一、具有交易成本的组合投资有效边界的研究(论文文献综述)
叶鑫[1](2021)在《股票市场投资组合选择的均值MF-X-DMA模型构建与应用研究》文中提出
任月明[2](2021)在《巨灾债券对投资组合的影响研究 ——基于GARCH-Copula的风险度量》文中进行了进一步梳理近年来,巨灾债券的应用与发展已成为国际保险市场和金融市场关注的热点,它不仅有效增强了保险公司对巨灾风险的承保能力,还为资本市场的投资者提供了新型的投资工具。然而,巨灾债券在我国境内的发展还处于初级阶段,债券发行的时机尚未成熟,尤其是对于这类特殊债券的市场潜在需求不明晰,严重影响了巨灾债券在我国的发展进程。要探明巨灾债券对我国资本市场的投资者是否具有吸引力,就要讨论巨灾债券市场与我国传统金融资产间的相互关系,进一步研究巨灾债券对投资组合的风险水平影响及资产配置等相关问题。本文将巨灾债券市场与我国股票市场、债券市场作为研究对象,以2010年7月至2020年7月十年的上证综合指数、中证综合债指数、瑞士再保险巨灾债券总回报指数为样本。使用GARCH模型拟合各金融资产收益时间序列的边缘分布,选择T-Copula函数刻画组合的联合分布,详细探讨了不同金融资产市场之间的相关关系。进一步,利用蒙特卡罗模拟方法测度不同投资组合的VaR和CVaR,求解基于风险优化下投资组合的资产配置,并对比加入与不加入巨灾债券的投资组合效率。实证分析得到如下结论:在样本期间内,巨灾债券与国内股票、普通债券相关系数很小,与传统金融市场波动相关性较低;在投资组合中加入巨灾债券提升了组合收益,同时降低了投资组合的风险价值VaR与CVaR,增大了切线组合的夏普比率。表明在投资组合中加入巨灾债券可以为投资者增加收益,降低投资组合的风险水平,巨灾债券对国内资产组合可以起到优化作用。本文研究结论有助于消减巨灾债券与国内资产相关性不明晰在研究中可能产生的偏误,更准确地反应了巨灾债券市场与我国股票、债券市场间的关系。依据市场之间的相关性特征构建的最优投资组合,为投资者提供了新的投资选择和方向,在巨灾债券投资组合的风险度量、资产配置等问题的研究方面具有一定的参考价值,为推动巨灾债券的发行与应用提供了理论支持。
张彤[3](2021)在《TH公司长期投资风险管理问题研究》文中认为企业长期投资数量金额较大,持续时间长,回报慢,但风险却较高。科学的长期投资决策可以提高企业资产管理效果,相反,无理的长期投资决策也会使得企业发生财务拮据。当前我国企业的长期投资决策大多存在一定的失误,再加之部分企业有较重的债务负担,在经济形势等问题影响企业整体收益时,企业盈利为负甚至无法生存的情况屡见不鲜。这也使得本文研究内容TH公司长期投资风险管理问题有了意义。本文以我国园林行业龙头企业TH公司为例,深入分析“长期投资风险管理”问题。本论文核心章节分为四章,本文主要从以下四方面进行阐述:第一章内容为研究背景与意义、文献综述以及本文的研究内容以及研究方法。第二章为理论概述,主要介绍了风险管理相关理论与资本市场相关理论。第三章为“TH公司长期投资风险识别”,对TH公司进行介绍,主要剖析TH公司长期投资风险管理现状,对TH公司长期投资收益率低下的原因进行分析,进而对TH公司的长期投资风险进行识别以及对优先序的判断。第四章为“TH公司长期投资风险评估”,主要通过对TH公司长期投资期望收益率以及长期投资收益率标准差的分析,说明TH公司在长期投资组合中加入无风险资产的必要性。为了使得结论更有说服力,还与同行业公司进行了对比分析。第五章为“TH公司长期投资风险管理对策”,通过资本市场线说明植入国债后TH公司的长期投资收益得到提高,并提出TH公司提高长期投资流动效率的对策以及长期投资管理方案的改进。第六章为“大型国企长期投资管理建议”,对与TH公司类似的企业提出对于长期投资管理的相关建议。
