你会输掉一切。通常是财富创造者在建立了自己的企业或经历了重大的流动性事件后，在转变心态方面遇到了最大的困难。这就是我的观点:维持财富和创造财富需要不同的技能。没有建立起这种技能的家庭往往无法长期保持他们的财富。

金融代写|投资组合代写Investment Portfolio代考|Prudent Investing with High-Variance Assets: An Experimental Chapter

这只能在以下情况下成立:(1)投资者可以无限制地或无成本地投资借来的钱，(2)可以无限制地或无成本地卖空证券。这不仅是完全不现实的，而且还产生了矛盾。如果基于目标的投资者可以无限制地借贷，为什么不干脆借足够的钱来实现目标呢?显然，这些都是荒谬的假设。

当卖空和杠杆受到限制(或消除，这在实践中是最常见的)时，必须存在一个有效边界的端点。在现实世界的约束下，有可能投资组合的要求收益$(r)$大于最后一个投资组合在有效边界$(\mu)$上的预期收益，那么实现的概率是通过增加方差而不是减少方差来实现的——因此与现代投资组合理论决然。我把这些组合称为$r>\mu$组合。当然，均值-方差理论会简单地宣布这些投资组合“不可行”(没有解决方案存在)，或者会让你暴露在边界上的最后一个投资组合中，而不是让你离开它。

本章关注的是那些$r>\mu$投资组合。在高方差、低回报的资产领域——传统上被认为是轻率和不负责任的资产——什么是谨慎和负责任的投资?

“谨慎和负责”是相对的。我再一次强调，我们谈论的是不被高度重视的目标。这些目标处于或接近马斯洛-布鲁内尔金字塔的顶端。我们通常称这些目标为理想。基于目标的理论当然不建议为更基本的目标提供高方差的解决方案。

投资者通常都有雄心勃勃的目标。我甚至敢说，理想目标和基本目标一样普遍，有时是理想目标更常被讨论。有几个重要的原因可以解释为什么一个理论应该包含它们。首先，它们是存在的。否认他们的存在，或者因为他们有这样的目标而给他们贴上不理性的标签，这并不能满足现实生活中人们的需求。从业者真的应该简单地忽略客户可能拥有的一些最令人兴奋的目标吗?当然不是!事实上，大多数实践者并没有忽视它们，因此只能在黑暗中摸索，或者依靠启发式来指导他们。

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。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写投资组合Portfolio Theory 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。投资组合Portfolio Theory是金融投资的集合，如股票、债券、商品、现金和现金等价物，包括封闭式基金和交易所交易基金（ETF）。人们普遍认为，股票、债券和现金构成了投资组合的核心。

投资组合Portfolio Theory是资产的集合，可以包括股票、债券、共同基金和交易所交易基金等投资。投资组合更像是一个概念，而不是一个物理空间，特别是在数字投资的时代，但把你的所有资产放在一个比喻的屋顶下可能会有帮助。

statistics-lab™ 为您的留学生涯保驾护航 在代写投资组合Investment Portfolio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。我们的专家在代写投资组合Investment Portfolio方面经验极为丰富，各种代写投资组合Investment Portfolio相关的作业也就用不着说。

金融代写|投资组合代写Investment Portfolio代考|Allocating Wealth Through Time

Quite simply, it is not accurate to allocate wealth in the context of the coming period only. We intuitively understand this, which was the entire motivation for me to develop my own recession dashboard. Intuitively, we know that a defensive posture ahead of a potential market selloff gives us cash to buy when prices are lower, thereby pushing our wealth significantly closer to our goal when prices recover. In the face of a probable recession, for example, our market return expectations might be significantly lowered and variances significantly raised, but a single-period optimization based on those capital market expectations alone is going to yield silly results, like an all-gold allocation. How could it do anything else? While we can see the recession followed by a recovery, the optimizer cannot. How could it? Those inputs are not included!

