有界在险资本约束下带有红利的最优投资组合模型研究

对有界在险资本约束下的最优投资组合模型进行了推广.在布莱克一斯科尔斯模型框架下建立了带有红利情形的随机股票市场模型,给出了在有界在险资本约束下的最优化投资组合策略和对应的最大化平均终端财富.     

相对在险收益限制下的最优投资策略

在Black-Scholes金融市场假设下提出新的风险度量标准——REaR(相对在险收益),并在此风险度量标准下研究了均值(mean)-REaR型的动态最优投资组合策略的选择问题,获得了该模型下的最优投资策略的显式解.     

金融风险测度的CVaR方法

风险的准确度量是进行有效风险管理的先决条件,在理论与实务均具有重要意义．目前被广为接受的在险价值风险计量方法具有难以克服的缺陷,以条件在险价值为研究对象,介绍了条件在险价值的基本概念,并在与在险价值进行比较的基础上,给出基于条件在险价值的计量模型以及其在投资组合管理中的应用。     

评估风险的期望损失计算及应用研究

期望损失值是一种评估市场风险的新测度.该文首先举例说明了期望损失值具有相容性,而目前最常用的在险价值方法则不具有相容性.然后推导出了用历史模拟法、正态分布法和GARCH模型法计算期望损失值的具体公式.最后给出了一个用期望损失值方法优化投资组合的实际算例.     

MARKOV-GARCH模型对我国证券市场在险价值的度量

提出一种度量我国证劵市场在险价值的MARKOV-GARCH(马尔可夫-广义自回归条件异方差)模型.即通过MARKOV的性质,提示市场的跳跃规律,结合GARCH模型得出市场的波动率,进一步通过波动率度量市场的在险价值.实证结果表明,在确保成功率的前提下,其度量的在险价值的置信区间比一般GARCH模型所度量的置信区间更小,而且稳定性也较其他模型强.该模型在不放大所度量的在险价值区间的前提下,却取得较高的成功率.     

矩信息下条件在险价值和期望短缺的最坏可能值（英文）

研究了在仅有概率分布的部分信息可用的情况下，条件在险价值（CoVaR）和条件期望短缺（CoES）的最坏可能值。在边缘分布的前两阶矩已知时，给出了CoVaR和CoES的最坏可能值以及显式解。并研究了均值和协方差信息下的CoVaR和CoES的最坏可能值。     

在帕累托模型中风险度量的统计分析

在帕累托风险模型中,该文研究了在险价值及其相关风险度量的关系,给出了在险价值、期望短缺、尾条件期望、条件在险价值等风险度量的计算方法;进而,利用极大似然法和矩估计法得到了这些风险度量的估计,证明了估计的相合性和渐近正态性;最后利用数值模拟的方法验证了在不同样本下估计的收敛速度.     

基于组合投资的混合风险度量模型

对2种风险度量方法均值-VaR模型和均值-CVaR模型进行混合.首先对在险值(VaR)和条件在险值(CVaR)具有的性质如次可加性进行论述和比较,其中在计算条件在险值(CVaR)时,同时也能得到在险值(VaR),因此CVaR可对风险进行双限监管,比单纯的VaR更加保险;然后对均值-VaR模型和均值-CVaR模型赋予不同的权重,得出混合后的模型的相关性质,使混合后的模型在某种程度上优于单个模型的投资组合;最后对深市股票进行实证分析.     

基于偏态分布的风险度量计算

金融时间序列具有尖峰厚尾性,同时在股市中又存在着杠杆效应.对股票指数收盘价格的对数收益率序列建立ARMA-APARCH模型,在对数收益率序列分别满足Skewed-t分布和Skewed-GED的假设下,给出了在险价值及期望损失的计算方法.对t分布与Skewed-t分布、GED与Skewed-GED分别进行对比性实证分析,结果表明,在两个偏态分布假设下计算得到的期望损失估计结果更为保守,更能够捕捉到股市的尾部风险.     