范晓玉[4](2021)在《基于深度强化学习的投资组合策略研究》文中研究表明投资组合策略是一个在金融领域经过深入研究的主题,但是各种模型基于一定的假设前提,在实际的股票市场中由于复杂且成本很高,往往难以实现。深度强化学习具有很多优势,已经可以在许多具有挑战性的电子游戏中胜过人类玩家。本文基于深度强化学习算法,将其优势应用到投资组合策略的研究中,在分散风险的同时实现收益最大化。首先,本文定义了股票投资组合交易的MDP模型,为了分散投资的权重,引入熵对DDPG算法进行改进,优化投资组合策略,以股票的价格信息、股票份额、资金余额作为输入,输出投资组合价值。与以往研究的DDPG策略相比,本文改进后的策略收益提升显着。选择沪深300指数的30个成分股作为投资组合交易的股票进行实验。实验证明该策略相比于沪深300指数具有更高的收益率,但该策略对于趋势的跟踪仍有提高的空间。之后,为了提高策略对趋势的跟踪能力、对买入卖出信号的识别能力,提出了基于技术指标的投资组合策略。该策略基于深度强化学习,从技术指标、投资组合股票的协方差两个方面进行研究,进一步提高收益率。根据股票的收盘价、开盘价、最高价、最低价计算技术指标,之后计算投资组合的协方差。将收盘价、技术指标、协方差、股票份额、资金余额作为状态输入,输出投资组合价值。基于A2C算法、PPO算法对智能体进行训练,这两种算法更加稳定高效。在实验中设置了三个实验组,分别进行对比分析,本文提出的策略在收益率和夏普比率等指标上均优于沪深300指数、广发中证医疗指数基金、广发多元新兴股票基金的表现。最后,本文提出了一种集成策略,该策略采用深度强化学习算法,通过最大化投资收益来学习股票交易策略。使用三种基于Actor-Critic的算法训练一个深度强化学习智能体,来获得整体的交易策略。三种算法分别是A2C、PPO和DDPG。集成策略继承并集成了三种算法的最佳功能,从而可以稳健的适应不同的市场情况。集成策略的收益明显优于沪深300指数。集成策略的年化收益率为98.07%,累计收益率为196.13%,夏普比率为2.66,说明本文提出的策略可以有效的应用到中国A股市场。
云秋晨[5](2021)在《虚拟电厂多类型资源优化组合及运行策略研究》文中研究指明在可再生能源和电能替代发展战略下,分布式电源以及储能、可控负荷等在配用电侧兴起,分布式能源(Distributed Energy Resource,DER)将成为未来电力系统的重要组成部分。目前对DER的管理和利用方式包括主动配电网、微电网、动态电价、虚拟电厂等。其中,虚拟电厂对地理位置分散、异构的DER进行聚合后参与电力市场和电网管理,并发挥DER的规模效益。论文工作的要点如下:首先,本文综述了上述管理方式的基本架构和关键问题,指出虚拟电厂在信息通讯基础设施、电力市场、DER集成方面具有良好的适用性。虚拟电厂的研究和应用当前处于起步阶段,其提供了从集中式电力生产传输到分布式能源利用发展路径过程的一种解决方案,具有广阔的应用空间。第二,考虑到DER技术特性各异,建立通用的虚拟电厂互动资源发电模型。随后,将DER分为分布式电源和柔性负荷两类,以光伏、风电、空调、电动汽车及储能这五类资源作为典型代表,详细分析其功率特性。此外,与传统负荷对比,柔性负荷具有可调度特点,传统可靠性定义分析柔性负荷,容易低估充电负荷的调节能力。因此,本文根据柔性负荷用能需求,重新定义“失负荷”,并根据柔性负荷响应特性提出可削减负荷及可转移负荷的可靠性指标。第三,虚拟电厂的调节能力由内部联盟成员组成方式及响应能力决定。考虑到用户的响应值受用户响应意愿影响,以虚拟电厂对互动资源的控制权限为依据,将互动资源响应电量划分为有、无风险资产,将资源响应计划分配问题映射至投资组合理论中资产权重配置问题,以组合风险衡量用户响应电量不确定性,以预期收益最大为目标建立优化组合模型,为混合型虚拟电厂资源组合提供依据。第四,高比例分布式可再生能源发电容易引起潮流阻塞。利用DER的分散性,虚拟电厂基于用户协议,提出向电网提供阻塞管理服务的替代方案。为应对运行中功率预测误差引起的不确定性,采用日前-日内协同优化调度方法,建立两阶段优化模型。在第一阶段,建立日前优化调度模型,采用场景集描述可再生能源预测的不确定性;在第二阶段,采用滚动优化方法,不断更新资源负荷预测值,以最大程度降低由预测误差引起的不确定性。论文以多种柔性资源的聚合和灵活调控为基础,面向多种可控资源优化组合和经济运行问题,构建虚拟电厂优化运行模型,为虚拟电厂的实际应用提供支撑。
