आर जिले समारोह बाइनरी विकल्प

उपलब्ध दूरी उपाय (दो वैक्टर एक्स और वाई के लिए लिखे गए हैं): दो वैक्टर (2 मानक उर्फ ​​एल 2), एसक्यूआरटी (योग ((xi - yi 2)) के बीच सामान्य दूरी। एक्स और वाई के दो घटकों (सुपरमियम मानदंड) के बीच अधिकतम दूरी दो वैक्टर (1 आदर्श उर्फ ​​एल 1) के बीच निरपेक्ष दूरी। राशि (xi - yi xi yi) शून्य अंश और बयानों के साथ की गई शर्तों को योग से छोड़ा जाता है और मान लिया जाता है कि मान अनुपलब्ध हैं। यह गैर-नकारात्मक मूल्यों (जैसे गणना) के लिए लक्षित है: निगोशिएटर का पूर्ण मूल्य लेना 1 99 2 है, नकारात्मक दूरी से बचने के लिए संशोधन। (उर्फ असममित बाइनरी): वैक्टर को द्विआधारी बिट्स के रूप में माना जाता है, इसलिए गैर-शून्य तत्व लेस्क्ूनर्सक्वो हैं और शून्य तत्व हैं lsquooffrsquo दूरी वह बिट्स का अनुपात है जिसमें केवल एक ही उन लोगों के बीच है जहां कम से कम एक पर है। पी मानक, घटकों के अंतर के पी वें शक्तियों की राशि का पी जड़। गायब मूल्यों की अनुमति है, और उन सभी पंक्तियों को शामिल करने वाली सभी कम्प्यूटेशन्स से बाहर रखा गया है, जिनके भीतर वे होते हैं। इसके अलावा, जब Inf मूल्य शामिल होते हैं, तो मूल्यों के सभी युग्मों को बाहर रखा जाता है, जब दूरी को उनके योगदान ने एनएएन या एनए दिया था अगर कुछ स्तंभों को यूक्लिडियन, मैनहट्टन, कैनबरा या मिन्कोवस्की दूरी की गणना में शामिल नहीं किया जाता है, तो इस राशि का उपयोग प्रयुक्त कॉलम की संख्या के अनुपात में बढ़ाया जाता है। यदि किसी विशेष दूरी की गणना करते समय सभी जोड़े को बाहर रखा जाता है, तो मान एनए है। As. matrix () और as. dist () का वितरण पद्धति का उपयोग वर्ग की दूरी और पारंपरिक दूरी मैट्रिक्स के ऑब्जेक्ट के बीच रूपांतरण के लिए किया जा सकता है। as. dist () एक सामान्य समारोह है। इसकी डिफ़ॉल्ट पद्धति कक्षा वितरित वस्तुओं से संभालती है I या मैट्रिक्स के रूप में as. matrix () का उपयोग करने के लिए coercible। दूरी का प्रतिनिधित्व करने वाले वर्गों (जिसे असमानता भी कहा जाता है) के लिए समर्थन एक asmatrix () या अधिक सीधे, ऐसी कक्षा के लिए as. dist विधि प्रदान करके जोड़ा जा सकता है। जिले वर्ग जिले का एक वस्तु देता है एक वेक्टर में कॉलमों द्वारा संग्रहीत दूरी मैट्रिक्स के निचले त्रिकोण, कहते हैं। यदि एन अवलोकन की संख्या है, अर्थात् एन एलटी-एट्र (करना, आकार)। तो मैं एलटी जे ले एन के लिए (पंक्ति) आई और जे के बीच असमानता डॉन (i-1) - i (i-1) 2 जे-आई वेक्टर की लंबाई n (n-1) 2 है अर्थात एन 2 का ऑब्जेक्ट में निम्न विशेषताएँ हैं (कक्षा के बराबर वर्ग): पूर्णांक, डेटासेट में टिप्पणियों की संख्या। आर प्रोग्रामिंग बिनोमियल मॉडल इस खंड में, हम द्विपदीय मॉडल को देखते हैं। हमारे पास एक परिणाम है जो द्विआधारी और स्पष्टीकरणीय चर का एक समूह है। एक रैखिक संभावना मॉडल का उपयोग कर इस तरह के मॉडल का विश्लेषण किया जा सकता है। हालांकि Bernoulli वितरण के पैरामीटर के लिए इस मॉडल का एक दोष यह है कि जब तक प्रतिबंधों पर रखा नहीं जाता है। अनुमानित गुणांक यूनिट अंतराल 0. 