一、基于偏态分布的投资组合优化模型（论文文献综述）
贺洪莲[1]（2021）在《基于Copula的优化模型在金融中的应用研究》文中提出优化是全世界人们一直讨论并热衷的话题,涉及到人类社会生活的方方面面。优化模型就是为了解决存在的优化问题而利用数学知识建立的模型。随着全球经济金融多元化和一体化进程的不断加速,全球金融市场变得错综复杂。因此,如何在复杂的金融市场间建立优化模型成为了一个热点话题,投资组合理论作为量化金融的开端,如何在投资组合理论中进行优化更是备受关注。投资组合理论从提出到现在已经快70年了,在这70年的研究过程中,早期研究的方向主要集中在风险度量上,直到在险价值和条件在险价值的相继提出,研究者们才开始将目光转向于资产变量的分布上。传统的投资组合理论模型假定的是每个资产变量都服从正态分布。但是随着研究的深入,研究者们发现实际中的金融资产变量并不服从正态分布,于是引入了copula函数。本文主要在引入copula函数的基础上研究了金融市场资产间的相依性以及如何在各资产间分配最优权重。首先,在查询和阅读已有文献的基础上,介绍了研究背景、研究进程、研究步骤、相关基础知识以及提出了带有交易费用的均值-CVa R投资组合优化模型。然后,以道琼斯工业平均指数、日经225指数、富时100指数、上证指数、印度BSE30指数和恒生指数为研究对象,建立R-vine copula分别研究它们在疫情前期（2010.1.4-2019.12.30）和疫情期间（2019.12.31-2021.1.15）的相依性及其相依性变化,参数估计使用半参数估计法。其中,对每个股票指数在每个时期都分别建立了最优边缘分布。研究表明,不同数据在不同时期的最优边缘分布是不同的,对所有数据建立相同的边缘分布是不合理的。结果分析表明:富时100指数与道琼斯工业平均指数之间的相依性在这两个时期内都是最强的,其次,在这两个时期内,富时100指数都是连接亚洲与美洲的枢纽。但是,新冠疫情的爆发,改变了各指数间的尾部相依性,使得各指数间的相依性由非零的对称尾部相依性变成了具有强烈的下尾相依性,表明了在疫情期间,所研究的各指数之间具有很强的风险传染。此外,疫情的爆发还使得恒生指数与富时100指数之间的相依性减弱,而印度BSE30指数与富时100指数之间的相依性增强。最后,以六只股票指数在整个时期内（2010.1.4-2021.1.15）的日收盘价为研究对象,来计算投资权重。首先将日收盘价转换为日对数收益率,分别对各指数的日收益率建立最优“典型事实”模型和边缘分布,构建R-vine copula分析相依结构,利用边缘推断法（IFM）估计R-vine copula参数。然后利用建立的最优模型、边缘分布和R-vine copula结构及相应参数模拟未来收益率,并将此收益率用于均值-CVa R模型和带有交易费用的均值-CVa R模型建模。最后分别求出了两个模型在95%的置信水平下的等权重组合、最小风险组合和给定收益下的最优权重组合结果。研究结果表明:建立投资组合优化模型,计算最优投资权重,能够有效控制投资风险;对比均值-CVa R模型和带有交易费用的均值-CVa R模型在相同期望收益下的最优权重组合风险可以发现,当期望收益小于最小风险组合的收益时,带有交易费用模型的最优权重组合会降低投资风险;当期望收益大于最小风险组合的收益时,不考虑交易费用会使得最优权重组合的风险被低估。
高尧[2]（2020）在《改进的人工蜂群算法在投资组合优化问题中的应用研究》文中提出自上世纪五十年代Markowitz提出“均值-方差”理论后,投资组合收益与风险的研究进入量化模式。其后诸多学者开始将数理统计的相关理论和工具,运用于金融投资理论的研究。然而,随着变量维度加大、求解目标函数越发复杂、约束条件越发多样化等原因,投资组合优化问题的求解难度也在逐步加深。复杂模型的准确、快速求解对投资组合理论的发展具有重要意义。由于仿生智能算法具有运算速度快、对数理推导要求较低等特点,近年来成为学者们解决复杂函数的优化求解问题的重要工具。人工蜂群算法作为一种新的仿生智能算法,其具有收敛速度快、求解精度高且不易陷入局部最优等特点,在诸多领域得以应用。随着投资理论的不断发展,投资组合优化问题越来越复杂,对算法性能的要求也在逐步提高。因此,本文对人工蜂群算法在投资组合优化问题的框架下进行研究和改进,是有必要且有意义的。本文主要工作如下:（1）本文结合前人研究成果,在“均值-方差”理论模型的范式下,使用资产收益的标准差作为风险的度量。同时,本文考虑资产收益分布的偏态特征,将皮尔逊偏态系数引入模型,代替标准化的三阶中心矩,作为对资产收益偏度的衡量,构建了“均值-标准差-皮尔逊偏度系数”的投资组合优化模型。（2）本文对人工蜂群算法的基本原理及其发展进行了深入研究,并对人工蜂群算法进行改进,提出了一种带有加速异步渐变因子的人工蜂群算法（AAGF-ABC）。经测试,本文改进后的人工蜂群算法在收敛速度和求解精度上,均有较大的提升。（3）本文选取了深证100指数的8支成分股和2支公司债券构建一组投资组合。将标准人工蜂群算法、H-ABCAS算法以及本文改进后的人工蜂群算法（AAGF-ABC）在本文构建的投资组合优化模型求解的实证研究中进行对比实验,分析比较了三种算法在投资组合优化问题求解环境下的性能。实验结果表明,在三种不同风险偏好的投资者角色的条件下,本文改进后的人工蜂群算法（AAGF-ABC）给出的投资策略,均优于其他两种算法。
段静静[3]（2020）在《基于马尔科夫状态转换及流动性调整的高阶矩CAPM模型及其检验》文中研究说明随着我国资本市场的不断发展,尤其是“一带一路”战略思想的提出,大量的金融产品走进股票市场,人们对金融产品的关注度和参与度也显着提高。众所周知,我国股票市场充满着各种各样的不确定影响因素,从而投资者面临的风险,相对来说会比较复杂且不确定。资本资产定价模型（Capital Asset Pricing Model,简称CAPM）是金融市场中研究股票定价的重要模型之一,该模型在对资产定价相关研究以及实际投资生活中都是至关重要的。针对我国所面对的国际形势,以及我国自身的特色,拓展CAPM模型,使其适用我国的金融市场,具有重大现实意义和实践意义。本文主要对传统CAPM模型进行相关拓展研究。由于传统CAPM模型的建立及研究是建立在一系列严格的基础假设之上的,随着我国资本市场的不断发展,该模型已经不能完全适应于我国股票市场的资产定价。本文根据股票市场存在的一些现实情况,如资产收益服从偏态分布、股票市场存在交易成本以及风险系数的时变性等,将传统CAPM模型中引入偏度、流动性和风险系数的时变性等因素,探究这些因素对资产定价的影响,推导出适合我国股市的资产定价模型。假定资产收益服从偏态分布,推导出了高阶矩CAPM模型,并在该模型上引入流动性因素作为外生变量,构建高阶矩CAPM-X模型,且以马尔科夫状态转换来刻画高阶矩CAPM-X模型中金融风险的时变性。