基于改进Black-Litterman模型的投资组合优化

考虑到金融市场“非完全有效性”且投资者“非完全理性”,通过贝叶斯框架建立了投资者观点与多渠道信息相结合的改进Black-Litterman模型,由此确定了最优的个性化投资策略.在中国股票市场的实证研究中,利用SVM-ARIMA-GARCH模型解决了投资者观点量化的问题.对比几类参考策略,改进Black-Litterman模型所确定的最优投资策略的样本外绩效表现更加稳健,在不同市场行情下均能获得较高的夏普比率和较低的换手率.

金融时间序列的波动持续性与优化投资组合关系——基于GARCH(1,1)模型矩的视角

GARCH(1,1)模型是最具代表性的ARCH族模型,而ARCH族模型是描述金融时间序列波动持续性特征最为广泛使用的模型,因此对GARCH(1,1)模型进行研究具有很强的理论和实际意义。本文基于矩的角度对GARCH(1,1)模型描述的波动持续性进行了研究并得到了矩和波动持续性关系的具体数学描述。这为人们厘清掩藏在服从GARCH(1,1)过程的金融时间序列背后的规律提供了一个独特视角,帮助人们了解GARCH模型并优化投资组合。

投资组合优化模型及其在金融市场中的应用

随着信息技术的飞速发展,金融市场变得日益复杂多变,投资者面临着更大的风险和挑战。在这种背景下,投资组合优化模型成为管理风险和提高收益的重要工具。本文针对均值-方差模型、条件价值风险(CVaR)模型、黑-立特曼模型、多因子模型和动态投资组合优化模型等进行了深入分析,探讨投资组合优化模型在金融市场中的应用,并通过实证分析评估了各模型的有效性。旨在为投资者提供更为科学和合理的投资决策支持,以实现风险与收益的最佳平衡。

基于非洲秃鹫优化算法的模糊投资组合优化研究

实际投资组合中金融资产的收益和风险普遍存在不确定性。引入模糊变量,采用下半方差作为风险度量方式,建立均值-下半方差模糊投资组合优化模型,并采用非洲秃鹫优化算法进行求解。选取2018年1月至2023年1月期间十只股票的周收盘价数据进行实证研究,并与粒子群优化算法、蝴蝶优化算法、黑猩猩优化算法和鲸鱼优化算法等四种仿生智能优化算法进行比较。研究结果表明,非洲秃鹫优化算法能够有效求解均值-下半方差模糊投资组合优化模型,能为投资者的实际投资决策提供有价值的参考。

基于E——Sh风险度量的实物限量资本投资组合模型

应用现代金融组合投资理论的E—Sh风险度量方法 ,考虑在限量资本情况下进行实物组合投资 ,得出在给定未来期望收益情况下的最小风险投资组合选择模型 ,并给出了应用实例。模型在实际投资中具有较强的可操作性和实用性。

勘探目标投资组合的优化模型及其应用

把现代投资组合理论引入油气勘探目标投资组合的优化与管理,简要介绍了现代投资优化组合模型的基本思想与原理,阐述了适合于我国油气勘探开发项目的投资组合优化模型,以及该模型的求解方法。最后,通过大庆探区实际勘探目标投资组合优化的应用,为投资决策直接提供方案,同时也证明了该模型是正确的,方法是可行的。

低碳经济下能效电厂的半方差风险投资组合优化模型

探讨了低碳经济下能效电厂在各种节电措施下的风险投资优化组合问题。考虑到在低碳经济下,能效电厂的收益不仅包括售电收入,而且包括碳市场交易收入,将能效电厂在投资优化选择时要考虑的风险因素分为售电电价波动风险、碳交易价格波动风险和节电量波动风险。用半方差(meansemi-variance,MSV)代替传统的方差理论度量这些风险大小,以保证决策正确。算例分析结果表明:碳交易收入对于能效电厂的整体利润水平贡献很大;半方差理论较方差理论更能真正体现投资者在投资时遇到的风险大小,更有助于理性决策。

基于模糊优化的多目标投资组合选择模型研究

将模糊集合的概念引入投资组合模型中 ,并将多目标投资组合模型中的收益、方差和偏度三个目标模糊化 ,用逻辑隶属函数作为新的目标函数 .针对该模糊多目标投资组合模型 ,提出了一个动态遗传算法 ,算例给出了该模型的一个实例的最优解 ,并进一步解释了模糊尺度随决定逻辑隶属函数形状的参数的变化而反向变化的规律 .

