哦，Jae-Pill 由辅助指数和推特数据导出的财务模型。 （英语） Zbl 1488.91123号 韩国数学J。 22，第3期，529-552（2014）. 总结：正如我们所知，一些指数和数据对一些资产现在的价格走势有很大影响，但对另一种资产和未来的价格走势没有影响。因此，我们为几个时间间隔定义了一些资产模型；日内、每周、每月和年度资产模型。我们使用具有波动性和泊松过程的布朗运动以及几个确定性函数（指数函数、推特数据函数和大跳跃简单函数等）来定义这些资产模型。在我们的资产模型中，这些确定性函数是辅助指数、分析数据以及迫在眉睫和极端状态（例如，金融冲击或市场上最受欢迎的状态）的正或负水平。这些由指数、推特数据和令人震惊的消息决定的功能是我们资产模型的一种特性。为了使我们的资产模型合理，我们引入了一些真实数据、图表和模拟。也许从我们的资产模型中，对于短期或长期投资，我们可以分类和参考多种常用的辅助指标、信息和数据。 MSC公司： 91G10型 投资组合理论 60G51型 具有独立增量的过程；Lévy过程 关键词：资产模型;Lévy过程;SDE公司;最优投资组合;效用函数 PDF格式BibTeX公司 XML格式引用 \textit{J.-P.Oh}，韩国数学杂志。22，第3号，529--552（2014；Zbl 1488.91123） 全文： DOI程序 参考文献： [1] J.Bollen、H.Mao和X.Zeng，推特情绪预测股市，http://arxiv.org/abs /1010.3003 [2] R.Chen和M.Lazer，预测股市走势的推特提要情绪分析，CS 229:机器学习，2011，cs229.stanford.deu [3] C.Castillo、M.Mendoza和B.Poblete，推特上的信息可信度，《万维网会议论文集》（2011），675-684。 [4] E.F.Fama，《有效资本市场：理论与实证研究综述》，《金融杂志》第25卷第2期（1970年），第383-417页。 [5] M.Jeanblanc、V.Lacoste和S.Roland，部分观测跳跃-扩散模型下的投资组合优化，Prepublications de l，Equipe d’Analyse et probabilitie’S 2010。 [6] S.S.Kim，《企业网络新闻量与股价关系研究》，硕士论文，KAIST，2011年。 [7] S.S.Kwon和J.H.Lee，KOISP200期权的日内隐含波动函数，《亚洲太平洋金融研究杂志》（2008），913-948。 [8] S.KumarF J.Morstatter和H.Liu，推特数据分析，施普林格，2013年8月19日 [9] X.Liang，挖掘网络股票新闻量和股票价格之间的关联，《国际系统科学杂志》37（13）（2006），919-930·Zbl 1386.91174号 [10] C.Lindberg，《随机波动市场中的投资组合优化和统计》，瑞典哥德堡查尔默斯大学哲学博士论文，2005年 [11] D.H.Lee、H.G.Kang和C.M.Lee，情绪与gig-data上出现的股票信息的自相关分析，한국금용공학회 학술발표논문집 2013, 282-304. [12] J.Oh，《投资组合构建的多类型金融资产模型》，J.KSIAM 14（4）（2010），211-224·Zbl 1280.91155号 [13] C.Park、L.Le、J.S.Marron、J.Park、V.Pipiras、F.D.Smith、R.L.Smith，M.Trovero和Z.Zhu，互联网流量的长期相关性分析，应用统计杂志38（7）（2011），1407-1433。 [14] B.L.S.Prakasa Rao，自相似过程，分数布朗运动和统计推断，赫尔曼·鲁宾数学研究所的费斯切里夫。统计学讲座笔记-专题系列V.45，98-1242004·Zbl 1268.62101号 [15] P.Protter，《随机积分与微分方程》，柏林-海德堡，纽约，施普林格，第二版，1992年 [16] S.A.Ross，《信息与波动性：时间与解决无关性的无约束鞅方法》，《金融杂志》44（1）（1989），第1-18页。 [17] W.Sun、S.Rachev、F.J.Fabozzi和P.S.Kalev，《贸易调制中的分形：在贸易持续期建模中捕获长期依赖和重尾效应》，《金融年鉴》第4期（2008年），第217-241页·Zbl 1233.91333号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。