详细地推导了该模型的极大似然估计,以中证100指数样本股中十支不同行业的股票作为研究对象进行实证分析,结果表明偏度因素、流动性因素对资产进行了定价,风险系数呈时变特征,在不同的时期,不同状态下系统风险与资产预期收益率的相关关系存在差异。通过比较高阶矩CAPM-X模型与含马尔科夫状态转换的高阶矩CAPM-X模型的LL值、AIC值以及两个模型预测效果的平均绝对误差,结果显示含马尔科夫状态转换的高阶矩CAPM-X模型优于高阶矩CAPM-X模型。结合偏度风险、流动性风险对资产定价的影响,把偏度因素、流动性因素引进传统CAPM模型中,以资产收益率减去流动性成本为契机,推导出基于流动性调整的高阶矩CAPM模型。用中证100所有样本股作为研究对象,以动态分组的方法进行投资组合的构造,并利用滚动窗口法估计风险系数,对基于流动性调整的高阶矩CAPM模型进行实证检验。实证研究结果显示,随着投资组合流动性指标换手率的下降,投资组合的净超额收益率增加,说明当投资者承担流动性风险时,需要一定的风险溢价来补偿。该模型将资产的风险分解为市场系统风险与系统流动性风险,且投资者非常重视系统流动性风险,其中股票流动性对市场流动性的贝塔风险?i2L和股票流动性对市场流动性的偏度风险?i3L是投资者重点考虑的风险定价因子。
胡冰倩[4]（2020）在《基于不同分布下Realized GARCH模型的比较研究 ——以沪深300指数的波动性为例》文中研究说明最近几年,金融市场上的在线交易越来越多,这种在线交易既有优点也有弊端。一方面它使交易变得更加方便快捷,另一方面使得股票市场的波动率变得越来越激烈,从而增加了股票市场的风险。因此人们更加关心股票市场的波动如何变化,在掌握金融资产价格波动特征的基础上,降低风险从而使收益最大化。在实际应用中,通过波动率模型对金融数据进行建模分析,能够帮助投资者更加了解金融市场上资产价格波动的规律,从而最大化地降低损失,有效地度量和防范金融市场风险。如何选择合适的波动率模型和分布形式就成为提高金融资产价格的估计精度、有效规避风险的关键因素。在波动率模型选择方面,本文以高频波动率模型——Realized GARCH模型为研究对象,该模型将已实现波动率融入到GARCH模型中,从而充分利用了高频数据的信息,克服了低频波动率模型的缺陷。在分布形式选择方面,本文选取了四种常用的“尖峰厚尾偏态”分布:T分布、ST分布、GED分布、NIG分布,同时将正态分布考虑在内。首先,详细介绍了基本GARCH模型及其拓展模型,之后对文中所提到的模型进行了比较分析。其次,对已实现波动率的构造过程、统计特征进行了介绍。在已实现波动率和GARCH模型的基础上,对Realized GARCH模型的提出和发展进行了阐述,并详细介绍了误差项的分布选择。最后,介绍了模型比较准则的相关理论。在理论分析的基础上,本文对沪深300指数的波动率进行建模分析。从CSMAR数据库选取2016年1月5日到2018年12月28日共730个交易日的5min高频数据,并设定收益率误差项分别服从正态分布、T分布、ST分布、GED分布和NIG分布。通过R语言、Eviews软件进行相关分析,发现沪深300指数收益率序列具有尖峰厚尾、偏态分布等特征。然后对五种不同分布下的Realized GARCH模型进行参数估计,并从模型拟合能力、模型分布设定检验、模型波动率预测效果和风险度量这四个方面对不同分布下的Realized GARCH模型进行比较分析。实证分析结果表明,假定收益率误差项服从尖峰厚尾偏态分布（T分布、ST分布、GED分布和NIG分布）的Realized GARCH模型比正态分布表现效果要好,能够较好地拟合收益率的波动性,而NIG分布下的Realized GARCH模型表现最佳,ST分布下的Realized GARCH模型表现次之,因此在分布选择上,我们可以首先考虑NIG分布,其次考虑ST分布。通过对沪深300指数波动性的分析,股票市场上的投资者可以更好地了解中国股票市场的短期波动性特征,并具有实用的投资指导价值。
郭学军[5]（2019）在《贫困地区农户金融素质、信贷约束与家庭金融资产选择 ——基于甘肃省辖集中连片特殊困难地区实地调查》文中指出家庭资产选择是家庭金融研究的核心问题。不断推进家庭资产选择影响因素及其作用机理研究,将为政府经济金融政策制定提供必要的微观依据。通过提高针对特殊群体金融服务的供给效率和质量,增强供给结构应对需求变化的适应性和灵活性,有效解决金融机构无法满足特殊群体金融需求市场失灵问题,是今后几年我国推进普惠金融发展的首要任务。在我国,普惠金融服务和保障体系的建设由政府主导,政府、金融机构以及包括家庭在内的消费者之间的协调互动首先取决于政府相关政策的精准性和有效性,要做到这一点,自然离不开对家庭资产选择等微观领域运行机理持续深入地研究。考虑到普惠金融重点要放在乡村,结合目前研究现状,本文在细致刻画贫困地区农户金融素质、信贷约束以及家庭资产选择现状的基础上,试图从金融素质角度出发,深入探讨贫困地区农户家庭资产选择异质性特征背后的原因及其形成机理。本文主要研究内容和创新点体现在以下几个方面:第一,使用特定的方法将金融素质、信贷约束以及家庭资产选择等概念转化为可度量的评价指标体系,进一步提升了三者对客观事实的识别能力和测量精度,更为全面地展示贫困地区农户金融素质现状、所面临的信贷约束及其背后信贷配给机制和家庭资产选择特征,进而增强了相关研究成果对现实世界的解释能力。已有研究对金融素质、信贷约束的界定与测量不尽相同,还存在诸多挑战。本文围绕这些挑战及其相关共识性观点重构了金融素质和信贷约束测量评估体系,进一步提升了二者对现状的识别能力和衡量精度。其中的变化有二:一是采用多维度宽口径原则,从金融知识、金融行为和金融态度三个维度界定测量金融素质;二是进一步优化信贷配给识别与分类流程,重新规划信贷配给机制的分类,确认自我配给为第三种独立的需求型配给方式。研究发现,在我国,贫困地区农户的金融素质整体水平低下且彼此间差异较大,从构成金融素质的三个子系统来看,贫困地区农户的金融知识全面程度和金融行为审慎程度均非常有限,与之相匹配的则是保守的财富和消费观念以及强烈的储蓄观念,三者以特有的方式维持着整个系统的动态平衡;在我国,贫困地区农户面临的信贷约束问题依然比较突出,其中承受需求信贷约束农户所占的比重已经远远超过供给信贷约束,农户对可能获得的最佳信贷合约条件否定性的认知偏差则是诱发需求信贷约束的主要原因;在我国,贫困地区农户金融风险市场参与及其参与深度很低且受是否有家庭成员担任公职变量影响较大,出于对风险的厌恶,农户更倾向于持有对外借款等非正规的金融风险资产或者银行理财产品等风险较低的正规金融风险资产。第二,将金融素质、信贷约束同时纳入家庭资产选择影响因素及其作用机理分析框架,实证检验了三者之间的互动机理,揭示了贫困地区农户家庭资产选择异质性特征的成因,进一步说明了经典投资理论模型和家庭资产选择现实之间存在的偏误,为家庭资产选择理论模型的优化扩展奠定了基础。