基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值-方差-峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值-方差-峰度模型是有效的。     

均值-方差-峰度资产组合优化模型

基于对峰度风险的考虑,提出了均值-方差-峰度资产组合优化模型;用蒙特卡罗法求解模型的最优解;结合一个具体的例子,对模型做了灵敏度分析.     

基于进化规划的多目标投资组合选择模型研究

在Markowitz的均值－方差模型的基础上，讨论了股票价格中偏度的重要性，并由此引出了一个同时考虑均值、方差和偏度的多目标投资组合选择模型。提出了对该模型进行求解的进化规划算法，同时也说明了用进化规划方法处理多目标优化问题的合理性。用一个算例验证了采用进化规划技术求解多目标投资组合选择模型是有效的。     

带有模糊流动性约束的均值-方差-偏度-正弦熵投资组合优化模型

通过引入可信性偏度及模糊流动性约束,分别建立了同时满足随机不确定和模糊不确定情形下的均值-方差-偏度-正弦熵（M-V-S-SE）的投资组合模型和带有模糊流动性约束的均值-方差-偏度-正弦熵（M-V-S-L-SE）投资组合优化模型。然后运用马尔科夫方法求解模糊收益率,利用上海证券交易所数据进行实证研究。结果表明：模糊流动性约束的引入使得模型更加稳定,在提高收益、控制风险等方面更具有优势。     

基于交易费用的均值-方差-熵投资组合模型

用方差和熵共同度量投资风险,并且考虑交易费用的影响,提出一种基于交易费用的均值-方差-熵的投资组合模型,并进一步讨论了熵在投资组合模型中所起的作用.通过对相关案例的求解与分析,验证了该模型的可行性及有效性.     

基于风险管理模式下的最佳投资策略研究

在马柯威茨投资组合模型的改进模型—均值-CVaR模型的基础上,使用半方差来作为风险度量,即只考虑其投资在损失的一侧来做出新的投资组合优化模型,最后对均值-方差和均值-半方差模型的有效前沿进行证明,并以5支股票为实例做了实证分析.     

基于成本“粘性”下的投资组合模型

均值-方差(mean variance, MV)模型及均值-绝对偏差(mean absolute deviation,MAD)模型均为早期经典的投资组合模型.在这2类模型的基础上,考虑上市公司的成本"粘性"特征,建立了适合现代投资理论的成本"粘性"下的均值-方差(cost stickiness MV, CSMV)投资组合模型及成本"粘性"下的均值-绝对偏差(cost stickiness MAD, CSMAD)模型.以中国综合A股市场2004—2015年各资产的年、月平均收益率为测试样本及2006—2015年各资产的年、月平均收益率为检验样本的实证分析表明,成本"粘性"下的均值-方差投资组合模型比传统的均值-方差投资组合模型的收益率表现更好,成本"粘性"下的均值-绝对偏差模型明显优于均值-绝对偏差模型的收益率表现.     

几种最优投资组合在有效边界上相对位置

讨论了均值-VaR、均值-AVaR、方差-均值比等风险-收益投资组合优化模型的最优解的有效性.基于Markowitz均值-方差模型和有效边界理论,证明了如果各模型的最优投资组合存在,则一定位于均值-方差有效边界上.计算了各投资组合模型最优解处的均值和标准差,根据计算结果讨论了各模型的最优投资组合在有效边界上的位置.特别地,均值-VaR模型的最优投资组合在有效边界上的位置与置信水平有关.     

基本指数-最小下半方差投资组合优化研究

为了克服方差作为风险度量无法区分收益和损失的局限性,同时弥补经典均值-方差模型忽略了企业基本面状况的缺陷,该文结合下半方差和基本指数的优点,分别考虑1-、2-范数交易成本,构建了基于期望效用最大化的基本指数-最小下半方差投资组合模型(简称“FI-semiv模型”),并运用不等式组的旋转算法进行求解. 文章通过“滚动窗口”的方法,对FI-semiv模型进行了样本外检验与分析,并进一步将该模型与最小方差模型、最小下半方差模型和等比例投资模型的夏普比率进行对比. 结果表明:基于FI-semiv模型构建的投资组合的夏普比率得到了有效提高,FI-semiv投资组合的风险更小,投资效率更高.     

基于均值-方差-偏度的供电公司购电组合策略

Markowitz于1952年提出了基于均值-方差的资产组合模型。现有的有关电力市场购售电组合的模型多是以此为研究基础的。然而,均值-方差模型一般假设电价函数服从正态分布,在实际电力市场中,这个假设是难以得到满足的。在此背景下,引入偏度,构造了均值-方差-偏度购电组合模型．供电公司可以采用该模型将购电量更合理地分配到各市场中,以兼顾最大化期望收益和最小化风险,从而为供电公司进行购电风险管理提供了新方法。最后提供的算例表明了所提模型的是合理、可行的.     

