一、风险资金分散投资模型及其求解（论文文献综述）
杨洁[1]（2019）在《油田开发项目投资组合优化研究》文中进行了进一步梳理我国现处于经济高速发展时期,对石油资源需求量巨大,但国际石油市场动荡不安,这决定了我国应重视国内石油开采水平。然而,油田开发项目成本高、不确定性强、投资风险大,给石油公司的投资与经营带来巨大困难。如何在各油田分公司递交的油田开发项目中合理选择、如何使石油公司的投资达到预期效益最大化及其与预期投资风险之间的平衡是石油公司亟待解决的问题。本文结合油田开发项目的特点,综合考虑石油公司现有投资评价方法存在的问题,为石油公司设计针对油田开发项目投资组合优化的方法体系。首先,利用多目标规划及0-1型背包问题构建投资组合优化模型。以石油公司项目投资组合的预期效益最大化及预期投资风险最小化为目标函数,以项目投资组合开发成本、产能、经济效益等为约束条件。其中,投资组合预期效益设定为组合中各项目预期效益与其投资比重乘积之和,预期投资风险为组合中各项目预期开发风险乘以投资比重的累计值。论文利用概率纸确定项目开发风险、产能符合率的分布特点,并通过蒙特卡洛方法用产能符合率量化项目开发风险。其次,确定以遗传算法求解投资组合优化问题,并根据石油公司对油田开发项目的投资要求,从以下几方面改进遗传算法:在种群初始化阶段引入0-1型背包问题,设计分级优选方案改进适应度函数,交叉、变异运算中加入融合修复过程,并采用局部退化寻优方法搜索最优解。随后,采用偏差度、争议度指标,对改进的遗传算法求解结果有效性进行分析。最后,采用算例分析形式,并通过与石油公司原有投资评价方法求解结果对比,确定论文模型方法的优化效果、验证该方法在油田开发项目投资组合优化方面的可行性及科学性。
孟德峰[2]（2019）在《经济周期、行业轮动与A股市场投资策略》文中研究说明股市中的行业轮动现象很早就引起了学术界和投资界的注意。特别是量化投资兴起后,行业轮动更是成为当前的研究热点。直觉上,行业轮动背后的驱动力最大的可能是实体行业盈利能力的变化,而实体行业利润的变化往往与整个宏观经济的波动有关。因此,研究者将宏观的经济周期与股票中的行业轮动现象联系起来,通过辨别各行业股票在经济周期各阶段的不同表现,寻找行业轮动现象背后的获利机会。本文系统、全面地研究了宏观、行业、股市三者之间的变化关系,检验上述直觉结论是否成立,并根据所得到的结论制定可行的投资策略,并进行回测以验证本文结论的正确性。在结构上,本文主要分成三个大部分。第一至第三章构成了第一部分,系统研究了经济周期、实体行业与行业轮动三者的关系。这部分的研究主要集中在宏观经济领域。第四章构成了第二部分,在整合第一部分重要研究结论的基础上,以动量和反转效应概念为节点,将经济周期与行业指数波动现象连接起来,并据此分析了行业轮动的真实原因。该部分内容通过对宏观经济领域研究结论的梳理,将研究进程过渡到证券市场领域,起着承上启下的作用。论文的第三部分由第五、六章构成。这部分内容围绕着构建行业轮动投资策略展开,目的在于通过对行业轮动投资策略的设计、执行、评测,探索行业轮动策略获利的可能性及效果。研究经济周期的文献较多,虽角度和方法各异,但在经济周期阶段的划分上,主流学者的观点却比较一致。当前经济周期阶段的主流划分主要有二分法和四分法。相较于四分法,二分法虽然略显粗糙,但扩张（紧缩）与紧缩（扩张）阶段之间的波峰（波谷）的识别方法简单且精度较高。本文首先使用二分法识别经济周期转点（即波峰或波谷）,并在此基础上,借鉴美林投资时钟思路,按四分法划分经济周期。美林投资时钟在经济周期划分时,只考虑通胀和产出缺口两个因素,会引起内生性矛盾。为了克服该问题,在考虑通胀和产出缺口基础上,同时考虑二分法的结果和产出缺口符号,并引入宏观经济冲击概念对经济周期四分法的各阶段进行划分。在经济周期划分基础之上,第二章使用一致性指数衡量了GDP与各实体行业以及各实体行业之间的同步性。参与计算的行业总计75个,故共计可以得到C276（28）2850个一致性指数（含GDP）。依据一致性指数显着与否的判断,构建了宏观经济与各行业、各行业间的同步网络。从网络结果中可以看到,在经济系统内,实体行业与经济周期的同步关系具有非一致性、极化性和层次性,且不存在与GDP没有间接同步关系的行业,该结果表明经济系统作为一个整体,其子系统——行业与经济整体之间的联系是必然和多层次的。同样在经济周期划分的基础上,第三章对二级行业的行业因素与行业轮动、经济周期与行业轮动之间的关系进行了研究。首先,考察了行业总周转率与行业指数之间的协整关系。其次,构建了包含行业总周转率、行业指数、大盘指数、利率四个变量的SVAR模型,以克服大盘趋势、利率对当期行业指数的巨大影响。再次,对经济周期不同阶段中各行业指数收益率的表现情况进行了统计。研究结果显示,75个行业中,只有21个行业的行业总周转率与行业指数间存在协整关系,且只有少数行业周转率对行业指数的短期波动影响较大。依据不同行业在不同经济周期阶段的表现,可以将行业分为周期性行业和非周期性行业。作为过渡章节,第四章在梳理前文结果基础上,将研究视角由经济系统转向金融市场领域。当股票市场为弱式有效时,股票价格反映了所有的历史信息。虽然现有文献在我国股市是否达到弱式有效性莫衷一是,但诸多文献证实了我国股票市场的效率在不断提高。这就解释了为何只有较少行业的行业因素波动短期内对该行业的行业指数造成了较大冲击。这一结果意味着实体行业与经济周期在历史中显示的稳定关系在证券市场被投资者竞争性套利行为消融,若想从行业轮动现象中获利,实体行业的经营状况变化所能提供的信息有限,只能另辟蹊径。通过对A股市场中行业动量现象的分析和前文的研究结论,本文认为行业轮动现象本质上是一种基于经济周期阶段的行业动量或反转效应。因此,抓住行业轮动的获利机会应从两个方面入手:一、及时准确的识别投资起始点时刻所处的经济周期阶段;二、基于不同经济周期阶段下的行业动量和反转效应的特征,制定合适的动量投资策略。基于以上思考,第五章对经济周期转点的实时识别方法进行了研究。本文认为,经济周期转点的实时识别本质上是一种预测行为,故在研究思路和解决方法上,与第一章皆有不同。经济总量指标的变化是诸多宏观经济因素相互影响、共同作用的最终反映。使用单一总量指标进行转点的实时识别显然会由于丢失太多信息而丧失准确性。因此,将经济周期转点的实时识别过程划分为历史数据的转点识别和转点的实时识别两个部分。在历史数据识别部分,与第一章一致,依然使用BB模型对单一经济总量指标进行二分法的转点识别。