监管新政下保险资金运用的新进展

针对近来保险监管在保险资金运用方面的一些政策变化,特别是对险资进入资本市场投资的若干新政策以及逐步推进的险资投资不动产等问题进行深入分析;针对近来热议的险资投资不动产新规特别是投资保障房的问题,用理论和案例相结合的方式进行详细剖析。认为完善险资运用法律制度,加强资产-负债匹配管理和加强人才建设有助于促进这两个热点问题的合理化发展。     

基于不同风险度量的投资组合模型实证分析

利用上海证券市场的实际交易数据对半绝对离差模型,基于分位数的绝对离差模型（Ruszczynski＆Vanderbei,2003）以及MV模型进行了实证比较．通过分析各模型的全局最小风险组合,计算发现,半绝对离差模型比其他模型具有更好的样本外业绩．     

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．     

具有相依风险的最优BMS设计

研究了同质风险相依条件下的二元Poisson索赔次数模型,得到了二元Poisson索赔次数模型独立的充分必要条件;同时研究了非同质风险相依条件下二元混合Poisson索赔次数模型,得到了相应的非同质风险保单组合的索赔次数模型为双变量负二项分布的概率函数;在此基础上将保险精算中的最优BMS由独立情形推广到了风险相依的情形,并得到了相应的最优BMS的计算公式。     

The Experimental Study on.the Risk Convergence of the Entrusted Portfolios of NSSF

This paper makes use of statistical tools of parameter correlation, multi-parameter regression, and does experimental analysis on issues of risk diversification of portfolios entrusted by National Social Security Fund （NSSF）. The issues are industry related investment fields distribution, the trend of capitalization movement, and investment style factors in stock selection. The results show that there are risk problems with portfolios entrusted by NSSF, which include similar investment fields distribution trend, little difference among portfolios, and high risk preference degree.     

关于投资收益-风险模型等价性的证明

通过拉格朗日乘子法和Kuhn-Tucker条件证明了投资收益-风险模型两种策略的等价性 , 即这两种策略对应的最优投资组合是相同的.     

喷水推进船模旋转叶轮流场的数值分析

为建立喷水推进船的自航试验模型,采用虚拟盘模型和重叠网格模型对装船后喷水推进器内的旋转叶轮进行数值计算,探讨了2种数值计算模型所得喷水推进船模船体的外流场及推进器流道内的轴向速度分布,并分析了喷水推进船模的流场特性.结果表明:2种模型的船体外流场计算结果基本一致,但两者的推进器内流场计算结果存在明显差别,且重叠网格模型的计算结果更接近真实叶轮状态;2种模型都能够模拟喷水推进船模内、外的流场特性,且对局部压力分布和船尾射流造成的兴波干扰效果的模拟结果均具有一致性.     

用角色模型实现传统访问控制

针对传统访问控制模型存在使用不方便等缺陷,采用RBAC(Role-Based Access Control)模型对其进行了改造,在不改变其原有安全标记的基础上,用RBAC模型实现了传统的访问控制,并给出了理论证明.结果表明,该方法既保证了传统访问控制模型在信息流控制方面的优点,又具有RBAC模型容易管理和灵活配置的特点,用角色模型可以完全取代传统的访问控制模型,这是安全模型发展的必然趋势.     

脉冲激光沉积类金刚石薄膜的厚度均匀性建模

在脉冲激光沉积类金刚石薄膜过程中,针对薄膜均匀性差的问题,提出偏轴沉积、脉冲激光扫描沉积、双光束沉积和多光束沉积等模式来改善薄膜的均匀性。初步建立了脉冲激光沉积类金刚石薄膜厚度均匀性模型,并分别进行了薄膜厚度分布的模拟,在模拟过程中,强调了在不影响薄膜性能的基础上改善薄膜均匀性,并讨论了沉积模式对薄膜颗粒物问题的影响。结果表明,采用多光束沉积薄膜,厚度均匀性得到极大改善,而且颗粒物问题也得到了改善。最后提出模型改良意见。     

电流模式控制Buck-Boost变换器建模及非线性现象仿真

根据电流模式控制下Buck-Boost变换器的工作特性,建立变换器的统一数学模型,并基于Matlab/Simulink 仿真软件,分别搭建工作于电流连续和电流断续模式下变换器的仿真模型.通过对电流连续模型进行仿真,揭示参考电流Iref和电感L在不同的工作情况下出现倍周期分叉并最终导致混沌的现象;对电流断续模型进行仿真,得出以输入电压E变化时的混沌相图,验证电流断续模式下混沌现象的存在性.同时为消除这2种模式下的混沌现象,引入PID控制器.仿真结果表明:通过设置适当的参数,可以有效地抑制变换器中的混沌现象.     

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。