殘差動量模型源碼

『壹』 fluent里solution中的動量方程式指哪個

在Solution中，有三個地方可以找到動量方程的計算控制。

1. Solution Methods中可以設置求解離散動量方程的格式；

（PS: 我很好奇，你和前幾天的網友「如煙228」問的是完全一樣的問題，所以我把之前回答的原文復制過來了。）

希望對你有幫助。

『貳』 fluent殘差曲線里的K線代表什麼

K
代表是湍動能方程（k-ε模型）
不算能量方程的話殘差曲線一般有6條：
連續性方程；三個方向上的動量方程；k湍動能方程；ε湍動能耗散率方程

『叄』 fluent里solution里的動量方程是哪個

在Solution中，有三個地方可以找到動量方程的計算控制。

1. Solution Methods中可以設置求解離散動量方程的格式；

希望對你有幫助。

『肆』 fluent殘差曲線里的K線代表什麼

K 代表是湍動能方程（k-ε模型）
不算能量方程的話殘差曲線一般有6條：
連續性方程；三個方向上的動量方程；k湍動能方程；ε湍動能耗散率方程

『伍』 fluent 中x-velocity,y-velocity,z-velocity分別代表什麼

我猜想您問的是殘差(resial)。殘差里邊確實有X-velocity（或y、z-velocity）這三項。

首先，看是否網格質量不好，如果是結構網格，看是否有較大的扭曲，各種前處理軟體均有檢查扭曲(skewness)的功能，求解器軟體里邊一般也有，fluent里邊是「solve/case check」。如果有較大的扭曲，則用adapt菜單里的volume標示出來，因為扭曲大的往往容易造成體積比較小，也許adapt菜單里有其他的方法可以標記出來，但是我不會用，您可以問問別人。
最好用前處理軟體檢查，比如用gridgen生成網格的話，可以用examine->skewness->min a（alpha）檢查
網格不要過細，過細的話耗散小，收斂非常慢，殘差下來得慢

其次 ，檢查CFL數是否取得過大，如果一階計算，最好不要超過3,一般來說如果cfl數(courant number)相對較大，比方說你的cfl數為1，此時殘差飄得高(比如未經scale的continuity的值為1000左右或以上)而且平，那麼說明殘差已經開始振盪，那麼把cfl數調到0.5或以下，則可明顯看到未經scale的殘差降到幾十甚至個位數。

『陸』 以股票多頭私募基金為例：私募FOF投資如何玩

1. 風格捕捉與投資決策

自2014年私募基金登記備案制度實行以來，我國私募基金行業發展迅速，目前已經進入到規范化、制度化發展階段。如果說2014年~2015年是制度規則密集出台的「起步規范年」，那麼2015年至今可謂風生水起的「FOF投資年」。據統計，2015年在上半年行情的推動下，私募FOF市場迎來大爆發，全年私募FOF產品發行數量達到836隻，幾乎是2014年的5倍。2016年，私募FOF發行數量增長趨勢仍在延續，但增長通道趨於平穩。我們估算，當前市場上存續的私募FOF初始規模超1500億元，FOF投資的方法論成為市場追捧熱點。

私募FOF長期穩健的資本增值需要通過合理的資產配置和有效的組合來實現，相對完整的路徑是：大類資產配置——>類別資產的選擇——>具體資產的挑選，同時還包括根據市場環境變化進行的動態配置。風格捕捉在私募FOF投資鏈條上可充當多個角色：在類別資產選擇階段可以作為風格輪動策略具體實施的參考依據，在具體資產挑選階段有助於更准確地評價基金業績，在動態配置階段可以監測標的基金風格變動情況從而及時做出調整，有效降低了選擇成本。

若拋開私募FOF復雜的流程形式不談，對私募基金投資個體而言，風格捕捉在直觀上也有助投資決策的確定。由於不同風格類型的標的基金在相同市場環境下的表現有差異，風險收益特徵不同，因此對標的基金及時的風格捕捉有利於根據投資者不同的風險偏好與需求選擇相應的標的基金。另外，在一定時間段業績較好的基金，基本都是切合當下基礎市場行情市場風格的產品，因此對全市場基金產品的風格捕捉或許可以從一定程度上幫助判斷當前市場風格走勢。