已有研究中,将金融素质、信贷约束和家庭资产选择置于同一分析框架,同步探讨三者之间互动机理的研究并不多见。鉴于此,本文首先使用简约多元Logit模型估计金融素质对农户承受特定类型信贷配给的影响,并进一步估计金融素质对农户承受特定类型信贷配给的边际贡献,最终说明金融素质对信贷约束的影响;其后,从金融风险市场参与及其参与深度两个角度,分别使用Probit模型和Tobit模型检验金融素质、信贷约束对家庭资产选择的作用机理。研究发现,金融素质的提升不仅会直接推动农户参与金融风险市场,并增加其在金融风险资产上的配置比例,还可能通过缓解农户需求信贷约束,进一步影响农户金融风险市场参与及其参与深度。具体表现在三个方面:一是金融素质对农户金融市场和正规金融市场参与及其参与深度有显着正向影响;二是金融素质对农户承受需求信贷约束有显着负向影响;三是需求信贷约束对农户金融市场和正规金融市场参与及其参与深度有显着负向影响。第三,使用贫困地区农户相关微观数据,从另一个层面呈现了我国家庭资产选择的异质性特征及其成因。在我国,由于存在巨大的城乡和区域差异,要真实客观反映我国家庭资产选择的现状及其成因,有赖于对不同区域城乡家庭细致地观察和分析,然而,已有研究大多以城镇家庭为研究对象,相关研究成果未必完全适用于农户,尤其是贫困地区农户,因此,本文以贫困地区农户为研究对象,揭示了贫困地区农户家庭资产选择的异质性特征及其成因,为推进普惠金融发展提供全新的视角和路径。
陈敏[6]（2019）在《基于均值—方差模型的外汇投资组合优化策略分析》文中指出对于任何一个国家而言,金融行业是国民经济健康有序发展不可或缺的一个板块,其在支持实体经济发展、促进各行业间的借贷融资等方面具有举足轻重的作用。随着我国金融市场体制机制、法律法规不断完善并逐渐与国际金融市场接轨;同时,金融投资产品不断增多,在股票、基金、债券等产品的投资热度持续攀升的同时,外汇投资因其一系列独有的优势,逐渐成为继股票投资后的又一重要投资领域。由于外汇投资一般采用杠杆交易的模式,既提高了收益,也放大了风险。如何在获得较高收益的前提下有效地管理和规避风险就成为投资中的重要问题。本文以外汇市场上7个主要直盘货币对的日收盘汇率价格为研究对象,以均值-方差模型为主要研究工具。首先,对货币对汇率数据的相关统计学特征进行了分析和探讨,描绘了其大致的数据轮廓;其次,基于外汇投资中各币种间具有错综复杂的关系,以收益和风险作为中心变量,运用GARCH模型拟合及预测外汇市场上的7个直盘货币对时间序列;再次,考虑到在外汇市场上主要使用保证金进行杠杆交易的实际情况,对经典的马科维兹（均值-方差）模型进行了修正,并利用该模型制定了未来几个交易日的外汇投资策略;最后,针对经典M-V模型的固有缺陷,本文还探讨了增加VaR约束条件的均值-方差模型,在此基础上确定外汇投资组合中各个货币对的资产配置比例及规模。研究结果表明,根据模型选择最优投资组合策略,有助于投资者将财富在各个货币对间进行合理调配,从而达到在一定的风险控制条件下获得最高的期望收益率或在确定的期望收益率条件下最大限度地降低投资风险、减小损失的目的。
张保帅,姜婷,周孝华,段俊[7]（2019）在《投资组合优化的新方法:Mean-CoVaR模型》文中研究说明传统资产配置模型在资产组合优化过程中没有考虑系统性风险扩散,在面临金融风险尤其极端风险时,将导致资产组合遭受极大损失。为了解决这个问题,文章通过改进Markowitz的效率前沿,把引起个别标的资产收益率变动的因素纳入系统性风险考量,应用CoVaR模型衡量系统性风险扩散,构建新的基于Mean-CoVaR资产配置模型。结果表明,在考虑系统性风险冲击时,Mean-CoVaR投资组合遭受系统性风险扩散的影响显着低于传统的Mean-Variance投资组合,Mean-CoVaR模型对投资组合配置更有效率。
刘肖肖[8]（2018）在《基于非参数估计方法的极大极小投资组合模型研究》文中提出极大极小投资组合模型（Minimax）的最优投资组合是一个简单线性规划问题的解。这个投资组合模型使用最小收益作为风险度量,而非方差。在一个给定的收益水平下,选择使最大损失最小化的投资组合。该模型的目标函数避免了传统均值-方差投资组合中的二次（非单调）效用函数的逻辑问题。极大极小投资组合模型更具有包容性,对于服从正态分布的收益数据,此模型的结果等同于传统均值-方差模型。当收益数据不服从正态分布时,极大极小投资组合模型仍然适用。另外,投资组合优化模型依赖大量金融样本数据。理论上当样本量n趋向于无穷大时会得到理想结果。但是由于在实际研究中样本数据是有限的,且样本数据的微小改变都会引起投资组合最优解的波动,投资组合前沿呈现出一些不连续性并且不是很平滑。为了避免这一问题,我们采用非参数估计方法来处理样本数据。本文首次将非参数核均值方法和核中位数方法运用到极大极小投资组合模型中。我们首先给出了使用非参数核均值方法和非参数核中位数方法估计资产收益率的公式,由此形成了基于非参数估计的极大极小投资组合模型。然后分别选取中国证券交易市场和美国证券交易市场的数据,利用MATLAB等统计软件进行实证分析。实证分析由两部分组成,在第一部分中构建极大极小投资组合模型和基于非参数估计的投资组合模型的有效边界,并计算最小收益（即模型的风险度量）。第二部分是对数据样本外分析。通过上面得到的最优解预测投资组合收益率。预测结果同上证180指数对比,结果显示基于非参数方法的投资组合模型预测的收益率比极大极小投资组合模型的收益率更大。无论是在允许卖空还是不允许卖空的条件下,将非参数估计方法用到中国股票市场和美国股票市场,最后都能得到一个比较平滑的投资组合有效前沿。而且在相同的期望收益率下,基于非参数估计的极大极小投资组合模型要优于极大极小投资组合模型。其中非参数核中位数估计的极大极小投资组合模型要优于非参数核均值估计的极大极小投资组合模型。
