如果你也在 怎样代写利率理论Portfolio Theory FIN586这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。利率理论Portfolio Theory指的是一种投资理论，它允许投资者组建一个资产组合，在给定的风险水平下实现预期收益最大化。该理论假设投资者是规避风险的；在给定的预期收益水平下，投资者总是喜欢风险较小的投资组合。

利率理论Portfolio Theory FNCE463或称均值-方差分析，是一个数学框架，用于组建资产组合，使预期收益在给定的风险水平下达到最大。它是投资多样化的正式化和延伸，即拥有不同种类的金融资产比只拥有一种类型的风险要小。它的主要观点是，评估一项资产的风险和收益，不应该看它本身，而是看它对投资组合的整体风险和收益的贡献。它使用资产价格的方差作为风险的代表。

利率理论Portfolio Theory代写，免费提交作业要求， 满意后付款，成绩80\%以下全额退款，安全省心无顾虑。专业硕 博写手团队，所有订单可靠准时，保证 100% 原创。最高质量的利率理论Portfolio Theory作业代写，服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面，考虑到同学们的经济条件，在保障代写质量的前提下，我们为客户提供最合理的价格。 由于统计Statistics作业种类很多，同时其中的大部分作业在字数上都没有具体要求，因此利率理论Portfolio Theory作业代写的价格不固定。通常在经济学专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。

同学们在留学期间，都对各式各样的作业考试很是头疼，如果你无从下手，不如考虑my-assignmentexpert™！

my-assignmentexpert™提供最专业的一站式服务：Essay代写，Dissertation代写，Assignment代写，Paper代写，Proposal代写，Proposal代写，Literature Review代写，Online Course，Exam代考等等。my-assignmentexpert™专注为留学生提供Essay代写服务，拥有各个专业的博硕教师团队帮您代写，免费修改及辅导，保证成果完成的效率和质量。同时有多家检测平台帐号，包括Turnitin高级账户，检测论文不会留痕，写好后检测修改，放心可靠，经得起任何考验！

想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。

我们在金融 Finaunce代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的金融 Finaunce代写服务。我们的专家在利率理论Portfolio Theory代写方面经验极为丰富，各种利率理论Portfolio Theory相关的作业也就用不着 说。

金融代写|利率理论代写Portfolio Theory代考|ESTIMATING MODELS WITH EXCESS RETURNS

When excess returns $\left(R^{c}\right)$ are used to estimate and test asset pricing models, the moment conditions (pricing equations) are
$$
E\left(m R^{e}\right)=0_{N} .
$$
Let $m=\theta_{0}-\left(\theta_{1} f_{1}+\cdots+\theta_{K} f_{K}\right)$. In this case, the mean of the SDF cannot be identified or, equivalently, the parameters $\theta_{0}$ and $\left(\theta_{1}, \ldots, \theta_{K}\right)$ cannot be identified separately. This requires a particular choice of normalization. One popular normalization is to set $\theta_{0}=1$, in which case $m=1-\left(\theta_{1} f_{1}+\cdots+\theta_{K} f_{K}\right)$. An alternative (preferred) normalization is to set $\theta_{0}=1+\theta_{1} E\left(f_{1}\right)+\cdots+\theta_{K} E\left(f_{K}\right)$, in which case $m=1-\theta_{1}\left[f_{1}-E\left(f_{1}\right)\right]-\cdots-\theta_{K}\left[f_{K}-E\left(f_{K}\right)\right]$ with $E(m)=1$. These two normalizations can give rise to very different results (see Kan and Robotti, 2008; Burnside, 2010)

Kan and Robotti (2008) argue that when the model is misspecified, the first (raw) and the second (de-meaned) normalizations of the SDF produce different GMM estimates that minimize the quadratic form of the pricing errors. Hence, the pricing errors and the $p$-values of the specification tests are not identical under these two normalizations. Moreover, the second (de-meaned) specification imposes the constraint $E(m)=1$ and, as a result, the pricing errors and the HJ-distances are invariant to affine transformations of the factors. This is important because in the first normalization, the outcome of the model specification test can be easily manipulated by simple scaling of factors and changing the mean of the SDF. This problem is not only a characteristic of linear SDFs but also arises in nonlinear models. The analysis in Burnside (2010) further confirms these findings and links the properties of the different normalizations to possible model misspecification and identification problems discussed in the previous two subsections.