贺鑫[6](2021)在《基于PLSTM-ATT的虚拟货币投资组合策略设计》文中进行了进一步梳理比特币自2008年提出以来,之后便引领时代的风潮。作为一种加密货币,其基于区块链技术而产生,具有稀缺性的特点,受到了市场极大的关注,给传统货币带来了一定的冲击。之后,以比特币为代表的虚拟货币也在不断产生,到现今已有3000多种。自从机器学习算法提出以来,许多学者都在研究将机器学习算法应用于金融市场中,期间产生多种算法,促进了量化投资的发展。传统的时序神经网络(也称循环神经网络)在预测领域存在很大的改进空间,对神经网络进行改进来提高预测效果,具有很深远的现实意义。本文通过改进的LSTM(长短期记忆神经网络)模型,记为PLSTM(结合窥视孔的长短期记忆神经网络),比较多种神经网络,如基础的LSTM、GRU(门限回归单元)等来对多种虚拟货币的价格进行预测,采用tensorflow2.0框架来实现,同时为了更好的预测和训练效率,采用滚动预测和数据量纲归一化来处理数据。由于注意力机制在机器学习领域的优势,本文在四个模型中都分别加入注意力机制,保证学习率(lr=0.001)等其余参数一致,比较在相同迭代次数为300的情况下,来判断在预测价格方面的准确度。最后本文针对某种货币最优的误差率时的结果,加入到Backtrader回测框架中进行组合收益的回测,并从不同交易策略上、以及虚拟货币投资组合和单一虚拟货币的收益情况产生对比,止损率选取5种(1%,2%,2.25%,2.5%和3%),并从对比的效果进行分析。以比特币为例,改进的PLSTM的在预测精度的迭代效率上都具有一定的改善,在迭代次数相同的情况下(epochs=300),PLSTM取得最小的RMSE,为355.03,MAE为234.78,在迭代的过程中,loss值第一次小于1e-3时,所用时间最短为4.547385秒,从两个角度都证明了模型的有效性,是一个较好的改进方向。同时发现PLSTM-ATT(PLSTM结合注意力机制)在8个模型中预测精度最高,RMSE为351.18,MAE为229.33,误差率为0.016495。在不同交易策略的回测期间,收益率的大小是不一样的,最高的在于BOLL(布林带)交易策略时10种虚拟的策略,收益增加了1倍。并且止损率的不同可能会导致正负收益的区别,在实际操作的过程中需要更加注重选择。本文通过比较不同神经网络模型和不同交易策略的对比分析,以此来给投资者提供一些算法和策略方面的建议。
田敏[7](2021)在《我国基金经理人绩效评价与影响因素研究》文中进行了进一步梳理改革开放以来,我国经济体量迅速扩张,国内证券投资市场步入快速发展阶段。经过40余年的发展,证券投资基金已成为我国投资者的主要投资工具之一。伴随着金融市场体制的不断成熟和完善,基金管理公司数量迅速増加,基金产品不断丰富,基金规模也在快速扩大。虽然现如今我国基金市场监管体系日趋完善,但仍存在基金质量良莠不齐的问题。由于信息不对称,投资者很难从中有效甄别、选取适合自己的基金,因此如何有效评估和判断基金的效率也就成为了国内外学者研究的热门领域。从投资者角度出发,投资基金某种程度也就意味着选择基金经理人,而基金经理人直接决定基金业绩及投资者收益,是基金公司的核心资源。因此基于基金经理人角度,对其管理的基金业绩进行综合精准的测算,并进一步深入探究,对于投资者、基金公司以及监管部门来说都具有重要的意义。以往学者对于基金评价的研究大多是基于Markowitz提出的均值-方差模型,而基金经理人由于同时管理着多只基金,因此投资者在选择基金经理人进行投资时,基金经理人所管理的基金之间的波动性也受到了广泛关注。本文基于Markowitz提出的均值-方差模型,用收益的均值来衡量收益,用收益的方差来衡量风险,同时由于基金经理人管理多只基金的特点,引入纵向收益率方差和横向收益率方差来衡量其风险,因此本文从投资者视角构建了基金经理人绩效评价指标体系,并在此基础上选取了样本期内156位基金经理人运用DEA-Tobit两阶段模型进行实证分析。第一阶段运用BCC-DEA模型从静态与动态两个维度测度了基金经理人的绩效,第二阶段以通过BCC-DEA测算的基金经理人绩效为被解释变量运用Tobit模型对基金经理人进行静态与动态两方面影响因素分析。