1 के बाहर संभावितताओं का अनुमान लगा सकते हैं। इस कारण से, मॉडल जैसे मॉडल या मॉडल मॉडल या अधिक सामान्यतः उपयोग किया जाता है यदि आप रैखिक संभावना मॉडल का अनुमान लगाते हैं, तो रैखिक मॉडल पृष्ठ पर नज़र डालें। मॉडल फॉर्म लेता है वाई आई बी एन एन एन यू एल एल आई आई (i) सिम बर्नोली (पीआई) इनवर्स लिंक फंक्शन के साथ। आई ई पी (एक्स आई) (1 ई x पी (एक्स आई)) बीटा) बीटा))। यह अधिकतम संभावना या बेज़ियन तरीकों का उपयोग कर अनुमान लगाया जा सकता है। नकली डेटा सिमुलेशन अधिकतम संभावना अनुमान संपादित करें लॉग इन मॉडल का अनुमान लगाने का मानक तरीका है परिवार के द्विपद और लिंक लॉग के साथ glm () फ़ंक्शन। एलआरएम () (डिजाइन) रसद प्रतिगमन मॉडल का एक और कार्यान्वयन है। ज़ेलिग पैकेज 1 में एक कार्यान्वयन है इस उदाहरण में, हम एक मॉडल को एक सतत भविष्यवक्ता के साथ अनुकरण करते हैं और इस मॉडल का अनुमान लगाते हैं ताकि glm () फ़ंक्शन का उपयोग किया जा सके। ज़ेलिग संपादित करें ज़ेलिग पैकेज सभी मात्रा में ब्याज की गणना करना आसान बनाता है। हम एक नया उदाहरण विकसित करते हैं पहले हम दो निरंतर व्याख्यात्मक चर के साथ एक नया डाटासेट अनुकरण करते हैं और मॉडल मॉडल विकल्प के साथ zelig () का उपयोग करते हुए हम अनुमान लगाते हैं। हम y के अनुमानित मानों को एक्स 1 और एक्स 2 के मतलब पर देखते हैं, फिर हम एक्स 1 0 और एक्स 2 0 के भविष्य के मानों को देखते हैं, हम यह भी देखते हैं कि एक्स 1 में 3 से 1 क्वार्टरिल तक का परिवर्तन होता है। Bayesian अनुमान एमआईसीएमपैक में हाथ मॉडल पैकेज में bayesglm () संपादित करें Logit मॉडल के एक बेयासियन अनुमान के लिए MCMCpack में प्रोबिट मॉडल एक बाइनरी मॉडल है जिसमें हम यह मानते हैं कि लिंक फ़ंक्शन सामान्य वितरण के संचयी घनत्व फ़ंक्शन है। हम फर्जी डेटा अनुकरण करते हैं सबसे पहले, हम किसी भी वितरण में दो यादृच्छिक चर x1 और x2 आकर्षित करते हैं (यह कोई फर्क नहीं पड़ता)। तो हम सदिश एक्सबीटा को एक्स 1 और एक्स 2 के रेखीय संयोजन के रूप में बनाते हैं। हम उस वेक्टर के लिंक फ़ंक्शन को लागू करते हैं और हम बाइनरी वेरिएबल y को आकर्षित करते हैं जैसे कि बर्नोउली रैंडम वेरिएबल अधिकतम संभावना संपादित करें हम नमूना पैकेज में परिवारबिन्नी (linkprobit) विकल्प या प्रॉफिट () फ़ंक्शन के साथ glm () फ़ंक्शन का उपयोग कर सकते हैं जो पूर्व के एक आवरण है। Bayesian अनुमान EditR क्लस्टरिंग द्विआधारी डेटा गुड मॉर्निंग, मैं 364 विषयों और 13 बाइनरी चर (0,1 अनुपस्थिति, उपस्थिति) के द्वारा बनाई गई डेटासेट का विश्लेषण कर रहा हूं। मैं अपने चर के संभावित सहयोग (सह-उपस्थिति) का परीक्षण कर रहा हूं ऐसा करने के लिए, मैं क्लस्टर विश्लेषण के साथ कोशिश कर रहा था मेरी मुख्य रुचि प्राप्त क्लस्टर्स के महत्व की जांच करना है। सबसे पहले, मैंने विधि के साथ कोशिश की, pvclust () फ़ंक्शन, method. hclustquotwardquot और