岳伟[9]（2017）在《模糊多目标投资组合问题建模及算法研究》文中研究指明现代投资组合理论源自于Markowitz的均值-方差模型,它在随机条件下结合概率论与最优化原理来权衡风险和收益之间的关系,这一方法奠定了现代金融学的基础。继Markowitz的均值-方差模型之后,有很多学者在概率论框架下研究了具有随机不确定性的投资组合选择问题并取得了丰硕的研究成果。然而,在真实的金融市场中,存在着大量的不确定性现象。近年来,随着模糊数学的长足发展及其理论的日渐完备,很多学者开始运用模糊数学来研究金融市场中的不确定性现象。此外,在真实的投资环境中,投资者通常需要同时权衡多个相互冲突和竞争的目标,在投资决策过程中,投资者要同时兼顾这些目标来寻求最佳的资产组合。因此,本质上投资组合选择问题是一个多目标的优化问题。目前,绝大多数关于模糊投资组合选择问题的研究只是在单目标框架下,这无法满足具有多种投资目标的投资者的需求,对于多目标框架下的模糊投资组合问题的研究还处于探索阶段。所以,本文的主要目的是综合应用模糊集理论、多目标优化原理以及多目标进化算法对模糊多目标投资组合选择问题加以研究,进而为投资决策理论建立一种新的分析框架。本文的主要研究工作包括以下几个方面:1.针对传统的均值-方差投资组合选择模型会出现权重会过于集中在少数资产上或是由于出现角点解而产生的极端投资组合的弊端,提出了一种新的比例熵函数作为目标函数来产生分散化的投资组合。在此基础之上,基于可能性理论提出了均值-方差,均值-方差-香农熵以及均值-方差-比例熵三种多目标投资组合选择模型。最后,设计了一种基于空间分解的正交多目标进化算法来求解模型,并比较了三种投资组合选择模型的性能。实验结果表明可能性均值-方差-比例熵模型要比可能性均值-方差以及均值-方差-香农熵模型更加有效,本文所提出的熵函数在度量投资组合分散化程度上展示出了更加优良的性能。2.考虑到风险资产收益率呈现出厚尾的正偏态分布,用模糊偏度来刻画风险资产收益率的非对称分布,进而提出了均值-方差-可能性偏度的多目标投资组合选择模型。同时为了提高投资组合的分散化程度,用熵函数作为目标函数,基于可能性理论,在多目标框架下,提出了改进的均值-方差-偏度-熵的投资组合选择模型。另外,设计了一种有效的多目标进化算法来求解模型,使得算法所求得的Pareto-最优解具有很好的收敛性和多样性。最后,提出了一种模糊偏度夏普率来评价两种多目标投资组合选择模型的性能。实验结果表明,均值-方差-偏度-熵的投资组合选择模型能够获得较为分散的投资策略和更加有效的投资组合。3.为了解决偏度、峰度对投资组合选择问题的影响,基于模糊集理论,首先提出了可能性均值-方差-偏度-峰度的高阶矩超多目标投资组合选择模型。其次,为了避免高阶矩投资组合选择模型所产生的投资权重高度集中的投资组合。利用三种不同的熵函数作为目标函数,提出了三种可能性均值-方差-偏度-峰度-熵的高阶矩超多目标投资组合选择模型。其次,设计了一种基于目标空间分解和拥挤距离排序的多目标进化算法,来求解这四种高阶矩超多目标的投资组合选择模型。为了评价这些高阶矩超多目标的投资组合选择模型的性能,提出了一种新的模糊调整的偏度夏普率。实验结果表明熵函数作为目标函数添加在高阶矩投资组合选择模型中,提高了投资组合的分散化程度,另外,本文所提出的比例熵函数在度量投资组合分散化程度时性能比较突出。4.风险度量在投资组合选择问题中起着至关重要的作用。下偏矩风险（下跌风险）测度被认为是更加符合投资者对风险的态度。因此,本文在下跌风险框架下,构建了模糊半方差和模糊半绝对偏差的双风险度量函数,提出了可能性均值-半方差-半绝对偏差的多目标投资组合选择模型。为了使模型更具有现实性,我们考虑了交易费用、流动性,以及基约束和阈值约束。最后,我们基于均匀设计的思想提出了一种多目标分解算法来求解模型,并给出了基约束条件下的投资组合的最优资产数和相应的核心资产。5.根据所提出的各种多目标模糊投资组合选择模型,设计了相应的多目标进化算法来求解模型,实验结果验证了模型的适用性和算法的有效性。
秦伟广[10]（2017）在《黄金对冲美元汇率风险效果研究 ——基于美国QE政策的视角》文中提出自2008年金融危机以来,美联储实施了 4轮QE货币政策提振美国经济,并于2014年开始逐渐退出QE。这些QE货币政策的实施或者退出,对以美元为代表的资产价格产生了深远的影响。尤其在美国前三轮政策实施期间,美元汇率指数迅速下跌最低为68.1。然而美联储实施QE4与减持QE实施期间,美元汇率则出现了大幅飙升,截止到2015年11月美元汇率指数已经上升到94.8。面对美元汇率的剧烈波动,各国央行、金融机构和企业个人纷纷采取措施规避美元汇率风险。长期以来黄金就是对冲美元风险的首选。QE期间黄金价格则从2007年最低为650.5美元/盎司迅速飙升,并达到了阶段峰值1813.5美元/盎司,波幅为278.8%。为了系统研究QE期间美元汇率风险的特征、政策传导机理和黄金规避效果,本文进行了如下研究:第一,梳理了美国QE政策背景内容、对冲美元汇率方案和对冲效果的测度方法。首先,本文对QE政策的背景和具体内容进行了详细的整理,从而为后续的研究奠定基础。其次,本文分析了对冲美元汇率风险的方案,包括黄金对冲和非黄金对冲,其中重点研究了黄金作为美元对冲资产的机理,即黄金和美元汇率的对冲关系主要受到黄金货币属性和避险属性的影响。最后,本文介绍对冲效果的测度,具体包括相互关系度量、对冲权重测算和对冲效果的度量方法。由于Copula函数可以精确测度变量之间的相依结构,因此相互关系度量方面重点介绍了 Copula函数的基本理论和常用的Copula函数。同时,基于均值-方差模型介绍了最优对冲权重的计算方法,并梳理了对冲效果的度量方法,包括以σ为代表的双边风险度量和VaR和CVaR等单边风险度量方法。第二,研究了美国QE政策传导机理,并分别从短期和长期两方面研究了美国QE货币政策对黄金和美元汇率的影响。本文首先基于信号渠道、资产组合平衡渠道和流动性渠道分析了美国QE政策影响黄金和美元汇率的机理,其中信号渠道对黄金和美元汇率的影响方向不确定,而资产组合平衡渠道和流动性渠道都会导致黄金价格上升、美元汇率下跌。其次,实证检验了美国QE政策对黄金价格的短期和长期影响,其中采用短期影响事件方法,结果表明QE政策对黄金价格短期影响显着;而长期内,本文采用滚动回归的方法,结果表明两者的关系是时变的。最后,本文实证检验了美国QE政策对美元汇率的长短期影响。短期方面,通过事件法研究表明美国QE政策对美元汇率有显着的影响;长期方面,采用协方差分析,其研究结果表明:QE政策对相关国家汇率,尤其是金砖国家汇率影响显着,其中尤以美元兑人民币汇率所受影响最大。第三,研究美国QE政策期间及QE不同阶段黄金与美元汇率的风险相依性。首先,针对美国QE实施期间,基于Copula模型从联合分布函数的一般相关关系和尾部相依关系提出实证模型的理论假设。在此基础上,本文依据数据分布的特点分别拟合偏态t分布下不同Copula函数对黄金与美元汇率的相依性进行测度,结果表明DCC-t-Copula函数为最优拟合函数,由此验证黄金可以对冲一般市场和极端市场情况下的美元汇率风险,而且其对冲能力是时变的。其次,对美国QE货币政策不同阶段黄金与美元汇率DCC-t-Copula相依系数研究结果表明,美国QE货币政策的实施导致黄金与美元汇率相依程度增加,即黄金对冲美元汇率风险能力增强。第四,分别从美国QE政策实施期间和QE不同阶段研究了黄金对冲美元汇率风险效果。本文基于投资组合理论计算先获得最小风险情况下黄金对冲美元汇率风险最优资产配置比例,然后分别对QE政策实施期间和QE不同阶段的黄金对冲美元汇率结果进行检验。其中,美国QE政策实施期间,本文分别采用σ、静态及动态VaR方法,计算出该最优资产配置可以有效对冲美元汇率双边风险和美元汇率极端尾部风险。而在美国QE政策实施不同阶段,由于国际金融市场急剧变化,导致给定信息条件下金融时间序列的波动风险存在差异,基于此,本文建立EGARCH-X-t模型检验在美国QE不同阶段黄金对冲美元汇率风险的效果,结果表明该资产配置方案可以有效对冲美元汇率风险。研究结果揭示了美国QE政策下黄金价格和美元汇率的短期风险集聚效应和长期动态时变特征,并验证了不同市场状态下的对冲关系以及最优资产配置方案对冲美元汇率风险的效果,为政府部门、企业以及个人规避汇率风险提供理论支撑和经验依据。