在实时识别部分,引入其他重要宏观经济变量,使用历史数据的转点识别结果对LVQ算法进行训练,并使用训练后的算法进行实时识别。经过反复测试对比表明,该实时识别方案在识别精度、识别及时性和识别稳健性方面都优于传统识别方法。第六章设计了一个基于前文研究结论的行业轮动投资策略,并进行了回测。该策略基于经济周期转点实时识别结果,依据经济周期各阶段的行业动量和反转效应特征筛选行业和股票构建基础投资组合。考虑投资风险,使用Black-Litterman模型对基础投资组合进行优化。Black-litterman模型中的投资者观点矩阵通过GJR-GARCH-M模型确定。信心向量则依据经济周期转点实时识别中的分类考察指标设定。在回测过程中,严格界定投资时点已知和未知的数据环境。依据每个月最新公布的宏观经济变量,不断更新经济周期转点识别的实时结果。据此测试该经济周期阶段的行业动量和反转效应特征,进而根据此特征调整投资组合的股票,最后依据BL模型确定最后组合权重。测试的结果表明,在大部分月份里该策略收益皆好于当月大盘指数的收益。本文的研究表明,经济周期对股票市场中的行业轮动现象是存在影响的,但影响的主要中间变量并非是行业因素。虽然经济的周期性波动会引发实体行业的同步或非同步波动,但实体行业的波动对股票市场中行业指数的冲击有限。行业轮动更多的是一种行业动量和反转效应的表现。经济周期与股票市场中的行业指数之间的联系,是通过行业动量和反转效应在不同经济周期阶段的特征变化表现的。本文研究过程中,在经济周期阶段的划分、宏观经济与行业之间的领滞关系以及经济周期转点的实时识别等方面做了一些创新性尝试。但受限与对行业轮动现象概念的理解局限,本文未能对该定义做出更为具体和可量化的改进,而只能沿用的传统定义。这使得本文在行业轮动现象、经济周期和实体行业之间关系的研究只能局限对总体数据的观察,而无法深入到具体“某一个”行业轮动现象的微观层面。该问题既是本文研究的不足之处,也是本文未来研究的重要方向。
姚琼[3]（2019）在《美林时钟对于中国大类资产配置的有效性检验、改进及预测》文中研究说明美林时钟作为传统的大类资产配置方法,于2004年由美林证券提出并一直沿用至今,其基于经济周期的资产配置和行业配置规律已被多数人接受,并且在美国市场得到了很好的验证。随着目前国内经济增速的放缓,各类资产的风险和收益趋于对等,通过投资单一资产已不能实现在低的风险下获取较高收益,这使得大类资产配置越来越能发挥其应用价值。同时,作为大类资产配置重要方法之一的美林时钟也越来越受到重视,但其在中国的表现仍值得探讨。本文旨在研究美林时钟在中国大类资产配置的有效性,并对其做出改进及预测。本文先选取股票、债券、大宗商品、现金作为配置资产,选取2006年6月至2017年6月的工业增加值、CPI月度同比数据作为划分指标,划分美林时钟对应的经济状态,统计每个经济状态下各类资产的历史收益率及波动性,与美林时钟理论上各类资产的表现做相应比较,得出在衰退、复苏时期,各类资产的表现符合美林时钟的预测,而在过热和滞涨时期,表现不及预期,不符合美林时钟规律。根据不同阶段各类资产的相关系数,发现在美林时钟的过热、滞胀、复苏阶段各类资产间的相关性较低,划分有效;但在衰退阶段,各类资产相关系数较高,划分无效。因此,需在传统美林时钟的基础上进一步改进。笔者采用Regime-based分析框架自定义经济状态,分别采用PMI&CPI、季度货币投放量&工业增加值、克强指数&PPI:全部工业品,三种划分指标,对我国经济进行划分。同时,引进外汇这一重要大类资产加入资产配置的考虑范畴内,并且采用类似的方法,研究每个自定义阶段下,各类资产的表现及相关性,得出采用PMI&CPI、克强指数&PPI:全部工业品,由于各类资产的相关性较高,因此划分无效。季度货币投放量&工业增加值的相关性较低,划分有效,故采用其作为优化改进模型。最后,对美林时钟及其改进模型下各类资产的风险及收益进行预测,最终根据均值-方差模型和风险平价模型预测出各类资产配置的最终比例,得出结论:改进模型比传统美林时钟模型,在较低的风险下,可以获得较高的收益。为现实的大类资产配置提供了借鉴意义。
王立帅[4]（2019）在《鲁棒投资组合选择模型及算法研究》文中研究说明Markowitz提出的均值-方差模型对投资组合理论的发展起到了非常大的促进作用。虽然在理论上取得很大进展,但是以均值-方差模型为代表的投资组合选择模型中都出现了一个问题,那就是输入参数的微小变化会使投资组合决策产生很大的变动或直接导致其在投资实践中不可行。为降低输入参数不确定性带来的负面影响,鲁棒投资组合理论逐渐受到研究者的关注。结合国内外的研究现状与发展趋势,本文的研究内容主要包括以下三部分:（1）鲁棒最小最大后悔投资组合选择问题及算法研究本文运用最小最大后悔法研究不确定多目标投资组合选择问题并给出其对应的鲁棒等价形式。本文提出椭球不确定集下的鲁棒最小最大后悔投资组合选择模型和箱型不确定集下的鲁棒最小最大后悔投资组合选择模型。为了获得鲁棒最小最大后悔解,本文将模型简化并给出基于松弛程序的求解算法及其求解步骤。本文搜集上证50指数自2012年1月至2017年12月的月收益率数据,并运用鲁棒最小最大后悔投资组合选择模型进行分析并给出投资方案。（2）基于最小最大后悔法的鲁棒多目标优化问题及其在多目标投资组合选择问题中的应用研究本文利用最小最大后悔法研究了不确定多目标规划问题,并在有限情景不确定集、箱型不确定集和椭球不确定集下分别建立基于最小最大后悔法的鲁棒多目标优化模型。为便于研究不确定多目标规划问题,本文定义鲁棒最小最大后悔（弱）有效解,并在获得模型的鲁棒等价形式后给出基于松弛程序的求解算法。投资组合选择问题一直以来都是研究的热点问题,但是却受到输入参数的不确定性影响。为了得到具有鲁棒性且不过于保守的投资组合决策,本文在期望收益率和换手率分别属于有限情景不确定集、箱型不确定集和椭球不确定集下分别建立了基于最小最大后悔法的鲁棒多目标投资组合选择模型。为了证实模型的可行性,本文在实证分部分段搜集了上证50指数自2012年1月至2017年12月的月收益率数据并给出了投资策略和性能分析结果。（3）考虑Yager熵的鲁棒多目标投资组合选择问题研究在传统均值-方差模型的基础上,本文采用Yager熵刻画投资组合的分散程度,并建立鲁棒多目标投资组合选择模型。假设期望收益分布属于箱型不确定集和椭球不确定集的条件下,本文研究了不确定多目标投资组合选择问题,并讨论了其对应的鲁棒等价形式。通过线性加权法,本文获得了不确定多目标投资组合选择问题的鲁棒（弱）有效解,并给出了详细的证明过程。在实证分析部分,本文搜集上证50指数自2015年1月至2017年12月的月收益率数据,并运用鲁棒多目标投资组合选择模型进行分析。本文希望通过以上研究能够弥补现有研究中的不足、消除投资组合选择理论与实践之间存在的差距,为投资者提供更有吸引力、更有价值的投资组合决策。
