基于GARCH-EVT-Copula的WCVaR鲁棒投资组合模型

本文在多种金融资产的收益率服从混合不确定多元分布的假设下,建立鲁棒投资组合模型。首先,使用GARCH-EVT模型描述单一金融资产收益率分布的厚尾、异方差特征,然后运用Copula理论描述多个收益率之间的相依结构,建立了描述多种金融资产收益率分布的GARCH-EVT-Copula模型。最后,运用不同的Copula函数构建了收益率的混合不确定多元分布集合,并在WCVaR-Copula鲁棒投资组合模型基础上,建立了GARCH-EVT-Copula-WCVaR鲁棒投资组合模型。通过与经典的均值方差模型、以正态分布刻画边缘分布的Normal-Copula-WCVaR鲁棒模型的实证比较,可以发现,在股价出现极端情况的股灾期间和收益率大幅波动期间,GARCH-EVT-Copula-WCVaR鲁棒模型所建立的投资组合的回报都要高于均值方差模型和Normal-Copula-WCVaR鲁棒模型。

具有多元权值约束的鲁棒LPM积极投资组合

在用方差控制投资组合风险的同时,由于方差的对称性导致投资组合的收益也受到限制.相比之下,下偏距(lower partial moment:LPM)由于具有只控制风险,而不限制收益的特点,在近年来倍受关注.但在非正态假设下,LPM无法获得良好的解析性质.在对资产收益分布未知的假设下,通过使用最坏情形下的LPM来度量投资组合的损失,提出了具有多元权值约束的鲁棒积极投资组合问题,并获得了具有m(m=0,1,2)-阶LPM约束的鲁棒积极投资组合问题的解析解.通过分析解的性质和比较问题的有效前沿,得到了许多有趣的和新颖的结果.数值结果比较表明,鲁棒LPM模型比经典的均值-方差模型具有许多更好的性能.

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.

基于效果作战的武器系统组合效费分析

武器系统效费分析多用于基于靶基研究中,同时没有考虑到武器系统之间的相互影响以及偏好不确定性情况。提出了一种基于效果作战的武器系统组合效费分析方法。基于效果作战的武器系统分配框架结构,运用贝叶斯网络建立目标与效果的联系,利用鲁棒投资组合模型对武器系统组合效费进行建模。针对鲁棒投资组合问题计算量大的问题,提出了一种基于切比雪夫范数和线性整数规划近似算法。仿真结果说明了所提出的方法的有效性。