基于 CVaR 与平均离差波动性限制的多阶段投资组合模型

提出了一种基于CVaR的多阶段投资组合模型,用离散型动态规划把各阶段投资过程整合为一个整体,对组合资产收益率做正态分布假设,用拉格朗日乘子法将平均离差MAD模型写入目标函数,实现波动性度量限制.实验结果表明,该模型满足实际投资要求,符合实际投资规律,与原始多阶段CVaR模型相比具有资产组合收益率波动性较小的优势.     

模型不确定环境下最优动态投资组合问题的研究

研究了在模型不确定环境以及在一般的半鞅市场下的最优投资组合问题.首先,用鞅方法和对偶理论去寻求最优投资组合问题的解,证明了在适当的假设条件下,投资组合问题的对偶问题的HJB方程解的存在性和唯一性,并对这个唯一解进行相关的刻画.其次,推导出原问题和对偶问题的值函数是共轭函数.最后,考虑了一个跳扩散模型,其系数依赖于一个马尔柯夫链,且投资者对马尔柯夫链状态间的切换的速率是不确定的.当代理人具有对数效用函数时,用随机控制方法去推导相应的HJB方程,并得到对偶问题的解,从而推出最优投资组合问题的显式解.     

具有偏好系数不允许卖空的投资组合模型解的一个表达式

在投资组合各种模型中,具有偏好系数的投资组合模型是最重要的模型之一,对其求解的研究具有理论价值。本文利用矩阵理论对此模型进行了研究,并给出了此模型解的一个表达式。     

基于POT-VaR混合模型的投资组合风险分析

在简要分析金融产品投资组合理论的基础上,尝试将超门限极值法(POT)与传统VaR模型中的方差-协方差法相结合的方式,改进传统单纯基于投资组合计算历史收益率数据的VaR模型.通过划分沪深股价前100支股指期货高频收益率数据,运用POT-VaR混合模型进行实证研究.结果表明:该混合模型可以解决收益率方差估计随时间推移的动态问题,为降低投资组合市场风险提供科学的方法,对我国期货市场投资组合风险管理提供了可靠的依据.     

均值-CVaR投资组合模型的改进及实证研究

投资组合理论是现代经济分析的基础.本文在已有的均值-CVaR投资组合模型的基础上,考虑到投资组合理论的目标是既定风险下收益率的最大化,从预测股票价格和收益率的角度进行投资组合模型的改进,得到使预测收益率最大化的预测值-CVaR模型.随后通过实证分析,考察预测值-CVaR模型相对于均值-CVaR模型的效果.     

基于CVaR约束的投资组合模型及应用分析

CVaR是当前研究投资组合中比较有效的方法之一,通过对CVaR概念的讨论和基于CVaR约束的投资组合模型的建立及计算,得出在不同置信水平下的投资组合权重.最后,对我国当前如何运用CVaR提出几点建议.     

多目标投资组合模型的模糊两阶段解法

对多目标证券组合投资模型进行了研究，模型以绝对偏差和代替方差作为投资组合的风险度量.该模型是一个多目标线性优化问题，采用两阶段模糊算法对模型进行求解，最后给出了该模型的一个实例的最优解.     

Markowitz模型的遗传算法求解与实证研究

Markowitz模型主要讨论由多种证券构成的组合作为一个整体的风险与收益的关系,以及投资者如何在组合中合理地分配自己的投资金额等问题.本文通过对Markowitz模型进行深入分析,提出了应用遗传算法进行求解,并通过实证研究,进一步验证该算法是有效的.     

投资组合模型及其边界分析

研究了投资组合的2种数学模型及其边界，在分析投资组合均值-方差模型（M—V模型）及其边界的基础上，详细讨论了最优投资组合均值-VaR模型（M—VaR模型）及其边界，并证明了2种模型边界之间的关系．     

多风险资产期权定价模型及其应用

为了研究能使投资于多种风险资产的风险最小或收益最大的最优组合投资问题, 首先给出了市场的假设条件, 根据投资准则建立一个多目标二次规划模型, 再利用统计出来的相关数据将此转化为两个单目标规划问题, 利用其最大效用函数是随机控制问题对应的方程, 给出最优投资策略的线性方程组, 所得解即为所寻求的最优组合投资方案. 通过实例表明此模型在实际的投资组合中有重大的现实意义.     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

组合证券的二叉树混合规划模型

在分析Harry Markowitz组合证券投资的基础上,结合股票价格的随机性,将二叉树模型应用在组合投资中,提出了组合证券投资的二叉树混合规划模型,并用遗传算法求得全局最优解,使决策更加符合市场变化,对组合投资决策有重要指导意义,最后通过释例进行了说明。     

文件和包层次的软件缺陷预测

软件缺陷预测中使用哪些软件度量和如何使用度量进行预测目前还没有定论。该文提出基于度量组合的方法来分析各种度量在缺陷预测中的作用,并用试验的方法证明了在缺陷预测中使用有限的度量可以达到与使用所有度量相近的预测效果。提出的度量组合方法具有通用性,能为缺陷预测过程提供有效的度量选择方法,并提高了预测结果的可解释性。     

基于网络的模型库结构表示方法研究

针对现有方法存在的不能表示复杂模型关系以及模型组合与求解自动化程度低的局限性,在对模型库结构表示方式进行比较的基础上,从而进一步分析并提出了数据类型广义匹配的概念,将其应用于模型连接的表示,给出了模型库的网络结构表示的定义及其构造方法。分析了模型组合及模型库必须考虑的元素,并用网络结构表示模型库中元素间的静态连接结构;给出了模型库网络结构的形式化定义,模型间的连接通过引入类型转换实现。从而简化模型之间连接,使模型的连接判断由类型匹配判断转化为模型与转换和转换与模型之间的类型相等性判别,而类型匹配操作则通过转换自动完成。并且在组合模型求解过程中,转换过程也会自动完成,提高了模型组合与求解的自动化。     

基于人工神经网络的公路软基沉降预测模型

基于人工神经网络理论，提出了根据前期沉降观测资料进行沉降预测的人工神经网络模型，并用于汕汾高速公路预压荷载却荷时间预报、研究表明，所建议的模型较传统沉降预测模型具有显著的优越性，应用前景广阔。     

储量增长预测模型的对比分析

在调研国内外油气储量增长趋势预测研究的基础上,分析了翁旋回、龚帕兹、逻辑斯谛和高斯模型中各参数的地质含义和对曲线形态的控制作用.应用以上4种模型对苏北盆地2006—2030年石油储量增长趋势进行了预测.在预测效果上,左偏型的翁旋回和龚帕兹模型比对称型的逻辑斯谛和高斯模型更符合我国含油气盆地的储量增长特点.     

基于灰色马尔可夫模型的施工质量成本预测

针对随机波动较大的施工质量成本预测问题,结合灰色SCGM(1,1)预测模型和马尔可夫预测模型的优点,建立了灰色马尔可夫SCGM(1,1)预测模型,并以实例证明灰色马尔可夫预测模型对随机波动性较大的施工质量成本的数据列的预测,具有较高的准确性.     

基于模糊优化的多目标投资组合选择模型研究

将模糊集合的概念引入投资组合模型中，并将多目标投资组合模型中的收益、方差和偏度三个目标模糊化，用逻辑隶属函数作为新的目标函数．针对该模糊多目标投资组合模型，提出了一个动态遗传算法，算例给出了该模型的一个实例的最优解，并进一步解释了模糊尺度随决定逻辑隶属函数形状的参数的变化而反向变化的规律．     

基于Kalman滤波的ARIMA-NAR神经网络模型

深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.