基于以上分析,根据不同基金经理人的绩效及影响因素差异,进一步利用均值-双方差模型对基金经理人进行分散化投资策略分析,并给出相应的投资建议。本文根据实证研究得到以下结论:第一,样本期内大部分被考察基金经理人处于DEA相对无效状态,基金经理人之间及样本期内基金经理人绩效波动水平较大。选择基金经理人进行投资时,一方面要关注基金经理人管理基金的整体收益(收益率),另一方面也要关注基金经理人整体的波动性(纵向收益率方差),同时也要关注基金经理人自身管理基金之间的波动性(横向收益率方差);第二,样本期内未处于DEA有效状态的基金经理人可由处于DEA有效状态的基金经理人组合并达到不低于现有的收益与更小的风险水平。因此对于投资者而言,投资部分基金经理人的组合,相对于购买单个基金经理人所管理的基金而言,可以获得更高的收益或者更低的风险水平;第三,在选择基金经理人时,样本期内基金经理人的证券从业年限越长,基金经理人的绩效水平越高,因此可以依据基金经理人的证券从业年限来选择基金经理人;第四,投资者在进行投资时可以将基金经理人视做一类金融产品,对其进行分散化投资,这样从基金经理人角度进行投资,为投资者提供了新的思路,在一定程度上可有效降低投资风险。
罗中岚[8](2021)在《中金财富证券高净值客户资产配置方案设计研究》文中指出对证券行业和公司自身来说,经纪业务需要较长时间的沉淀,且和市场行情有着较大的正相关。经纪业务往往拥有较大的波动性,无法彻底从“靠天吃饭”的情境中走出来,同时现阶段的竞争十分剧烈(经纪业务佣金不断减少),人口增长速度减缓,老龄化问题突出,业务无法获得较大的突破。而财富管理业务拥有抗周期、低波动的优势,券商财富管理业务会因市场情况与经济周期的敏感性不佳而影响有限,只要手中拥有优良的客户资源,就能成为公司稳中求胜的上升点。而就当前形势来看,中国市场将变为世界财富增加的新动力,拥有财富管理行业的发展机会,资产配置业务作为财务管理业务体系中的核心业务,其发展空间更为广阔。本研究根据上述分析条件,经整体研究券商财富管理业务的发展情形与需应对的问题,相对细致地讲解了财富管理和资产配置的主要价值。根据中金财富证券十几年来的财富管理经验,来分析高净值客户的资产配置问题,也就是在现阶段的经济条件下,对经济发展予以预估和界定,且使用优良的资产配置模式来达成高净值客户资产的保值增值,尽力促进财富管理业务的持续发展。本研究将中金财富证券财富管理业务当做分析内容,对高净值客户的资产配置问题给予了全视野的研究,且就此类问题,结合客户的分类状况给出了5种私享定制化的资产配置方案模式。最终本研究给出了下述结论:高净值客户更关注资产配置方案与长效品类,对风险的认知将更多;各种资产配置的需求将不断增加,投资者将更为依托拥有专业投资水平的管理者;金融投资产品将变得日趋多元化。经由本文的分析,能够协助指导高净值客户的资产科学的投往金融市场,进而为高净值客户提供低波动、专业性的资产保值增值方案,提升高净值客户家庭的生活品质,达成资产配置的实用价值;另外也能帮助提高公司的品牌口碑,更能展现出提升员工自己的整体服务水平。
朱玉芳[9](2021)在《家庭金融投资风险的统计测度及其规避路径研究》文中研究说明自改革开放以来,伴随着我国经济的快速发展,家庭的闲散资金逐年增加。随着互联网的大范围普及,金融政策、金融知识及金融产品等可获取、可学习的途径愈发方便快捷,居民家庭的金融投资意识逐渐增强,投资规模也在逐年壮大。每个家庭在进行金融投资时,期望现有资产能在未来带来尽可能高的收益,并能够保证现在以及未来消费上获得尽可能大的满足。但由于金融市场价格的不确定性波动,家庭金融投资损益也存在着不确定性。换言之,家庭金融投资存在风险。那么如何在风险与收益之间进行取舍,是每个家庭在金融投资时都应考虑的问题。本文以投资组合理论为指导,梳理了家庭金融投资风险形成与规避的机制机理,建立了家庭金融投资风险测算模型和家庭金融投资风险规避模型。经过对相关变量的统计定义及其数据的搜集、整理和模型的有效性检验,开展了实证分析,得出了研究结论,提出了相关对策与建议。