در این مطلب، ویدئو مرز کارآمد پورتفولیو در پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:27:07
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:03,120
سلام به همه و دوباره به
2
00:00:03,120 –> 00:00:05,520
بهترین پلتفرم برای
3
00:00:05,520 –> 00:00:07,839
یادگیری از راه دور در اقتصاد مالی کسب و کار
4
00:00:07,839 –> 00:00:09,679
و خیلی چیزهای دیگر خوش آمدید، لطفا
5
00:00:09,679 –> 00:00:10,960
فراموش نکنید که در کانال ما مشترک
6
00:00:10,960 –> 00:00:12,080
شوید روی دکمه اعلان زنگ
7
00:00:12,080 –> 00:00:13,759
زیر کلیک کنید تا هرگز ویدیوها و آموزش های جدید را از دست ندهید.
8
00:00:13,759 –> 00:00:15,040
9
00:00:15,040 –> 00:00:16,800
از حامیان فعلی ما
10
00:00:16,800 –> 00:00:18,480
و اعضای یوتیوب
11
00:00:18,480 –> 00:00:20,400
برای امکان پذیر ساختن این ویدیو
12
00:00:20,400 –> 00:00:21,840
بسیار سپاسگزاریم و همچنین اگر در نظر دارید
13
00:00:21,840 –> 00:00:23,199
از ما حمایت کنید بسیار متشکریم، بنابراین
14
00:00:23,199 –> 00:00:24,480
لطفاً پیوند موجود در توضیحات را بررسی کنید یا
15
00:00:24,480 –> 00:00:27,199
برای جزئیات بیشتر روی دکمه عضویت در زیر کلیک کنید
16
00:00:27,199 –> 00:00:29,599
نام من sava است و امروز ما یک
17
00:00:29,599 –> 00:00:32,000
کار بلندپروازانه در دست داریم تا
18
00:00:32,000 –> 00:00:33,920
با استفاده از
19
00:00:33,920 –> 00:00:36,880
جبر ماتریس و داده های دنیای واقعی در
20
00:00:36,880 –> 00:00:38,879
پایتون از ابتدا مرزهای پورتفولیوی کارآمد بسازیم،
21
00:00:38,879 –> 00:00:41,760
بنابراین قبل از هر چیز باید چهار
22
00:00:41,760 –> 00:00:44,239
بسته مجزا وارد کنیم که کار ما را بسیار ساده می کند. این بسته های
23
00:00:44,239 –> 00:00:47,440
24
00:00:47,440 –> 00:00:48,719
numpy
25
00:00:48,719 –> 00:00:49,680
s و p هستند.
26
00:00:49,680 –> 00:00:50,640
برای
27
00:00:50,640 –> 00:00:51,920
آرایه های
28
00:00:51,920 –> 00:00:55,039
پانداها spd برای فریم های داده
29
00:00:55,039 –> 00:00:57,680
چرا به عنوان yf برای
30
00:00:57,680 –> 00:01:00,559
داده های بازار واقعی
31
00:01:00,559 –> 00:01:02,879
و matplotlib
32
00:01:02,879 –> 00:01:04,400
dot pi plot
33
00:01:04,400 –> 00:01:05,920
s plt تامین مالی
34
00:01:05,920 –> 00:01:06,720
برای
35
00:01:06,720 –> 00:01:08,720
نمودارها و تجسمها،
36
00:01:08,720 –> 00:01:10,880
بنابراین ما این را به جز کد اجرا میکنیم و
37
00:01:10,880 –> 00:01:12,880
هر چهار بسته را دانلود
38
00:01:12,880 –> 00:01:15,520
میکنیم، حالا بیایید دادههای خود را وارد کنیم، اول از همه