武可栋[5]（2018）在《效用最大化投资组合模型及其求解算法》文中认为在金融市场,如何合理地配置资金,使得投资的风险最小化、收益最大化是一个热门的问题,投资组合的效用理论是优化投资组合的一种有效途径.本文从效用函数出发,在已有效用函数的基础上结合目前的一些研究成果提出新的效用函数,建立改进的效用最大化投资组合模型,并对改进的效用最大化模型的求解算法进行了研究.具体内容如下:基于半方差和半绝对偏差的优点,分别用半方差和半绝对偏差优化效用函数,提出了用半方差和半绝对偏差改进效用最大化投资组合模型的方案.考虑到CVaR具有凸性和次可加性且满足一致性公理这些良好性质,进一步提出了基于均值-CVaR的效用最大化投资组合模型.由于提出的模型是比较复杂的非线性规划问题,考虑使用粒子群智能算法求解模型.为了提高粒子群算法的求解精度,提出了用单纯形法优化的粒子群算法,数值实验表明改进后的算法提高了问题的求解精度.
曾喜梅[6]（2017）在《二次型交易成本下考虑负债的多阶段投资组合优化研究》文中进行了进一步梳理在金融投资市场中,如何在一个长期的投资过程中以最小的风险获取最大的投资收益,一直是投资者们致力于解决的问题。多阶段的投资组合优化研究在21世纪初期得到了突破性的发展,但是存在诸多的前提假设,如假设不存在交易成本和负债问题,因而其产生的投资策略在实际应用中存在着局限性。交易成本是投资过程中最常见的摩擦因素,忽略这一因素将会对投资结果产生重要影响。同时,负债问题普遍存在于机构投资者中,因而在投资决策中考虑交易成本和负债问题是非常必要的。然而对于同时考虑负债和交易成本问题的投资决策难以获得最优解析解,以及相应的前沿面表达式。本文基于多阶段均值-方差框架,考虑了负债问题和一种比较符合实际情况的二次型交易成本,并获得最优投资决策的解析解。首先构建了考虑二次型交易成本和负债的多阶段均值方差投资组合模型,其中包括含有无风险资产和不含无风险资产两种情形。然后,每种情形下均分别通过嵌入法和倒向策略求解预设策略和时间一致策略的解析表达式,以及各策略下的期末财富的期望、方差和总期望交易成本。最后,通过数值实例对比了两种情形下不同策略对应的前沿面。通过整理发现,本文的解析解具有普适性和一般性,其不仅能包括无负债问题下的投资策略,还包括了不考虑交易成本下的投资策略。同时,仿真分析表明,在含（不含）无风险资产的情形下,预设策略下的均值方差前沿面都要优于时间一致性策略下的前沿面;在相同策略下,考虑无风险资产的前沿面要优于不含无风险资产的前沿面。
余楠[7]（2016）在《基于CVaR和安全第一思想的投资组合模型》文中研究说明一直以来,证券组合投资理论都是现代金融投资领域的重要范畴,它主要研究的是如何将有限的财富分配到不同的资产中,以期实现在收益固定下风险最小,或者是在风险给定的情况下完成收益最大化的目标。在1952年,H.M.Markowitz提出了着名的均值-方差理论[1],他在论文中把风险表述为期望收益率的波动率,而且开创性地将数理统计的理论应用到投资组合选择的研究范围,所以说他的研究开启了现代金融学研究的序幕。经历了 2014年下半年开启的牛市和随后的股灾,投资者们纷纷反思,要是依照传统的投资组合方法去进行资产配置,在牛市阶段投资者严控风险,小心投资,由此可能会损失多余的收益,在熊市阶段时,大部分股票都会下挫,由此带来的损失也避之不及。基于此,本文考虑以下跌风险作为风险的度量尺度,把资产安全作为第一投资管理目的来研究组合投资选择。本文的研究受安全第一组合优化模型启发,考虑了一种和其非常类似的决策模型:投资者把最大化投资末期总收益率大于某一固定基准收益率的概率作为选择投资组合的标准。而后通过引入基于这种安全第一思想的均值-CVaR模型,在均值-CVaR模型的有效前沿下寻找基于安全第一思想的目标函数的最优解。文章在前人的基础上主要研究了三个方面的内容,首先,文章讨论了在收益率分布满足正态分布的条件下,下跌风险尺度CVaR的测度表达和基于安全第一思想的最优决策,从而构建了基于CVaR和安全第一思想的投资组合模型。其次,文章继续考虑不允许卖空限制下的理论模型,模型的扩展更符合了我们大多数散户投资者的投资行为。最后,文章把赵明清[2]的基于VaR和安全第一思想投资组合模型于此文章的研究进行比较。在上面的三部分研究内容中,文章都先分别从理论上探究了模型的最优解,然后再用实际的股票价格数据去举例计算。文章的第四部分、第五部分和第六部分是文章的核心内容,也是体现本文创新之处。在模型的理论解讨论部分,文章通过对模型投资组合解的状况进行探讨,可得其最优解以及最优投资组合所对应的期望收益和方差,结果我们发现,最优解即为投资目标函数对应的直线与均值-CVaR有效前沿的切点。接下来通过扩展模型解决了不允许卖空限制下的投资决策问题。最后经过模型的相互比较讨论,我们发现在各资产收益率的联合分布服从多元正态分布的假定下,基于CVaR和安全第一思想的投资组合模型与赵明清等人[2]的模型是等价的,他们的投资组合前沿曲线是等价映射的。
孙雪莲[8]（2016）在《资本市场相关性分析及多目标投资组合优化方法研究》文中提出投资组合选择是指投资者在不确定性的风险和收益中进行投资决策。随着我国经济的不断发展,投资业对相关的理论和方法的需求也越来越大。所以,深入研究和探索证券投资组合的相关理论和实际操作方法,具有重要的理论价值和现实意义。论文主要工作和成果如下:（1）基于随机矩阵理论,对证券市场相关性统计特征进行了研究,讨论了相关矩阵的特征值谱及相应特征向量的统计分布特点与稳定性。结果表明:相关矩阵的最大特征值所对应的特征向量包含的信息可视为市场指数。（2）基于随机矩阵理论,研究了相关矩阵去噪-重构方法,并提出一种新的去噪方法-“两点确定法”;比较了不同去噪方法对相关矩阵稳定性、投资组合风险及投资组合有效前沿的影响。实证结果表明了“两点确定法”具有较好的“去噪”效果。（3）利用最小方差投资组合模型和均值-方差投资组合模型对比分析了去除“噪声”和未去除“噪声”对投资组合风险预测和有效前沿的影响。证明了去除“噪声”可得到表现更优异的投资组合。（4）在均值-方差模型的基础上,建立了考虑无风险利率与证券数量的均值-方差-资产数量投资组合优化模型。