All of this is an indication to me that our tools are not as accurate as they need to be. While we may be using single-period tools, we are actually running multiperiod models in our head. That is why, when an optimizer suggests an all-gold allocation leading into a recession, we chuckle and “fix” it to be heavy cash/bonds/gold, rather than simply accept the original output. Rather than pretend that problem does not exist and come up with some ad-hoc corrections, this chapter is an attempt to solve it head on. As always, my objective here is not to curtail thinking critically about an optimizer’s output! Rather, I assume that finer tools in the hands of craftsman yield finer products.

In the literature, the most practical solution to the problem of allocating through time, especially in light of varying capital market expectations, is sketched out in a forthcoming paper from Sanjiv Das et al. ${ }^1$ Their approach leans on Bellman’s dynamic programming technique, and the approach is quite useful for practitioners. However, I have several critiques that drive me to present my own solution. First, in their framework, they maintain the unlimited short-sale and leverage assumption. While this is defensible from a theoretical perspective, in practice this is neither simple nor recommended. For one, leverage and short-sale costs alone are likely to remove the benefits of such an allocation, but more pressing: for most goals-based investors, leverage and short-sales are constrained or eliminated in real life.

Second, their solution relies on a “model portfolio” approachrepresentative portfolios are formed along the efficient frontier for each type of market (good, bad, or good/bad mix). Then, dynamic programming is used to select which model portfolios should be selected for the coming period (informed by the probability of a good or bad year). This is a very reasonable and clever approach, given the way our business currently operates. However, I see a move away from model portfolios in the future, as we will discuss in Chapter 14. A tool that can make use of any weight combination to any investments would be valuable.

金融代写|投资组合代写Investment Portfolio代考|Increasing the Asset Universe

From theory we know that by introducing more (low-correlating) assets, for a targeted expected portfolio return, we should be able to decrease the standard deviation of the portfolio. In Exhibit $2.6$ the assumed expected returns, standard deviations, and correlations of 18 countries in the MSCI World Index are presented.

Exhibit $2.7$ illustrates how the efficient frontier widens as we go from 4 to 12 assets and then to 18 assets. By increasing the number of investment opportunities we increase our level of possible diversification.

We now ask whether it is possible in general to decrease portfolio risk (and keeping the expected portfolio return constant) by increasing the asset universe. To answer this question, we first observe that the portfolio variance can be bounded by
$$
\begin{aligned}
\operatorname{var}\left(R_p\right) &=\mathbf{w}^{\prime} \boldsymbol{\Sigma} \mathbf{w} \
&=\frac{1}{N^2} \sum_{i=1}^N \operatorname{var}\left(R_i\right)+\frac{1}{N^2} \sum_{i \neq j} \operatorname{cov}\left(R_i, R_j\right) \
& \leq \frac{1}{N^2} N \sigma_{\max }^2+\frac{1}{N^2}(N-1) N \cdot A \
&=\frac{\sigma_{\max }^2}{N}+\frac{N-1}{N} \cdot A
\end{aligned}
$$

where $\sigma_{\max }^2$ is the largest variance of all individual assets and $A$ is the average pairwise asset covariance,
$$
A=\frac{1}{(N-1) N} \sum_{i \neq j} \operatorname{cov}\left(R_i, R_j\right)
$$
If the average pairwise covariance $A$ and all variances are bounded, then we conclude that
$$
\operatorname{var}\left(R_p\right) \underset{N \rightarrow \infty}{\longrightarrow} A
$$
This implies that the portfolio variance approaches A as the number of assets becomes largé. Therefore we see that, in general, the benefits of diversification are limited up to a point and that we cannot expect to be able to completely eliminate portfolio risk.