金融代写|利率理论代写Portfolio Theory代考|CONDITIONAL MODELS WITH HIGHLY PERSISTENT PREDICTORS

The usefulness of the conditional asset pricing models crucially depends on the existence of some predictive ability of the conditioning variables for future stock returns. While a large number of studies report statistically significant coefficients for various financial and macro variables in in-sample linear predictive regressions of stock returns, several papers raise the concern that some of these regressions may be spurious. For example, Ferson, Sarkissian, and Simin (2003) call into question the predictive power of some widely used predictors, such as the term spread, the book-to-market ratio, and the dividend yield. Spurious results arise when the predictors are strongly persistent (near unit root processes) and their innovations are highly correlated with the predictive regression errors. In this case, the estimated slope coefficients in the predictive regression are biased and have a nonstandard (nonnormal) asymptotic distribution (Elliott and Stock, 1994; Cavanagh, Elliott, and Stock, 1995; Stambaugh, 1999). As a result, $t$-tests for statistical significance of individual predictors based on standard normal critical values could reject the null hypothesis of no predictability too frequently and falsely signal that these predictors have predictive power for future stock returns. Campbell and Yogo (2006) and Torous, Valkanov, and Yan (2004) develop valid testing procedures when the predictors are highly persistent and revisit the evidence on the predictability of stock returns.

Spuriously significant results and nonstandard sampling distributions also tend to arise in long-horizon predictive regressions, where the regressors and/or the returns are accumulated over $r$ time periods so that two or more consecutive observations are overlapping. The time overlap increases the persistence of the variables and renders the sampling distribution theory of the slope coefficients, $t$-tests and $R^{2}$ coefficients, nonstandard. Campbell (2001) and Valkanov (2003) point out several problems that emerge in long-horizon regressions with highly persistent regressors. First, the $R^{2}$ coefficients and $t$-statistics tend to increase with the horizon, even under the null of no predictability, and the $R^{2}$ is an unreliable measure of goodness of fit in this situation. Furthermore, the $t$-statistics do not converge asymptotically to well-defined distributions and need to be rescaled to ensure valid inference. Finally, the estimates of the slope coefficients are biased and, in some cases, not consistently estimable. All these statistical problems provide a warning to applied researchers and indicate that the selection of conditioning variables for predicting stock returns should be performed with extreme caution.

利率理论代写

金融代写|利率理论代写PORTFOLIO THEORY代 考|ESTIMATING MODELS WITH EXCESS RETURNS

当超额回报 $\left(R^{c}\right)$ 用于估计和测试资产定价模型、矩条件pricingequations $s$ 是
$$
E\left(m R^{e}\right)=0_{N}
$$
让 $m=\theta_{0}-\left(\theta_{1} f_{1}+\cdots+\theta_{K} f_{K}\right)$. 在这种情况下，无法识别 SDF 的平均值，或者等效地，无法识别参数 $\theta_{0}$ 和 $\left(\theta_{1}, \ldots, \theta_{K}\right)$ 不能单独识别。这需要特定的标准化选
择。一种流行的标准化是设置 $\theta_{0}=1$ ，在这种情况下 $m=1-\left(\theta_{1} f_{1}+\cdots+\theta_{K} f_{K}\right)$. 替代 $p r e f$ ferred归一化是设置 $\theta_{0}=1+\theta_{1} E\left(f_{1}\right)+\cdots+\theta_{K} E\left(f_{K}\right)$ ，在
这种情况下 $m=1-\theta_{1}\left[f_{1}-E\left(f_{1}\right)\right]-\cdots-\theta_{K}\left[f_{K}-E\left(f_{K}\right)\right]$ 和 $E(m)=1$. 这两种归一化可以产生非常不同的结果
和机㟕人2008认为当模刑指定错误时，第一个raw第一个de – meanedSDF 的归一化产生不同的 GMM 估计，从而最小化定价误差的二次形式。因此，定价错误和
重要，因为在第一次归一化中，模型规格测试的结果可以通过简单的因子缩放和改变 $S D F$ 的平均值来轻松操纵。这个问题不仅是线性 SDF 的一个特征，而且在非线
性模型中也会出现。Burnside 的分析2010进一步证实了这些发现，并将不同归一化的属性与前两小节中讨论的可能的模型错误指定和识别问题联系起来。

