如果你也在 怎样代写金融模型Modelling in finance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。

金融模型是以电子表格的形式创建一个公司的支出和收益摘要的过程，可用于计算未来事件或决定的影响。

couryes-lab™ 为您的留学生涯保驾护航 在代写金融模型Modelling in finance方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写金融模型Modelling in finance代写方面经验极为丰富，各种代写金融模型Modelling in finance相关的作业也就用不着说。

我们提供的金融模型Modelling in finance及其相关学科的代写，服务范围广, 其中包括但不限于:

• Statistical Inference 统计推断
• Statistical Computing 统计计算
• Advanced Probability Theory 高等概率论
• Advanced Mathematical Statistics 高等数理统计学
• (Generalized) Linear Models 广义线性模型
• Statistical Machine Learning 统计机器学习
• Longitudinal Data Analysis 纵向数据分析
• Foundations of Data Science 数据科学基础

金融代写|金融模型代写Modelling in finance代考|Variation on a Theme

Up to now, we have worked with generic forward curves $F_X^{\mathrm{CPN}, j}(t, u, v)$ and we have not discussed their implementation. If there were infinitely many market instruments, one for each starting date $u$ – or even better, one for each starting time – the general curve would be a good enough description of the full economy. The market would provide the forward rate for each possible date and the curve description would merely be a data storage and not a data modelling tool.

In practice, there are a lot less market instruments on which we can build the forward curves; there are a lot less than one instrument for each time $u$. Often one has monthly or quarterly information on the short part of the curve, provided by FRA, futures or short term swaps, and annual information at best on the long part of the curve, provided by swaps or swap futures. One needs to resort to a modelling mechanism of some sort to find the intermediary value, often combined with interpolation. Chapter 4 discusses the subject of interpolation.

In the next two sections, we outline two ways to describe the curves; the two methods lead to different implementations. Each of them can be combined with different interpolation schemes. This dual approach was initially described in Henrard (2012c). A third approach is proposed in Fries (2013) based on coupons present values.

The first implementation uses pseudo-discount factors. This is certainly the most commonly used approach in practice; in a lot of literature and software packages it is even the definition of multi-curve framework. Starting from the description of the multi-curve framework we proposed in the previous chapter, it may seems strange to use such a convoluted approach to describe the curves. This is mainly due to the evolution of the framework from the one-curve framework. It allows us to have the same description of the curves for the discounting curve and the forward curves. As we will see in the next chapter, a lot of the curve interpolation literature focuses on the impact of interpolation in that specific framework.

The second implementation, which in many ways should really be the first, is to describe the forward curve directly by modelling the forward rates themselves. As we will see later in this chapter and in the next one, many of the drawbacks of simple interpolation, such as linear interpolation, can be reduced by using the direct curve description in terms of forward rates. Some similarities between discounting and forward curves are lost. As the theoretical descriptions of the two types of curve are very different, having different implementations is not a problem. On the positive side, the intuition of the forward curves is more direct and not obtained through a ratio of discount factors.

金融代写|金融模型代写Modelling in finance代考|Forward curves through pseudo-discount factors

The pseudo-discount factor forward curves are defined as follows.
Definition 3.1 (Coupon pseudo-discount factor curves). The forward curve $P_X^{\mathrm{CDF}, j}$ $(t, s)$ is the continuous function defined for $t \leq s$ such that $P_X^{\mathrm{CDF}, j}(t, t)=1, P_X^{\mathrm{CDF}, j}(t, s)$ is an arbitrary strictly positive function for $t \leq s<\operatorname{Spot}(t)+j$, and for $t_0 \geq t, u=$ $\operatorname{Spot}\left(t_0\right)$ and $v-u+j$ one has
$$
F_X^{\mathrm{CPN}, j}(t, u, v)=\frac{1}{\delta}\left(\frac{P_X^{\mathrm{CDF}, j}(t, u)}{P_X^{\mathrm{CDF}, j}(t, v)}-1\right) .
$$
The origin of the above definition can be traced back to the one-curve world, where the forward rate was written with a similar formula described by Equation (2.1). Nevertheless the substance of the two formulas is very different. The one-curve formula is a result obtained from different hypotheses and from no arbitrage condition. The above formula is merely a definition. The pseudo-discount factor should be viewed as the ‘wrong number used in the wrong formula to obtain the correct result’ type of approach. The formula is better understood through the evolution than through the foundations.

Definition 3.1, which refers to an arbitrary function, is itself arbitrary in more than one way. The definition fixes the first $j$-period as the arbitrary part; one could instead fix any other $j$ period and deduce the rest of the curve from there.

In Baviera and Cassaro (2012) the authors propose to use the arbitrariness on the second period by imposing a specific interpolation in that period and building the first period in a way similar to our definition. One could even take an arbitrary decomposition of the $j$-period time interval into subintervals and distribute those subintervals arbitrarily on the real axis in such a way that, modulo the $j$-periods, they recompose the initial $j$-period. As another arbitrary choice, one could also change the value of $P_X^{\mathrm{CDF}, j}(t, t)$ to any value different from 1 . As only the ratios between two values are used and never a value on its own, the choice of initial value has no impact on the end results. One could also impose an arbitrary value for $P_X^{\mathrm{CDF}, j}$ in $(t, \operatorname{Spot}(t))$ instead of in $(t, t)$. As the curve is used only for forward computation, it is used only with time $s>\operatorname{Spot}(t)$; the value for shorter times is irrelevant.