method. distquotbinaryquot का उपयोग करके अल्टोगेथर यह काम करता है (क्लस्टर और महत्व प्राप्त)। हालांकि, I39m दूरी मैट्रिक्स द्वारा आश्वस्त नहीं है। चर के बीच एसोसिएशन वास्तव में एक जेककार्ड मैट्रिक्स पर वार्ड का उपयोग करके पूर्व में प्राप्त परिणामों से अलग है (जो कि बाइनरी डेटा के लिए ठीक होना चाहिए)। इसके अलावा, जब मैं अपने डेटा से R में एक जैककार्ड मैट्रिक्स प्राप्त करने की कोशिश करता हूं, तो वेगैन पैकेज का उपयोग करके मुझे निम्न त्रुटि संदेश मिलता है: पंक्ति ससुराल में त्रुटि (x, na. rm TRUE)। 39x39 मेरे डेटासेट से एक सबसेट के नीचे संख्यात्मक होना चाहिए: variable1 variable2 चर 3 चर 4 चर 5 चर 6 चर 7 चर 7 चर 10 चर 11 variable12 variable13 case1 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 2 0 0 0 0 1 0 0 एनए 1 0 0 0 0 केस 3 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 4 1 0 0 0 0 1 0 1 0 0 0 0 0 केस 5 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 6 0 1 0 0 0 1 0 1 0 1 0 0 0 केस 7 0 1 0 0 0 1 0 0 1 1 0 0 0 मामला 0 0 0 0 0 1 0 1 0 1 0 0 0 मामला 0 0 0 0 0 0 1 0 1 0 1 0 0 0 case10 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 11 1 0 0 1 0 1 1 1 0 1 0 0 0 केस 12 0 0 0 1 1 0 1 1 0 0 0 0 0 0. तो, मेरे प्रश्न निम्न हैं : क्या जैकार्ड इंडेक्स मेरी तरह की डेटा के लिए एक अच्छी रणनीति है pvclust में बाइनरी दूरी का इस्तेमाल सैद्धांतिक रूप से अधिक सही है क्या मेरे क्लस्टर के महत्व का परीक्षण करने के लिए कोई विकल्प है pvclust अग्रिम धन्यवाद मार्को आर-हेल्प ईमेल में html का उपयोग न करें अपने डेटा के साथ क्या होता है नीचे देखें त्रुटि संदेश आपको बता रहा है कि टी (डेटा) संख्यात्मक नहीं है वह आपको बताएगा कि आपके पास किस तरह का डेटा है। ---------------------------------------------- डेविड एल कार्लसन एसोसिएट एन्थ्रोपोलॉजी टेक्सास एम्पैम यूनिवर्सिटी कॉलेज स्टेशन के प्रोफेसर, TX 77843-4352 ----- मूल संदेश ----- से: r-help-bounces at r-project. org mailto: r - मदद-बाउंस आर-परियोजना पर आरजीआर-प्रोजेक्ट पर आर-हॉप विषय: बाइनरी डेटा के आर क्लस्टरिंग सुप्रभात, मैं 364 विषयों और 13 के द्वारा बनाई गई डेटासेट का विश्लेषण कर रहा हूं बाइनरी चर (0,1 अनुपस्थिति, उपस्थिति)। मैं अपने चर के संभावित सहयोग (सह-उपस्थिति) का परीक्षण कर रहा हूं ऐसा करने के लिए, मैं क्लस्टर विश्लेषण के साथ कोशिश कर रहा था मेरी मुख्य रुचि प्राप्त क्लस्टर्स के महत्व की जांच करना है। सबसे पहले, मैंने विधि के साथ कोशिश की, pvclust () फ़ंक्शन, method. hclustquotwardquot और method. distquotbinaryquot का उपयोग करके अल्टोगेथर यह काम करता है (क्लस्टर और महत्व प्राप्त)। हालांकि, I39m दूरी मैट्रिक्स द्वारा आश्वस्त नहीं है। चर के बीच एसोसिएशन वास्तव में एक जेककार्ड मैट्रिक्स पर वार्ड का उपयोग करके पूर्व में प्राप्त परिणामों से अलग है (जो कि बाइनरी डेटा के लिए ठीक होना चाहिए)। इसके अलावा, जब मैं अपने डेटा से R में एक जैककार्ड मैट्रिक्स प्राप्त करने की कोशिश करता हूं, तो वेगैन पैकेज का उपयोग करके मुझे निम्न त्रुटि संदेश मिलता है: पंक्ति ससुराल में त्रुटि (x, na. rm TRUE)। 