模型不仅考虑了投资收益与风险,同时考虑了组合中的资产数量,以便于投资管理并可减少交易费用。应用NSGA-Ⅱ算法对模型进行求解,并用正交试验法对算法参数设置进行了优化。（5）从非线性角度,以统计、R/S方法、功率谱分析及A-DFA等方法为分析工具,分析了上海股市的分形结构和自组织临界性。结果表明上海股市的演化符合具有自组织临界性的复杂系统的基本特征,可认为自组织临界行为是控制股市演化趋势的内在机制之一。（6）用能够刻画非线性相关关系的去趋势交叉相关（DCCA）系数构造资产之间交叉相关矩阵,带入投资组合模型得到具有时间尺度性质的投资风险和投资组合选择,拓展了投资组合优化理论和方法。（7）在上述工作的基础上,从投资者实用角度出发,充分考虑各种实际约束,以随机矩阵理论方法、去趋势交叉相关分析方法、改进的均值-方差-资产数量投资组合模型及NSGA-Ⅱ算法为核心,形成面向投资组合优化的证券数据分析、处理及模型求解的技术流程与方法体系,并以综合实证分析验证其有效性及可行性,为投资组合管理提供基础理论方法及技术支持。
骆炫均[9]（2014）在《个人消费投资决策 ——基于CEV模型研究》文中指出近年来,最优投资组合理论非常受人们关注,随机控制理论作为经典工具也在不断地发展,并向个人投资理财领域延伸.含有随机波动率的常方差弹性（CEV）模型比几何布朗运动更能描绘市场变化的随机性,但其求解过程却为之不易.使用了J. W. Gao（2009）[1], J. W. Xiao, Z. Hong, C.1.Qin（2007）[3])和M.Jonsson与R.Sircar（2001）[7]的方法,本文在考虑四种不同个人消费形式下,探讨了个人的资产最优分配决策.给出了相应的非线性Hamilton-Jacobi-Bellman偏微方程,应用Legendre变换将其转化为线性偏微方程,建立对偶问题.通过对偶问题的求解,求得原问题的精确解,进而去确定风险资产和无风险资产的投资比例.本文在考虑了几种消费过程同时,找到了个人此时最优决策的显示的表达式,并得出一些符合现实经济学的结论.
周智超[10]（2013）在《个人投资A股的策略研究》文中研究表明A股市场是个人投资者重要的金融投资场所。部分个人投资者不具有专业的投资分析知识,无法在A股市场中稳定获利。因此,研究具有较高收益的投资策略具有重要的理论和实践意义。本文主要研究内容是：（1）提出了三个基于技术分析的投资策略,并运用实证分析的方法进行研究。第一个为EXPMA投资策略,用以检验技术分析在上证指数上的有效性；第二个为改进EXPMA投资策略,用以检验技术分析在个股投资上的有效性；第三个为小资金超短线策略,它是在前两个策略的研究基础之上,为资金量较小的个人投资者设计的投资策略,实证检验结果表明该策略能为投资者带来较高的收益。（2）资金量较大的个人投资者有分散投资的需要,本文建立了两个投资组合模型以计算最优个股投资比重。第一个为考虑投资者个人需求的投资组合模型,其考虑了投资者的最低收益要求和投资股票数量限制,使用广义Benders分解求解,实证结果符合理论预期；第二个为考虑A股交易规则的投资组合模型,为加强风险控制,并出于对A股市场实际情况的考虑,该模型考虑了交易费用、风险价值（VaR）约束和最小交易单位限制。利用模拟退火算法求解该模型,比较分析了不同风险偏好投资者的风险和收益情况,实证分析表明该模型的结果令人满意。最后将技术分析和投资组合相结合,提出了大资金投资策略,为资金量较大的个人投资者在A股投资中获利提供了新的思路。
二、风险资金分散投资模型及其求解（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、风险资金分散投资模型及其求解（论文提纲范文）
（1）油田开发项目投资组合优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 前言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 投资组合优化的研究现状 |
| 1.2.2 投资组合优化在石油领域的研究现状 |
| 1.2.3 研究述评 |
| 1.3 研究内容 |
| 1.4 研究方法及技术路线图 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线图 |
| 第2章 相关理论概述 |
| 2.1 相关概念界定 |
| 2.1.1 油田开发项目概念及分类 |
| 2.1.2 油田开发项目投资组合优化概念及特点 |
| 2.2 投资组合理论 |
| 2.3 油田开发项目投资组合优化方法 |
| 2.3.1 多目标线性规划 |
| 2.3.2 0-1 型背包问题 |
| 2.3.3 概率纸 |
| 2.3.4 蒙特卡洛方法 |
| 2.3.5 遗传算法及其改进 |
| 2.4 本章小结 |
| 第3章 油田开发项目投资组合优化的模型构建 |
| 3.1 油田开发项目投资组合优化问题描述 |
| 3.2 油田开发项目投资组合优化目标函数的确定 |
| 3.3 油田开发项目投资组合优化约束条件的设置 |
| 3.4 油田开发项目投资组合优化模型参数设定 |
| 3.5 本章小结 |
| 第4章 油田开发项目投资组合优化模型的求解 |
| 4.1 油田开发项目投资组合优化求解方法优选 |
| 4.2 遗传算法求解过程 |
| 4.3 遗传算法改进 |
| 4.4 项目投资组合优化算法有效性检验 |
| 4.5 本章小结 |
| 第5章 油田开发项目投资组合优化算例分析 |
| 5.1 算例简介 |
| 5.2 目标函数确定及约束条件设置 |
| 5.3 投资组合优化计算 |
| 5.4 投资组合优化有效性分析 |
| 5.5 优化效果分析 |
| 5.6 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（2）经济周期、行业轮动与A股市场投资策略（论文提纲范文）
| 摘要 |
| Abstract |
| 导论 |
| 一、选题背景及意义 |
| 二、国内外文献综述 |
| 三、本文的主要内容、基本思路和研究方法 |
| 四、本文的创新和不足之处 |
| 第一章 经济周期理论与中国经济周期划分 |
| 第一节 经济周期 |
| 一、经济周期的定义及理论发展 |
| 二、经济周期的阶段性划分和识别 |
| 第二节 美林投资时钟模型 |
| 一、美林投资时钟模型 |
| 二、美林投资时钟模型存在的问题 |
| 第三节 同比数据时滞问题一个简短讨论 |