This arbitrariness of the pseudo-discount factors makes it very difficult to design a model for those values. All the relevant models I’m aware of model the value $F_X^{C P N}, j(t, u, v)$ and not the pseudo-discount factors $P_X^{\mathrm{CDF}, j}(t, u)$. This modelling problem with pseudo-discount factors is discussed further in Section 7.1.

金融模型代写

金融代写|金融模型代写金融建模代考|主题上的变化

到目前为止，我们已经研究了通用的正向曲线$F_X^{\mathrm{CPN}, j}(t, u, v)$，我们还没有讨论它们的实现。如果有无限多个市场工具，每个起始日期$u$对应一个，或者更好，每个起始时间对应一个，那么总体曲线就足以很好地描述整个经济。市场将为每一个可能的日期提供远期汇率，而曲线描述将仅仅是数据存储工具，而不是数据建模工具

在实践中，我们可以构建远期曲线的市场工具要少得多;每次演奏的乐器都远远少于一种$u$。通常情况下，一个人每月或每季度都有曲线短段的信息，由FRA、期货或短期掉期提供，最多每年有曲线长段的信息，由掉期或掉期期货提供。人们需要借助于某种建模机制来寻找中间值，通常与插值相结合。第四章讨论插值的主题

在接下来的两节中，我们将概述描述曲线的两种方法;这两种方法导致了不同的实现。它们中的每一个都可以与不同的插值方案相结合。Henrard (2012c)最初描述了这种双重方法。Fries(2013)提出了基于优惠券现值的第三种方法。

第一个实现使用伪贴现因子。这当然是实践中最常用的方法;在很多文献和软件包中，它甚至是多曲线框架的定义。从我们在前一章中提出的多曲线框架的描述开始，使用如此复杂的方法来描述曲线似乎有些奇怪。这主要是由于框架从单曲线框架的演变。折现曲线和正向曲线的描述是一样的。正如我们将在下一章中看到的，许多曲线插补文献关注插补在特定框架中的影响

第二种实现，从很多方面来说应该是第一种实现，就是通过对远期汇率本身建模来直接描述远期曲线。正如我们将在本章后面和下一章中看到的，简单插值(如线性插值)的许多缺点可以通过使用正向速率的直接曲线描述来减少。贴现曲线和远期曲线之间的一些相似之处消失了。由于这两种曲线的理论描述是非常不同的，所以有不同的实现不是问题。从积极的方面来看，远期曲线的直观更直接，而不是通过折现系数的比率得到的

金融代写|金融模型代写金融建模代考|通过伪贴现因子正向曲线

伪贴现因子正向曲线定义如下。3.1(息票伪贴现因子曲线)。正向曲线$P_X^{\mathrm{CDF}, j}$$(t, s)$是对$t \leq s$定义的连续函数，使得$P_X^{\mathrm{CDF}, j}(t, t)=1, P_X^{\mathrm{CDF}, j}(t, s)$对于$t \leq s<\operatorname{Spot}(t)+j$是任意严格正函数，而对于$t_0 \geq t, u=$$\operatorname{Spot}\left(t_0\right)$和$v-u+j$具有
$$
F_X^{\mathrm{CPN}, j}(t, u, v)=\frac{1}{\delta}\left(\frac{P_X^{\mathrm{CDF}, j}(t, u)}{P_X^{\mathrm{CDF}, j}(t, v)}-1\right) .
$$
以上定义的起源可以追溯到单曲线世界，在单曲线世界中，正向速率的表达式类似于式(2.1)所示的公式。然而，这两个公式的实质是非常不同的。单曲线公式是由不同假设和无套利条件下得到的结果。上面的公式只是一个定义。伪贴现因子应该被视为“错误的数字用在错误的公式中以获得正确的结果”类型的方法。通过演化比通过基础更好地理解这个公式

定义3.1指的是一个任意函数，它本身在多个方面都是任意的。该定义将第一个$j$ -period固定为任意部分;相反，可以修改任何其他$j$周期，并从那里推导出曲线的其余部分

在Baviera和Cassaro(2012)中，作者建议在第二个周期中使用任意性，方法是在该周期中施加一个特定的插值，并以类似于我们的定义的方式构建第一个周期。甚至可以将$j$ -period时间间隔任意分解为子区间，并将这些子区间任意分布在实轴上，以这样一种方式，对$j$ -period取模，重新组合初始的$j$ -period。作为另一种任意选择，还可以将$P_X^{\mathrm{CDF}, j}(t, t)$的值更改为与1不同的任何值。由于只使用两个值之间的比率，而不使用单独的值，所以初始值的选择对最终结果没有影响。还可以在$(t, \operatorname{Spot}(t))$中为$P_X^{\mathrm{CDF}, j}$强加任意值，而不是在$(t, t)$中。由于该曲线仅用于前向计算，因此仅与时间$s>\operatorname{Spot}(t)$一起使用; . .

伪贴现因子的这种任意性使得为这些值设计一个模型非常困难。我所知道的所有相关模型都模拟了价值$F_X^{C P N}, j(t, u, v)$，而不是伪折扣因子$P_X^{\mathrm{CDF}, j}(t, u)$。这个带有伪贴现因子的建模问题将在7.1节中进一步讨论

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

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。