二、基于偏态分布的投资组合优化模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于偏态分布的投资组合优化模型（论文提纲范文）
（1）基于Copula的优化模型在金融中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于copula方法的研究现状 |
| 1.2.2 投资组合优化研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究思路与方法 |
| 1.4 研究内容与框架 |
| 1.5 创新与不足 |
| 1.5.1 创新点 |
| 1.5.2 不足 |
| 2 相关理论基础 |
| 2.1 Copula函数的基础理论 |
| 2.1.1 Sklar’s定理 |
| 2.1.2 copula函数的定义及性质 |
| 2.1.3 copula函数的相关性测度 |
| 2.1.4 copula函数的参数估计 |
| 2.2 Vine copula理论知识 |
| 2.2.1 条件Sklar’s定理 |
| 2.2.2 PCCs |
| 2.2.3 R-vine copula的定义 |
| 2.2.4 R-vine copula的建模 |
| 2.3 基本的二元copula函数 |
| 2.3.1 二元椭圆copula函数 |
| 2.3.2 二元阿基米德copula函数 |
| 2.3.3 旋转copula函数的变换 |
| 2.4 时间序列分析基本理论 |
| 2.4.1 ARMA模型 |
| 2.4.2 GARCH模型 |
| 2.4.3 EGARCH模型 |
| 2.4.4 APARCH模型 |
| 2.5 投资组合理论模型 |
| 2.5.1 均值-方差投资组合模型 |
| 2.5.2 均值-VaR投资组合模型 |
| 2.5.3 均值-CVaR投资组合模型 |
| 2.5.4 带有交易费的均值-CVaR投资组合模型 |
| 2.6 本章小结 |
| 3 基于R-vine copula的投资组合优化模型建模 |
| 3.1 “典型事实”与边缘分布的建模 |
| 3.2 R-vine copula的建模 |
| 3.3 收益率的模拟 |
| 3.4 投资组合优化模型建模 |
| 3.5 本章小结 |
| 4 R-vine copula在新冠疫情下的股市相依性研究 |
| 4.1 数据选取 |
| 4.2 数据处理及描述性统计 |
| 4.3 “典型事实”与边缘分布的刻画 |
| 4.4 基于R-vine copula的相依性分析 |
| 4.5 本章小结 |
| 5 基于R-vine copula的投资组合优化研究 |
| 5.1 数据选取及处理 |
| 5.2 描述性统计 |
| 5.3 “典型事实”与边缘分布的刻画 |
| 5.4 R-vine copula的建立 |
| 5.5 投资组合优化模型的结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1:攻读学位期间发表论文目录 |
| 附录2:部分程序 |
（2）改进的人工蜂群算法在投资组合优化问题中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 投资组合理论的研究现状 |
| 1.2.2 人工蜂群算法的研究现状 |
| 1.3 本文主要工作 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文结构 |
| 第二章 投资组合理论及模型构建 |
| 2.1 均值-方差理论 |
| 2.1.1 均值-方差理论的前提条件 |
| 2.1.2 均值-方差理论的模型架构 |
| 2.1.3 均值-方差理论评价 |
| 2.2 均值-方差-偏度理论 |
| 2.2.1 偏度的概念 |
| 2.2.2 均值-方差-偏度理论的具体内容 |
| 2.2.3 均值-方差-偏度理论的模型架构 |
| 2.3 引入风险偏好的均值-标准差-皮尔逊偏态系数模型 |
| 2.3.1 皮尔逊偏态系数 |
| 2.3.2 引入风险偏好的均值-标准差-皮尔逊偏态系数模型架构 |
| 2.4 本章小结 |
| 第三章 人工蜂群算法的研究与改进 |
| 3.1 人工蜂群算法的生物行为机理 |
| 3.1.1 蜜蜂的信息传导 |
| 3.1.2 蜂群的角色与分工 |
| 3.2 人工蜂群算法的基本原理 |
| 3.2.1 人工蜂群算法流程 |
| 3.3 人工蜂群算法的发展 |
| 3.3.1 考虑个体和全局最优的人工蜂群算法 |
| 3.3.2 带有高斯变异和混沌扰动的人工蜂群算法 |
| 3.3.3 混合策略的人工蜂群算法 |
| 3.4 人工蜂群算法的改进 |
| 3.4.1 算法改进的基本思路 |
| 3.4.2 算法改进的基本原理 |
| 3.4.3 改进后的算法步骤 |
| 3.5 改进人工蜂群算法的性能测试 |
| 3.5.1 测试函数介绍 |
| 3.5.2 试验参数的设定 |
| 3.5.3 测试结果 |
| 3.6 本章小结 |
| 第四章 基于改进人工蜂群算法的投资组合实证研究 |
| 4.1 投资组合设计 |
| 4.1.1 相关概念介绍 |
| 4.1.2 投资组合的构建 |
| 4.2 实验设置 |
| 4.2.1 模型的前置条件 |
| 4.2.2 算法调整 |
| 4.3 实验结果及评价 |
| 4.3.1 评价指标 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文结论 |
| 5.2 展望 |
| 参考文献 |
| 发表论文、参加科研情况说明 |
| 致谢 |
（3）基于马尔科夫状态转换及流动性调整的高阶矩CAPM模型及其检验（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状分析 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究思路和框架 |
| 1.5 论文的创新点 |
| 第2章 理论知识回顾 |
| 2.1 传统的资本资产定价模型 |
| 2.1.1 资本资产定价模型的简介 |
| 2.1.2 资本资产定价模型的假设 |