投资组合代考

金融代写|投资组合代写Investment Portfolio代考|CLASSICAL FRAMEWORK FOR MEAN-VARIANCE OPTIMIZATION

在本节中，我们将迄今为止的直观讨论置于更正式的数学环境中，并发展均值-方差优化理论。首先假设投资者 必须选择一个由以下各项组成的投资组合 $N$ 风险资产。 ${ }^8$ 投资者的选择体现在 $N$ 向量 $\mathbf{w}=\left(w_1, w_2, \ldots, w_N\right)^{\prime}$ 权重，其中每个权重 $i$ 代表的百分比 $i$ 投资组合中持有的第一项资产，以及
$$
\sum_{i=1}^N w_i=1
$$
目前，我们允许卖空，这意味着权重可以为负。在本章后面我们将讨论禁止卖空，在第 4 章我们将考虑更一般的 约束。
假设资产的回报 $\mathbf{R}=\left(R_1, R_2, \ldots, R_N\right)^{\prime}$ 有预期回报 $\boldsymbol{\mu}=\left(\mu_1, \mu_2, \ldots, \mu_N\right)^{\prime}$ 和 $N \times N$ 协方差矩阵由
在哪里 $\sigma_{i j}$ 表示资产之间的协方差 $i$ 和资产 $j$ 这样 $\sigma_{i i}=\sigma_i^2, \sigma_{i j}=\rho_{i j} \sigma_i \sigma_j$ 和 $\rho_{i j}$ 是资产之间的相关性 $i$ 和资产 $j$. 在这些假设下，具有权重的投资组合的回报 $\mathbf{w}=\left(w_1, w_2, \ldots, w_N\right)^{\prime}$ 是一个随机变量 $R_p=w^{\prime} R$ 预期收益和 方差为 ${ }^9$
$$
\mu_p=\mathbf{w}^{\prime} \boldsymbol{\mu} \sigma_p^2=\mathbf{w}^{\prime} \boldsymbol{\Sigma}_{\mathbf{W}}
$$
例如，如果只有两个资产具有权重 $\mathbf{w}=\left(w_1, w_2\right)^{\prime}$ ，则投资组合的预期收益为
$$
\mu_p=w_1 \mu_1+w_2 \mu_2
$$

金融代写|投资组合代写Investment Portfolio代考|Increasing the Asset Universe

从理论上我们知道，通过引入更多 (低相关性) 资产，为了获得目标预期的投资组合回报，我们应该能够降低投 资组合的标准差。在展览中 $2.6$ 给出了 MSCI 世界指数中 18 个国家的假设预期回报、标准差和相关性。
展示 $2.7$ 说明了当我们从 4 种资产增加到 12 种资产，然后再增加到 18 种资产时，有效边界是如何扩大的。通过 增加投资机会的数量，我们提高了可能的多元化水平。
我们现在问是否有可能通过增加资产范围来降低投资组合风险 (并保持预期投资组合回报不变) 。为了回答这个 问题，我们首先观察到投资组合方差可以受限于
$$
\operatorname{var}\left(R_p\right)=\mathbf{w}^{\prime} \boldsymbol{\Sigma} \mathbf{w} \quad=\frac{1}{N^2} \sum_{i=1}^N \operatorname{var}\left(R_i\right)+\frac{1}{N^2} \sum_{i \neq j} \operatorname{cov}\left(R_i, R_j\right) \leq \frac{1}{N^2} N \sigma_{\max }^2+\frac{1}{N^2}(N-1) N
$$
在哪里 $\sigma_{\max }^2$ 是所有单个资产的最大方差，并且 $A$ 是平均成对资产协方差，
$$
A=\frac{1}{(N-1) N} \sum_{i \neq j} \operatorname{cov}\left(R_i, R_j\right)
$$
如果平均成对协方差 $A$ 并且所有方差都是有界的，那么我们得出结论
$$
\operatorname{var}\left(R_p\right) \underset{N \rightarrow \infty}{\longrightarrow} A
$$
这意味着随看资产数量变大，投资组合方差接近 $\mathrm{A}_0$ 。因此我们看到，一般来说，多元化的好处在一定程度上是有 限的，我们不能指望能够完全消除投资组合风险。

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。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写