39x39 मेरे डेटासेट से एक सबसेट के नीचे संख्यात्मक होना चाहिए: variable1 variable2 चर 3 चर 4 चर 5 चर 6 चर 7 चर 7 चर 10 चर 11 variable12 variable13 case1 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 2 0 0 0 0 1 0 0 एनए 1 0 0 0 0 केस 3 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 4 1 0 0 0 0 1 0 1 0 0 0 0 0 केस 5 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 6 0 1 0 0 0 1 0 1 0 1 0 0 0 केस 7 0 1 0 0 0 1 0 0 1 1 0 0 0 मामला 0 0 0 0 0 1 0 1 0 1 0 0 0 मामला 0 0 0 0 0 0 1 0 1 0 1 0 0 0 case10 0 0 0 0 0 1 0 0 1 1 0 0 0 केस 11 1 0 0 1 0 1 1 1 0 1 0 0 0 केस 12 0 0 0 1 1 0 1 1 0 0 0 0 0 0. तो, मेरे प्रश्न निम्न हैं : क्या जैकार्ड इंडेक्स मेरी तरह की डेटा के लिए एक अच्छी रणनीति है pvclust में बाइनरी दूरी का इस्तेमाल सैद्धांतिक रूप से अधिक सही है क्या मेरे क्लस्टर के महत्व का परीक्षण करने के लिए पीवीएलएलस्ट के लिए कोई वैकल्पिक विकल्प है मार्को के वैकल्पिक HTML संस्करण को आर - project. org मेलिंग सूची stat. ethz. chmailmanlistinfor-help कृपया पोस्टिंग गाइड पढ़ा आर-प्रोजेक्ट। पोस्टिंग - guide. html और टिप्पणी की, कम से कम, आत्म-निहित, प्रतिलिपि प्रस्तुत करने योग्य कोड प्रदान करें। ब्लैक-स्कोल्स मॉडल, एक अंतर्निहित विषमता पर एक विकल्प की कीमत का मूल्यांकन करने की दिशा में एक गणितीय दृष्टिकोण है। उपलब्ध सबसे सटीक विकल्प मूल्य मॉडल में से एक के रूप में, ब्लैक-स्कोल्स अभी भी सामान्य रूपरेखाओं में से एक है जिसके द्वारा विकल्पों की कीमतों को तैयार किया गया है और चालीस वर्षों से अधिक वर्षों से इसका उपयोग किया जा रहा है। इसके पहले बोनस मॉडल में सुधार के कारण चुनावी छूट के कारक के रूप में जोखिम रहित ब्याज दर का उपयोग करके और निवेशकों के लिए जोखिम सहनशीलता के संबंध में मान्यताओं को समाप्त कर दिया गया। फिर भी, किसी भी मॉडल की तरह, अभी भी मॉडल की नींव बनाने के लिए अंतर्निहित धारणाएं हैं। ब्लैक एंड स्कोल्स ने उनके विकल्प मूल्य निर्धारण मॉडल के संबंध में छह महत्वपूर्ण मान्यताओं को बनाया: 1. कुशल वित्तीय बाजार यह मानता है कि बाजार प्रभावी ढंग से एक यादृच्छिक ढंग से आगे बढ़ते हैं और निवेशक सही दिशा निर्देश नहीं कर सकते। वे निरंतर समय में यादृच्छिक मार्कोव प्रक्रिया का पालन करते हैं 2. अंतर्निहित संपत्ति कोई लाभांश नहीं देता है लाभांश कई विकल्पों के मॉडल में एक रिंच फेंकते हैं और उनके गणितीय (और अनुमानित) जटिलता के स्तर को बढ़ाते हैं। कई कंपनियां अपने शेयरधारकों को लाभांश (या शेयर की मात्रा का एक आंशिक मात्रा) का भुगतान करती हैं नतीजतन, ब्लैक-स्कोल्स मॉडल लाभांश-भुगतान अंतर्निहित के लिए विकल्पों की कीमत का सही अनुमान नहीं लगा सकता है। विकल्प के विक्रेता के लिए कम जोखिम वाले आंतरिक जोखिम वाले निवेश के उत्तर में उच्च लाभांश कॉल विकल्प पर प्रीमियम को कम कर देता है। ब्लैक-स्कोल्स मूल्य निर्धारण मॉडल में लाभांश प्रभाव को नियंत्रित करने का एक तरीका मौजूदा शेयर की कीमत लेना और भविष्य के लाभांश के रियायती मूल्य को घटाना है। 