本文對風格捕捉方法在投資決策上的應用進行了探討。感謝吳昱璐同學對本文的貢獻。

其中，R_i表示私募基金i的收益率；因子F_i表示各種類別資產的收益率；其系數b_ij表示私募產品i的收益率對各風格資產j的敏感度，而ε_i代表私募基金i的非因子收益部分，包括了基金經理的主動管理alpha和殘差項等在內。按照Sharpe的說法，模型表明基金收益率由風格收益和選擇收益兩個關鍵部分組成。

2.2 因子選取與風格界定

Sharpe資產分類因子模型要求類別資產（也即風格因子）滿足三個條件：互斥性、全面性、收益差異性。具體而言，任何一個底層證券不應被同時納入多個類別資產；應將盡可能多的證券納入所選資產類別；類別資產間或是相關度較低，或是有不同的標准差。由於類別資產構成往往會更替，一定程度上會引起私募基金收益率和風格收益率的偏差。

本文重點探討風格研究以後的應用問題，因此選擇最簡單的規模維度做示例：大盤因子、中盤因子、小盤因子。具體應用中使用申萬大盤指數、申萬中盤指數、申萬小盤指數分別作為大盤、中盤、小盤三種風格資產組合，這樣的類別資產劃分滿足三條件的互斥性和收益差異性，但在全面性上存在一定缺陷。Sharpe在1992年的論文中採用了價值股票、成長股票、中等規模股票、小規模股票、歐洲股票、日本股票等12個類別資產做風格探討。

本文以40天為一個回歸周期，通過對回歸後的風格因子系數設定一個閾值來判定基金在該段時間內的風格類型。在回歸結果擬合度較高的基礎上，若某一風格因子系數大於或等於0.5，則判定基金在該周期內為此類風格；若系數均小於0.5，則認為該基金無明顯風格，較為均衡。

3. 數據選取與清洗

本文選取私募排排資料庫內凈值披露頻率為天，且凈值數據不少於41個的股票多頭私募基金作為樣本，共計937隻。考察期為2016年1月4日至2017年3月31日，以40天為一個回歸周期按天進行滾動回歸，即每天都將得到一個風格判定。

數據清理過程中涉及以下幾點：

（1）考慮到存在數據缺失問題，在提取初始數據時，若該工作日無數據，則選取前10日內最靠近該日的凈值數據作為該日數據，若前10日內均無數據，則標記為無數據。

（2）對於每隻基金，回歸將從考察期內凈值披露的首日後40日算起，該日前所有日期標記為無風格數據。

（3）若40天的回歸期內有超過5天無凈值數據，則不進行回歸，即無風格數據。若符合回歸要求，則對缺失數據進行插值處理。

4. 股票多頭私募全貌：持續顯著個體不及一成

本文對符合條件的937隻股票多頭私募基金在2016年1月4日至2017年3月31日內的日收益率進行以40天為周期的滾動回歸，每隻基金共計264次回歸。經過檢驗後，據上述風格界定方法判斷基金每日相對應風格類型。

在所有937隻基金中，共有310隻產品有至少一次擬合度符合條件的回歸結果，約占所有基金的33.1%。在這310隻產品中，符合擬合度要求的回歸結果佔比低於50%的有252隻基金，約佔81.3%；符合擬合度要求的顯著回歸結果佔比高於50%的有58隻，約佔18.7%，其中有兩只基金的所有回歸結果均符合擬合度要求。

結果表明，多數股票多頭私募基金的風格特徵無法通過顯著性檢驗，我們理解原因主要有：

一是私募基金倉位設定靈活，在建倉期、風險規避期、策略調整期、多策略分散期、人員調整期都有可能低倉位運行，而產品的存續期限往往是1年~3年，因此在較長的時期（如40個交易日內）持續八成倉位及以上的情況較少，影響了模型的有效性。