39
00:01:15,520 –> 00:01:17,280
به فهرستی از نشانهها نیاز داریم
40
00:01:17,280 –> 00:01:18,960
و
41
00:01:18,960 –> 00:01:22,159
بیایید شش سهام ثابت ایالات متحده را از بخشهای مختلف در نظر بگیریم، بهعنوان مثال Boeing the Ticket Ba
42
00:01:22,159 –> 00:01:24,720
43
00:01:24,720 –> 00:01:26,400
44
00:01:26,400 –> 00:01:27,600
ct group
45
00:01:27,600 –> 00:01:29,920
ticker c
46
00:01:29,920 –> 00:01:33,040
Chevron ticker cvx
47
00:01:33,040 –> 00:01:34,240
oracle
48
00:01:34,240 –> 00:01:36,560
ticker o rcl
49
00:01:36,560 –> 00:01:39,040
pepsi tikka pep
50
00:01:39,040 –> 00:01:42,799
و pfizer tikka pfe
51
00:01:42,799 –> 00:01:45,200
سپس باید تاریخ شروع و
52
00:01:45,200 –> 00:01:46,320
پایان
53
00:01:46,320 –> 00:01:50,000
نمونه خود را مشخص کنیم و اجازه دهید پنج سال
54
00:01:50,000 –> 00:01:50,799
55
00:01:50,799 –> 00:01:55,360
از پایان سال 2015 تا پایان سال 2020
56
00:01:55,360 –> 00:01:58,640
برویم و داده های خود را دانلود کنیم
57
00:01:58,640 –> 00:02:00,960
و بدیهی است که می توانیم بهعنوان مثال، به
58
00:02:00,960 –> 00:02:03,360
سراغ Ticker و Tickers رفتهایم و از یک حلقه برای
59
00:02:03,360 –> 00:02:05,200
پر کردن یک چارچوب داده از قیمتها
60
00:02:05,200 –> 00:02:08,160
استفاده کردهایم، اما من میخواستم یک ترفند ساده را به شما نشان دهم
61
00:02:08,160 –> 00:02:10,080
که میتواند کد را سادهتر و
62
00:02:10,080 –> 00:02:12,080
سادهسازی کند و آن را کارآمدتر
63
00:02:12,080 –> 00:02:13,120
64
00:02:13,120 –> 00:02:15,120
کند که مربوط به یاهو
65
00:02:15,120 –> 00:02:18,160
فاینانس است. رشتههایی از
66
00:02:18,160 –> 00:02:20,800
علامتهای جدا شده با فاصله را تشخیص میدهد،
67
00:02:20,800 –> 00:02:23,280
بنابراین در واقع میتوانیم ببینیم که قاب دادههای قیمتهای ما
68
00:02:23,280 –> 00:02:24,560
69
00:02:24,560 –> 00:02:28,080
یک تابع بارگیری مالی یاهو است و
70
00:02:28,080 –> 00:02:30,080
در اینجا به جای تیکگر یا فقط یکی است.
71
00:02:30,080 –> 00:02:32,800
ticker باید
72
00:02:32,800 –> 00:02:35,599
تابع join را وارد کنیم که
73
00:02:35,599 –> 00:02:37,920
به عناصر لیست ما ملحق می شود و در
74
00:02:37,920 –> 00:02:40,239
ابتدا باید نحوه پیوستن به
75
00:02:40,239 –> 00:02:44,319
آنها را مشخص کنیم و از آنجایی که Yahoo finance um
76
00:02:44,319 –> 00:02:46,800
عناصر جدا شده با فاصله ها را تشخیص می دهد، می توانیم
77
00:02:46,800 –> 00:02:49,519
یک فاصله را در اینجا در مس های وارونه وارد کنیم.