3. विकल्प शुरुआती व्यायाम नहीं किए जा सकते हैं अमेरिकी विकल्प इसकी अवधि में किसी भी बिंदु पर एक विकल्प के पूर्व समाप्ति व्यायाम की अनुमति देते हैं। एक परिणाम के रूप में, अमेरिकी विकल्पों में यूरोपीय विकल्पों के मुकाबले एक उच्च आंतरिक मूल्य है, उदाहरण के लिए, जो लचीलेपन की कमी के कारण प्रारंभिक अभ्यास की अनुमति नहीं देते हैं। यह धारणा वास्तविक से एक बड़ी विसंगति प्रदान नहीं करता है, क्योंकि समाप्ति की समाप्ति से पहले अंतिम दिनों में कुछ विकल्पों का प्रयोग किया जाता है कि विकल्प के समय का मूल्य इसकी कीमत में भारी संख्या में नहीं है। 4. पारदर्शी और लगातार ब्याज दरें ब्लैक-स्कोल्स जोखिम-मुक्त ब्याज दर का उपयोग करता है, जो एक पूरी तरह से धारणात्मक अवधारणा है क्योंकि इसमें जोखिम-मुक्त निवेश के रूप में स्वाभाविक रूप से कोई चीज नहीं है। सभी निवेश प्रकृति से कुछ जोखिम लेते हैं लेकिन यह एक वास्तविक जोखिम-मुक्त वातावरण के विचार के तहत एक निवेश पर सैद्धांतिक वापसी का प्रतिनिधित्व करता है। विकल्प मूल्य निर्धारण के लिए जोखिम मुक्त दर को आम तौर पर समाप्ति की एक महीने से पहले यू.एस. ट्रेजरी बिलों पर छूट की दर से लिया जाता है। ब्याज दरें नियमित रूप से उतार-चढ़ाव होती हैं, जो मॉडल में कुछ हद तक गलती डालती हैं। 5. कोई कमीशन नहीं चार्ज। सामान्य परिस्थितियों में, निवेशकों को विकल्प खरीदने या बेचने के लिए अपने दलाल का भुगतान करना होगा। ब्लैक-स्कोल्स ढांचे के तहत ट्रेडों को कमीशन शुल्क से छूट दी गई है 6. लौटेंगर्मल फैशन में रिटर्न वितरित किया जाएगा। अधिकांश परिसंपत्तियां जो प्रस्ताव विकल्प प्रदान करती हैं, वे रिटर्न देते हैं जो लगभग असामान्य हैं, हालांकि ठीक नहीं हैं। यह धारणा आम तौर पर मॉडल के परिणामों को पर्याप्त रूप से विकृत नहीं करती है। ब्लैक-स्कोल्स मॉडल का गणितीय फ्रेमवर्क कॉल ऑप्शन, सी, और पॉट ऑप्शन, पी के सैद्धांतिक मूल्य निम्नानुसार निर्धारित किए जा सकते हैं: पीके ई (-आरटी) एन (-डी 2) एस एन (-ड 1) डी 1 और डी 2 उप-चर को परिभाषित किया जाता है: डी 1 एल एन (एसके) (आर सिग्मा 2 2 टी) (सिग्मा टी) डी 2 डी 1 सिग्मा टी एन संचयी सामान्य वितरण फ़ंक्शन एस स्टॉक प्राइस कश्मीर ऑप्शंस स्ट्राइक प्राइस आर जोखिम-मुक्त ब्याज दर टी समय समाप्ति तक (1 एक वर्ष) स्टॉक रिटर्न की सिग्मा अस्थिरता एक मानक विचलन एलएन प्राकृतिक लॉगरिदम के रूप में व्यक्त की गई है, जो प्राकृतिक लॉगरिदम का आधार है (यानी 2.71828 ()) डी 1 और डी 2 चर को अपने समीकरणों के रूप में परिभाषित किया जाता है और फिर मॉडल में एकीकृत किया जाता है बाद में मानक प्रक्रिया