| 一、同比指标时滞现象的数理分析 |
| 二、同比指标时滞现象的数据分析 |
| 第四节 中国经济周期的划分 |
| 一、中国经济周期的划分思路 |
| 二、中国经济周期划分的数据准备 |
| 三、中国经济周期的划分结果 |
| 本章小结 |
| 第二章 经济周期与行业波动 |
| 第一节 产业及产业波动概述 |
| 一、产业的概念及其划分 |
| 二、行业波动 |
| 三、行业波动与经济周期关系的相关研究 |
| 第二节 经济周期对行业波动影响的机理分析 |
| 一、需求变化 |
| 二、货币环境 |
| 三、产业政策环境 |
| 四、市场结构 |
| 第三节 经济周期与行业波动的同步性研究 |
| 一、经济周期同步性概念及研究意义 |
| 二、同步性研究的主要方法 |
| 三、行业选择和数据设置 |
| 四、中国经济周期与行业波动同步性测定结果 |
| 本章小结 |
| 第三章 经济周期中的行业轮动 |
| 第一节 行业轮动现象 |
| 一、行业轮动现象的定义 |
| 二、行业轮动现象的研究综述 |
| 三、行业轮动现象产生的原因 |
| 第二节 行业轮动现象观察与描述 |
| 一、行业轮动观察数据说明 |
| 二、行业轮动现象观察思路 |
| 三、曲线相似度的衡量 |
| 四、曲线相似度对行业轮动现象的观测 |
| 五、计算结果分析 |
| 第三节 行业因素与行业轮动 |
| 一、行业因素对行业轮动影响的检验方法 |
| 二、模型设计 |
| 三、行业因素对行业轮动影响SVAR模型分析过程 |
| 四、行业因素对行业轮动的影响 |
| 第四节 经济周期中的行业轮动 |
| 一、分析方法 |
| 二、数据说明 |
| 三、结果分析 |
| 四、依据经济周期内的行业收益率表现的行业分类 |
| 本章小结 |
| 第四章 市场有效性与行业轮动 |
| 第一节 经济周期对行业指数的影响 |
| 第二节 行业轮动现象的套利机会分析 |
| 一、市场有效性 |
| 二、市场有效性与行业轮动 |
| 三、股票的内在价值与价值投资者 |
| 四、行业轮动的套利机会分析 |
| 第三节 再论行业轮动的原因 |
| 一、实体层面的行业波动不是A股市场上行业轮动现象的主要原因 |
| 二、实体经济中行业之间的领滞关系并不是股市中行业轮动的主要原因 |
| 三、A股市场中的行业轮动现象最大原因是理性投资者与非理性投资者博弈的结果 |
| 第四节 我国A股市场行业动量的证实 |
| 一、动量效应与行业动量效应 |
| 二、行业动量存在性的证实方案 |
| 三、行业动量存在性的证实结果 |
| 四、经济周期中的动量和反转效应 |
| 第五节 关于构建行业轮动投资策略的思考 |
| 本章小结 |
| 第五章 我国经济周期转点的实时识别 |
| 第一节 二分法经济周期转点实时识别的定义 |
| 第二节 二分法经济周期转点实时识别的总体思路 |
| 第三节 转点识别与LVQ |
| 一、转点识别与自动数据分类 |
| 二、学习向量量化算法 |
| 第四节 二分法经济周期转点实时识别的实现 |
| 一、使用BB算法对经济总量指标进行经济周期的转点识别 |
| 二、LVQ算法的基础设定 |
| 第五节 参于经济周期转点实时识别的数据说明 |
| 一、样本选择与指标选取 |
| 二、数据处理 |
| 三、季节调整 |
| 四、计算环比数据 |
| 五、滞后期的确定 |
| 六、BB模型识别结果与LVQ实时识别的数据衔接 |
| 第六节 中国经济周期转点实时识别结果 |
| 一、BB算法的识别结果 |
| 二、LVQ识别结果 |
| 三、LVQ实时识别结果的稳健性 |
| 本章小结 |
| 第六章 基于Black-Litterman的行业轮动策略研究 |
| 第一节 投资策略与投资组合 |
| 一、投资策略 |
| 二、Markowitz均值方差模型 |
| 三、CAPM与套利定价理论 |
| 四、Markowitz均值-方差模型存在的问题 |
| 五、Black-Litterman资产配置模型 |
| 第二节 A股市场经济周期行业轮动策略的设计及实践 |
| 一、策略设计思路 |
| 二、经济周期四分法转点的实时识别 |
| 二、行业动量特征的实时探索 |
| 三、选股 |
| 四、Black-Litterman投资组合的构建 |
| 五、样本设定 |
| 六、BL模型解算 |
| 七、业绩评价 |
| 第三节 结果分析 |
| 本章小结 |
| 结论与展望 |
| 一、研究结论 |
| 二、主要启示与建议 |
| 三、研究展望 |
| 参考文献 |
| 附录 |
| 附录A：月度数据季节调整的详细说明 |
| 一、环比价格指数的补充 |
| 二、CPI指数的季节性调整 |
| 三、结论 |
| 附录A 参考文献： |
| 附录B：各章节补充图表 |
| 第二章 补充图表 |
| 第三章 补充图表 |
| 附录C 各章节R语言源程序 |
| 第一章 经济周期理论与中国经济周期划分R语言源程序 |
| 第二章 经济周期与行业波动R语言源程序 |
| 第三章 经济周期中的行业轮动R语言源程序 |
| 第四章 市场有效性与行业轮动R语言源程序 |
| 第五章 我国经济周期转点的实时识别R语言源程序 |
| 致谢 |
（3）美林时钟对于中国大类资产配置的有效性检验、改进及预测（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 研究方法与内容 |
| 1.3 论文的结构 |
| 1.4 本文创新点 |
| 第2章 大类资产配置和美林时钟的文献综述 |
| 2.1 大类资产配置的文献综述 |
| 2.2 美林时钟的文献综述 |
| 第3章 传统美林时钟对我国大类资产配置的有效性检验 |
| 3.1 配置资产及表征指标的选取 |
| 3.2 美林时钟经济状态划分指标选取 |
| 3.3 传统美林时钟经济阶段划分 |
| 3.4 大类资产表现情况 |
| 3.5 相关性检验 |
| 3.6 美林时钟国内应用案例 |
| 3.7 实证检验结论 |
| 第4章 Regime-based分析框架对美林时钟的改进 |
| 4.1 运用PMI&PPI定义经济状态 |
| 4.1.1 自定义经济状态指标选择原因 |
| 4.1.2 自定义经济状态结果 |
| 4.1.3 各类资产表现 |
| 4.1.4 资产相关性 |
| 4.2 运用货币净投放&工业增加值定义经济状态 |
| 4.2.1 自定义经济状态指标选择原因 |