78
00:02:49,519 –> 00:02:52,080
که با بارگیری تمام دادههای ما
79
00:02:52,080 –> 00:02:54,160
در یک حرکت سروکار دارد و سپس میتوانیم
80
00:02:54,160 –> 00:02:56,720
شروع و پایان
81
00:02:56,720 –> 00:03:00,480
را مشخص کنیم و در نهایت باید مشخص کنیم که از چه
82
00:03:00,480 –> 00:03:02,080
قیمتی استفاده کنیم
83
00:03:02,080 –> 00:03:05,120
و برای استحکام،
84
00:03:05,120 –> 00:03:06,800
بازده سود سهام و همچنین
85
00:03:06,800 –> 00:03:10,720
سود سرمایه تعدیل میشود. ببندید
86
00:03:10,720 –> 00:03:14,640
و سپس همانطور که قیمتهایمان را داریم،
87
00:03:14,640 –> 00:03:18,480
میتوانیم بازدههایمان را روز به روز محاسبه کنیم،
88
00:03:18,480 –> 00:03:21,519
آن فریم داده را برمیگرداند و بگوییم که
89
00:03:21,519 –> 00:03:22,720
این میتواند
90
00:03:22,720 –> 00:03:25,280
درصد تغییر قاب داده قیمتها از
91
00:03:25,280 –> 00:03:26,400
روز به روز باشد
92
00:03:26,400 –> 00:03:29,200
و برای خلاص شدن از روز اول
93
00:03:29,200 –> 00:03:31,920
میتوانیم بگوییم. که ما فقط از
94
00:03:31,920 –> 00:03:34,400
روز اول به بعد علاقه مند هستیم، زیرا واضح است که
95
00:03:34,400 –> 00:03:37,200
در پانداها شما ردیف های قاب داده خود را از صفر ایندکس می کنید،
96
00:03:37,200 –> 00:03:40,080
بنابراین بیایید این کد را اعمال کنیم،
97
00:03:40,080 –> 00:03:41,280
98
00:03:41,280 –> 00:03:43,360
می توانید ببینید که
99
00:03:43,360 –> 00:03:46,400
شش سری از شش سری um را همزمان دانلود کرده است. زمانی
100
00:03:46,400 –> 00:03:48,080
که کارآمدتر است
101
00:03:48,080 –> 00:03:49,760
و برای بررسی اینکه همه چیز را
102
00:03:49,760 –> 00:03:52,560
به درستی انجام داده ایم، می توانیم قاب داده های قیمت ها را
103
00:03:52,560 –> 00:03:53,760
104
00:03:53,760 –> 00:03:56,560
در اینجا برگردانیم، می توانیم ببینیم که تیک های ما
105
00:03:56,560 –> 00:03:58,799
به ترتیب حروف الفبا برگردانده می شوند، این
106
00:03:58,799 –> 00:04:00,959
همان چیزی است که وقتی از دستور join استفاده می کنید
107
00:04:00,959 –> 00:04:03,680
و آن را در یاهو
108
00:04:03,680 –> 00:04:06,480
فاینانس وارد می کنید، ادامه دهید. در نظر داشته باشید که
109
00:04:06,480 –> 00:04:07,840
وقتی انتخابهایی داریم که
110
00:04:07,840 –> 00:04:10,080
بر اساس حروف الفبا مرتب نشدهاند
111
00:04:10,080 –> 00:04:12,959
و از نظر چارچوب دادههای بازدهی
112
00:04:12,959 –> 00:04:15,920
ما یک مشاهدات کمتر
113
00:04:15,920 –> 00:04:16,918
خواهیم داشت و
114
00:04:16,918 –> 00:04:19,839
1258 بازده روزانه برای هر شش سهم خود خواهیم داشت
115
00:04:19,839 –> 00:04:22,400
و با توجه به این واقعیت که ما
116
00:04:22,400 –> 00:04:23,520
هیچ نامی نداریم.
117
00:04:23,520 –> 00:04:25,440
همه این سهام به
118
00:04:25,440 –> 00:04:27,360
طور مداوم در طول دوره پنج ساله معامله میشوند،
119
00:04:27,360 –> 00:04:29,120
120
00:04:29,120 –> 00:04:31,600
اگر به آن نیاز دارید نیازی به پاکسازی نداریم، فقط
121
00:04:31,600 –> 00:04:34,320
میتوانید یک آس برای این روزها رها
122
00:04:34,320 –> 00:04:35,520
123
00:04:35,520 –> 00:04:36,960
کنید، اما در اینجا ما نیازی به انجام
124
00:04:36,960 –> 00:04:39,040
چنین کاری
125
00:04:39,040 –> 00:04:40,479
در نهایت
126
00:04:40,479 –> 00:04:42,400
نداریم. مشکل خود را تعریف کنیم،
127
00:04:42,400 –> 00:04:44,880
میتوانیم میانگین بازده سالانه تاریخی و کوواریانسهای سالانه خود را محاسبه کنیم،
128
00:04:44,880 –> 00:04:47,199
129
00:04:47,199 –> 00:04:50,080
بنابراین بردار بازگشت ما
130
00:04:50,080 –> 00:04:52,080
r نشان داده میشود
131
00:04:52,080 –> 00:04:54,080
و اجازه دهید
132
00:04:54,080 –> 00:04:57,120
آن را بر اساس میانگین سالانه uh تعریف کنیم.