二是私募基金投資風格多變，除了少數持續深耕優勢行業的私募基金以外，多數私募基金從歷史投資周期看均經歷過全市場、全行業的投資，隨風而動與守株待兔型的風格切換實屬常態。另外，如果基金經理在行業和市值風格上持續保持分散，也會導致風格判定的失敗。

三是量化交易理念的普及一定程度上擴大了私募基金選股的風格面，其中擇時模型和行業輪動模型往往會提升私募基金換手率，加速私募基金倉位和選股的切換。量化交易信號往往隨市而動，會減少持續的風格暴露。

由於未通過檢驗的分析結果不具備統計意義，我們重點探討如何利用顯著性的風格結果輔助私募基金FOF投資。

5. 玩轉風格捕捉，輔助私募FOF投資

5.1. 單產品風格漂移監測

風格漂移是私募FOF投資關切的重點之一，高低風險品種的切換、策略重心和集中度的改變等都會造成私募實盤中的風格漂移。對於股票多頭私募基金的投資而言，在無法獲得高頻持倉信息的情況下（往往是投前，投後也常如此），基於凈值的風格監測記錄了產品的投資軌跡、可作為投資經理所宣稱策略的重要印證。對於同一公司管理的多個股票多頭產品，風格監測可側面反映私募基金投資決策會是否有效達成了一致結論、產品間是否有效控制了差異度。某種程度上，後者也反映了私募是否公平對待各類投資者。

從單產品來看，回歸結果最直觀顯示的是該產品在觀察期內的風格變化情況，從而能夠對產品風格漂移進行監測，反映該產品是否有投資策略的變化。

在通過顯著性檢驗的觀察樣本中，我們發現某私募基金公司旗下幾乎所有的股票多頭產品都表現出了相似的風格軌跡：2016年7月份以前，該私募旗下股票多頭產品明顯偏向大盤風格，而2016年8月份以後，旗下股票多頭產品風格逐步向中小盤傾斜，2017年初以來，大市值偏好再度提升。

我們認為，同策略產品凈值走勢的趨同、風格軌跡的趨同可幫助私募FOF在投資中有效識別純平台型或投資管理不集中的私募基金，當然，若產品處於截然不同的投資周期例外。

5.2. 從產品風格統計看市場風格傾向

從全市場基金產品的維度看，通過對當前有明顯風格表現的基金數量分別進行統計，可以判斷當前市場風格傾向。

理論上，全市場股票多頭私募基金的風格傾向表明了其當前的配置情況，進一步，隱含了私募基金對市場的看法與預期。作為二級市場的重量級參與者，這種風格傾向或將為投資提供一定參考。然而，如前所述，2016年以來，絕大多數股票多頭私募基金的市值風格並不明顯，僅基於顯著小群體的風格統計極有可能偏離行業的真實看法。

由於經過回歸後顯著表現出風格屬性的私募基金產品個數有限，我們僅陳述結果，而不討論意義。從百分比堆積圖看，2016年以來，顯著樣本對市場的風格傾向逐步由大盤轉向中小盤。

5.3. 尋找風格勝率較高的單產品

傳統上，我們以各類績效指標衡量私募基金的業績表現，典型的如收益率、最大回撤、波動率、夏普比率等。對於股票多頭而言，風格的成功切換可側面驗證擇時擇股邏輯的有效性，可考慮成為績效評價的維度之一。

風格勝率指在一定觀察期內產品風格與市場風格相符的比例。

大多數產品的風格勝率在10%以下，勝率大於10%小於等於30%的有95隻，另外有16隻基金產品風格勝率大於30%，最高達40.53%。當然，我們此處統計考慮的是基於歷史數據計算的風格與當前風格資產表現之間的關系，更為合理的做法可能是基於歷史數據計算風格與未來一段時間風格資產表現計算勝率。