| 4.2.2 自定义经济状态结果 |
| 4.2.3 各类资产表现 |
| 4.2.4 资产相关性 |
| 4.3 运用克强指数&PPI定义经济状态 |
| 4.3.1 自定义经济状态指标选择原因 |
| 4.3.2 自定义经济状态结果 |
| 4.3.3 各类资产表现 |
| 4.3.4 资产相关性 |
| 4.4 结论 |
| 第5章 传统美林时钟及其改进模型对资产配置比例的预测 |
| 5.1 预测方法及资产配置模型介绍 |
| 5.1.1 预测方法介绍 |
| 5.1.2 资产配置模型介绍 |
| 5.2 传统美林时钟对资产配置比例的预测 |
| 5.2.1 对传统美林时钟未来各阶段出现的概率预测 |
| 5.2.2 在传统美林时钟框架下对各类资产收益及风险的预测 |
| 5.2.3 运用资产配置模型预测的资产配置比例结果 |
| 5.3 改进的美林时钟模型对资产配置比例的预测 |
| 5.3.1 对改进模型未来各阶段出现的概率预测 |
| 5.3.2 在改进模型的框架下对各类资产收益及风险的预测 |
| 5.3.3 运用资产配置模型预测的资产配置比例结果 |
| 第6章 总结 |
| 6.1 研究结论 |
| 6.2 创新和不足 |
| 参考文献 |
| 致谢 |
| 个人简历 在读期间发表的学术论文与研究成果 |
（4）鲁棒投资组合选择模型及算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 文献综述 |
| 1.2.1 鲁棒线性规划与鲁棒多目标规划 |
| 1.2.2 鲁棒投资组合选择问题 |
| 1.2.3 考虑熵的投资组合选择问题 |
| 1.3 研究内容与框架 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架 |
| 1.3.3 主要的创新点 |
| 第二章 理论基础 |
| 2.1 均值-方差模型 |
| 2.2 均值绝对偏差模型 |
| 2.3 鲁棒线性规划 |
| 2.4 多目标规划与鲁棒多目标规划 |
| 2.5 最小最大后悔法 |
| 2.6 Yager熵 |
| 2.7 本章小结 |
| 第三章 鲁棒最小最大后悔投资组合选择问题及算法研究 |
| 3.1 椭球不确定集下的鲁棒最小最大后悔投资组合选择问题研究 |
| 3.1.1 多目标投资组合选择模型 |
| 3.1.2 椭球不确定集下的鲁棒最小最大后悔投资组合选择模型 |
| 3.1.3 鲁棒等价形式转化 |
| 3.1.4 求解算法 |
| 3.1.5 实证分析 |
| 3.1.5.1 数据来源 |
| 3.1.5.2 结果分析 |
| 3.2 箱型不确定集下的鲁棒最小最大后悔投资组合选择问题研究 |
| 3.2.1 多目标投资组合选择模型 |
| 3.2.2 箱型不确定集下的鲁棒最小最大后悔投资组合选择模型 |
| 3.2.3 鲁棒等价形式转化 |
| 3.2.4 求解算法 |
| 3.2.5 实证分析 |
| 3.2.5.1 数据来源 |
| 3.2.5.2 结果分析 |
| 3.3 本章小结 |
| 第四章 基于最小最大后悔法的鲁棒多目标优化问题及其在投资组合问题中的应用研究 |
| 4.1 基于最小最大后悔法的鲁棒多目标优化问题研究 |
| 4.1.1 有限情景不确定集 |
| 4.1.2 箱型不确定集 |
| 4.1.3 椭球不确定集 |
| 4.1.4 求解算法 |
| 4.1.4.1 箱型不确定集下的求解算法 |
| 4.1.4.2 椭球不确定集下的求解算法 |
| 4.2 基于最小最大后悔法的鲁棒多目标投资组合选择问题研究 |
| 4.2.1 多目标投资组合选择模型 |
| 4.2.2 基于最小最大后悔法的鲁棒多目标投资组合选择模型 |
| 4.2.2.1 有限情景不确定集 |
| 4.2.2.2 箱型不确定集 |
| 4.2.2.3 椭球不确定集 |
| 4.2.3 实证分析 |
| 4.2.3.1 数据来源 |
| 4.2.3.2 结果分析 |
| 4.3 本章小结 |
| 第五章 考虑Yager熵的鲁棒多目标投资组合选择问题研究 |
| 5.1 基于均值-方差-熵的多目标投资组合选择模型 |
| 5.2 基于均值-方差-熵的鲁棒多目标投资组合选择模型 |
| 5.3 数值实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究中存在的不足 |
| 6.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得成果 |
（5）效用最大化投资组合模型及其求解算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 VaR现状 |
| 1.2.2 CVaR现状 |
| 1.2.3 效用最大化模型现状 |
| 1.2.4 粒子群优化算法现状 |
| 1.3 主要研究内容和结构安排 |
| 第二章 理论基础 |
| 2.1 投资组合基础 |
| 2.2 投资组合风险度量理论 |
| 2.2.1 风险的偏离度量 |
| 2.2.2 风险的VaR度量 |
| 2.2.3 风险的CVaR度量 |
| 2.3 粒子群算法的基础知识 |
| 2.4 本章小结 |
| 第三章 一种使用单纯形法优化的粒子群算法 |
| 3.1 经过优化的粒子群算法的提出 |
| 3.2 算法的收敛性分析 |
| 3.3 数值实验 |
| 3.4 本章小结 |
| 第四章 基于均值-半方差和均值-半绝对偏差的效用最大化投资组合模型 |
| 4.1 问题的提出 |
| 4.2 基于均值-半方差和均值-半绝对偏差的效用最大化投资组合模型 |
| 4.2.1 均值-方差模型及其改进模型介绍 |
| 4.2.2 均值-半方差效用最大化模型的提出 |
| 4.2.3 均值-半绝对偏差效用最大化模型的提出 |
| 4.3 模型的求解 |
| 4.3.1 均值-半方差效用最大化模型的求解 |
| 4.3.2 均值-半绝对偏差效用最大化模型的求解 |
| 4.4 本章小结 |
| 第五章 基于均值-CVaR的效用最大化投资组合模型 |
| 5.1 问题的提出 |
| 5.2 基于均值-CVaR的效用最大化投资组合模型 |
| 5.2.1 均值-CVaR投资组合模型 |
| 5.2.2 含有均值和CVaR的效用函数的相关结论 |
| 5.2.3 模型建立 |