实证结果显示,我国家庭金融投资风险水平变化不稳定,目前仍存在上升趋势;近年来我国实际的银行储蓄投资收益率普遍走低,家庭金融投资收益面临下降压力;又因为股票损失概率普遍高于债券损失概率,在实际金融投资结构中,银行储蓄投资与股票交易投资比重偏高,债券交易投资比重偏低,整体风险水平偏高。根据上述结论,本文为防范家庭金融投资风险提出如下政策建议:第一,相关部门加强普及金融风险知识,提高家庭金融投资的风险防范意识,促使家庭树立正确理财观;第二,提高相关信息披露程度,提升金融机构的自我管理能力,为家庭金融投资科学决策提供必要的信息服务;第三,为防范家庭金融投资风险的上升,应进一步优化家庭金融投资结构,确保在获得既定收益前提下实现风险最小化。
陈亚男,朱睿,毕缘媛[10](2021)在《Robust估计在投资组合问题中的应用研究》文中研究指明股票收益率中离群值的存在导致股票收益率并不完全服从正态分布,经典的Markowiz均值-方差投资组合模型对股票收益率的样本均值和协方差的估计误差十分敏感,且不稳定的权重随时间推移大幅波动。因此,将鲁棒估计(M估计)引入投资组合中,用Tukey损失函数替代协方差作为风险度量,构建鲁棒估计投资组合模型,以便减小估计误差,提高权重的稳定性。实证结果表明:相对于经典的Markowiz均值-方差投资组合模型,改进的鲁棒估计投资组合模型对股票收益率偏离正态分布的程度不太敏感,具有更好的稳健性。
二、具有交易成本的组合投资有效边界的研究(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、具有交易成本的组合投资有效边界的研究(论文提纲范文)
(2)巨灾债券对投资组合的影响研究 ——基于GARCH-Copula的风险度量(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景及研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 国内外研究综述 |
1.2.1 资产间的相关性 |
1.2.2 投资组合的风险度量 |
1.2.3 巨灾债券与投资组合 |
1.3 研究内容与思路 |
1.4 创新点 |
2 相关理论基础 |
2.1 巨灾债券市场概况 |
2.1.1 巨灾债券的参与主体与运作机制 |
2.1.2 巨灾债券的风险和收益特征 |
2.2 GARCH模型 |
2.2.1 GARCH模型的原理 |
2.2.2 GARCH模型的参数估计与检验 |
2.3 Copula函数 |
2.3.1 Copula函数的性质 |
2.3.2 Copula函数的分类 |
2.3.3 Copula函数与相关性度量 |
2.4 VaR方法 |
2.4.1 传统VaR的计算方法 |
2.4.2 基于GARCH-Copula的 VaR计算方法 |
2.4.3 VaR方法的检验 |
2.4.4 VaR方法的改进 |
3 巨灾债券与国内股票、债券资产相关性分析 |
3.1 样本数据选择与描述 |
3.1.1 数据选择与处理 |
3.1.2 数据的描述性统计 |
3.2 样本数据检验 |
3.2.1 平稳性检验 |
3.2.2 自相关检验 |
3.2.3 ARCH效应检验 |
3.3 边缘分布GARCH模型 |
3.3.1 GARCH模型参数 |
3.3.2 GARCH边缘分布检验 |
3.3.3 GARCH边缘分布的VaR回测 |
3.4 基于Copula模型的联合分布函数构建 |
3.4.1 Copula函数的选择 |
3.4.2 T-Copula函数的参数估计 |
4 含巨灾债券投资组合的风险度量与优化 |
4.1 含巨灾债券的投资组合风险度量 |
4.1.1 单个资产的风险度量 |
4.1.2 二元投资组合风险度量 |
4.1.3 三元投资组合风险度量 |
4.2 含巨灾债券的投资组合优化 |
4.2.1 基于均值-CVaR模型的目标函数构建 |
4.2.2 投资组合的优化分析 |
5 结论与建议 |
5.1 研究结论 |
5.2 政策建议 |
5.3 研究不足与展望 |
参考文献 |
致谢 |
(3)TH公司长期投资风险管理问题研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 国外研究发展现状 |