133
00:04:57,120 –> 00:04:59,360
بازده تاریخی بدیهی است که ما
134
00:04:59,360 –> 00:05:01,680
میتوانیم کمی جذابتر از coppen
135
00:05:01,680 –> 00:05:02,479
um
136
00:05:02,479 –> 00:05:05,120
برای شاخص بازار و بتای
137
00:05:05,120 –> 00:05:07,840
بازده برای تعیین بازده مورد انتظار استفاده کنیم
138
00:05:07,840 –> 00:05:09,360
، اما در اینجا ما آن را بسیار ساده نگه میداریم به این
139
00:05:09,360 –> 00:05:10,479
140
00:05:10,479 –> 00:05:13,039
معنی که فقط باید
141
00:05:13,039 –> 00:05:15,280
142
00:05:15,280 –> 00:05:18,080
حاصل ضرب یک به اضافه بازده خود را محاسبه کنیم. چارچوب داده
143
00:05:18,080 –> 00:05:19,280
و روش بسیار کارآمدی برای انجام
144
00:05:19,280 –> 00:05:20,880
آن در پانداهای
145
00:05:20,880 –> 00:05:22,080
وان پلاس با
146
00:05:22,080 –> 00:05:25,440
df dot prod وجود دارد
147
00:05:25,440 –> 00:05:27,440
که
148
00:05:27,440 –> 00:05:28,240
149
00:05:28,240 –> 00:05:31,520
ارزش تجمعی
150
00:05:31,520 –> 00:05:34,080
قیمت سهام UH و بازده سود سهام ما را در
151
00:05:34,080 –> 00:05:36,479
طول پنج سال به
152
00:05:36,479 –> 00:05:38,639
ما میدهد، بنابراین اساساً آنچه باید انجام دهیم این است که به آن نیاز داریم. برای
153
00:05:38,639 –> 00:05:41,440
سالیانه کردن آن با افزایش آن به
154
00:05:41,440 –> 00:05:44,400
توان یک پنجم، زیرا ما در اینجا داده های پنج ساله داریم،
155
00:05:44,400 –> 00:05:46,720
می توانید
156
00:05:46,720 –> 00:05:51,039
252 تقسیم بر بازده لنز df را انجام دهید
157
00:05:51,039 –> 00:05:54,960
که هر طول داده را
158
00:05:54,960 –> 00:05:57,280
با توجه به اینکه 252 روز معاملاتی وجود دارد، سالانه می
159
00:05:57,280 –> 00:05:59,600
کند. سال، روشی انعطافپذیرتر
160
00:05:59,600 –> 00:06:00,960
برای انجام این کار است
161
00:06:00,960 –> 00:06:02,639
و سپس یکی را کم میکنید تا
162
00:06:02,639 –> 00:06:05,360
بازده سالانه تاریخی بدست آورید،
163
00:06:05,360 –> 00:06:08,080
سپس برای ماتریس کوواریانس، میتوانیم
164
00:06:08,080 –> 00:06:10,479
از تابع a cov
165
00:06:10,479 –> 00:06:14,240
در پانداها استفاده کنیم و بگوییم که نیاز داریم.