| 2.2 关于资本资产定价理论的拓展 |
| 2.2.1 系统偏度风险 |
| 2.2.2 流动性溢价理论 |
| 2.2.3 系统风险系数的时变性 |
| 2.3 资本资产定价模型的修正 |
| 2.3.1 套利定价理论 |
| 2.3.2 Fama-French三因素模型 |
| 2.3.3 零贝塔资本资产定价模型 |
| 2.4 马尔科夫状态转换 |
| 2.4.1 马尔科夫转换模型 |
| 第3章 含马尔科夫状态转换的高阶矩CAPM-X模型的构建及实证分析 |
| 3.1 含马尔科夫状态转换的高阶矩CAPM-X模型的研究 |
| 3.1.1 模型假设 |
| 3.1.2 高阶矩CAPM模型的推导 |
| 3.1.3 含马尔科夫状态转换的高阶矩CAPM-X模型的构建 |
| 3.1.4 模型的参数估计方法 |
| 3.2 含马尔科夫状态转换的高阶矩CAPM-X模型的实证分析 |
| 3.2.1 数据的来源与样本的选取 |
| 3.2.2 流动性指标的选择 |
| 3.2.3 系统风险贝塔系数 |
| 3.2.4 系统偏度系数 |
| 3.2.5 样本数据的描述性统计分析 |
| 3.2.6 平稳性检验 |
| 3.2.7 模型的参数估计及分析 |
| 3.3 模型的预测 |
| 第4章 基于流动性调整的高阶矩CAPM模型的构建及实证分析 |
| 4.1 基于流动性调整的高阶矩CAPM模型的研究 |
| 4.1.1 基于流动性调整的高阶矩CAPM模型的推导 |
| 4.1.2 模型变量意义分析 |
| 4.2 基于流动性调整的高阶矩CAPM的实证分析 |
| 4.2.1 数据的来源与样本的选取 |
| 4.2.2 组合的构造 |
| 4.2.3 流动性指标的选择 |
| 4.2.4 市场系统风险系数 |
| 4.2.5 系统流动性风险系数 |
| 4.2.6 样本数据的描述性统计分析 |
| 4.2.7 样本数据的相关分析 |
| 4.2.8 模型的参数估计及结果分析 |
| 4.3 研究结论 |
| 第5章 结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间录用或发表的论文 |
（4）基于不同分布下Realized GARCH模型的比较研究 ——以沪深300指数的波动性为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.2.1 基本GARCH类模型的研究现状 |
| 1.2.2 已实现波动率的研究现状 |
| 1.2.3 Realized GARCH类模型的研究现状 |
| 1.2.4 误差项不同分布的研究现状 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文的结构安排 |
| 1.5 本章小结 |
| 第二章 GARCH族模型概述 |
| 2.1 基本GARCH模型 |
| 2.2 GARCH模型拓展 |
| 2.3 GARCH族模型的比较分析 |
| 2.4 本章小结 |
| 第三章 Realized GARCH模型及分布选择 |
| 3.1 已实现波动率 |
| 3.2 Realized GARCH模型 |
| 3.3 Realized EGARCH模型 |
| 3.4 Realized NGARCH模型 |
| 3.5 误差项的分布 |
| 3.5.1 学生T分布 |
| 3.5.2 偏T分布 |
| 3.5.3 广义误差分布 |
| 3.5.4 正态逆高斯分布 |
| 3.5.5 误差项分布比较分析 |
| 3.6 模型比较准则 |
| 3.6.1 模型拟合能力——对数似然函数 |
| 3.6.2 模型分布设定检验——Pearson检验 |
| 3.6.3 波动率预测效果——损失函数 |
| 3.6.4 风险度量效果——VaR |
| 3.7 本章小结 |
| 第四章 实证分析 |
| 4.1 数据的选取 |
| 4.1.1 沪深300 指数介绍 |
| 4.1.2 高频数据的最优采样频率 |
| 4.2 样本数据的基本分析 |
| 4.2.1 基本统计特征 |
| 4.2.2 平稳性检验 |
| 4.2.3 ARCH效应检验 |
| 4.3 模型拟合 |
| 4.3.1 模型设定 |
| 4.3.2 参数估计 |
| 4.3.3 残差分析 |
| 4.4 模型评价 |
| 4.4.1 模型拟合效果比较 |
| 4.4.2 模型分布设定检验 |
| 4.4.3 波动率预测效果比较 |
| 4.4.4 Va R风险度量效果比较 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 主要结论 |
| 5.2 展望 |
| 参考文献 |
| 发表论文、参加科研情况说明 |
| 致谢 |
（5）贫困地区农户金融素质、信贷约束与家庭金融资产选择 ——基于甘肃省辖集中连片特殊困难地区实地调查（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究背景 |
| 1.1.1 研究的实践背景 |
| 1.1.2 研究的理论背景 |
| 1.2 研究目的与研究意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究思路与结构安排 |
| 1.4.1 研究思路 |
| 1.4.2 结构安排 |
| 1.5 小结 |
| 2 文献综述 |
| 2.1 资产配置视角下家庭金融理论的演化 |
| 2.1.1 资产配置视角下家庭金融研究理论框架的演化 |
| 2.1.2 资产配置视角下家庭金融研究的进一步扩展 |
| 2.2 信贷约束相关研究综述 |
| 2.2.1 信贷约束的界定与测量 |
| 2.2.2 信贷约束对家庭资产选择的影响研究 |
| 2.3 金融素质相关研究综述 |
| 2.3.1 金融素质的界定与测量 |
| 2.3.2 金融素质对家庭资产选择的影响研究 |
| 2.3.3 金融素质对信贷约束的影响方面的研究 |
| 2.4 文献评述及对本文的启示 |
| 2.5 小结 |
| 3 理论框架与数据说明 |
| 3.1 重要概念的界定与测量 |
| 3.1.1 金融素质的界定与测量 |
| 3.1.2 信贷约束的界定与测量 |
| 3.1.3 家庭资产选择的界定与测量 |
| 3.2 理论分析与研究框架 |
| 3.2.1 金融素质、信贷约束与家庭资产选择 |
| 3.2.2 金融素质与信贷约束 |
| 3.3 模型选择 |
| 3.3.1 金融素质影响信贷约束及其配给机制的计量分析模型设定 |
| 3.3.2 金融素质、信贷约束影响家庭资产选择的计量分析模型设定 |
| 3.4 数据说明 |
| 3.4.1 调查方案设计 |
| 3.4.2 调查方案评估 |
| 3.4.3 调查结果概述 |