1.2.2 国内研究发展现状 |
1.3 研究内容及方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 技术路线 |
第2章 风险管理理论概述 |
2.1 风险管理理论 |
2.1.1 无偏预期理论 |
2.1.2 市场分割理论 |
2.1.3 流动性溢价理论 |
2.2 资本市场相关理论 |
2.2.1 投资组合 |
2.2.2 资本市场线 |
2.2.3 资本资产定价模型 |
第3章 TH公司长期投资风险识别 |
3.1 TH公司简介 |
3.2 TH公司长期投资现状 |
3.3 TH公司长期投资收益率低下的原因分析 |
3.4 TH公司长期投资风险识别与优先序判断 |
第4章 TH公司长期投资风险评估 |
4.1 长期投资风险评价 |
4.1.1 TH公司长期投资期望收益率 |
4.1.2 TH公司长期投资收益率标准差 |
4.1.3 行业对比分析 |
4.2 TH公司长期投资组合中加入无风险资产的必要性分析 |
4.2.1 加入无风险资产后长期投资效用集变动分析 |
4.2.2 加入无风险资产后长期投资资本市场线分析 |
第5章 TH公司长期投资风险管理对策 |
5.1 植入国债改善长期投资收益-风险效用状况 |
5.2 TH公司提高长期投资流动效率的对策 |
5.2.1 改善长期投资结构提升长期资本使用效率 |
5.2.2 长期投资中提升资本运营周转率 |
5.3 TH公司长期投资管理方案的改进 |
5.3.1 建立长期投资决策程序 |
5.3.2 在长期投资管理中加强内部监督 |
5.3.3 长期投资退出机制 |
第6章 大型国企长期投资管理建议 |
6.1 配置投资组合 |
6.2 在长期投资中增加国债 |
致谢 |
参考文献 |
(4)基于深度强化学习的投资组合策略研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 深度强化学习的研究现状 |
1.2.2 投资组合策略的研究现状 |
1.2.3 基于深度强化学习的投资组合策略的研究现状 |
1.3 研究意义 |
1.4 研究的创新点 |
1.5 研究内容 |
2 研究理论及技术基础 |
2.1 深度学习 |
2.1.1 深度学习概述 |
2.1.2 深度神经网络 |
2.2 强化学习 |
2.2.1 智能体与环境 |
2.2.2 马尔可夫决策过程 |
2.2.3 求解强化学习 |
2.3 深度强化学习 |
2.3.1 深度Q网络 |
2.3.2 目标网络 |
2.3.3 经验回放 |
2.4 投资组合策略 |
2.5 本章小结 |
3 基于深度确定性策略梯度的投资组合策略 |
3.1 股票投资组合交易问题描述 |
3.1.1 股票交易的MDP模型 |
3.1.2 纳入股票交易限制 |
3.1.3 交易目标 |
3.2 基于深度确定性策略梯度算法构建投资组合策略 |
3.2.1 Actor-Critic算法框架 |
3.2.2 经验回放技术 |
3.2.3 分散权重机制 |
3.2.4 股票市场环境构建 |
3.2.5 算法设计 |
3.3 实验设计 |
3.4 实验结果分析 |
3.5 本章小结 |
4 基于技术指标的投资组合策略 |
4.1 模型构建 |
4.1.1 引入技术指标 |
4.1.2 引入协方差矩阵 |
4.1.3 股票市场环境 |
4.2 基于A2C算法构建的投资组合策略 |
4.3 基于近端策略优化算法构建投资组合策略 |
4.3.1 TRPO方程 |
4.3.2 PPO-Clip算法 |
4.4 实验设计 |
4.5 实验结果分析 |
4.5.1 沪深300 指数 |
4.5.2 同行业股票投资组合 |
4.5.3 混合型股票基金 |
4.6 本章小结 |
5 投资组合集成策略 |
5.1 市场崩溃的风险规避 |
5.2 收益最大化 |
5.3 集成策略 |
5.4 实验设计及结果分析 |
5.4.1 智能体选择 |
5.4.2 智能体表现分析 |
5.4.3 市场崩溃下的表现 |
