引言

前面我们提到了许多金融模型需要用到正态分布的假设，MPT就是其中的一个，接下来就简要介绍一下MPT。

投资组合优化

引言

统计学，统计学，统计是一门科学吗？我觉得概率论应该是，但统计不是。

经济学，经济学，经济是一门科学吗？我觉得也不是，不过金工有点那个意思。

引言

每年的9月份，杨振宁会为清华的大一新生上一堂课，回顾他波澜壮阔的一生，回味物理学尤其是高能物理学的黄金岁月，然后告诫大家，个人的奋斗必须要与历史的进程结合起来。

事实的确如此，在经历了20世纪50~70年代的黄金时代以后，物理学家纷纷投身到金融行业，即“Rocket Scientists on Wall Street”，强大的智力支持确实让现代金融在数理基础上实现了腾飞。

引言

正如在CAPM介绍中所提到的，CAPM虽然简单易用，但是存在许多局限性。而单因子模型，可以作为更加复杂的模型的扩展基础。接下来，我们重点介绍Fama-French三因子模型、Fama-French-Carhart四因子模型以及Fama-French五因子模型。在这些多因子模型的基础上，我们可以发现，通过添加我们认为有用的其他因子，我们可以定制自己的多因子模型。此外，我们还会简单讨论一下夏普比率、特雷诺比率和詹森指数等指标。

Fama-French三因子模型

前言

资本资产定价模型（Capital Asset Pricing Model，CAPM），是由美国学者威廉·夏普（William Sharpe）、林特尔（John Lintner）、特里诺（Jack Treynor）和莫辛（Jan Mossin）等人在现代投资组合理论的基础上发展起来的，是现代金融市场价格理论的支柱，广泛应用于投资决策和公司理财领域。资本资产定价模型中，所谓资本资产主要指的是股票资产，而定价则试图解释资本市场如何决定股票收益率，进而决定股票价格。

CAPM大概是资产定价中使用最广泛的模型， 它的之所以如此流行有一下几个原因。

前言

自从我们的社会进入所谓的“信息时代”以来，我们已经被大量的信息或数据所吞没。出于这个原因，对拥有数据处理技能的人员，如商业分析师和数据科学家的需求大大增加。

Kane(2006) 提出了“开源金融”的概念。主要有三个部分组成：

前言

如今，随机数学已经成为金融中最重要的数学分支之一。现代金融的开端，可以追溯至20世纪七八十年代，当时研究的主要目标是寻找给定模型的封闭解。

近年来，金融研究的目标也发生了巨大的变化，不仅要求对单一的金融工具给予准确估值，还要求对不同衍生品组合的估值具有一致性。类似的，对于风险管理而言，也需要提出一致的风险衡量指标，例如在险价值（Value-at-risk, VaR）和信用风险评估调整（Credit valuation adjustments, CVA）。这些任务难以寻找精确的封闭解，转而寻求通过数值方法解决。因此，随机数学，尤其是蒙特卡洛模拟的作用越发重要。

前言

金融时间序列数据是金融中最重要的数据类型之一。例如，股票价格随时间的变化代表金融时间序列数据。同样地，欧元/美元汇率随着时间的推移代表了一个金融时间序列; 汇率以短暂的时间间隔报价，然后这些报价的集合是汇率的时间序列。

如果在金融中不考虑时间因素的影响，那结果/结论的可靠性和有效性可能要大打折扣。Python中处理时间序列数据的主要工具是pandas。实际上，pandas就是其主要的开发者Wes McKinney在大型对冲基金AQR Capital Management担任分析师时开始开发的。几乎可以肯定地说，pandas在设计之初就充分考虑了处理金融时间序列数据。

其实我对经济更来电一些，但是柴米油盐是经济，琴棋书画也是经济，还是专注一点。对金融怎么说呢？感觉很复杂，感情也很复杂。当然了不管怎么说，都还是迈出了第一步。既然如此，就要扎实一些。

两本参考书

金融的知识懂一些，Python的也懂一些，两个凑一块的，不太懂了。好在有人懂啊，找了两本书，巧了名字大差不离：

如果我们以2007年第一代iPhone横空出世那一年（也是我考上大学的那一年😊）为原点，十多年来信息及通信技术（ICT）的发展可谓是一日千里，令人瞠目结舌:3G、4G、5G、大数据、云计算、区块链、人工智能、物（车）联网、无人驾驶……各种新鲜事物已经飞入寻常百姓家，改变了各类产业形态，催生了许多崭新的商业模式，深刻地改变了人的生活、工作甚至思维等方方面面。

而在这其中，金融的数字化转型和新一轮的汽车产业革命就是不能忽视的两个关键领域。

金融保险业的数字化转型