| 5.3 模型求解和算例分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（6）二次型交易成本下考虑负债的多阶段投资组合优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 投资组合优化 |
| 1.2.2 考虑负债的投资组合优化 |
| 1.2.3 考虑交易成本的投资组合优化 |
| 1.3 研究思路与研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 第2章 相关理论基础 |
| 2.1 交易成本与负债 |
| 2.1.1 交易成本 |
| 2.1.2 负债 |
| 2.2 投资组合优化 |
| 2.2.1 单阶段投资组合优化 |
| 2.2.2 多阶段投资组合优化 |
| 第3章 含有无风险资产的多阶段投资组合优化模型及其求解 |
| 3.1 模型描述 |
| 3.2 预设策略 |
| 3.2.1 辅助问题构建及求解 |
| 3.2.2 原问题求解 |
| 3.3 时间一致性策略 |
| 3.3.1 求解思路 |
| 3.3.2 推导证明 |
| 3.4 仿真分析 |
| 第4章 不含无风险资产的多阶段投资组合优化模型及其求解 |
| 4.1 模型描述 |
| 4.2 预设策略 |
| 4.2.1 辅助问题构建及求解 |
| 4.2.2 原问题求解 |
| 4.3 时间一致性策略 |
| 4.3.1 求解思路 |
| 4.3.2 推导证明 |
| 4.4 仿真分析 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间公开发表的论文 |
| 附录B 攻读学位期间所参与的课题 |
（7）基于CVaR和安全第一思想的投资组合模型（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 前言 |
| 1.1 研究背景及意义 |
| 1.2 研究方法 |
| 1.3 本文工作和创新点 |
| 1.3.1 本文工作 |
| 1.3.2 本文创新点 |
| 2. 文献综述 |
| 2.1 均值方差模型及其扩展研究 |
| 2.2 安全第一的组合优化模型 |
| 2.3 引入VaR的投资组合模型 |
| 2.4 引入CVaR的投资组合模型 |
| 3. 几种主要的投资组合模型 |
| 3.1 安全第一组合优化模型 |
| 3.1.1 RSF模型 |
| 3.1.2 TSF模型 |
| 3.1.3 KSF模型 |
| 3.2 风险测度标准VaR和均值-VaR模型 |
| 3.2.1 VaR的定义 |
| 3.2.2 VaR的计算方法 |
| 3.2.3 VaR的性质 |
| 3.2.4 VaR方法的优势与不足 |
| 3.2.5 均值-VaR模型 |
| 3.3 风险测度标准CVaR和均值-CVaR模型 |
| 3.3.1 CVaR的定义 |
| 3.3.2 CVaR的计算方法 |
| 3.3.3 CVaR的性质 |
| 3.3.4 CVaR方法的优越性概述 |
| 3.3.5 均值-CVaR模型 |
| 4. 基于CVaR和安全第—思想的投资模型 |
| 4.1 模型的建立 |
| 4.1.1 基于安全第一思想的模型 |
| 4.1.2 下跌风险CVaR的测度 |
| 4.1.3 正态分布下的均值-CVaR有效前沿 |
| 4.1.4 基于CVaR和安全第一思想的投资模型 |
| 4.2 模型的理论求解 |
| 4.3 数值算例 |
| 4.3.1 样本数据的选取与统计特征分析 |
| 4.3.2 模型的算例求解 |
| 5. 不允许卖空限制下的扩展模型及其求解 |
| 5.1 模型 |
| 5.2 模型求解 |
| 5.3 数值举例 |
| 6. 与基于VaR和安全第—思想的模型比较 |
| 6.1 正态分布下,基于方差和安全第一思想的投资组合模型 |
| 6.1.1 正态分布下均值-方差模型的有效前沿 |
| 6.1.2 基于方差和安全第一思想的投资组合选择模型 |
| 6.2 正态分布下,基于VaR和安全第一思想的投资组合模型 |
| 6.2.1 正态分布下,均值-VaR模型的有效前沿 |
| 6.2.2 基于VaR和安全第一思想的投资组合选择模型 |
| 6.3 正态分布下,基于VaR的模型与基于CVaR的模型比较 |
| 6.3.1 模型的理论对比 |
| 6.3.2 模型的算例对比 |
| 7. 结束语 |
| 参考文献 |
| 在读期间科研成果 |
| 致谢 |
（8）资本市场相关性分析及多目标投资组合优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景和选题意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分形市场假说研究进展 |
| 1.2.2 投资组合研究进展 |
| 1.2.3 随机矩阵理论研究进展 |
| 1.3 本文主要研究内容 |
| 1.4 研究方法和技术路线 |
| 1.5 论文框架与创新 |
| 1.5.1 论文框架 |
| 1.5.2 主要创新点 |
| 第二章 基于随机矩阵理论的股票市场相关性分析 |
| 2.1 随机矩阵理论 |
| 2.1.1 随机矩阵理论简介 |
| 2.1.2 随机矩阵理论相关结论 |
| 2.2 股票收益相关矩阵 |
| 2.3 基于低频数据的股市收益相关矩阵分析 |
| 2.3.1 股票收益相关矩阵特征值 |
| 2.3.2 股票收益相关矩阵特征向量 |
| 2.4 基于高频数据的股市收益相关矩阵分析 |
| 2.4.1 股票收益相关矩阵特征值 |
| 2.4.2 股票收益相关矩阵特征向量 |
| 2.5 本章小结 |
| 第三章 基于随机矩阵理论的证券投资组合优化 |
| 3.1 投资组合管理 |
| 3.2 基于RMT的投资组合优化 |
| 3.2.1 证券投资组合相关矩阵的建立 |
| 3.2.2 去噪 |
| 3.2.3 基于RMT的相关矩阵去噪方法及其稳定性 |
| 3.3 相关矩阵的稳定性 |
| 3.4 实证分析与讨论 |
| 3.4.1 不同去噪方法性能比较 |
| 3.4.2 基于RMT投资组合优化实证分析 |
| 3.5 本章小结 |
| 第四章 多目标投资组合优化模型及求解方法 |
| 4.1 多目标优化投资组合模型的建立 |
| 4.2 均值-方差-资产数量投资组合模型 |
| 4.3 基于NSGA-Ⅱ的多目标投资组合问题的求解 |