金融代写|利率理论代写PORTFOLIO THEORY代 考|CONDITIONAL MODELS WITH HIGHLY PERSISTENT PREDICTORS

条件资产定价模型的有用性关键取决于条件变量对末来股票收益的预测能力的存在。虽然大量研究报告了股票收益样本内线性预测回归中各种金融和宏观变量的统 计显着系数，但有几篇论文提出了这些回归中的一些可能是虚假的担忧。例如，Ferson、Sarkissian 和 Simin2003质疑一些广泛使用的预测指标的预测能力，例如期 限利差、账面市值比和股息收益率。当预测变量具有很强的持久性时，会出现虚假结果nearunitrootprocesses他们的创新与预测回归误差高度相关。在这种情 况下，预测回归中的估计斜率系数是有偏差的，并且具有非标准nonnormal斩近分布 久性，呈现了斜率系数的抽样分布理论， $t$-测试和 $R^{2}$ 系数，非标准。坎贝尔 2001 和瓦尔卡诺夫 2003 指出在具有高度持久性回归量的长期回归中出现的几个问题。 首先， $R^{2}$ 系数和 $t$-即使在不可预财性为霗的情况下，统计量也会随着时间的推移而增加，并且 $R^{2}$ 在这种情况下，是拟合优度的不可靠度量。此外，该t-statistics 不 会渐近收敛到定义明确的分布，需要重新调整以确保有效推理。最后，斜率系数的估计是有偏差的，在某些情况下，不能始終如一地估计。所有这些统计问题都向 应用研究人员提出了警告，并表明在选择用于预测股票收益的条件变量时应格外小心。

金融代写|利率理论代写Portfolio Theory代考 请认准exambang™. exambang™为您的留学生涯保驾护航。

微观经济学代写

微观经济学是主流经济学的一个分支，研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富，各种图论代写Graph Theory相关的作业也就用不着 说。

线性代数代写

线性代数是数学的一个分支，涉及线性方程，如：线性图，如：以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。

博弈论代写

现代博弈论始于约翰-冯-诺伊曼（John von Neumann）提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理，这成为博弈论和数学经济学的标准方法。在他的论文之后，1944年，他与奥斯卡-莫根斯特恩（Oskar Morgenstern）共同撰写了《游戏和经济行为理论》一书，该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论，使数理统计学家和经济学家能够处理不确定性下的决策。

微积分代写

微积分，最初被称为无穷小微积分或 “无穷小的微积分”，是对连续变化的数学研究，就像几何学是对形状的研究，而代数是对算术运算的概括研究一样。

它有两个主要分支，微分和积分；微分涉及瞬时变化率和曲线的斜率，而积分涉及数量的累积，以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系，它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。

计量经济学代写

什么是计量经济学？
计量经济学是统计学和数学模型的定量应用，使用数据来发展理论或测试经济学中的现有假设，并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验，然后将结果与被测试的理论进行比较和对比。

根据你是对测试现有理论感兴趣，还是对利用现有数据在这些观察的基础上提出新的假设感兴趣，计量经济学可以细分为两大类：理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。

Matlab代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。