166
00:06:14,240 –> 00:06:16,720
برای اعمال آن به قاب دادههای بازده،
167
00:06:16,720 –> 00:06:20,240
بنابراین حکاکی نقطه زیرخط را برمیگردانیم
168
00:06:20,240 –> 00:06:21,680
و سپس میتوانیم آن را
169
00:06:21,680 –> 00:06:23,560
بلافاصله با ضرب در
170
00:06:23,560 –> 00:06:26,639
252 سالانه کنیم. برای سالانهسازی کوواریانس باید
171
00:06:26,639 –> 00:06:28,639
آن را به صورت خطی مقیاس کنیم
172
00:06:28,639 –> 00:06:30,880
و در نهایت به دلایل
173
00:06:30,880 –> 00:06:32,560
جبر
174
00:06:32,560 –> 00:06:35,280
ماتریسی مدل ماتریس مرتون
175
00:06:35,280 –> 00:06:38,560
نیز به آن نیاز داریم.
176
00:06:38,560 –> 00:06:40,319
بردار یکهایی با ابعاد برابر با تعداد
177
00:06:40,319 –> 00:06:43,759
سهام است، بنابراین می توانیم به سادگی بگوییم np ones
178
00:06:43,759 –> 00:06:46,160
یک تابع بسیار مفید از numpy است که
179
00:06:46,160 –> 00:06:49,120
یک آرایه از
180
00:06:49,120 –> 00:06:50,720
طول را برمی گرداند و
181
00:06:50,720 –> 00:06:52,319
با یک بار پر شده است
182
00:06:52,319 –> 00:06:54,720
و طول مشخصاً فقط لن
183
00:06:54,720 –> 00:06:56,000
آرایه r
184
00:06:56,000 –> 00:06:58,400
uh است که همان منطقه بازده یا
185
00:06:58,400 –> 00:07:00,840
می توانید بگویید بلیط های لن واقعاً
186
00:07:00,840 –> 00:07:05,199
مهم نیست، بنابراین ما آن را اجرا می کنیم و سپس فقط
187
00:07:05,199 –> 00:07:08,160
برای بررسی اینکه در مسیر درستی
188
00:07:08,160 –> 00:07:09,280
هستیم
189
00:07:09,280 –> 00:07:11,280
ماتریس کوواریانس ما
190
00:07:11,280 –> 00:07:12,160
191
00:07:12,160 –> 00:07:14,960
به صورت زیر به نظر می رسد که یک ماتریس شش در شش با
192
00:07:14,960 –> 00:07:17,360
عناصر مورب است که واریانس ها
193
00:07:17,360 –> 00:07:20,000
را نشان می دهد و متقارن است. با عناصر غیر مورب که
194
00:07:20,000 –> 00:07:22,080
تمام
195
00:07:22,080 –> 00:07:24,639
کوواریانسهای ممکن بین داراییهای ما را نشان میدهند، در حالی
196
00:07:24,639 –> 00:07:27,039
که بردار r بردار بازده به
197
00:07:27,039 –> 00:07:29,840
ما نشان میدهد که این سهام
198
00:07:29,840 –> 00:07:31,919
در طول دورهها چقدر خوب عمل کردهاند. e از دوره پنج ساله
199
00:07:31,919 –> 00:07:33,919
ای که ما انتخاب کرده ایم، همه سهام
200
00:07:33,919 –> 00:07:34,960
ارقام
201
00:07:34,960 –> 00:07:36,000
مثبتی را نشان می
202
00:07:36,000 –> 00:07:39,120
دهند، با این حال، عملکرد ضعیف شورون کاملاً آشکار است
203
00:07:39,120 –> 00:07:41,199
204
00:07:41,199 –> 00:07:43,759
که بخش نفت اخیراً عملکرد بسیار
205
00:07:43,759 –> 00:07:46,879
ضعیفی داشته است و در طول
206
00:07:46,879 –> 00:07:50,240
چند سال اخیر، در حالی که
207
00:07:50,240 –> 00:07:53,360
اوراکل اوه خوب نبوده است.
