基于CVaR和多元权值约束下的积极投资组合模型

基于方差或VaR方法度量投资组合风险的不足,在Roll的均值-跟踪误差模型基础上引入CVaR总风险约束,同时考虑到现实交易市场中存在交易费用约束和多元权值约束条件等因素,构建了基于CVaR和多元权值约束下的积极投资组合模型。结合我国股票市场数据采用非线性优化算法对模型进行实证分析,结果表明,交易费用和多元权值约束会显著影响投资组合的风险收益空间;在CVaR总风险可控情形下,无论是样本内还是样本外市场交易数据,本文模型都能获得持续超越基准投资组合的阿尔法收益。     

有交易费用的组合证券投资的概率准则模型

提出一种基于概率准则的新型组合证券投资模型，在此模型中，把实现预期收益的概率作为目标函数，使之达到最大，在不考虑投资交易费用前提下，给出了模型最优解满足的必要条件，此外，提出了考虑交易费用因素的概率准则模型，经转化，将问题变成可用传统优化方法求解的非线性规划问题，给出了最优解满足的必要条件，并给出了数值算例。     

考虑大宗交易的均值-方差投资组合优化模型及其分支定界算法

由于大宗交易下边际交易费用递减,因此用线性加凹的函数拟合实际交易费用函数, 建立了均值-方差框架下的组合优化模型并给出了相应的求解算法.通过对恒生指数样本股的实证分析发现:考虑大宗交易的组合有效边缘介于线性交易费用和无交易费用的组合有效边缘之间; 大宗交易稀释了“分散化降低风险”的效应; 大宗交易下交易费用越大, 相对于线性交易费用而言组合集中度越高.     

摩擦市场下加权极大-极小随机模糊投资组合模型及实证

考虑投资者面临证券市场随机和模糊的双重不确定性，把证券收益率视为随机模糊变量. 根据前景理论建立符合投资者心理特征的期望收益和目标概率隶属度函数，构建目标权重不等的加权极大- 极小随机模糊投资组合模型. 在含有交易费用和最小交易单位约束的摩擦市场环境下，利用改进动态邻居粒子群算法求解投资组合问题. 采用实证方法把市场分为上升和下降两个阶段，研究模型的表现. 结果表明： 加权极大- 极小随机模糊投资组合模型的收益率优于均值-方差投资组合模型； 利用加权极大- 极小随机模糊投资组合模型能够满足不同风险态度投资者的需求，构建与投资者风险态度一致的投资组合.     

用遗传算法求解改进的投资组合模型

在传统Markowitz投资组合模型中考虑了最小交易量、交易费用以及最大投资上限等实际因素，得到了一个改进的投资组合模型。该模型是一个非线性整数规划问题，传统算法难以有效求解。为此，设计了一种基于整数编码的遗传算法求解该模型。实际算例表明，所提出的算法是有效的。     

带交易费用的集成专家意见在线投资组合策略

在多期投资组合选择过程中,频繁调整投资比例将会产生一系列的交易费用,是影响投资决策的一个重要因素.在线投资组合属于多期投资组合;投资比例需要按照投资期数逐步调整,而不是一次性确定的.本文将交易费用引入到在线投资组合模型中,应用集成有限个专家意见的弱集成算法设计在线投资组合策略.首先探讨了专家意见为在每阶段都固定地投资于单只股票的情形,得到了考虑交易费用的单一集成策略,证明了与最优专家意见相比,他们的累积收益平均值之间的差值存在渐进形式的下界.其次,讨论了专家意见为在每阶段都固定地投资于多只股票的情形,得到了带交易费用的混合集成策略,并给出了该策略的竞争性能分析.基于纽约证券交易所的股票数据,数值算例进一步说明了本文给出的带交易费用的单一集成策略和混合集成策略几乎与最优专家意见的性能一样好,并分析了交易费用对策略性能的影响.     

股票-债券投资组合问题的数学模型及算法

针对股票一债券的最优投资组合策略问题,定义了股票一债券的半绝对偏差风险函数,建立了考虑不允许买空、不允许卖空、交易费用及交易单位等实际约束的股票一债券投资组合问题的数学模型,提出了一种基于布谷鸟搜索算法的改进算法,该算法不仅加快了最优鸟窝位置的搜索速度,同时增强了最优解的稳定性,并对该算法的复杂度进行了分析.最后通过数值算例验证了模型及算法的正确性及有效性.     

基于离散时间交易下的CPPI策略

投资组合保险策略在资本市场中不仅可以预防下跌风险同时也能把握上涨的收益。CPPI策略作为一种重要的投资组合保险策略实际应用十分广泛,很多研究都假设市场在连续时间的条件下,比如Black-Scholes市场,并设置价值底线作为最低需要保本的金额。但是实际市场往往会出现大的波动而使得资产组合价值突然跌破价值底线,也就是缺口风险。通过进一步研究基于离散时间交易下的CPPI策略,修正原有策略中需要进行调整的底线,从而考察了存在缺口风险的市场下投资组合保险策略的有效性,并且运用资金损失概率、预期损失等风险度量指标来衡量新模型的风险。     

多约束投资组合优化问题的实证研究

为克服经典MV模型假设条件过于苛刻,而已有相关文献在对其进行修正时仅考虑部分投资约束等不足,文章通过考虑现实经济活动中存在的各类投资限制条件,建立了带有多种投资约束的广义MV模型.在说明了如何有效求解所得投资组合问题之后,基于中国证券市场的交易数据对新模型进行了实证研究.结果表明所给模型不仅是合理、有效的,而且可较好地指导投资者选择最优而稳健的投资方案.     

