基于不确定性测度相对熵的资产组合优化

假设投资者是风险规避型,运用相对熵测度均值-方差模型参数不确定性程度,研究投资者在最坏情境下的资产组合优化问题.基于均值-方差模型,在相对熵某一正常数约束下构建描述资产组合优化问题的最小-最大化模型;运用拉格朗日法获得模型相应最优解,分析模型参数不确定性对资产组合优化的影响;最后,基于不同类型资产组合样本数据做对比性实...     

基于参数估计风险的拟合有效证券组合方法

研究了当投资者在某个证券子集上存在一定约束时,其构建的证券组合在证券全集上的有效性问题。将参数估计风险融入到投资组合决策过程,提出了拟合有效证券组合的概念,并且得到了拟合有效证券组合的判定条件及统计检验方法,最后,结合我国股票市场数据,进行了一些实证研究。研究结果表明,当在某个证券子集上增加投资约束时,虽然原来的证券组合未必有效,但通过选择合适的证券集划分仍然可以实现其拟合有效性,并且可以得到基本相同的样本外业绩表现。     

不相关资产组合投资优化模型及实证分析

研究了不相关资产组合投资的优化问题。根据无风险资产的存在情况,分别建立了各种投资约束条件下不相关资产组合投资优化模型,给出了有效组合集及相应的投资比例计算公式,讨论了有效组合投资期望收益率的变化对资产投资比例的影响。最后选取上海证券交易所不同行业的部分股票进行了实证分析。结果表明本文的投资决策方法易于操作且有效。     

存在相关性风险的资产组合策略

经典金融理论的资产配置策略没有考虑相关性风险, 而现实中,各种市场和各种资产之间的相关性是变化的, 从而使投资组合风险上升.与传统金融理论基于完全市场条件下的组合选择不同, 通过SJC-Copula刻画金融市场间不对称的尾部相关性,用CVaR方法求出存在相关性风险的资产组合有效前沿及策略.通过沪港市场的实证研究, 发现忽略上下尾相关性均会影响投资组合风险的估计, 会使投资组合遭受极端的负收益;量化并有效地控制不对称的尾部相关性能够改善资产组合的表现.     

基于联合违约概率的资产组合投资优化方法

投资组合的资产联合违约概率(joint,probability of default,JPoD)是一种有效的系统风险测度工具.基于JPoD分析,提出了一种新的资产组合选择优化方法,即通过计算资产池中每两种资产的JPoD值得到JPoD矩阵,利用遍历算法逐次筛选,得出具有最小系统风险的多资产组合.实证分析首先利用2014 2015年的上证综指和深证成指数据验证了JPoD方法的有效性;其次,分别利用中国股票市场数据和美国股票市场数据将所提出的资产组合选择方法与马科维茨均值-方差组合理论、随机组合方法进行比较,结果表明无论是在中国股票市场还是美国股票市场,JPoD方法都明显优于其他两种方法.     

基于学习行为的动态资产组合选择

在不完全信息下,研究了风险资产收益前两阶矩的参数不确定性对动态资产组合选择的影响.在连续时间下假设资产的价格服从随机扩散过程,引入参数不确定性,利用随机动态规划方法推导出风险资产最优配置的封闭解,使投资者的终期财富期望幂效用最大;在离散时间下假设风险资产的连续复合月收益率服从独立同分布的正态分布,通过贝叶斯学习准则,以上证综合指数不同区间段的两个样本做实证研究.研究表明,当投资者的风险规避程度大于(小于)对数效用时,参数不确定性将导致负(正)的投资期效应;当投资者在估计过程中运用较多的历史数据、或者风险规避程度增加时,参数不确定性的影响将减弱;收益一阶矩的不确定性影响较其二阶矩强.研究突出了参数不确定性在动态资产组合选择过程中的重要性.     