208
00:07:53,360 –> 00:07:56,400
موفقترین شرکت فناوری
209
00:07:56,400 –> 00:07:58,879
اخیراً بالاترین
210
00:07:58,879 –> 00:08:02,400
سهم را از بین شش سهمی که در
211
00:08:02,400 –> 00:08:06,000
نظر گرفتیم را برگرداند، ما باید از بردارهای uh که به
212
00:08:06,000 –> 00:08:07,440
تازگی تعریف کردیم و ماتریس کوواریانس
213
00:08:07,440 –> 00:08:10,080
برای تعریف جهان سرمایهپذیر
214
00:08:10,080 –> 00:08:12,639
طبق مدل ماتریس مدرن استفاده کنیم.
215
00:08:12,639 –> 00:08:14,160
همه ما به ماتریس کوواریانس معکوس نیاز داریم
216
00:08:14,160 –> 00:08:16,960
که بتوان آن را
217
00:08:16,960 –> 00:08:19,440
با استفاده از
218
00:08:19,440 –> 00:08:20,800
219
00:08:20,800 –> 00:08:22,639
جبر خطی
220
00:08:22,639 –> 00:08:26,400
numpy محاسبه کرد، بنابراین
221
00:08:26,400 –> 00:08:29,280
222
00:08:29,280 –> 00:08:31,520
با محاسبه این ماتریس کوواریانس معکوس
223
00:08:31,520 –> 00:08:33,599
224
00:08:33,599 –> 00:08:35,599
6×6
225
00:08:35,599 –> 00:08:38,719
آن را محاسبه کنیم زیرا همان ابعاد ورودی
226
00:08:38,719 –> 00:08:41,200
این خاص است. تابع
227
00:08:41,200 –> 00:08:44,640
فریم های داده پانداها را به عنوان ورودی تشخیص می
228
00:08:44,640 –> 00:08:47,440
دهد، بنابراین به طور کلی بسیار انعطاف پذیر است
229
00:08:47,440 –> 00:08:50,240
و سپس ما فقط باید
230
00:08:50,240 –> 00:08:52,000
بردار h و بردار g را محاسبه کنیم.
231
00:08:52,000 –> 00:08:54,959
که با جنبه های بهینه سازی ریسک و
232
00:08:54,959 –> 00:08:57,440
233
00:08:57,440 –> 00:08:59,440
بازده پورتفولیوی کارآمد از tm و
234
00:08:59,440 –> 00:09:03,120
تئوری پورتفولیو مدرن مطابقت دارد، بردار h
235
00:09:03,120 –> 00:09:05,360
حاصل ضرب ماتریس نتیجه
236
00:09:05,360 –> 00:09:07,279
matmo numpy
237
00:09:07,279 –> 00:09:09,760
از e بردار یک ها و کوواریانس معکوس است
238
00:09:09,760 –> 00:09:12,000
که می توانیم ببینیم که در اینجا ما
239
00:09:12,000 –> 00:09:15,279
هیچ بازدهی را um وارد نمی کنیم. دادههای مرتبط
240
00:09:15,279 –> 00:09:18,560
فقط یکها و دادههای مرتبط با ریسک هستند
241
00:09:18,560 –> 00:09:21,680
، به همین دلیل است که h در
242
00:09:21,680 –> 00:09:23,360
تعیین حداقل واریانس
243
00:09:23,360 –> 00:09:26,560
پرتفوی ما و بهینهسازی کلی
244
00:09:26,560 –> 00:09:29,519
پرتفوی شما برای سرمایهگذاران بسیار ریسک گریز کاملاً مفید است،
245
00:09:29,519 –> 00:09:30,800
در حالی که g
246
00:09:30,800 –> 00:09:32,240
در حال
247
00:09:32,240 –> 00:09:34,720
شروع یکسان است، اما به جای e در اینجا،
248
00:09:34,720 –> 00:09:39,279
r بردار خود را وارد میکنیم. در مورد بازده
249
00:09:39,279 –> 00:09:41,600
و ما تقریباً با تعریف
250
00:09:41,600 –> 00:09:43,279
جهان سرمایهپذیر خود
251
00:09:43,279 –> 00:09:46,000
در اینجا پایان یافتهایم، همچنین باید چهار
252
00:09:46,000 –> 00:09:47,920
ثابت وارد
253
00:09:47,920 –> 00:09:49,760
کنیم که مرز کارآمد پرتفوی را تعریف میکنند،
254
00:09:49,760 –> 00:09:51,760
رابطه درجه دوم بین
255
00:09:51,760 –> 00:09:54,640
واریانس و بازده یا رابطه
256
00:09:54,640 –> 00:09:56,000
بین ریسک و بازده را اگر
257
00:09:56,000 –> 00:09:57,279
مایل به گرفتن ریشه دوم هستید. واریانس
258
00:09:57,279 –> 00:09:58,560
259
00:09:58,560 –> 00:10:00,080
a
260
00:10:00,080 –> 00:10:01,200
یک
261
00:10:01,200 –> 00:10:03,760
محصول اسکالر
262
00:10:03,760 –> 00:10:06,320
e و h خواهد بود، بنابراین میتوانیم در
263
00:10:06,320 –> 00:10:08,640
زمان و محاسبات صرفهجویی کنیم.
