徐焱[1]2004年在《遗传算法求解均值—核估计VaR投资组合模型的算子及参数》文中指出VaR方法是一种度量金融风险的新方法,具有测度全面,概念简单,适合监管等优点。基于核估计的VaR历史模拟法使VaR估计的历史模拟可以建立在连续可微的组合回报基础上,不但具有普通历史模拟法无需分布假定的优点,而且使估计精度更高,估计信息更全。本文将基于核估计的VaR历史模拟引入投资组合模型,用其替换方差作为风险的度量,提出均值—核估计VaR投资组合模型。由于用普通方法求解的困难性,文章采用遗传算法对模型进行求解。遗传算法是一种优秀的全局随机搜索算法,它通过模拟自然界生物进化过程与机制,实现对最优解的搜索。但对具体的问题,往往需要进行特殊的设计,才能以较高的效率得到较好的结果。在用遗传算法对模型进行求解的过程中,考虑到遗传算子、参数等不确定因素对遗传算法的求解效率的影响,必须对先对算子、参数进行最优化的选择。为此,本文提出一种嵌套式的双层遗传算法,以算子和参数的选择作为遗传编码,将以不同算子和参数求解内层遗传算法的效率作为外层遗传算法的目标函数,通过外层算法的遗传搜索,最终得到求解文中所建立的均值—核估计VaR投资组合模型效率和精度较好的算子和参数设置。这种方法同样可以推广到其他类似的需要采用遗传算法进行求解的模型,通过提前对算子和参数进行最优化选择,从而在实际求解过程实现较高的效率和精度。最后本文通过实例对所建模型进行了遗传算法求解,并得到了相应结果。本文所建均值—核估计VaR组合投资模型和相应的遗传算法求解方法有一定的理论和实践意义。
张相贤[2]2011年在《基于极值理论的金融资产配置研究》文中研究说明近年来,频繁爆发的金融危机给众多投资者造成了巨大损失,如何抵御这种极端市场情形所造成的金融风险,已成为金融理论研究中的一个重要课题。分散化投资策略是管理风险的一种常用手段,极值理论是刻画极端事件的有效工具。因此,本文致力于极值理论在分散化投资策略中的应用研究,旨在构建能够抵御极端风险的资产配置模型。在深入研究极值理论和极值相关理论的基础上,论文构建了基于极值理论的资产配置模型,称之为极值资产配置模型,并应用成熟股票市场和新兴股票市场中具有代表性的股票指数对模型进行实证研究,最后把极值资产配置模型与均值方差模型相比较,验证模型的有效性,结果表明极值资产配置模型具有抵御极端风险的能力。论文的主要内容如下：1、回顾了资产配置理论和极值理论的相关文献,重点介绍了极值理论及其在金融市场风险度量方面的应用。基于极值理论的市场风险度量模型主要有两种：静态模型和动态模型。静态模型假设收益率数据独立同分布；动态模型假设收益率数据具有自相关性和异方差性。2、应用蒙特卡洛模拟设计了一种定量化的阈值选取方法。阈值模型是极值理论的一个重要分支,由于阈值模型有效地使用了有限的极值数据,已成为极值理论中应用最广泛的一个模型。阈值的选取是应用阈值模型的关键,常用的阈值选取方法通过观察图形的形状确定阈值,具有很强的主观性。针对以上不足,论文应用蒙特卡洛模拟设计了一种定量化的阈值选取方法,并以上证综指和标普500指数为样本,对该方法进行实证分析。实证结果表明,基于蒙特卡洛模拟的阈值选取方法能够有效地分割样本数据,确定合理的阈值。3、把基于极值理论的VaR估计模型与其他常用的估计模型进行实证对比分析。VaR是现阶段度量金融风险的常用指标,一般用历史模拟法、方差协方差方法、GARCH模型法、蒙特卡洛模拟法等估计VaR。论文应用代表成熟市场的标普500指数和代表新兴市场的上证综指,对基于极值理论的VaR估计模型和其他常用模型进行实证研究,后验测试表明,基于极值理论的静态和动态模型都优于其他模型,在高置信水平下优势更加明显。