笔记

非常好，主要是言之有物，有很多实际的例子/代码

推荐考完FRM-1快速过一遍，因为内容很多重合，可以加深理解，花个2天就看完了，便于后续作为知识框架查阅（不然之后再看就全忘了...比如我；看了一半想起来好像都学过，浪费了很多时间....）

我比较喜欢的是

- EDA的讲解. 便于理解数据的属性 (log处理与平稳性; 尾部差异; 排序相关性; 自相关属性; volatility clustering与GARCH的处理)

- Factor Model. 以前没接触过，讲得比较容易懂

书中代码 https://people.orie.cornell.edu/davidr/SDAFE2/

一些笔记如下

1. Exploratory Data Analysis (EDA)

1.1 Marginal Distribution (ch. 4.)

即只关心整体特征，无关时间前后关联、顺序特征

(1) Histogram & Robust KDE (fig 4.7)

(2) QQ plot

用于对比不同数据、分布间的差别; e.g. 和normal, t-distribution，发现尾部差别很大 (fig 4.15)

(3) Boxplot (fig 4.18) 也便于分析尾部差别

(4) Transformation (e.g. log). 没咋读懂...

1.2 多元

- matrix scatter plot (fig 7.1)

- rank correlation chp. 8.5 (只考虑排序的相关性，不受数值影响);

- tail dependence chp. 8.6

1.3 Time series

(1) auto-correlation (ex. 12.4). 即acf test

(2) volatility clustering. 即ewma与garch一些时间上的特性 (ch. 14)

这个用FRM的讲义很清晰

2. Factor model (ch. 18)

2.1 PCA.

即多个时间序列降维、寻找共性. 示例见 ex. 18.3

2.2 Factor Model

(1) Time-series factor

这些factor F与asset j 无关，因为对所有都相同。代表的是市场的普遍因子。比如market return, growth rate gdp, inflation, 或SMB, HML等等；而βj则与时间无关，是不变的

示例见ex. 18.6. 拟合得到的都是factor loading (而不是factor; factor是已知的)

本质上是一个线性回归的解释性模型

(2) Cross-sectional factor (BARRA)

示例见ex. 18.8. BARRA应该就是卖每个股票的行业相关性的?

(3) Statistical Factor (本质是PCA)

3. Risk Management

即VaR, ES怎么计算，包括风险水平和置信区间，具体可见ex. 19.1-5. 以后用到再看

先贴点FRM笔记也比较清晰

最后

- 关于factor的实际使用，推荐看machine trading, 当中和交易相关的更多