基于均值-VaR的投资组合最优化

利用均值-VaR方法,提出了有交易费用存在时的最优投资组合模型。通过求解均值-方差模型来研究均值-VaR模型的有效前沿,并指出在收益率的分布为正态分布的假设下,均值-VaR模型的有效集是均值-方差有效前沿的子集。有关全局最小VaR的存在性的分析显示在选择VaR的置信水平时必须非常小心。最后给出了应用均值-VaR模型的实例分析。

基于粒子群优化算法的均值-VaR投资组合选择

在现实市场中,①为防止由卖空交易引起市场操纵等问题的出现,即使在发达的证券市场,交易仍受到一定的卖空限制;②由于市场相关规定与投资者自身风险控制的需要,在某些资产上的投资比例受到一定限制;③交易过程中需支付印花税等交易成本。故结合这三方面,采用Value-at-Risk(VaR)度量风险,在收益率服从正态和非正态分布两种假设下,构建了带有限卖空约束、投资比例约束和交易成本的均值-VaR投资组合模型。首先,给出了该模型的粒子群优化(PSO)算法;其次采用A股市场的实际数据进行了数值实验;最后分析了有效前沿的特征及有限卖空约束对投资决策的影响。

不允许卖空情况下均值-方差和均值-VaR投资组合比较研究

文章研究了不允许卖空情况的均值-方差和均值-VaR两种投资组合模型,并运用不等式组的旋转算法并结合序列二次规划法进行求解。最后,通过实证研究验证了上述算法的有效性。计算结果还表明,在不允许卖空情况下,均值-VaR投资组合的有效前沿为均值-方差投资组合有效前沿的子集;置信度越低,投资者越倾向于选择收益率大而风险也大的投资组合。

不允许卖空情况下均值-方差和均值-VaR投资组合比较研究

文章提出了不允许卖空情况的均值-方差和均值-VaR两种投资组合模型,并运用不等式组的旋转算法或结合序列二次规划法进行求解.最后,以一个具体例子验证了上述算法的有效性.计算结果还表明,不允许卖空情况下,均值-VaR投资组合有效前沿为均值-方差投资组合有效前沿的子集;置信度越低,投资者越倾向于收益率大而风险也大的投资组合.

基于分位数回归的均值-VaR组合投资决策分析

建立在均值—方差分析框架下的组合投资决策,需要较强的正态分布假设,难以准确刻画与分散非对称与极端尾部风险。为此,文章考虑均值-VaR模型,将模型求解过程转化为一个分位数回归问题,给出了均值-VaR模型求解新算法。使用沪深300指数中的60只成分股进行了实证研究,验证了算法的有效性,并将基于分位数回归的均值-VaR模型与均值—方差模型进行了对比,发现前者能够很好地分散尾部风险。

基于均值-VaR的多周期最优投资组合决策模型

文中考虑了基于均值-VaR风险的最优投资组合决策问题,在存在无风险资产和交易费用的情形下,建立了基于均值-VaR风险控制的多周期最优投资组合决策模型。应用遗传算法对模型进行了求解,对求解结果进行了比较分析,并结合单周期的情形进行了比较分析,结果表明基于均值-VaR风险控制的多周期最优投资组合决策模型相对于单周期最优投资组合决策模型有明显的改进效果。

均值-VaR分析下的资产定价模型的拓展

在均值—VaR分析框架内,首先从微观角度的单一投资期资产配置决策入手,确定无风险资产与最优风险资产组合的配置比率;并且最优风险资产组合同投资者的初始财富和风险偏好无关。将这一资产定价的微观模型应用到存在多个投资者的资本市场宏观模型当中去,发现任何投资者的预期收益率都同其承担的风险水平存在着线性相关关系。

完全市场情况下多阶段均值-VaR投资组合优化

将VaR风险度量方法拓展到多阶段投资组合优化,提出了完全市场情况下多阶段均值-VaR投资组合模型,该模型的目标函数不具有可分离性。采用嵌入式方法将不可分离的问题转化为可分离的,并运用动态规划方法得到了模型的解析解,即最优投资策略。通过一个算例验证了该模型和求解方法的有效性。

具有现实约束的均值-VaR投资组合绩效评价

考虑交易成本、借款约束、上下界约束和基数约束等实际约束条件,提出了均值-VaR投资组合优化模型;该投资组合优化模型非常复杂,难以获得真实前沿面的解析解,给投资组合理论的应用带来了很大的困难,因此,进一步提出了具有实际约束的均值-VaR投资组合DEA绩效评价模型,通过构建DEA模型的前沿面来逼近真实前沿面,从而对构建的投资组合绩效评价模型进行效率评价;最后,运用上海证券市场的股票周交易数据进行实证研究.研究结果表明:随着样本数据量的增大,DEA前沿面逐渐接近于真实前沿面.

多阶段资产组合选择均值-VaR模型和均值-方差模型的比较

本文建立了多阶段情形下的均值-方差模型和均值-VaR模型,并比较了两种模型的不同性质,给出了两种模型下的最小方差组合性质和在收益率的均值-标准差坐标下,不同的风险度量方法产生的不同的有效边缘以及VaR模型置信度趋于1时的极限性质,最后给出了分析的数值例子.

