美国国债购买组合策略研究

利用线性插补法和息票剥离法,构建美国国债收益率曲线来为美国国债进行定价。在给美国国债进行定价以后,依据美国国债市场收益率特点,选择了引入风险价值约束的马柯维茨均值-方差模型,对美国国债的购买组合策略进行了研究。     

证券组合投资中的悖论问题

讨论Markowitz证券组合投资模型的“多反而少”悖论问题，论证Markowitz模型出现“多反而少”悖论现象的两个充分必要条件，并相应给出消除“多反而少”悖论现象的有效方法。     

Markowitz模型在中国证券市场的实证研究

Markowitz模型是现代投资组合理论的开端。通过对Markowitz模型进行深入分析,提出了应用Lagrange乘数法进行求解,然后从中国股市出发,从不同行业选取了10只股票,应用Markowitz模型进行分析,分别计算出在5种不同收益率下,投资者所得到的最优证券组合及所须承担的风险。结果表明,该模型对投资者进行股票选择及风险预测具有一定的指导意义。     

基于差分演化算法的证券投资组合研究

差分演化算法作为一种高效的全局优化方法,在众多领域得到了成功的应用.本文首次将差分演化算法引入到证券投资组合中,研究以Markowitz的均值-方差模型为基础的最佳证券组合的优化求解.实验结果表明,该算法与经典的传统遗传算法和粒子群优化算法相比,具有更快的收敛速度及更好的优化结果.     

国际证券组合投资分析

从组合投资理论出发，分析了国际组合投资的发展状况及影响国际组合投资的正、反因素，将组合投资与市场理论、政府及个人行为结合起来，进行了分析。     

投资组合理论的脉络及发展

通过对Markowitz投资组合模型、资本资产定价模型(CAPM)、套利定价定理(APT)简评及对比研究,理顺了静态投资组合理论．同时指出动态投资组合理论目前已成为研究的热点及其发展趋势。     

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。