5.4.4 基准比较 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
(5)虚拟电厂多类型资源优化组合及运行策略研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 虚拟电厂互动资源研究现状 |
1.2.2 虚拟电厂资源组合研究现状 |
1.2.3 虚拟电厂优化运行研究现状 |
1.3 论文研究内容 |
2 虚拟电厂对分布式能源的管理和互动机制 |
2.1 分布式能源的接入和管理需求 |
2.2 电网对分布式能源的管理方式 |
2.2.1 主动配电系统管理 |
2.2.2 微电网管理 |
2.2.3 动态电价管理方式 |
2.2.4 市场管理方式 |
2.3 虚拟电厂聚合管理分布式能源 |
2.3.1 虚拟电厂的基本架构与工作方式 |
2.3.2 虚拟电厂应用的关键问题 |
2.4 虚拟电厂的适用性分析 |
2.5 本章小结 |
3 分布式能源功率特性 |
3.1 通用灵活资源发电模型 |
3.2 典型分布式电源发电特性研究 |
3.2.1 光伏发电特性 |
3.2.2 风力发电特性 |
3.3 典型柔性负荷模型及特性研究 |
3.3.1 空调负荷特性 |
3.3.2 电动汽车负荷特性 |
3.3.3 储能负荷特性 |
3.4 柔性负荷的失负荷定义与可靠性指标 |
3.4.1 可削减负荷可靠性指标 |
3.4.2 可转移负荷可靠性指标 |
3.5 算例分析 |
3.6 本章小结 |
4 基于投资组合理论的虚拟电厂资源优化组合方法 |
4.1 虚拟电厂组合风险评估 |
4.2 虚拟电厂资源响应特性分析 |
4.2.1 有风险资产响应特性模型 |
4.2.2 无风险资产响应特性模型 |
4.3 虚拟电厂资源优化组合模型 |
4.3.1 虚拟电厂聚合特性 |
4.3.2 虚拟电厂应用约束 |
4.4 虚拟电厂多类型资源优化组合算例分析 |
4.4.1 算例信息 |
4.4.2 算例分析 |
4.5 本章小结 |
5 以阻塞管理服务为中心的虚拟电厂优化运行 |
5.1 虚拟电厂阻塞管理可行性分析 |
5.2 多时间尺度优化调度模型 |
5.2.1 计及技术验证的调度交互流程 |
5.2.2 多时间尺度调度模型 |
5.3 虚拟电厂阻塞管理服务算例分析 |
5.3.1 算例信息 |
5.3.2 算例分析 |
5.4 本章小结 |
6 总结与展望 |
参考文献 |
附录A 有效边界理论 |
附录B 阻塞管理灵敏度参数 |
附录C 虚拟电厂互动资源信息 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(6)基于PLSTM-ATT的虚拟货币投资组合策略设计(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究的背景 |
1.2 研究的目的和意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 研究的内容、方法和技术路线 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 技术路线图 |
1.4 本文主要贡献 |
第二章 相关理论回顾与文献综述 |
2.1 相关理论回顾 |
2.1.1 投资组合理论 |
2.1.2 量化投资理论 |
2.1.3 行为金融学理论 |
2.1.4 机器学习与神经网络理论 |
2.1.5 相关理论总结 |
2.2 相关文献综述 |
2.2.1 虚拟货币投资组合文献综述 |
2.2.2 LSTM的改进与量化投资 |
2.2.3 相关文献述评 |
第三章 虚拟货币投资组合策略分析与构思 |
3.1 虚拟货币交易策略设计的提出 |
3.1.1 虚拟货币交易现状与特点 |
3.1.2 构建虚拟货币投资组合的必要性 |
3.1.3 机器学习预测模型的选择 |
3.2 虚拟货币投资组合策略的设计思路 |
3.3 虚拟货币投资组合策略的理论框架 |
3.3.1 虚拟货币价格预测的特征选择 |
3.3.2 虚拟货币的价格预测-神经网络模型 |
