改进的QPSO算法在自融资投资组合中的应用

针对量子粒子群优化(Quantum Particle Swarm Optimization,QPSO)算法的缺陷,提出了一种基于Lévy飞行策略和混合概率分布的改进量子粒子群优化(Hybrid Quantum Particle Swarm Optimization,HQPSO)算法。在算法的设计中,借助Lévy飞行策略对粒子位置的迭代公式进行更新,用于改善算法的局部收敛精度,增强其全局探索能力。另外,考虑到迭代后期的早熟问题,在势阱模型中引入了指数分布和正态分布相结合的混合概率分布,帮助算法及时逃离局部最优。基于16个基准函数的测试结果表明,HQPSO算法在收敛精度和鲁棒性上比其他几种算法表现更好。最后,将改进的QPSO算法应用到自融资投资组合模型的求解中,其数值结果与差分进化、粒子群优化算法和量子粒子群优化算法相比,HQPSO算法展现出更好的可比性和优越性。

非完整市场模型下的期权定价研究

本文首先讨论了非完整市场模型不满足自融资方程这一事实 ;在此情况下 ,本文讨论了应用Esscher变换方法对非完整市场模型下的期权定价的可能性 ;最后本文给出了一个实例。

自融资均值方差投资组合模型的旋转算法

将自融资投资组合问题用一个以极小化方差风险为目标的凸二次规划表示,用线性不等式组的一种旋转算法解其库恩塔克条件的线性部分并使互补松弛条件得以满足.

求解自融资投资组合模型的量子行为的粒子群优化算法

为有效求解自融资投资组合模型,基于粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的量子行为的粒子群优化算法(LDQPSO)。在算法的设计中,借助Levy飞行策略对粒子位置的迭代公式进行更新,用于提高算法的局部收敛精度和全局探索能力;针对迭代后期的早熟问题,引入了多样性的判定和增强的操作。算法性能测试结果表明,LDQPSO算法在收敛精度和鲁棒性上比已有的3种PSO改进算法有更好的表现。应用改进算法对自融资投资组合模型进行了求解。与传统的遗传算法、差分进化、粒子群优化算法和量子行为的粒子群优化算法相比,LDQPSO算法在实际应用中拥有更好的寻优能力。

CEV模型下基于双曲绝对风险厌恶效用的最优投资策略

研究双曲绝对风险厌恶(HARA)型投资者在常弹性方差(CEV)模型下面临完全可对冲随机资金流时的最优动态资产配置问题.随机资金流可以视作一个外生负债,假定其服从带漂移的布朗运动.根据随机控制理论建立该问题的哈密顿-雅克比-贝尔曼(HJB)方程,通过猜测值函数的代数形式,将其化简为两个抛物型偏微分方程并分别求得显式解,从而得到最优投资策略.结果表明该非自融资组合的最优动态配置问题等价于初始财富为所有未来随机净资金流在风险中性测度下累积期望现值与初始稟赋之和的自融资组合的最优动态配置问题.投资策略由短视投资策略,动态对冲策略,静态对冲策略三部分组成.当对模型中参数取特殊值时,策略简化为已有文献的相应结果.最后分析了参数变化对于由随机资金流引起的额外投资需求的影响.

利率期限结构的理论与模型

传统的利率期限结构理论主要集中于研究收益率曲线形状及其形成原因 ,主要包括预期理论、市场分割理论、流动性偏好理论等。现代期限结构理论着重研究利率的动态过程 ,本文从均衡角度和无套利角度出发 ,对现代利率期限结构理论及其各种模型 ,包括这些模型的实证研究情况进行了回顾与评述。