4、介绍相关性理论并对成熟股票市场和新兴股票市场中具有代表性的股票指数之间的极值相关性进行实证研究。论文介绍了皮尔逊线性相关系数、秩相关、极值相关及Copula函数的定义、估计方法等,并分析了极值相关性与Copula函数之间的关系,实证研究了成熟股票市场和新兴股票市场中具有代表性的股票指数之间的极值相关性,实证结果表明,本文测量的股票市场指数之间是渐进独立的。5、应用极值理论设计了旨在抵御极端风险的资产配置模型,称为极值资产配置模型。极端市场情形(如股市暴跌)造成的巨大损失,本文称之为极端风险,用高置信水平(等于或大于99%)下的VaR和ES表示。在极端市场情境下,投资者通常只关心损失的大小,因此,本文不考虑投资收益的限制,只考虑极端风险,认为极端风险最小的投资组合就是最优的投资组合。论文应用极值理论和核估计方法拟合金融资产的损失分布,用正态Copula函数描述金融资产之间的相关性结构,构筑了旨在抵御极端风险的资产配置模型,并用成熟股票市场和新兴股票市场中具有代表性的股票市场指数进行实证研究。6、结合传统遗传算法和模式搜索算法设计了求解资产配置模型的混合遗传算法。基于VaR风险度量方法进行资产配置时,由于VaR的非凸性,可能存在很多局部最小解。传统的优化算法通常不能求得使VaR最小的全局最优解或次优解。传统遗传算法具有很强的全局搜索能力,但局部搜索能力不强,而模式搜索算法具有很强的局部搜索能力。据此,本文结合传统遗传算法和模式搜索算法设计了求解资产配置模型的混合遗传算法。实证结果表明,混合遗传算法在资产选择的应用中能有效降低资产组合的风险,具有较高的可靠性。7、把极值资产配置模型与均值方差模型进行对比分析,验证极值资产配置模型的有效性。从累计收益、夏普比率和日最大损失叁个方面对比分析均值方差模型和极值资产配置模型。实证结果表明均值方差模型的累计收益能力优于极值资产配置模型,但在单位风险获利能力、抵御极端风险方面极值资产配置模型占优,表明了极值资产配置模型在抵御极端风险方面的有效性,达到了设计模型的宗旨。论文的创新点如下：1、应用蒙特卡洛模拟设计了定量化的阈值选取方法阈值模型是极值理论的一个主要分支,它的主要特点是对样本中超过某充分大的阈值的所有观察值进行建模。由于阈值模型有效地使用了有限的极值数据,而且形式简单,便于计算,现已成为极值理论中应用最广泛的一个模型。阈值的选取是应用阈值模型的关键,阈值选的过大或过小都会影响模型参数估计的准确性。现阶段常用的阈值选取方法通过观察图形的形状确定阈值,具有很强的主观性。鉴于此,本文应用蒙特卡洛模拟设计了一种定量化的阈值选取方法。实证分析表明,该方法能够有效地分割样本数据,确定合理的阈值,阈值模型的参数估计结果相对稳定。2、应用极值理论和核估计方法设计了拟合资产损失分布的半参数方法在风险管理中,资产损失分布,尤其是尾部分布的合理假设是准确度量风险的前提。金融资产的损失序列一般具有尖峰厚尾的分布特征,本文利用极值理论拟合损失序列的双尾,利用核估计方法拟合损失序列的中部,设计了拟合损失分布的半参数方法。此方法结合了参数法和非参数方法的优点,具有较强的适用性。3、应用极值理论和Copula函数构筑了旨在防范极端风险的资产配置模型在极端市场情境下,投资者往往只关心损失的大小,因此本文不考虑投资收益的限制,只考虑极端风险,认为极端风险最小的投资组合就是最优的投资组合。本文应用极值理论和Copula函数构筑了旨在防范极端风险的资产配置模型,并利用世界上主要股票市场指数进行实证分析,并把该模型与均值方差资产配置模型进行比较分析,验证该模型的有效性,分析结果表明该模型具有抵御极端风险的能力。4、结合传统遗传算法和模式搜索算法设计了求解资产配置模型的混合遗传算法金融资产损失往往不服从正态分布,VaR是离散的、非连续和非凸的,不满足次可加性。以VaR作为风险度量指标的资产配置模型,可能存在很多局部的最小解,传统的优化算法可能不能达到使VaR最小的全局最优解或次优解。鉴于此,本文设计了基于传统遗传算法和模式搜索算法的混合遗传算法,该算法结合了传统遗传算法和模式搜索算法的优点,实证结果表明该算法在投资组合选择应用中具有较高的可靠性。
