2024-05-27 Monash University-week10 学习总结

yiboway

这两周，我主要专注于完成专业课程的大作业和复习预习以及CQF课程的Exam2和Exam3，以下是各项学习内容的详细汇总：

• 金融数学课程
  
  
  • 继续学习了投资组合的相关内容，等价鞅测度（Equivalent Martingale Measure, EMM）定义及其在无套利定价中的作用，如何找到等价鞅测度 Q以及在离散时间模型中的应用；复制组合（Replicating Portfolio），通过基础资产（如股票和无风险资产）构建复制组合，如何使用复制组合定价衍生品以及不同市场模型中复制组合的构造方法；看跌期权定价（Put Option Pricing），看跌期权的定义和到期支付计算，通过复制组合方法定价看跌期权以及计算看跌期权在不同时刻的价格
  • 继续学习了无套利定价理论（No-Arbitrage Pricing Theory），学习基本原理和应用，如何确保市场中不存在套利机会以及在定价金融衍生品中的应用。离散时间金融模型（Discrete-Time Financial Models），在离散时间框架下构建和分析金融模型，股票价格和贴现因子的定义以及不同时间点的资产定价方法；随机变量及其分布，讨论不同取值及其概率分布以及如何在金融模型中处理随机变量
    
    
• 随机过程课程
  
  
  • 简单对称随机游走（Simple Symmetric Random Walk），是一个基本的随机过程模型，其中每一步都有相同的概率向左或向右移动一单位，这里的对称性意味着向左和向右移动的概率是相等的。
  • 对数函数和信息论（Logarithms and Information Theory），通过计算log2来转换概率，可以用来衡量信息的量或者不确定性的大小。
    
• 金融计量经济学
  
  
  • 继续完成这门课的作业以及进行复习，对给定投资组合进行资本资产定价模型（CAPM）回归：应用OLS回归模型，使用statsmodels库进行CAPM回归，计算每次回归中获得的阿尔法风险（alpha risk）、贝塔风险（beta risk）以及决定系数（R-squared）的估计值。
  • 学习计算给定数据和投资组合的表现度量：包括夏普比率、特雷诺指数和詹森阿尔法值。夏普比率考虑了投资组合的总体风险，特雷诺指数和詹森的阿尔法则考虑市场风险。这些指标可以通过计算对数收益率、波动率等来实现。使用信息准则（AIC和BIC）比较模型：对ARCH(5)模型和GARCH(1,1)模型进行评估，选择AIC和BIC值较小的模型作为更适合数据的模型。
    
• CQF课程
  
  
  • CQF课程继续学习了机器学习相关内容，学习了机器学习的基础概念和重要原理，包括监督学习和无监督学习的基本区别，以及机器学习在各个领域的广泛应用。深入学习了更高级的机器学习技术和方法，包括模型评估和选择、过拟合与欠拟合的概念，以及如何处理大规模数据集。
  • 学习了机器学习所需的数学工具，包括线性代数、概率论和统计学；学习了高级的监督学习算法，包括支持向量机（SVM）和神经网络，并了解了这些算法的内部工作原理和应用场景。学习了如何将机器学习应用于金融领域的实际案例。
    
  
  

交易回顾，最近在五月的交易较为顺利，因为大盘在等待英伟达的财报，维持了很长一段时间的横盘，但是在这期间把握住了很多个股的机会：微软，特斯拉，Meta，COIN，苹果等，使用的都是期权垂直策略，控制成本，但是收益也有限，大概只赚了几百刀左右；同时参与了英伟达财报，使用了铁蝶策略来应对英伟达涨幅不足，横盘平开的双杀情况，来对冲本来就有的多仓，最大损失300，最大获利2700；还有一个上方的蝴蝶策略970/1010/1050，看多英伟达，以小博大，成本500，达哥财报后1020开，正好开在蝴蝶的范围内，1500成交，获得了200%的收益。目前两个富途的账户持仓情况只有mara还在被套，目前复盘来看，矿股在比特币减半后表现就很差，且比特币在6W-7W附近进行盘整，影响了矿股整体的表现；作为对比的可以看到MSTR和COIN，不仅走势更强，同时也有更多的利好消息，如ETF托管在coinbase，让COIN在BTC下跌的过程中依然维持涨势。后续的交易计划为手拿现金看戏，等待更好的机会，一方面是等达哥的拆股，另一方面也是面临期末考试，专心复习。