| 3.5 小结 |
| 4 甘肃省辖集中连片特困地区农户金融素质及资产配置现状 |
| 4.1 甘肃省辖集中连片特困地区农户金融素质现状 |
| 4.1.1 样本农户金融素质测试问题作答情况 |
| 4.1.2 样本农户金融素质现状 |
| 4.2 甘肃省辖集中连片特困地区农户信贷约束现状 |
| 4.2.1 样本农户信贷需求和信贷获取现状 |
| 4.2.2 样本农户信贷约束和信贷配给现状 |
| 4.3 甘肃省辖集中连片特困地区农户金融风险市场参与及其资产配置现状 |
| 4.3.1 样本农户金融风险市场参与现状 |
| 4.3.2 金融风险资产配置现状 |
| 4.4 小结 |
| 5 金融素质对贫困地区农户信贷约束的影响 |
| 5.1 金融素质对贫困地区农户信贷约束影响的描述性统计分析 |
| 5.2 金融素质对贫困地区农户信贷约束影响的计量分析 |
| 5.2.1 模型设定 |
| 5.2.2 变量设置 |
| 5.2.3 ⅡA检验 |
| 5.2.4 回归结果 |
| 5.3 小结 |
| 6 金融素质、信贷约束对贫困地区农户家庭资产选择的影响 |
| 6.1 金融素质对贫困地区农户家庭资产选择的影响 |
| 6.1.1 模型设定 |
| 6.1.2 数据与变量 |
| 6.1.3 估计结果 |
| 6.1.4 稳健性检验 |
| 6.2 金融素质、信贷约束对贫困地区农户家庭资产选择的影响 |
| 6.2.1 模型设定 |
| 6.2.2 数据与变量 |
| 6.2.3 估计结果 |
| 6.2.4 稳健性检验 |
| 6.3 小结 |
| 7 结论与政策建议 |
| 7.1 主要研究结论 |
| 7.2 政策建议 |
| 7.2.1 正向干预贫困地区农户金融素质的政策建议 |
| 7.2.2 推进普惠型农村金融服务保障体系建设的政策建议 |
| 7.3 研究不足与研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间的研究成果 |
（6）基于均值—方差模型的外汇投资组合优化策略分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的研究思路和主要内容 |
| 1.3.1 研究思路 |
| 1.3.2 主要内容 |
| 2 样本数据的选取及统计分析 |
| 2.1 样本数据的收集 |
| 2.2 数据的描述性统计分析 |
| 2.2.1 数据基本特征分析 |
| 2.2.2 时间序列检验 |
| 2.3 本章小结 |
| 3 GARCH模型的建立及预测 |
| 3.1 GARCH(p,q)模型简介 |
| 3.2 GARCH模型阶数的确定 |
| 3.3 模型的建立及数据的预测 |
| 3.3.1 建立GARCH模型 |
| 3.3.2 运用模型进行汇价预测 |
| 3.4 本章小结 |
| 4 运用均值-方差模型进行投资决策 |
| 4.1 经典Markowitz均值-方差模型简介 |
| 4.2 修正的均值-方差模型 |
| 4.3 均值-方差模型下的投资决策 |
| 4.4 交易策略实际应用 |
| 4.5 本章小结 |
| 5 VaR约束下的均值-方差模型 |
| 5.1 VaR的定义及计算 |
| 5.2 含Va R约束的均值-方差模型 |
| 5.3 模型的实际应用 |
| 5.4 本章小结 |
| 6 模型实证结果的分析及评价 |
| 6.1 不使用模型时的风险-收益 |
| 6.2 传统均值-方差模型下的风险-收益 |
| 6.3 带VaR约束均值-方差模型下的风险-收益 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 参考文献 |
| 附录 |
| A.学位论文数据集 |
| 致谢 |
（7）投资组合优化的新方法:Mean-CoVaR模型（论文提纲范文）
| 0 引言 |
| 1 模型构建及估计 |
| 2 实证 |
| 2.1 数据来源及描述性统计 |
| 2.1.1 数据来源 |
| 2.1.2 描述性统计 |
| 2.2 Mean-CoVaR模型估计 |
| 2.3 实证结果比较 |
| 3 结论 |
（8）基于非参数估计方法的极大极小投资组合模型研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 Markowitz的均值-方差模型 |
| 1.4 资本资产定价模型(CAMP) |
| 1.5 套利定价模型 |
| 1.6 研究目的、内容和方法 |
| 1.7 文章框架 |
| 第二章 极大极小投资组合模型 |
| 2.1 Minimax模型介绍 |
| 2.2 最小收益作为风险度量 |
| 2.3 整数线性规划 |
| 2.3.1 固定交易成本 |
| 2.3.2 逻辑单边限制 |
| 2.4 极大极小投资组合模型在中国证券市场的应用 |
| 2.4.1 样本数据选取 |
| 2.4.2 结果分析 |
| 第三章 基于非参数估计方法的极大极小投资组合模型 |
| 3.1 非参数估计方法的基本介绍 |
| 3.2 非参数核均值收益估计 |
| 3.2.1 基于非参数核均值估计的极大极小投资组合模型 |
| 3.3 非参数核中位数收益估计 |
| 3.3.1 基于非参数核中位数估计的极大极小投资组合模型 |
| 3.4 基于非参数估计的极大极小投资模型的实证分析 |
| 3.4.1 不允许卖空时的优化 |
| 3.4.2 允许卖空时的优化 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）模糊多目标投资组合问题建模及算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容及研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 第二章 基础理论 |
| 2.1 模糊集的相关理论 |
| 2.2 多目标优化问题及其相关概念 |
| 2.3 解的评价指标 |
| 第三章 模糊多目标均值-方差-熵投资组合模型及算法研究 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.3 模糊多目标均值-方差-熵投资组合模型 |
| 3.4 多目标进化算法 |
| 3.4.1 目标空间的分解 |
| 3.4.2 更新策略 |
| 3.4.3 交叉算子和选择策略 |
| 3.4.4 算法步骤 |
| 3.5 数值实证与分析 |
| 3.6 数据处理 |
| 3.6.1 参数设置 |
| 3.6.2 三种算法性能的比较 |
| 3.6.3 P-MV、MV-SE和MV-LPE三种模型权重分布的比较 |
| 3.7 本章小结 |