组合证券资产选择模糊最优化模型研究

提出了考虑收益和风险偏好的更为一般的组合证券资产选择模糊最优化模型。给出了最优投资比例的计算公式。并研究了以风险偏好,固定利率为参数的组合证券的有效边界的变动。最后以释例说明了方法的应用。     

基于多特征子集组合分类器的企业财务困境预测

为了更加有效地进行企业财务困境预测,利用t检验、单因素方差分析、逐步判别分析、逐步逻辑回归和邻域粗糙集5种特征提取方法,结合支持向量机、多元判别分析、Logistic回归、分类和回归树等多种分类学习算法构造备选基本分类器。在此基础上,提出了基于精度前向搜索和后剪枝的多特征子集组合分类器财务困境预测方法。该方法无需计算单分类器之间的差异性,首先以系统预测精度最大化为原则进行前向搜索,然后通过后剪枝策略选择精度最高或满意的系统作为最终结果。实证研究中以中国上市公司为研究对象,以十折交叉验证精度为评价标准,结果表明,该方法构建的组合系统的分类预测精度明显高于个体最优模型,最优组合系统和最简洁组合系统为财务困境预测提供了更多的灵活性。     

基于多期动态优化的银行资产组合决策模型

以银行各项资产组合收益最大化为目标函数,以VaR风险收益率为约束,以法律、法规和经营管理约束为条件,运用多期资产分配的逆向递推原理和非线性规划方法,建立了多期银行资产组合动态优化模型.一是通过逆向递推,使本期资产的最优配给建立在下一期资产的最优配给的基础上,解决了现有研究只是在单期里求解而忽略了各期之间的联系与影响的问题.二是考虑到本期的贷款收益率期望值将受到上一期贷款信用等级迁移的影响,利用不同等级贷款收益率期望值和一年期迁移概率矩阵,计算出各类企业各年份的相应的贷款收益率期望值及标准差,更加客观地反映了贷款的真实收益和风险,解决了现有研究只是简单求解各笔贷款收益率期望值或将其设为常数的问题.三是用贷款组合的VaR控制多期贷款的组合风险,解决了现有多期研究中对银行风险承受能力和资本监管的客观要求考虑不足的问题.     

含有无风险资产的情绪最优投资组合

基于投资者情绪构建了含有无风险资产的投资组合模型,并给出了模型的解析解及有效边界方程。研究表明,投资者情绪是影响投资组合各资产权重及组合有效边界斜率的重要因素。投资者对风险资产的情绪高涨(低落),将导致最优投资组合中无风险资产的份额下降(上升)及投资组合有效边界的斜率增大(减小)。最后,通过人民币储蓄存款与投资者情绪进行回归分析,实证检验了本文模型的结论,投资者情绪与无风险资产投资负相关,进而从投资者情绪角度有效解释了资金搬家这一中国金融市场的重要现象。     

收益率为模糊数的加权证券组合选择模型

Markowitz基于概率理论建立了有名的均值方差证券组合模型，文章则基于模糊理论建立了一类具有权系数的均值方差证券组合模型，首先对证券市场上的收益与风险特性重新进行度量和刻画，提出了一类新的具有加权的可能性均值、方差及协方差的概念，类似于概率论中均值方差的分析讨论了这些概念的性质．其次基于该文定义的均值方差，建立了以收益率为模糊数的加权可能性证券组合投资模型，并给出了相应的加权可能性有效证券组合及有效前沿概念，通过求解两个相对应的优化模型得到了一个具有带状投资区域的有效前沿．尤其当资产收益率具有线性或分段线性隶属函数的模糊数时，该证券组合选择模型实质上为一个线性规划问题，因此有效前沿可化为一个具有折线段的带状投资区域。     

用遗传算法直接搜索证券组合投资的有效边界

基于遗传算法，提出了一种全球新的直接搜索证券组合投资有效边界的方法，相比于Markowitz方法，它不需要计算协方差矩阵，而且能够适应更复杂的情况，最后，应用上证30指数股票对该算法进行了实证检验，结果良好。     

基于高阶矩风险控制的贷款组合优化模型

以银行各项资产组合收益率最大化为目标函数, 以VaR来控制贷款组合的风险价值, 以偏度约束来控制贷款组合收益率的整体分布向大于均值的方向倾斜、以减少发生总体损失的单侧风险, 以峰度来控制贷款组合收益率分布出现极端情况的双侧风险, 建立了资产分配的收益率均值-方差-偏度-峰度模型.本模型的创新与特色是通过峰度约束控制了贷款组合收益率向极端损失偏离的程度.在马可维茨均值-方差模型的基础上, 增加了偏度和峰度参数, 建立了收益率均值-方差-偏度-峰度模型.模型通过方差约束, 控制了组合收益率偏离均值的离散程度: 通过偏度约束, 控制了组合收益率总体分布向损失一侧偏离的程度: 通过峰度约束, 控制了组合收益率出现极端损失或收益的可能性. 模型从多个角度控制了贷款组合的风险, 拓展了经典的均值-方差优化组合思路.     

