原文链接：http://tecdat.cn/?p=24680 

原文出处：拓端数据部落公众号

Beta 假设反映了一种工具对例如市场的风险。但是，您可以通过各种方式估算此度量。

你可以收缩你的估计来稳定它。另一个方面是这种风险度量的非线性。在红色和绿色的时间里，对市场的敏感性不相同。从结果中我们可以看到：

1.   plot('AMZN' main="AMZN接近于市场收益率的收益率",
2.    
3.   xlab="市场收益率",pch=20, axes = F)
4.    
5.   ng <- l1coef[2]-l1coef[3]
6.    
7.   ps <- l1coef[2]

我们在这里看到的是，当市场下跌时，AMZN与市场的相关性更强，而当市场上涨时，相关性更弱。有相关的，也有相关的结构。谷歌-金融的β是相关的，它可以是在整个分布中是一样的。就像现在这样，你不希望有β值等于1，它是市场下跌时 beta=0.78 和市场上涨时和beta=0.94 的平均值。如果你是长线，反过来就很好，一个符号在绿色的时间段里反弹，在糟糕的日子里只缓慢下跌。 

我尝试了其他一些金融股，看看这是否是典型的，这是正日（红色）和负日（蓝色）系数的条形图。

1.   for (i in 1:l){
2.   geSybols(symi], from=tart, o=endut.asign = )
3.   # 白天的平均价格
4.    
5.   prv[1:ltdt0,),i]=avp
6.    
7.   }
8.    
9.    
10.    
11.   pol <- ifese(e[,'SPY']>0,ret['SP'],0)
12.    
13.    
14.    
15.    
16.   for (i in 1:(l-1)){ # 最后一个是市场，因此 l-1。
17.    
18.   o[i,] <- noibe
19.    
20.   }
21.    
22.   # 颜色
23.    
24.   col1
25.    
26.   col2
27.    
28.   barpot(co[,1,add=T)

 花旗是唯一一个在市场下跌过程中具有较强关联性的股票，大多数在整个分布过程中与市场具有相当稳定的关联性，在这方面，摩根士丹利是不错的，可以持有。

我们看到与 AMZN 完全相反，在下跌的日子里比在上涨的日子里更陡峭。自然地，看看使用这个标准构建的投资组合如何表现。

---

最受欢迎的见解

1.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

2.R语言改进的股票配对交易策略分析SPY—TLT组合和中国股市投资组合

3.R语言时间序列：ARIMA GARCH模型的交易策略在外汇市场预测应用

4.TMA三均线期指高频交易策略的R语言实现

5.r语言多均线量化策略回测比较

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险