264
00:10:08,640 –> 00:10:11,680
تلاش کنید و فقط بگویید این یک مجموع ناقص
265
00:10:11,680 –> 00:10:13,839
e ضربدر h است
266
00:10:13,839 –> 00:10:17,120
در حالی که b با r به جای h یکسان است،
267
00:10:17,120 –> 00:10:20,320
در واقع شما همچنین می توانید بگویید e ضربدر g
268
00:10:20,320 –> 00:10:22,560
این دو
269
00:10:22,560 –> 00:10:24,160
محاسبه uh همان نتیجه را به شما می دهد،
270
00:10:24,160 –> 00:10:27,760
بنابراین از هر چیزی که دوست دارید استفاده کنید
271
00:10:27,760 –> 00:10:29,040
و برای c
272
00:10:29,040 –> 00:10:32,000
ما همین کار را انجام دهید، اما با r ضربدر g و
273
00:10:32,000 –> 00:10:34,640
در اینجا می توانید تقارن خوب
274
00:10:34,640 –> 00:10:35,440
275
00:10:35,440 –> 00:10:38,240
ثابت های مرزی پورتفولیو را ببینید،
276
00:10:38,240 –> 00:10:39,200
این
277
00:10:39,200 –> 00:10:41,040
278
00:10:41,040 –> 00:10:43,120
یک ثابت است در شرایط بازگشتی، به
279
00:10:43,120 –> 00:10:45,120
این دلیل که حس ریشه
280
00:10:45,120 –> 00:10:46,800
در محاسبه a
281
00:10:46,800 –> 00:10:48,240
در هیچ زمانی وارد محاسبه نمی شود
282
00:10:48,240 –> 00:10:50,959
b در بازدهی h خطی است.
283
00:10:50,959 –> 00:10:53,279
حاوی هیچ گونه اطلاعات بازگشتی نیست در حالی که r
284
00:10:53,279 –> 00:10:56,880
دارای و c در بازده درجه دوم است زیرا
285
00:10:56,880 –> 00:10:59,519
r و g هر دو حاوی اطلاعات
286
00:10:59,519 –> 00:11:02,399
بازگشتی هستند، بنابراین بازدهی ها در بازده ها ضرب می شوند
287
00:11:02,399 –> 00:11:05,120
به طور موثر با توجه به اینکه c
288
00:11:05,120 –> 00:11:06,320
درجه دوم است
289
00:11:06,320 –> 00:11:09,040
و سپس d فقط پارامتر مقیاس بندی
290
00:11:09,040 –> 00:11:13,440
است که ضربدر c منهای b است. مربع
291
00:11:13,440 –> 00:11:17,040
و شما می توانید به خوبی ببینید که d
292
00:11:17,040 –> 00:11:19,839
درجه دوم است به این معنی که ما
293
00:11:19,839 –> 00:11:22,320
چیزی درجه دوم را
294
00:11:22,320 –> 00:11:25,440
از چیزی که هنوز درجه دوم است کم می کنیم
295
00:11:25,440 –> 00:11:28,000
و این تنها چیزی است که ما نیاز داریم تا با
296
00:11:28,000 –> 00:11:31,120
تمام محاسبات خود ادامه
297
00:11:31,760 –> 00:11:33,360
دهیم، فقط می توانیم
298
00:11:33,360 –> 00:11:36,000
um تا ch بررسی کنید که آیا همه چیز به خوبی کار میکند
299
00:11:36,000 –> 00:11:36,800
300
00:11:36,800 –> 00:11:39,040
، ماتریس کوواریانس معکوس
301