证券组合投资分析的最小二阶矩方法

引入最小二阶矩方法讨论和分析证券组合在当前价格的风险，得到证券组合的最小二阶矩模型，并导出风险和风险系数的计算公式，推论的结果与Markoitz的最小方差法的结果一致，分析结果表明，证券组合的最小二阶矩法比最小方差法更具优越性。     

利率随机下责任准备金的矩阵模型

Debicka给出当利率和死亡都随机时在投保时刻保单组合现金流总现值的前两阶矩的矩阵形式,借助前两阶矩可以了解该保单组合在投保时刻的负债情况和风险情况。在此基础上,将之推广至任意时刻,给出了在任意时点年金保单组合现金流现值的前两阶矩的矩阵形式,这样便于了解在任意时点该保单组合的负债情况和风险状况。用矩阵形式表示,不仅使得表达形式简洁,而且该形式把利率因素、死亡因素及保单类型用不同元素表示,这样当死亡假设改变或利率参数改变或保单类型改变时,只需改变其中一个或几个元素即可,便于分别考察各自的影响。     

基于均值-CVaR- 熵的社保基金最优投资组合模型

为研究社保基金最优投资组合问题,在借鉴现代投资组合理论的基础上,从证券投资组合理论的风险度量着手,用条件在险价值（Conditional Value at Risk,CVaR）和熵来共同度量风险,提出新的风险度量模型：均值-CVaR-熵模型。在保证投资组合收益率的前提下,以 CVaR 和叉熵函数的线性组合为最小目标函数,在险价值（Value at Risk,VaR）为约束条件,构建考虑交易成本和政策约束下不允许卖空的基于均值 CVaR 熵的社保基金投资组合模型,探讨社保基金的投资方式及投资比例的分配问题,并利用实际数据求得该模型的最优解及各资产的分配比例。结果表明多元化投资是我国社保基金投资实现保值增值目的的必然选择。     

安全第一的证券组合优化模型与绩效管理

针对传统确定是优证券组合方法即马可维茨方法需知道投资者无差异曲线,从而较难在实践中运用,提出了安全第一准则,借用安全性参数直接求解一个最优化问题,得到了基于安全第一下证券组合优化模型,对其中概率约束条件给出两种处理方法,并就如何评价投资证券组合的绩效人出安全第一指数。     

基于ETF组合的股指期货套利研究

在考虑买卖的冲击成本的基础上,采用ETF组合作为套利的现货,建立基于ETF组合的股指期货套利模型.并运用本模型对沪深300股指期货的实际数据进行了实证分析.结果发现,本模型可以较好地发现套利机会,实现套利.     

一种改进的实数型遗传算法在多目标最优投资组合选择中的应用

根据信息论中熵的概念，提出用熵来度量投资组合对风险的分散能力．同时，在兼顾收益和风险的情况下，提出了一个新的多目标投资组合模型，并用改进的经典遗传算法求解该模型．实例分析表明，该模型及算法具有实际可行性。     

均值-CVaR投资组合模型及改进的蝙蝠算法求解

基于投资者是风险厌恶型和风险资产价格路径服从跳扩散过程的假设,采用条件风险价值来度量组合风险,建立均值-CVaR投资组合优化模型.为快速有效求解模型,将基于模型的交叉熵随机优化方法嵌入到基于群体的蝙蝠仿生算法中,构建一种改进的蝙蝠算法,该算法既充分发挥交叉熵方法的随机性、自适应性和鲁棒性,又有效抑制蝙蝠算法的早熟收敛现象.借助Monte Carlo模拟情景生成得到价格路径,进而采用所建算法实现模型求解,并与遗传算法和线性规划方法进行比较.实验结果表明,新算法在求解有效性和实用性方面表现更好,取得更为满意的结果.     

具有机会约束的多阶段可信性M-AD投资组合优化

本文基于可信性理论,考虑交易成本、借贷约束、阈值约束和基数约束等现实约束,我们提出一种新的具有机会约束的多阶段可信性均值绝对偏差(M-AD)投资组合优化模型。该模型在给定的置信水平下,运用可信性均值和绝对偏差衡量资产的收益和风险,通过对终期财富的最优化实现投资者的预期收益。运用可信性理论,该模型被转化为确定型的动态优化问题。由于交易成本和基数约束的存在,该模型为具有路径依赖的混合整数动态优化问题。文章提出一种新的前向动态规划方法求解。最后,文章通过实证研究验证了模型和算法的有效性。     

基于均值-AVaR的投资组合均衡分析

以Markowitz均值-方差模型为基础,利用均值-VaR方法,提出了AVaR(Average Value at Risk)极小化以及在此条件下的投资组合均衡理论,得到了一种使单位收益风险价值最小的投资组合决策方法.     

A new deep reinforcement learning model for dynamic portfolio optimization

There are many challenging problems for dynamic portfolio optimization using deep reinforcement learning, such as the high dimensions of the environmental and action spaces, as well as the extraction of useful information from a high-dimensional state space and noisy financial time-series data. To solve these problems, we propose a new model structure called the complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) method with multi-head attention reinforcement learning. This new model integrates data processing methods, a deep learning model, and a reinforcement learning model to improve the perception and decision-making abilities of investors. Empirical analysis shows that our proposed model structure has some advantages in dynamic portfolio optimization. Moreover, we find another robust investment strategy in the process of experimental comparison, where each stock in the portfolio is given the same capital and the structure is applied separately.