基于MIDAS-QR的均值-VaR参数化组合投资决策

文章将混频数据分析和特征变量参数化的思想引入组合投资决策,构建基于MIDAS-QR的M-VaR参数化组合投资模型与方法,克服了传统均值-VaR (M-VaR)模型忽略动态市场环境、混频数据信息和金融资产特征等方面的不足.文章的核心技术和主要创新在于:第一,利用频率对齐技术和多项式权重约束函数,将高频资产特征引入组合投资权重函数;第二,引入参数化组合投资策略,考虑金融资产特征变量并将其参数化,在M-VaR框架下构建参数化组合投资模型;第三,通过理论推导,将M-VaR参数化组合投资转化为MIDAS-QR回归问题,给出模型求解方法.选取中国股市行业板块指数进行实证研究,结果表明:文章在混频数据环境下构造的参数化组合投资模型,建立了组合投资权重与高频金融资产特征之间联系,增加了组合投资结果的可解释性;新模型能够充分挖掘高频特征变量信息,给出时变的组合投资权重,实现动态组合投资选择,获得了比其他模型更好的组合投资绩效;基于MIDAS-QR的求解方法,有效缩减了模型中待估计参数数目,能够解决大规模动态组合投资决策问题.

均值-VaR模型的一种新解法：鞍点近似、遗传算法

以均值度量收益,方差度量风险的均值.方差模型,广泛应用于资产组合优化.随着对金融风险度量方法研究的不断深入,VaR作为一种简便、易于理解的风险度量方法,在金融企业中得到日益广泛的应用.本文用VaR代替均值-方差模型中的方差,构建了均值-VaR模型应用干投资组合优化.均值-VaR模型是非线性规划,仅当VaR满足凸性和可微性的前提下,满足库恩-塔克条件的解才是全局最优解.本文在CreditRisk+框架下,提出一个在不允许卖空条件下,不需对VaR的性质做出前提假定的新解法:将鞍点近似法用于计算VaR,在资产头寸与VaR之间建立起函数关系,采用遗传算法寻找模型的近似最优解.并用一个债券组合说明该方法的有效性。

不允许卖空情况下M-VaR和M-SA投资组合比较研究

为了验证投资组合理论在中国证券市场的有效性,针对不允许卖空情况,文章分别研究了均值-VaR(M- VaR)和均值-半绝对偏差(M-SA)投资组合模型,并分别结合序列二次规划法和不等式组的旋转算法以及线性规划的旋转算法进行求解。文章选取1998-2000年沪市六只业绩比较好的股票,依据1998-1999年的数据作为样本数据,分别求出两个模型在不同期望收益率下的最优投资策略,将得出的最优投资策略应用到2000年,进行模拟投资,从而计算出各模型的总收益率。以等比例投资为标准,比较两个模型的绩效。最后,证明了两个模型对于中国证券市场是适用。

对Markowitz的均值-方差模型改进的两种思路

本文在对Markowitz的均值-方差模型的局限性分析的基础上,提出了两种改进思路,一种是引入VaR约束,建立投资组合模型;另一种是用VaR代替方差,建立均值-VaR模型。

基于VaR的金融资产配置模型

本文根据均值-方差模型的框架,建立了用VaR代替方差或标准差作为风险的测量指标时的均值 VaR模型,同时使用等VaR线分析了两种模型的内在联系。作为模型的扩展本文还分别考虑了存在无风险资产,负债和非正态分布时的情形。此外讨论了均值 VaR模型有效边界的一些性质。

基于q-高斯分布的投资组合实证分析

投资组合是一个复杂系统问题,选择合适的q-分布及其密度表达形式是应用中的一个重要问题。首先从含有噪声的线性随机微分方程中推导出q-高斯分布概率密度函数,其表达形式简单,参数对分布的影响非常直观;接着将q-高斯分布应用于投资组合理论的均值-方差模型和均值-VaR模型;最后结合沪市股票数据进行实证分析,结果表明两种模型在q-高斯分布假设下的实际收益均大于其在高斯分布假设下的实际收益。

保险资产配置比例问题的实证研究

本文运用均值-VaR模型,研究了保险资产在监管政策变化前后的配置比例问题。研究结果表明,监管政策对保险资产配置比例的放松改善了保险资产的风险收益特征。因此,本文建议保险监管机构可以在控制风险的前提下,进一步放松对保险公司保险资产配置比例的监管要求。

基于遗传算法的组合证券投资决策

针对均值-VaR模型,引入随机全局搜索的遗传算法求解资产配置比例。以中证指数公司发布的HS300行业分类指数构建投资组合,分析了行业资产配置的投资组合问题,并对投资组合特征关于显著性水平α及风险偏好系数δ进行灵敏度分析。实证分析结果表明,本文所设计的算法取得了良好的效果,解出的结果既满足了投资的目标和约束条件,又反映了不同投资者之间不同的收益风险需求,而且具有较好的实践性。

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.

遗传算法在投资组合模型中的应用

均值-VaR模型是比较复杂的非线性规划问题,传统的算法不能保证得到全局最优值。鉴于此,引入遗传算法求解资产配置比例。对基于均值-VaR的单目标优化问题,设计了限定搜索空间和惩罚函数的遗传算法;而对多目标优化问题,应用并行选择遗传算法,并以沪深300行业分类指数构建投资组合,分析了行业资产配置的投资组合问题。结果表明,算法取得了良好的效果,解的结果既满足了投资的目标和约束条件,又反映了投资者之间不同的收益风险需求,且具有较好的实践性。