上回我們使用最基本的亂數模擬器方法成功模擬出Mike Trout的上壘率，當抽取出來的亂數小於上壘率時，認定為上壘，而亂數大於上壘率時，則認定為出局，用簡單的大於和小於就可模擬出來的模型，股價模型就稍微複雜些了，基本款的股價路徑模型最少具有二種參數與機率分配假設，背後的數學推導與原理就請大家自行去看財務工程相關的書籍了，我們先列出一個股價過程的理論式如下： 有了最基本的理論公式後，首先，我們必須定義出參數，參數可以描述這個股票的特性，例如新興市場股票與成熟市場股票的報酬率與波動度都不一樣，電信與生技公司的股價也會相當不一樣，所以我們必須要利用過去的資料去推估參數的區間範圍。 mu = 0.1 #資產年化報酬率為10% Std = 0.2 #資產年化波動率為20% dt = 1/252. #模擬路徑為每天，每天經過252分之一年 Copy 第一步：先將理論式轉換為Python的計算語言，記得括號設對位置，再用相對應的科學計算函數帶入公式內 S1 =…
近兩年機器人理財(Robo-Advisor)這個詞大量出現在金融市場中，也有多家國內外金融機構在推銷這種型態的商品，並大量以智能與人工智慧(AI)來作為行銷的關鍵字，今天就要來仔細的分析幾類我所認識的理財機器人系統。 馬可維茲(Morkowitz)的投資組合理論(Portfolio Theory) 馬可維茲於1952年提出了投資組合理論，將金融市場中的各種資產簡化定義成預期報酬率、標準差與相關係數，在假設以上參數均為已知的狀況下，可以進行規劃求解得出「最小風險投資組合(Minimum Variance Portfolio)」與「最適投資組合(Optimal Portfolio)」，大部分的機器人理財業者均是以此種模型進行操作，除了有諾貝爾經濟學獎的加持外，對於現有的程式撰寫有相當的方便，許多程式均有規劃求解的套件可供使用。 馬可維茲的投資組合理論利用數學嚴謹的證明，資產配置對於投資組合波動度與報酬率有顯著的影響，將多種相關係數低的資產配置在一起，能夠降低投資組合波動度與提高預期的報酬率，例如債券與股票呈現負相關時，能夠配置出風險調整後報酬較高的組合，相對於單一股票或債券。 利用馬可維茲現代投資組合理論的機器人理財平台，通常會利用風險問卷來進行投資人分類，例如年齡、投資期間與風險承受度等，透過背後的評分邏輯將使用者分為三至四個風險屬性，假設情況如下： 投資人屬性 可承受年化波動率 積極型投資人 25%以上 穩健型投資人 15%~25% 保守型投資人 15%以下 利用過去各資產類別的走勢去計算報酬率、波動度與相關係數，作為投資組合評估的相關參數，由使用者作答的風險問卷來對應出可承受年化波動度，再以程式進行目標為「固定風險下的最佳報酬率」的最佳化，就可以得到最佳的權重組合。 Smart Beta…