基于投资者观点的多阶段投资组合选择模型

近年来,如何将投资者观点科学地纳入投资组合决策成为主动投资组合的研究热点之一.Black-Litterman模型因其基于贝叶斯方法将投资者观点和市场均衡收益率结合分析的特点而广受关注和应用.本文将Black-Litterman模型推广到多期框架下分析.文中首先克服了Black-Litterman模型无法纳入极端自信度观点的问题;之后本文通过设立新的.自信度矩阵,给出了Black-Litterman模型的多期框架形式;最后,本文建立了基于CVaR的多期投资组合模型,并将该模型与比均值-方差模型和等权重模型进行对比给出了数值算例.结果表明,基于多期Black-Litterman模型的投资组合有良好效果.     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

基于线性学习函数的泛证券投资组合策略

最优定常再调整策略所产生的收益随时间成指数速度增长, 寻找与最优定常再调整策略的收益具有相同指数增长率的在线序贯投资组合是近年来投资组合研究的一个 热点. 首先提出了基于线性学习函数的在线投资组合策略, 其中线性函数的系数是一个与股票相对价格和收益有关的区间的中点. 用相对熵函数定义两个投资组合向量之 间的距离, 进一步证明了基于线性函数的在线投资组合策略是泛证券投资组合. 最后, 分别在两支股票和三支股票组成的多个投资组合上进行了数值计算, 并 与Cover等人提出的泛证券投资组合策略进行了比较. 结果表明这种基于线性学习函数的在线投资组合策略能获得更多的收益, 从而为投资者提供了新的 在线序贯投资组合决策的方法和依据, 具有重要的现实指导意义.     

基于杀伤网评估的装备组合多目标优化

杀伤网作为众多新型作战理念中均有涉及的概念,将替代杀伤链成为新型作战方式下战斗力生成的主要模式.本文基于杀伤网的评估,对传统的装备组合问题进行多目标优化.首先,基于多层网络模型,构建杀伤网的网络化描述方法.其次,基于杀伤网的特点,构建3个评估指标:冗余性指标、风险性指标、敏捷性指标,并给出了3个评估指标的计算模型.然后...     

基于战略一致性的新产品开发项目组合选择

针对新产品开发项目的特点,考虑项目与企业战略的匹配程度及项目间的相互依赖关系研究项目组合选择问题. 首先提出战略一致性的概念来衡量项目与企业战略的匹配程度,并进行定量化描述;然后考虑项目的战略一致性对组合收益的影响,对仅考虑项目间相互依赖性的项目组合选择模型进行改进,建立基于战略一致性的新产品开发项目组合选择模型;从可变邻域构造方面设计改进的模拟退火算法求解模型;最后以轿车整车开发企业为背景进行实例分析,验证了模型和算法的有效性.     

基于高维R-vine Copula的金融市场投资组合优化研究

为优化国际金融市场的投资组合,本文以全球具有代表性的七大股票市场重要股票指数作为金融市场的典型代表:首先运用较为灵活的APARCH模型来刻画股票指数收益序列的"典型事实"特征,其次针对投资组合优化模型中变量之间复杂相依关系,采用最大生成树MST (maximum spanning tree,MST)算法选择的R-vine Copula来刻画七个股票市场的相依结构,进而测度R-vine Copula相依结构下组合风险CVaR,最后基于R-vine Copula相依结构条件下建立Mean-CVaR投资组合模型,并实证对比了Mean-VaR,Mean-CVaR和基于R-vine Copula相依结构下的MeanCVaR模型的拟合效果.实证结果表明:考虑资产之间的相依结构能起到优化投资组合的效果,在降低投资组合风险的同时增加了回报率;基于R-vine Copula相依结构下的Mean-CVaR模型投资组合优化效果明显优于Mean-CVaR模型,而Mean-VaR模型较其它两种模型表现相对较差.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.