00:11:39,040 –> 00:11:41,120
را که شروع کد خود را محاسبه
302
00:11:41,120 –> 00:11:43,440
کردهایم برگردانید و ببینید که در واقع یک آرایه 6×6 ناتوان است
303
00:11:43,440 –> 00:11:47,200
که اگر به
304
00:11:47,200 –> 00:11:50,639
عنصر 1 2 و عنصر 2 1 نگاه کنیم
305
00:11:50,639 –> 00:11:53,040
متقارن است که به این معنی است که ما درست نکردهایم. یک
306
00:11:53,040 –> 00:11:55,040
اشتباه در هر نقطه
307
00:11:55,040 –> 00:11:57,120
و سپس می توانیم شروع
308
00:11:57,120 –> 00:11:59,760
به بررسی پرتفوی های خاص
309
00:11:59,760 –> 00:12:00,720
مورد علاقه کنیم
310
00:12:00,720 –> 00:12:03,120
و در تئوری پرتفوی مدرن، دو
311
00:12:03,120 –> 00:12:05,279
پرتفوی مورد علاقه بدیهی است که
312
00:12:05,279 –> 00:12:06,480
حداقل پرتفوی واریانس است و
313
00:12:06,480 –> 00:12:08,639
پرتفوی مماس پرتفوی حداقل واریانس
314
00:12:08,639 –> 00:12:11,120
، پرتفوی دارایی های ریسکی است
315
00:12:11,120 –> 00:12:14,639
که تنها دارای کمترین ریسک است.
316
00:12:14,639 –> 00:12:16,959
نوک مرز شماست،
317
00:12:16,959 –> 00:12:18,720
جایی که مرز شما
318
00:12:18,720 –> 00:12:21,519
از پورتفولیوی حداقل واریانس پرتو mvp mvp به سمت بالا شروع میشود
319
00:12:21,519 –> 00:12:23,040
320
00:12:23,040 –> 00:12:25,760
و سبد مماس،
321
00:12:25,760 –> 00:12:30,880
پورتفولیوی بازار در کاپا است و در
322
00:12:30,880 –> 00:12:33,839
تئوریهای Uh منتهی به کاپا،
323
00:12:33,839 –> 00:12:35,760
نقطه
324
00:12:35,760 –> 00:12:38,160
مماس مرز پرتفوی کارآمد است و
325
00:12:38,160 –> 00:12:39,279
326
00:12:39,279 –> 00:12:41,120
خط بازار اوراق بهادار و ما
327
00:12:41,120 –> 00:12:43,600
خط بازار اوراق بهادار را امروز و
328
00:12:43,600 –> 00:12:46,320
همچنین یک جایزه بسیار خوب را ترسیم خواهیم
329
00:12:46,320 –> 00:12:49,600
کرد ما آن را ساده نگه میداریم و
330
00:12:49,600 –> 00:12:51,839
پرتفویهای مماس را با
331
00:12:51,839 –> 00:12:54,079
نرخ بدون ریسک صفر انجام میدهیم، بنابراین ریسک ما با این پول نقد ایجاد میشود،
332
00:12:54,079 –> 00:12:55,200
333
00:12:55,200 –> 00:12:57,920
اگر نرخ ریسک ما صفر نباشد،
334
00:12:57,920 –> 00:13:00,399
مثبت یا حتی شاید منفی است
335
00:13:00,399 –> 00:13:03,600
، محاسبات تا حدودی پیچیدهتر هستند،
336
00:13:03,600 –> 00:13:06,000
اما نه چندان شما
337
00:13:06,000 –> 00:13:08,480
علاقه مند به یک محاسبه عمومی Uh
338
00:13:08,480 –> 00:13:11,120
و ساخت
339
00:13:11,1