钱立炜[3]2017年在《基于改进遗传算法的证券投资组合研究》文中研究说明随着我国经济的不断发展,我国的金融体系日益完善,投资者资产管理需求日益增加,推动各类金融产品迅猛创新发展。如何在保证收益的情况下降低风险,成为投资者越来越关注的焦点,但没有一种广泛有效的度量风险的方法和有效解决复杂优化问题的全局搜索算法。论文基于单目标CVaR模型和基于熵的多目标证券投资组合,应用改进遗传算法求解模型,探讨搜索能力更强且能跳出局部收敛的算法,选题具有一定的理论意义和较大的实用价值。论文首先综述资产组合理论、遗传算法的相关研究成果,分析熵理论运用到投资风险度量的合理性;接着针对实际投资行为对单目标CVaR基础模型进行扩展,通过改进遗传算法的交叉概率和变异概率在保持群体多样性的同时,保证遗传算法的收敛性;然后以东方财富漂亮50指数股票作为研究样本,使用改进遗传算法进行求解;最后以熵度量风险和CVaR作为目标函数,构成多目标证券投资组合,接着改进多目标遗传算法,使其能够预测未成熟收敛的产生。实证结果表明,论文构建的扩展模型和多目标优化模型有效的,且改进的多目标遗传算法能够优化模型的求解过程。
徐晶晶[4]2017年在《基于交易成本的均值-CVaR证券投资组合模型研究》文中研究指明证券市场是一个高风险市场,众多不确定性因素导致难以预测市场趋势,投资者不断地寻找能够有效降低投资风险而获得更高收益的投资策略,大量研究表明将投资对象进行合理有效的组合可以满足投资者的这一需求。自马科维茨提出均值-方差模型以来,人们一直在研究拓展完善证券选择模型的各种方法,使模型更适合市场条件或可更好的度量风险,能够更好地服务于投资实践。论文在传统均值-CVaR投资组合模型基础上,引入交易成本,以求建立更符合市场条件更具有实用性的证券选择模型。论文首先综述国内外相关研究成果,概述证券投资组合、CVaR以及遗传算法等相关基础理论;接着利用多种市场指数验证我国证券市场资产收益率服从laplace分布,说明模型构建的假设条件,在此基础上建立基于交易成本的均值-CVaR证券投资组合模型;然后根据历史模拟法估计期望收益率,利用上证50指数样本股构建初始最优证券资产组合;最后以每一个月为一投资期,分别计算出各期最优证券资产组合,采取积极策略相应调整资产组合,计算各期的证券投资组合收益,并将此收益与上证50综合收益和不考虑交易成本的投资组合收益相比较。实证分析结果表明,利用基于交易成本的均值-CVaR证券投资组合模型的积极策略是有效的。
参考文献：
[1]. 遗传算法求解均值—核估计VaR投资组合模型的算子及参数[D]. 徐焱. 天津大学. 2004
[2]. 基于极值理论的金融资产配置研究[D]. 张相贤. 东华大学. 2011
[3]. 基于改进遗传算法的证券投资组合研究[D]. 钱立炜. 东南大学. 2017
[4]. 基于交易成本的均值-CVaR证券投资组合模型研究[D]. 徐晶晶. 东南大学. 2017
标签：数学论文; 宏观经济管理与可持续发展论文; 遗传算法论文; var论文; 投资组合论文; 资产配置论文; 参数估计论文; 阈值分割论文; 资产组合理论论文; 有效市场论文; 风险模型论文; 极值分布论文; var方法论文;