基于条件风险价值的投资组合优化模型

采用RTRockafellar和SUryasev的一种优化算法,构造了一个以条件风险价值代替标准差度量风险的投资组合优化模型.选择沪、深股市6种股票构成一个投资组合,用Matlab软体对模型进行优化计算,得到了该投资组合的有效前沿和投资权重,并与用传统的均值方差模型的计算结果进行了比较.结果表明,这2个模型优化得到的有效前沿非常相近,与国外研究获得的有效前沿图形也非常相似,但这2个模型优化得到的投资权重却有较大差异.

证券投资组合中的熵优化模型研究

为了解决马科维茨(Markowitz)模型中以证券收益率的方差测度投资风险的局限性,基于熵以及差熵的概念,在研究其均值方差模型的基础上,提出用熵和差熵来作为风险的度量方法,从而建立了几种关于熵的证券投资组合优化模型,使对证券投资组合模型的研究和应用更加合理、客观.

基于TSO-LSTM神经网络的股票收益率均值预测模型及其在智能投资中的应用

根据股票收益的历史数据,建立数据和模型双驱动的智能资产配置系统,指导股民投资实现收益最大化.使用金枪鱼群优化(TSO)算法寻参的长短期记忆(LSTM)神经网络为分布鲁棒优化投资组合模型提供收益率的均值与协方差矩阵,求解更符合实际情况的分布鲁棒模型得到投资方案.该模型提出的方案在未来前10 d的收益明显高于直接使用历史均值的分布鲁棒模型,亏损天数少于直接使用历史均值的分布鲁棒模型和平均分配资金的方案.同时该文提出的决策系统随着时间的推移,可以通过更新历史数据重新训练LSTM网络,使得模型保持良好的效果.TSO-LSTM神经网络能有效地抓住股票收益率的历史数据特征,实时动态地为投资者提供良好的投资决策.

石油行业基于模糊决策理论的投资组合优化模型方法

以高风险著称的石油行业不断面临项目选择和资金分配的重大问题。如何有效解决此类问题对于石油公司降低风险、提高企业竞争力至关重要。结合石油行业的实际,基于投资组合的优化思想和模糊决策理论,研究了适合石油公司特点的投资组合优化模型,对于模型的计算过程进行了简化,增加了模型的实际应用性,并通过示例说明了该模型方法在石油公司中的应用。

基于VaR约束的均值-绝对偏差投资组合优化模型及实证研究

文章在均值-绝对偏差投资组合优化模型中,加入风险价值约束,给出了基于VaR约束的投资组合优化模型,以增强对投资风险的控制能力,然后利用一个自适应的粒子群算法对这个模型进行求解,实证研究表明模型是合理且风险控制能力更强,能够更好地为投资者提供决策依据。

投资组合优化的新方法:Mean-CoVaR模型

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著低于传统的Mean-Variance投资组合,Mean-CoVaR模型对投资组合配置更有效率。

基于资本资产定价模型的全国社会保障基金投资组合研究

全国社会保障基金采取市场化方式投资运营,而市场化投资运营管理模式在我国处于初级发展阶段,如何运用现代投资组合理论并结合我国特定的投资环境,提出针对全国社会保障基金的有效投资策略,并解决投资管理中存在的问题值得深入研究。文章首先分析全国社会保障基金投资运营的现状及存在的问题,并利用资本资产定价模型对全国社会保障基金的投资组合进行实证分析,在此基础上,对规范社会保障基金投资管理,提高效率和收益,完善基金的保值增值机制方面提出了切实可行的合理化建议。

基于均值、方差和偏度的投资组合模糊优化模型

在Markowitz建立了有名的均值方差投资组合模型的基础上,本文引入偏度水平,并用伸缩指标相应做出均值、方差和偏度三个模糊目标,形成一类新的非线性多目标投资组合模型,使投资组合模型更具有效性和科学性;本文还通过一个实例进行了分析。

证券投资组合优化模型的进一步研究

本文提出了正离差负离差的概念 ;并运用它们分别来衡量风险回报和风险损失 ;并提出了一个反映风险回报率和风险损失频率的信息量k。

采油厂投资组合优化决策模型

简要概述了现代投资组合理论及其数学模型;修正了采油厂投资组合模型的收益和风险函数,以净现值代替收益率作为收益函数的度量,以绝对偏差代替方差作为风险函数的度量;结合采油厂投资管理特点及约束要求,建立了均值-半绝对偏差投资组合优化模型。将建立的投资组合优化模型应用于一个具体的投资实例中,并将其与传统投资选择方法的结果相比较,证明了该模型在实际应用中的有效性和先进性。