5.4. 配置風格資產可以獲得預期效果嗎？

在對產品以及市場風格進行觀測的基礎上，更進一步，可以在選取當前市場中符合投資者風格偏好的產品以後，觀測未來產品的表現是否與市場風格走勢一致。但是由於基金產品風格切換頻率較高或持倉變化較快，我們認為該模型存在一定局限性，無法准確判斷產品未來風格走勢。

我們發現，對不同的考察期運用該模型會得到不同的結果。本文選取風格資產組合走勢同向和分化階段兩種典型情況分別觀察，走勢分化階段以2016年11月17日至2016年12月1日為例。走勢同向階段以2017年1月16日至2017年2月17日為例。

在2016年11月17日至2016年12月1日階段，大盤與中小盤指數走勢出現明顯分化，大盤指數持續走高，中小盤指數基本持平。統計該階段顯示為大盤和小盤風格的產品收益率，大盤風格收益率從普遍高於小盤風格收益率，且小盤風格產品收益率均小於零，與指數走勢一致。

在2017年1月16日至2017年2月17日階段，大盤與中小盤指數走勢基本相同，小盤指數收益率相對最高，大盤指數收益率相對最低。統計該階段顯示為大盤和小盤風格的產品收益率，發現大盤風格產品收益率普遍高於小盤風格產品收益率，與市場風格走勢相悖。

5.5觀測單產品的風格追蹤誤差

Sharpe曾提出，在盡可能描繪基金的風格全貌以後，可以考慮搭建一條模擬的風格基準，觀測產品未來表現相對風格基準的偏離。但我們認為，私募基金追求的是更為寬泛的投資理念與絕對收益的實現，本身極少考慮對模擬的風格基準的追蹤問題，因此我們此處不討論這一話題，僅作為開闊思路提出。

6.總結

綜上所述，將Sharpe資產分類因子模型應用於股票多頭私募基金、輔助FOF投資，目前較為可行的用法是監測單產品風格漂移，在觀測市場風格傾向方面面臨可用樣本佔比過低的問題、在尋找風格勝率較高的產品方面可能面臨方法缺陷對結果的擾動、在配置風格資產方面可能面臨追蹤誤差較大的風險。我們將持續關注完善基於風格捕捉的私募FOF投資改進。

此外，就數量模型本身而言，由於R^2僅能反映模型對整個回歸周期的擬合度，而無法顯示周期內模型估計值偏離程度的走勢，因此當回歸周期末模型估計值偏離程度較高時，對未來風格趨勢的判斷可能存在偏差。

『柒』 怎樣理解fama french三因子模型

Fama 和French 1993年指出可以建立一個三因子模型來解釋股票回報率。模型認為，一個投資組合(包括單個股票)的超額回報率可由它對三個因子的暴露來解釋，這三個因子是：市場資產組合(Rm− Rf)、市值因子(SMB)、賬面市值比因子(HML)。這個多因子均衡定價模型可以表示為：
E(Rit) − Rft= βi[E(Rmt− Rft] + siE(SMBt) + hiE(HMIt)
其中Rft表示時間t的無風險收益率；Rmt表示時間t的市場收益率；Rit表示資產i在時間t的收益率；E(Rmt) − Rft是市場風險溢價，SMBt為時間t的市值(Size)因子的模擬組合收益率(Small minus Big)，HMIt為時間t的賬面市值比(book—to—market)因子的模擬組合收益率(High minus Low)。
β、si和hi分別是三個因子的系數，回歸模型表示如下：
Rit− Rft= ai+ βi(Rmt− Rft) + SiSMBt+ hiHMIt+ εit
但是，我們應該看到，三因子模型並不代表資本定價模型的完結，在最近的研究發現，三因子模型中還有很多未被解釋的部分，如短期反轉、中期動量、波動、偏度、賭博等因素。