| 第四章 模糊多目标高阶矩投资组合建模及算法研究 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 多目标可能性高阶矩投资组合选择模型 |
| 4.4 多目标进化算法 |
| 4.4.1 目标空间的分解 |
| 4.4.2 更新策略 |
| 4.4.3 交叉算子和变异算子 |
| 4.4.4 选择策略 |
| 4.4.5 算法步骤 |
| 4.5 数值实例和分析 |
| 4.5.1 参数设置 |
| 4.5.2 三种算法性能的比较 |
| 4.5.3 投资组合选择模型的性能评估 |
| 4.6 本章小结 |
| 第五章 模糊超多目标投资组合建模及算法研究 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.3 模糊超多目标投资组合选择模型 |
| 5.4 多目标进化算法 |
| 5.4.1 种群分解与更新 |
| 5.4.2 交叉操作和变异操作 |
| 5.4.3 选择策略 |
| 5.4.4 算法步骤 |
| 5.5 数值实例和分析 |
| 5.5.1 数据处理 |
| 5.5.2 参数设置 |
| 5.5.3 三种模型（MVSK-SE、MVSK-YE、MVSK-PE）的比较 |
| 5.5.4 利用超体积(HV)和世代距离(GD)来评价三种模型的性能 |
| 5.5.5 利用调整的模糊偏度夏普率来评价三种模型的性能 |
| 5.6 本章小结 |
| 第六章 可能性半方差-半绝对偏差多目标投资组合选择模型 |
| 6.1 引言 |
| 6.2 预备知识 |
| 6.3 可能性半方差-半绝对偏差双风险多目标投资组合选择模型 |
| 6.4 多目标进化算法 |
| 6.4.1 种群分解与更新 |
| 6.4.2 变异操作和交叉操作 |
| 6.4.3 选择策略 |
| 6.4.4 算法步骤 |
| 6.5 数值实例和分析 |
| 6.5.1 参数设置 |
| 6.5.2 决策空间中不同基数约束的结果分析 |
| 6.5.3 利用C度量来比较不同的基约束下的投资组合性能 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）黄金对冲美元汇率风险效果研究 ——基于美国QE政策的视角（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 QE政策对汇率的影响 |
| 1.2.2 汇率风险度量研究现状 |
| 1.2.3 汇率风险对冲研究现状 |
| 1.3 研究内容与研究思路 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 本文的创新点 |
| 2 美国QE政策背景内容与相关理论基础 |
| 2.1 美国QE政策背景及内容 |
| 2.1.1 美国QE政策背景 |
| 2.1.2 美国QE政策的形式和内容 |
| 2.2 美元汇率风险的组合对冲方案 |
| 2.2.1 黄金对冲 |
| 2.2.2 非黄金对冲 |
| 2.3 对冲效果的测度 |
| 2.3.1 相互关系度量方法 |
| 2.3.2 对冲权重计算方法 |
| 2.3.3 对冲效果度量方法 |
| 2.4 本章小结 |
| 3 美国QE政策对黄金价格与美元汇率影响机理研究 |
| 3.1 美国QE政策对黄金与美元汇率传导机理 |
| 3.1.1 信号渠道 |
| 3.1.2 资产组合平衡渠道 |
| 3.1.3 流动性渠道 |
| 3.2 美国QE政策对黄金价格影响的实证检验 |
| 3.2.1 模型构建及变量选取 |
| 3.2.2 美国QE政策对黄金价格的短期影响 |
| 3.2.3 美国QE政策对黄金价格的长期影响 |
| 3.3 美国QE政策对美元汇率影响的实证检验 |
| 3.3.1 美国QE政策对美元汇率的短期影响 |
| 3.3.2 美国QE政策对美元汇率的长期影响 |
| 3.4 本章小结 |
| 4 美国QE政策视角下黄金与美元汇率相依关系测度 |
| 4.1 模型假设与数据选取 |
| 4.1.1 模型假设 |
| 4.1.2 数据选取与描述统计 |
| 4.2 美国QE政策期间黄金与美元汇率相依关系实证检验 |
| 4.2.1 模型设定 |
| 4.2.2 静态相依关系测度 |
| 4.2.3 动态相依关系检验 |
| 4.3 美国QE政策不同阶段黄金与美元汇率相依关系实证检验 |
| 4.3.1 模型设定 |
| 4.3.2 实证检验 |
| 4.4 本章小结 |
| 5 美国QE政策视角下黄金对冲美元汇率风险的效果测度 |
| 5.1 黄金与美元汇率最优对冲权重测算 |
| 5.1.1 不同权重下收益与风险度量 |
| 5.1.2 最小风险对冲权重测算 |
| 5.2 美国QE政策期间黄金对冲美元汇率风险效果实证检验 |
| 5.2.1 风险构成检验 |
| 5.2.2 VaR尾部风险的静态与动态检验 |
| 5.3 美国QE政策不同阶段黄金对冲美元汇率风险效果实证检验 |
| 5.3.1 GARCH模型设定 |
| 5.3.2 实证检验 |
| 5.4 本章小结 |
| 6 结论建议与研究展望 |
| 6.1 结论建议 |
| 6.1.1 研究结论 |
| 6.1.2 政策建议 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
四、基于偏态分布的投资组合优化模型（论文参考文献）
- [1]基于Copula的优化模型在金融中的应用研究[D]. 贺洪莲. 重庆理工大学, 2021
- [2]改进的人工蜂群算法在投资组合优化问题中的应用研究[D]. 高尧. 天津商业大学, 2020(12)
- [3]基于马尔科夫状态转换及流动性调整的高阶矩CAPM模型及其检验[D]. 段静静. 西南交通大学, 2020(07)
- [4]基于不同分布下Realized GARCH模型的比较研究 ——以沪深300指数的波动性为例[D]. 胡冰倩. 天津商业大学, 2020(12)
- [5]贫困地区农户金融素质、信贷约束与家庭金融资产选择 ——基于甘肃省辖集中连片特殊困难地区实地调查[D]. 郭学军. 西安理工大学, 2019(01)
- [6]基于均值—方差模型的外汇投资组合优化策略分析[D]. 陈敏. 重庆大学, 2019(01)
- [7]投资组合优化的新方法:Mean-CoVaR模型[J]. 张保帅,姜婷,周孝华,段俊. 统计与决策, 2019(11)
- [8]基于非参数估计方法的极大极小投资组合模型研究[D]. 刘肖肖. 长沙理工大学, 2018(01)
- [9]模糊多目标投资组合问题建模及算法研究[D]. 岳伟. 西安电子科技大学, 2017(08)
- [10]黄金对冲美元汇率风险效果研究 ——基于美国QE政策的视角[D]. 秦伟广. 大连理工大学, 2017(07)