投資組合最優(yōu)決策問題研究

第一章 緒 論1
1.1 研究背景及研究意義1
1.1.1 研究的背景1
1.1.2 研究的意義2
1.2 相關文獻研究綜述6
1.2.1 投資組合的靜態(tài)模型6
1.2.2 動態(tài)投資組合模型7
1.2.3 國內研究綜述11
1.3 論文的研究內容和結構安排12
1.3.1 主要研究內容12
1.3.2 結構安排14
1.4 研究思路和方法17
1.5 本書的主要創(chuàng)新點17

第二章 基于集成預測的模糊投資組合選擇20
2.1 預測理論及方法20
2.1.1 基于粒子群優(yōu)化的SVM算法20
2.1.2 基于遺傳神經網(wǎng)絡的預測模型22
2.1.3 ARIMA時間序列預測模型23
2.1.4 基于熵值法的集成預測24
2.2 基于均值-方差-熵優(yōu)化的模糊投資組合模型25
2.2.1 預備知識25
2.2.2 含模糊約束的均值-方差-熵優(yōu)化的模糊投資組合模型26
2.3 實證研究29
2.3.1 預優(yōu)化30
2.3.2 組合預測31
2.4 均值-方差-熵優(yōu)化的模糊投資組合結果33
2.5 本章小結35

第三章 摩擦市場下的多階段動態(tài)資產組合配置策略36
3.1 摩擦市場下動態(tài)投資組合決策模型37
3.1.1 動態(tài)投資組合模型的建立37
3.1.2 基于粒子群優(yōu)化和神經網(wǎng)絡混合智能算法的模型求解39
3.2 基于最小二乘支持向量機預測的參數(shù)估計41
3.2.1 最小二乘支持向量機41
3.2.2 資產收益率的影響因子43
3.3 實證研究43
3.3.1 預優(yōu)化處理44
3.3.2 最小二乘支持向量機預測44
3.3.3 動態(tài)投資組合的參數(shù)和優(yōu)化結果45
3.4 本章小結46

第四章 隨機環(huán)境下的連續(xù)時間最優(yōu)資產組合選擇47
4.1 連續(xù)時間金融的數(shù)學基礎47
4.2 問題的提出及模型的建立48
4.2.1 效用的定義49
4.2.2 連續(xù)時間的資產組合模型49
4.3 最優(yōu)投資策略50
4.3.1 模型求解50
4.3.2 結果討論51
4.3.3 模型的擴展52
4.3.4 模型時變參數(shù)的GARCH估計53
4.4 算例54
4.5 本章小結55

第五章 極大極小風險下的跳擴散連續(xù)時間資產配置策略57
5.1 連續(xù)時間的投資組合決策模型58
5.1.1 跳擴散投資組合模型的建立58
5.1.2 極大極小風險約束60
5.2 基于數(shù)值逼近算法的模型求解61
5.2.1 HJB方程61
5.2.2 數(shù)值逼近算法62
5.3 基于神經網(wǎng)絡預測的參數(shù)估計63
5.4 實證研究64
5.4.1 組合中投資標的的選擇64
5.4.2 參數(shù)估計65
5.4.3 跳擴散的連續(xù)時間投資組合的優(yōu)化結果65
5.5 本章小結67

第六章 含期權的連續(xù)時間投資組合最優(yōu)策略69
6.1 含期權的連續(xù)時間投資組合決策模型70
6.1.1 模型的建立70
6.1.2 基于微分方程有限差分法的模型求解72
6.2 套期保值策略74
6.3 算例74
6.4 本章小結78

第七章 隨機利率和通貨膨脹下的最優(yōu)資產組合選擇79
7.1 考慮通貨膨脹等因素的投資組合決策模型80
7.1.1 模型的建立80
7.1.2 改進數(shù)值逼近算法的模型求解83
7.2 基于支持向量機的參數(shù)估計85
7.3 實證研究85
7.3.1 模型參數(shù)估計85
7.3.2 連續(xù)時間最優(yōu)資產組合的優(yōu)化結果86
7.4 本章小結89

第八章 含股指期貨的投資組合套利策略研究90
8.1 基于Alpha套利的投資組合優(yōu)化模型91
8.1.1 Alpha套利的投資組合構建91
8.1.2 Alpha套利策略93
8.2 遺傳神經網(wǎng)絡優(yōu)化算法的實現(xiàn)94
8.2.1 自適應的遺傳算法及其混合編碼94
8.2.2 混合編碼下的遺傳神經網(wǎng)絡算法96
8.3 實證研究97
8.3.1 數(shù)據(jù)預處理97
8.3.2 實證研究中的具體約束條件和退火參數(shù)98
8.3.3 實證方法和實證結果99
8.4 本章小結101

總結與展望103
研究內容及結論總結103
未來研究思路展望104
參考文獻107
附錄1 GABP算法主要程序代碼117
附錄2 粒子群尋優(yōu)主要程序代碼119