『捌』 FLUENT中連續性方程不收斂,動量方程鬆弛因子最小不應小於多少有限制嗎急請高手回答

不收斂主要有幾種情況造成：1.網格質量 2.邊界條件的問題 3.計算模型的問題 4.鬆弛因子的問題。
所以如果遇到不收斂的時候，首先考慮到網格質量的問題。然後在來檢查各個邊界條件設置的問題，比如進口為速度進口，出口由壓力出口換位自由流動出口。在來檢查計算模型，比如K-E兩方程的模型分為幾種，有標准型，RNG型的。這時你就要試著分析你的流動是屬於那種情況，如果是低雷諾數，可壓縮流體就用標准型的K-E方程，但是如果有渦旋，不可壓縮流體則換為RNG型的K-E方程。如果以上情況你都仔細檢查過了，且沒有發現問題所在。那麼就建議你來修改亞鬆弛因子了，但是亞鬆弛因子也不能盲目的選取，最好是ap+au=1的范圍內選取，建議看數值傳熱pag214，有詳細的解釋。這只是個人的觀點，網上也有很多資料的和帖子的。
還有一個問題，其實殘差曲線的數量級只是一個收斂的判定標准，如果你的初始場設定值很接近模擬的值，那麼你的殘差曲線很有可能就是一條水平線，且數量級也很小。所以不要單一的從殘差曲線來判定收斂性，工程上一般採用監視你需要的參數。如果值在合理的范圍而且變化很小的情況也可以斷定收斂的。

『玖』 fluent殘差曲線平穩後出現如圖現象，請問是為什麼

這殘差都降到10^-5以下了，這個水平已經比較低了。殘差保持周期性水平震盪，只要振幅不大一般沒啥問題。再聯合一些其他判據綜合判斷，根據進出口流量看質量是否守恆；監控一些關鍵位置的，看重要參數曲線有沒有平。如果這些都滿足了，基本可以判定計算收斂。

如果殘差和參數曲線出現大幅度周期震盪，就要考慮邊界條件給的是否合理、物理流場是否定常等原因了。

K 代表是湍動能方程（k-ε模型）

不算能量方程的話殘差曲線一般有6條：

連續性方程；三個方向上的動量方程；k湍動能方程；ε湍動能耗散率方程

殘差曲線一般默認的設置為10的-3次方，在計算的時候顯示殘差曲線就會看見各項值在每次計算之後就會變化，直到殘差值低於設定的值之後，計算就收斂了。 這里的殘差值是指每次計算之後的結果和前一次計算所得的結果的差值。

(9)殘差動量模型源碼擴展閱讀：

在回歸分析中，測定值與按回歸方程預測的值之差，以δ表示。殘差δ遵從正態分布N(0，σ2)。（δ-殘差的均值）/殘差的標准差，稱為標准化殘差，以δ*表示。δ*遵從標准正態分布N(0，1)。實驗點的標准化殘差落在(-2，2)區間以外的概率≤0.05。若某一實驗點的標准化殘差落在(-2，2)區間以外，可在95%置信度將其判為異常實驗點，不參與回歸直線擬合。

顯然，有多少對數據，就有多少個殘差。殘差分析就是通過殘差所提供的信息，分析出數據的可靠性、周期性或其它干擾。

『拾』 如何查詢在ansys CFX中計算後的結果是否收斂

關於CFX收斂問題，主要指標有流量、動量殘差、迭代步數、進出口流量的平衡。不同的模型收斂情況不一樣。某些問題對流量要求高，進出口流量的誤差不超過0.1%，有些則是0.2%。流量動量殘差一般情況在Pre設置時設定為1.0E-06，但是通常情況下不能達到。solver停止有兩種方式：1.手動停止，點擊stop（註：這種方式可以以當前計算結果作為下次計算的初場）。2.自動停止，自動停止的原因有兩種：一是迭代步數達到設定值，二是「所有的殘差值」達到設定值，如1.0E-06。本人計算情況是通過手動停止的，我的進出口流量誤差＜0.1%，且殘差曲線趨於平緩時進行停止。（註：查看進出流量平衡的方法是：在workplace上，「turbulence（KE）」旁邊點擊滑鼠右鍵，新建「new monitor」，然後點擊「ok」，然後找到「imbalance」項，打開模型樹，找到「P-Mass balance（%）」並勾選上，點擊確定就好了。）