| 4.4 基于正交试验的NSGA-Ⅱ参数优化配置方法 |
| 4.4.1 正交试验因素水平表及正交表 |
| 4.4.2 仿真试验 |
| 4.4.3 仿真试验结果分析 |
| 4.5 实证分析 |
| 4.5.1 NSGA-Ⅱ算法参数优化实证分析 |
| 4.5.2 三目标投资组合优化实证分析 |
| 4.6 本章小结 |
| 第五章 中国沪市分形结构和自组织临界性 |
| 5.1 分形市场假说(Fractal Market Hypothesis, FMH) |
| 5.2 自组织临界性(Self-Organized Criticality, SOC) |
| 5.2.1 分形分布 |
| 5.2.2 分形噪声 |
| 5.2.3 非对称消除趋势波动分析 |
| 5.3 实证分析 |
| 5.3.1 分形分布特征指数α |
| 5.3.2 功率谱及A-DFA分析 |
| 5.4 本章小结 |
| 第六章 基于去趋势交叉相关分析方法的投资组合优化 |
| 6.0 去趋势交叉相关分析方法 |
| 6.1 尺度效应 |
| 6.2 描述性统计量P_(PCCij)和P_(DCCAij)的比较 |
| 6.3 最小方差投资组合 |
| 6.4 投资组合有效前沿 |
| 6.4.1 两种投资组合有效前沿的比较 |
| 6.4.2 不同时间尺度的投资组合有效前沿比较 |
| 6.4.3 基于分形市场假说(FMH)相应市场指数分析 |
| 6.4.4 投资组合权重的稳定性 |
| 6.5 本章小结 |
| 第七章 投资组合优化策略综合算例 |
| 7.1 数据筛选及实证步骤 |
| 7.2 改进的投资组合模型 |
| 7.3 模型求解结果与分析 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 全文主要结论 |
| 8.2 后续工作展望 |
| 参考文献 |
| 作者在攻读博士学位期间发表的学术论文 |
| 致谢 |
（9）个人消费投资决策 ——基于CEV模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 前言 |
| 1.1 研究背景及意义 |
| 1.2. 投资组合的现实意义 |
| 1.3. 本文研究工作简介 |
| 2. 相关预备知识 |
| 2.1 随机控制问题 |
| 2.2 HJB方程 |
| 2.3 检验定理 |
| 2.4 常方差弹性CEV模型 |
| 2.5 Legendre变换 |
| 3. 考虑个人消费的模型及其求解 |
| 3.1 第一种个人消费投资决策模型 |
| 3.1.1 第一种个人消费投资决策模型设定 |
| 3.1.2 第一种模型投资决策显示解 |
| 3.2 第二种个人消费投资决策模型 |
| 3.2.1 第二种个人消费投资决策模型设定 |
| 3.2.2 第二种模型的投资决策显示解 |
| 3.3 第三种个人消费投资决策模型 |
| 3.3.1 第三种个人消费投资决策模型设定 |
| 3.3.2 第三种模型投资决策显示解 |
| 3.4 第四种个人消费投资决策模型 |
| 3.4.1 第四种个人消费投资决策模型设定 |
| 3.4.2 第四种模型的投资决策显示解 |
| 结果分析 |
| 4. 结论 |
| 参考文献 |
| 后记 |
| 致谢 |
| 硕士期间发表的论文 |
（10）个人投资A股的策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 技术分析 |
| 1.2.1 技术分析简介 |
| 1.2.2 技术分析的历史和现状 |
| 1.3 投资组合的历史与现状 |
| 1.4 本文主要研究工作 |
| 第二章 预备知识 |
| 2.1 A股市场的相关知识 |
| 2.2 技术分析基础知识 |
| 2.3 投资组合预备知识 |
| 2.4 本章小结 |
| 第三章 基于技术分析的投资策略研究 |
| 3.1 基于指数平均数的上证综合指数投资策略 |
| 3.1.1 基于指数平均数的投资策略 |
| 3.1.2 EXPMA投资策略收益实证 |
| 3.2 基于指数平均数的个股投资策略 |
| 3.2.1 改进EXPMA投资策略 |
| 3.2.2 改进EXPMA投资策略与买入持有型策略实证对比 |
| 3.3 小资金超短线策略 |
| 3.3.1 小资金超短线策略 |
| 3.3.2 小资金超短线策略实证 |
| 3.4 本章小结 |
| 第四章 基于投资组合的大资金投资策略研究 |
| 4.1 考虑投资者个人需求的投资组合模型 |
| 4.1.1 模型建立 |
| 4.1.2 求解方法 |
| 4.1.3 模型求解 |
| 4.2 考虑A股交易规则的投资组合模型 |
| 4.2.1 模型建立 |
| 4.2.2 求解算法 |
| 4.2.3 模型求解 |
| 4.3 个人投资者大资金投资策略 |
| 4.4 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 附录 |
| 附录1 EXPMA投资策略在上证指数上的实证统计数据 |
| 附录2 改进EXPMA投资策略实证统计数据 |
| 致谢 |
| 在学期间发表的学术论文与研究成果 |
四、风险资金分散投资模型及其求解（论文参考文献）
- [1]油田开发项目投资组合优化研究[D]. 杨洁. 中国石油大学(华东), 2019(09)
- [2]经济周期、行业轮动与A股市场投资策略[D]. 孟德峰. 中南财经政法大学, 2019(08)
- [3]美林时钟对于中国大类资产配置的有效性检验、改进及预测[D]. 姚琼. 对外经济贸易大学, 2019(01)
- [4]鲁棒投资组合选择模型及算法研究[D]. 王立帅. 电子科技大学, 2019(01)
- [5]效用最大化投资组合模型及其求解算法[D]. 武可栋. 广西大学, 2018(12)
- [6]二次型交易成本下考虑负债的多阶段投资组合优化研究[D]. 曾喜梅. 湖南大学, 2017(07)
- [7]基于CVaR和安全第一思想的投资组合模型[D]. 余楠. 江西财经大学, 2016(06)
- [8]资本市场相关性分析及多目标投资组合优化方法研究[D]. 孙雪莲. 天津大学, 2016(07)
- [9]个人消费投资决策 ——基于CEV模型研究[D]. 骆炫均. 西南财经大学, 2014(02)
- [10]个人投资A股的策略研究[D]. 周智超. 广西大学, 2013(03)