से समझने में आसानी के लिए डी 1 के संचयी सामान्य वितरण समारोह अंतर्निहित परिसंपत्ति की कीमत में परिवर्तन को दर्शाता है। डी 2 के संचयी सामान्य वितरण समारोह जोखिम-समायोजित संभावना को दर्शाता है कि एक विकल्प का प्रयोग किया जाएगा। जब डी 1 को शेयर कीमत, एस द्वारा गुणा किया जाता है, तो यह विकल्प के साथ जाने के विरोध में, अपने प्राकृतिक रूप में अंतर्निहित (यानी शेयर खरीदने) लाभ को दर्शाता है। द के (-आरटी) एन (डी 2) विकल्प मूल्य का भुगतान करने का वर्तमान मूल्य प्रदान करता है, विकल्प का समय समाप्त हो जाता है। कॉल विकल्प के लिए, उचित बाजार मूल्य इसलिए है जब विकल्प का समय समाप्त होने पर व्यायाम की कीमत का भुगतान करने के वर्तमान मूल्य को पूर्ण रूप से शून्य से स्टॉक खरीदने के लिए लाभ का एक कार्य होता है। डाल विकल्प के लिए, कॉल विकल्प समीकरण को नकारात्मक से गुणा किया जाता है (चूंकि डाट विपरीत दिशा में जाता है)। इसके अतिरिक्त, हम डी 1 और डी 2 के चिन्ह को एक नकारात्मक दिए गए बदलावों में बदलते हैं, जो कीमतों में घट रही संपत्ति की वांछित दिशा को दर्शाता है। हमारे वित्तीय मॉडल बनाने के लिए, हमें प्रत्येक कार्यक्रम में ऊपर दिए गए प्रत्येक कार्य को परिभाषित करने की आवश्यकता है। इसका मतलब है कि हमारे पास चार समीकरण होंगे: एक डी 1, डी 2, सी (कॉल ऑप्शन मूल्य), और पी (पुट ऑप्शन मूल्य) के लिए। हम अपने प्रत्येक इनपुट को व्यक्तिगत रूप से आर में और एक्सेल में स्प्रेडशीट के हिस्से के रूप में परिभाषित करेंगे। मैं व्यक्तिगत रूप से आर के साथ आरम्भ करने वाले प्रत्येक आवेदन के माध्यम से जाना होगा। मै MATLAB या ओक्टेव का उपयोग न करें, इसके फ्री, ओपन सोर्स संस्करण जितनी बार मैं आर करता हूं, लेकिन उस सॉफ़्टवेयर में ब्लैक-स्कोल्स कोड का सबसे आसान तरीका भी शामिल होगा I । ब्लैक स्कोल्स मॉडलिंग आर में आर में ब्लैक-स्कोल्स के मॉडल के कुछ तरीके हैं। कुछ फ़ंक्शन () कमांड का उपयोग करने का विकल्प चुन सकते हैं, लेकिन मैं नीचे की विधि को बहुत सरल और सीधा होने के लिए ढूंढता हूं पहले हम अपने वैरिएबल को परिभाषित करने की आवश्यकता करते हैं, जिस विकल्प का हम मूल्यांकन कर रहे हैं, एस, के, आर, टी, और सिग्मा मेरे पास मात्र उदाहरण हैं Ive परिप्रेक्ष्य के लिए एक महीने (या एक वर्ष के एक बारहवें) के लिए समय निर्धारित किया है। अधिक सटीक के लिए, यह भी परिभाषित किया जा सकता है दिन की समाप्ति (जैसे 30365) तक विशिष्ट संख्या। अंत में, हम डी 1, डी 2, सी को परिभाषित करते हैं, और पी। कोड की एक पंक्ति में स्वयं को सी लिख रहा है, उस नाम के ऑब्जेक्ट का मूल्य प्रदान करेगा। इस मामले में, कॉल विकल्प की कीमत इसकी है। , पी। अपनी लाइन पर पी आपको पॉट विकल्प का वैल्यूएपियमियम देगा। MATLABOctave में काले-स्कोल्स मॉडलिंग MATLAB के लिए कोड आर के लिए उपयोग में लाए जाने वाले समान है। यहां हम ब्लैक स्कोल्स मॉडल को परिभाषित कर रहे हैं फ़ंक्शन कमांड के साथ, कॉन्सट्स द्वारा अलग किए गए कोष्ठकों में