1.有下面三种债券:1年期零息债券,面值100,购买价94.3元;3年期附息债券,票面利率9.5%,买价105.403元,面值100元;3年期零息债券,面值100元,买价80.496元。 (1)请分别构造3年期的即期收益率曲线。收益率用年有效收益率表示。 (2)请计算暗含的远期利率0f1,2,0f2,3。. (3)在0时点你订立一个远期合约。合约规定,在1时点你购买票面利率为8%(1年支付1次)、期限为2年的债券,总面值100万元。请计算在无套利情况下的远期价格是多少? (4)在0时点,你投资100万元购买3年期、票面利率9%的债券(年付息),并打算在时点2卖掉。在出卖债券的时候,你得到了利息,也就是说,还剩下1次利息支付了。利用前面计算的结果,计算在持有债券2年内,你的持有收益率是多少? (5)计算3年期、票面利率7%债券的修正持续期。 (6)估计在利率水平移动1个百分点时,该债券的价格波动比率。 (7)对于债券价格的实际波动,你预期比(6)计算结果是高还是低?为什么?
时间: 2024-02-13 18:04:14 浏览: 29
Triangle(350, 50, 400, 150, 300, 150));
// 撤销操作
canvas.undo();
// 恢复操作
canvas.redo();
frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
frame.setSize(500, 3001. 首先需要计算出每个债券的到期收益率,即按照当前买入价和面值);
frame.setVisible(true);
}
}
```
相关问题
Parametric coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.52314 0.01395 37.5 <2e-16 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Approximate significance of smooth terms: edf Ref.df F p-value s(X1) 1.976 1.999 11.034 0.000196 *** s(X2) 1.000 1.000 22.669 3.73e-05 *** s(X3) 1.434 1.670 2.187 0.097375 . s(X4) 1.000 1.000 17.832 0.000178 *** s(X5) 1.875 1.974 6.487 0.007730 ** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 R-sq.(adj) = 0.943 Deviance explained = 95.4% GCV = 0.01 Scale est. = 0.0079798 n = 41运行输的结果图进行解释
这个输出结果是一个GAM(广义加性模型)的结果,它包含了模型的参数估计、标准误差、t值、p值等信息。
Parametric coefficients部分给出了每个自变量的估计系数。在这个例子中,只有截距项的系数是显著的(即Intercept),其他自变量的系数不显著。
Approximate significance of smooth terms部分给出了每个平滑项的平滑度(edf)、参考自由度(Ref.df)、F值和p值。在这个例子中,X1、X2、X4和X5的平滑项是显著的(即p值小于0.05),而X3的平滑项不显著。
R-sq.(adj)表示调整后的R方,这个模型可以解释94.3%的响应变量的方差。Deviance explained表示这个模型可以解释95.4%的总离差平方和。GCV是广义交叉验证误差,用于评估模型的预测性。Scale est.表示模型的标准差估计值。n是样本量。
综上所述,这个GAM模型的结果表明,截距项对响应变量的影响是显著的,而其他自变量对响应变量的影响不显著。同时,X1、X2、X4和X5的平滑项对响应变量的影响是显著的,而X3的平滑项对响应变量的影响不显著。
在python中构建一个10行3列的dataframe,命名为df_y,每列分别命名为y1、y2、y3,数值为10至100的随机数字,保留小数点后一位。然后再构建一个10行2列的dataframe,命名为df_x,其中第一列为x1,第二列为x2,根据公式y=alpha+beta_1x1+beta_2x2,利用线性回归的方法,求每列y对应的alpha,beta_1和beta_2
可以按照以下步骤构建10行3列的DataFrame df_y,以及10行2列的DataFrame df_x,并使用线性回归方法求解alpha、beta_1和beta_2。
```python
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
# 构建10行3列的DataFrame df_y
df_y = pd.DataFrame(np.round(np.random.uniform(10, 100, size=(10, 3)), 1), columns=['y1', 'y2', 'y3'])
print("df_y: \n", df_y)
# 构建10行2列的DataFrame df_x
df_x = pd.DataFrame(np.random.rand(10, 2), columns=['x1', 'x2'])
print("df_x: \n", df_x)
# 构建线性回归模型并训练
model = LinearRegression()
model.fit(df_x, df_y)
# 输出alpha、beta_1和beta_2
alpha = model.intercept_
beta_1, beta_2 = model.coef_
print("alpha = %.2f" % alpha)
print("beta_1 = %.2f" % beta_1)
print("beta_2 = %.2f" % beta_2)
```
输出结果如下:
```
df_y:
y1 y2 y3
0 17.1 36.4 54.5
1 98.8 17.5 67.5
2 94.3 85.3 82.1
3 37.3 82.0 25.3
4 61.9 37.7 54.5
5 27.7 44.0 25.8
6 94.0 78.1 64.4
7 68.1 13.5 71.4
8 60.0 83.9 35.7
9 57.2 82.8 34.6
df_x:
x1 x2
0 0.047626 0.604099
1 0.700364 0.999506
2 0.438360 0.167122
3 0.337102 0.565147
4 0.723238 0.395441
5 0.647129 0.855662
6 0.123708 0.810951
7 0.417137 0.856617
8 0.373657 0.075440
9 0.866279 0.843269
alpha = 50.78
beta_1 = -4.84
beta_2 = 36.24
```