下偏矩方法在行为投资组合优化中的应用

在行为投资组合优化过程中，机会约束的转化是一个关键问题。本文运用下偏矩的方法将机会约束转化为线性约束，并将证券的未来期望收益率表示为区间数，建立了一个行为投资组合优化模型，并运用中国证券市场的实际数据进行了实证分析。通过区间数的设置，投资者的认知状态和专家的知识被有机地融入到模型中，并且下偏矩中的收益率参考水平通过样本由模型内生，因此本文所构建的行为投资组合优化模型具有很强的包容性和实用性。     

MARSHALLIAN DEVIATION：NEW OBSERVABLE CRITERION TO MEASURE TRANSACTION PATHS IN DOUBLE AUCTION MARKETS

In measuring the trade process in a double auction (DA) market, there is not any observable criterion that is able to describe the matching pairs and their transaction order dynamically. In this paper, we propose a new observable criterion called Marshallian deviation. It can be used to measure the distance of a transaction path deviating from the Marshallian path mathematically, and to answer the question why buyers with high values will trade with sellers with low costs in advance in some types of DA but not in others. Furthermore, three factors influencing the Marshallian deviations both in the CDA and in the PDA are also studied. They are respectively the strategic algorithm, the transaction duration and the number of traders. A few interesting findings are presented.     

连续库存补充策略订货点水平确定方法比较

考虑顾客需求满足一阶自回归和滑动平均即ARMA(1,1)过程情形下,建立连续库存补充策略中的变动订货点水平确定模型,并将此模型与其它两种模型(基于时点需求的模型、传统模型)从理论和仿真角度进行比较分析。理论分析得出,在需求呈正相关且随机误差项平滑系数为正数时,变化订货点水平确定模型得出的安全库存低于根据时点需求得出的安全库存,而高于传统模型得出的安全库存。最后结合具体数例对不同模型情形下的库存成本进行仿真分析,结果表明,变化订货点模型所引起的平均缺货率、平均库存成本均低于其它两种模型,从而验证所提出模型的优越性和有效性。     

关于单纯形算法的一点改进

本文就单纯形算法选取入基变量的准则进行改进,给出一种新的选取入基变量的准则。按该准则进行的枢轴运算,能使单纯形算法的迭代次数减到最少,尤其对大规划线性规划问题而言,该方法能节省相当可观的CPU计算时间。     

New method for discretization of continuous attributes in rough set theory

A new method for discretization of continuous attributes is put forward to overcome the limitation of the traditional rough sets,which cannot deal with continuous attributes.The method is based on an improved algorithm to produce candidate cut points and an algorithm of reduction based on variable precision rough information entropy.With the guarantee of consistency of decision system,the method can reduce the number of cut points and improve efficiency of reduction.Adopting variable precision rough information entropy as measure criterion,it has a good tolerance to noise.Experiments show that the algorithm yields satisfying reduction results.     

ML-TEA:一套基于机器学习和技术分析的量化投资算法

量化投资尝试利用计算机算法来预测证券的价格和进行证券的交易,并从中获取超额收益,是系统工程在金融投资领域的重要应用.本文设计了一套基于机器学习和技术指标的量化投资算法ML-TEA(machine learning and technical analysis).该模型以技术指标作为输入变量,再分别通过不同的机器学习算法来预测股票数日之后的涨跌方向,并根据预测的方向来构建投资组合.实证结果显示:第一,三种模型的年化收益率都在25%以上,远超大盘指数的10.60%、买入持有策略的3%以及现有策略.从风险调节绩效(夏普比率、特雷纳比率和詹森绩效)来看,三种策略也都远超基准策略和现有策略.以夏普比率为例,三种策略均在1.50以上,而市场指数的夏普比率为0.38.第二,Ada-TEA和SVM-TEA都可以容忍远高于市场实际成本的交易成本.     

多机无源跟踪迭代UKF算法

为利用多机实现对目标的快速高精度无源跟踪,提出了一种新的迭代无味卡尔曼滤波（unscented Kalman filter,UKF）算法。所提算法利用随机变量的概率密度函数变换,求得了直接关于目标状态的似然函数,并据此利用最大似然估计迭代求解当前时刻的目标状态,推导了能达到最大似然面的迭代求解准则,将该准则与UKF算法结合得到新的迭代UKF算法。以多机只测角跟踪为例,对所提算法的性能进行仿真分析,仿真结果表明,相对于已有的迭代UKF算法,所提算法具有更好的跟踪性能,实用性强。     

基于ANN预报模型的快速学习算法

提出了一种基于预报模型的变目标函数的前向神经网络快速学习算法。首先推导出一种综合目标函数从而实现极值点附近收敛速度的提高,然后导出变目标函数的局部化递扒最小二乘算法,该方法与现有同类的算法相比,可以提高收敛速度和预报精度,适用于需快速学习的系统辨识和其他应用。系统辨识的仿真实例表明了算法的优良性能。     

Fuzzy EPQ inventory models with backorder

This paper considers the economic production quantity (EPQ) problem with backorder in which the setup cost, the holding cost and the backorder cost are characterized as fuzzy variables, respectively. Following expected value criterion and chance constrained criterion, a fuzzy expected value model (EVM) and a chance constrained programming (CCP) model are constructed. Then fuzzy simulations are employed to estimate the expected value of fuzzy variable and α-level minimal average cost. In order to solve the CCP model, a particle swarm optimization (PSO) algorithm based on the fuzzy simulation is designed. Finally, the effectiveness of PSO algorithm based on the fuzzy simulation is illustrated by a numerical example. This research is supported by the National Natural Science Foundation of China under Grant No. 70471049.