हमारे आउटपुट सहित, कोष्ठक में हमारे इनपुट के बाद और बराबर चिह्न के विपरीत दिशा में कॉमा से अलग किए गए हैं। एक बार डी 1, डी 2, सी और पी परिभाषित किए जाते हैं, तो हम अपने फ़ंक्शन को समाप्त कर सकते हैं। हम सूत्रों को उसी तरह लिख सकते हैं जैसे हम आर में कैसे सेट करते हैं। हालांकि, pnorm () दिया गया है आर के लिए अनन्य, हम normcdf () फ़ंक्शन का उपयोग करना चाहिए, संचयी सामान्य वितरण समारोह को दर्शाता है। फ़ंक्शन (सी, पी) बीएसएम (एस, के, आर, टी, सिग्मा) डी 1 ((लॉग (एसके) (आरसीजी 22) टी) (सीगमास्कार्ट (टी))) डी 2 डी 1-सीगमास्कार्ट (टी) सी स्नॉर्मसीडीएफ (डी 1) - केएक्सपी (-आरटी) मानक सीडीएफ (डी 2) पी केएक्सपी (-आरटी) मानक सीडीएफ (-डी 2) - सोनॉर्मसीडीएफ (-डी 1) हमारे जवाब प्राप्त करने के लिए फ़ंक्शन को कॉल करने के लिए, हम निम्न विंडो में निम्नलिखित टाइप कर सकते हैं: सी, पी बीएसएम (100, 95, 0.05, 112, 0.25) ध्यान दें कि आप कमांड विंडो में सी और पी के लिए वैकल्पिक नाम भी इस्तेमाल कर सकते हैं। उदाहरण के लिए, आप लिख सकते हैं: बीएसएम (100, 9 5, 0.05, 112, 0.25) कॉल करें, यदि पहले से फ़ंक्शन को लिखे जाने के तरीके के अनुसार क्रम को रखा गया है, तो सी और पी पूरी तरह से दिए गए हैं, तो भी उचित आउटपुट दिए जाएंगे। जैसे कि बिल्ली और कुत्ते के रूप में मौखिक अप्रासंगिक नाम एक्सेल में ब्लैक स्कोल्स मॉडलिंग एक्सेल में प्रत्येक इनपुट डी 1, डी 2, सी, और पी समीकरणों के साथ स्प्रेडशीट में एक सेल के भीतर रखा जायेगा जो किसी भी संबंधित सेल में भी रखे जाते हैं। Excel में संचयी सामान्य वितरण फ़ंक्शन के मॉडल के लिए, हम इन-निर्मित NORM. DIST () फ़ंक्शन का उपयोग करेंगे। (एक्सेल के पिछले संस्करणों में इसे नाममीद () नाम दिया गया था।) आर और मैटलब के विपरीत, मैं इस लेख में डी 1, डी 2, सी और पी के लिए उपयोग किए गए सूत्रों की सूची नहीं दूँगा, जो मैंने उपयोग किए गए चर इनपुटों के अनुसार हैं I सेल स्प्रेडशीट में सेल नामों में जहां मूल्य स्थित है (जैसे डी 9, जी 6) मैं बस नीचे दिए गए लिंक में इसे साझा करके सीधे आपके द्वारा बनाई गई स्प्रेडशीट को संचारित कर सकता हूं I एक्सेल में सूत्रों की बुनियादी बातों से परिचित लोगों के लिए, यह बहुत सरल होना चाहिए। किसी भी तरह से, इसके सभी सेट अप और जाने के लिए तैयार हैं निष्कर्ष ब्लैक-स्कोल्स मॉडल सबसे सटीक और इसलिए एक सबसे आम वित्तीय मॉडलों में से एक है जो कॉल का मूल्यांकन करने और एक अंतर्निहित स्टॉक पर विकल्प डालते हैं। ऐसे कई सॉफ्टवेयर हैं जिन पर यह मॉडलिंग किया जा सकता है। एक्सेल वित्तीय उद्योग में सबसे आम होगा, जबकि आर और MATLAB शैक्षणिक कार्य करने वाले, सांख्यिकीय विश्लेषण करने, या ग्राफिक्स बनाने के उद्देश्य के लिए अधिक सामान्य होंगे। क्या आपको ब्लैक-स्कोल्स मॉडल के बारे में कोई सवाल है, या सॉफ्टवेयर के संबंध में या मॉडल बनाने के लिए, कृपया उन्हें नीचे छोड़ दें और मैं शीघ्र ही आपके पास वापस आ जाऊंगा। इसे साझा करें: