金融数据分析

现金流和业绩度量、回归分析，金融数据图

Financial Toolbox™ 提供了一系列金融工具，用于计算现金流、分析资产业绩度量、绘制金融数据图以及使用死亡率模型执行寿命表计算。此外，还有用于数据转换和执行带或不带缺失数据的多元正态回归的工具。使用这些工具在有缺失数据的情况下执行回归和估计，并在有缺失数据的情况下完成计算。

类别

现金流
分析现金流，包括年金、摊销和折旧、现值和终值以及收益率
投资业绩度量
分析资产绩效度量，包括风险调整后的 alpha 值、最大回撤率和夏普比率
多元正态回归
在存在或不存在缺失数据的情况下使用基于似然的方法进行多元正态回归的回归分析
数据转换
转换数据，包括对约束、协方差和持仓量的转换
寿命表
寿命表使用死亡率模型计算概率、危险或幸存者计数
绘制金融数据图
金融数据的绘图选项
机器学习应用
将机器学习技术应用于金融应用

精选示例

Machine Learning for Statistical Arbitrage I: Data Management and Visualization

Apply techniques for managing, processing, and visualizing large amounts of financial data in MATLAB®.

打开实时脚本

Machine Learning for Statistical Arbitrage II: Feature Engineering and Model Development

Create a continuous-time Markov model of limit order book (LOB) dynamics, and develop a strategy for algorithmic trading based on patterns observed in the data.

打开实时脚本

Machine Learning for Statistical Arbitrage III: Training, Tuning, and Prediction

Use Bayesian optimization to tune hyperparameters in the algorithmic trading model, supervised by the end-of-day return.

打开实时脚本

Backtest Deep Learning Model for Algorithmic Trading of Limit Order Book Data

Apply a backtest strategy to measure the performance of a long short-term memory (LSTM) neural network, which is trained and validated on limit order book (LOB) data of a security.

打开实时脚本

金融数据分析

相关主题

类别

精选示例

Machine Learning for Statistical Arbitrage I: Data Management and Visualization

Machine Learning for Statistical Arbitrage II: Feature Engineering and Model Development

Machine Learning for Statistical Arbitrage III: Training, Tuning, and Prediction

Backtest Deep Learning Model for Algorithmic Trading of Limit Order Book Data

WeChat