3.3.3 虚拟货币投资组合权重的计算方案 |
3.3.4 虚拟货币交易策略理论 |
3.3.5 虚拟货币投资组合策略评价方法 |
3.3.6 Backtrader回测框架简介 |
第四章 虚拟货币投资组合策略设计方案 |
4.1 数据的描述 |
4.1.1 数据的来源与分组 |
4.1.2 数据的描述性统计与可视化 |
4.2 LSTM模型的改进 |
4.3 虚拟货币价格的预测分析 |
4.3.1 滚动预测与归一化处理 |
4.3.2 虚拟货币投资组合权重的构建 |
4.4 虚拟货币组合策略设计框架 |
第五章 虚拟货币投资组合交易策略的有效性评价 |
5.1 多种神经网络模型预测精度的有效性评价 |
5.1.1 未加Attention机制的模型预测的有效性评价 |
5.1.2 加入Attention机制的模型预测的有效性评价 |
5.2 不同策略下的虚拟货币投资组合策略的有效性评价 |
5.2.1 SMA交易策略的有效性评价 |
5.2.2 BOLL交易策略的有效性评价 |
5.2.3 MACD交易策略的有效性评价 |
5.3 虚拟货币交易策略风险提示 |
第六章 结论 |
6.1 结论 |
6.2 不足与展望 |
参考文献 |
致谢 |
(7)我国基金经理人绩效评价与影响因素研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外文献综述 |
1.2.1 基金经理人个人特征概述 |
1.2.2 基金经理人能力概述 |
1.2.3 绩效评价方法概述 |
1.2.4 DEA方法在证券投资基金市场中应用概述 |
1.2.5 相关文献评述 |
1.3 研究思路、方法和技术路线 |
1.3.1 研究思路 |
1.3.2 研究方法 |
1.3.3 技术路线 |
1.4 主要研究内容 |
1.5 创新之处 |
第2章 基金经理人与其绩效评价方法概述 |
2.1 基金及基金经理人类型 |
2.2 基金经理人个人特征概述 |
2.3 DEA评价方法 |
2.4 本章小结 |
第3章 基金经理人绩效评价实证分析 |
3.1 评价指标体系构建 |
3.2 研究方法 |
3.2.1 基金经理人绩效静态分析方法 |
3.2.2 全局参比Malmquist指数 |
3.3 数据来源及描述性统计特征 |
3.4 基金经理人绩效静态分析 |
3.4.1 负数据处理 |
3.4.2 绩效静态分析实证结果 |
3.5 基金经理人绩效动态分析 |
3.6 标杆分析 |
3.7 本章小结 |
第4章 基金经理人绩效影响因素实证分析 |
4.1 模型介绍 |
4.2 变量选取与模型构建 |
4.2.1 变量选取 |
4.2.2 模型构建 |
4.3 数据统计特征 |
4.4 实证结果分析 |
4.4.1 多重共线性检验 |
4.4.2 回归结果 |
4.5 本章小结 |
第5章 基于均值-双方差模型的分散化投资策略分析 |
5.1 均值-双方差模型构建 |
5.2 实证结果 |
5.3 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录 |
攻读学术论文期间发表的成果 |
致谢 |
(8)中金财富证券高净值客户资产配置方案设计研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容与研究方法 |
1.2.1 研究内容 |
1.2.2 研究方法 |
1.3 研究思路与论文结构 |
1.3.1 研究思路 |
1.3.2 论文结构 |
第二章 相关概念和理论基础 |
2.1 相关概念和理论 |
2.1.1 财富管理 |
2.1.2 资产配置 |
2.1.3 高净值客户 |
2.1.4 Black-Litterman模型 |
2.1.5 美林投资时钟理论 |
2.1.6 马科维兹投资组合理论 |
2.2 国内外发展现状 |
2.2.1 国外发展现状 |
2.2.2 国内发展现状 |
2.3 国内外研究情况以及文献综述 |
2.3.1 国外研究情况 |
2.3.2 国内研究情况 |
2.3.3 文献综述 |
第三章 中金财富证券高净值客户资产配置现状 |
3.1 中金财富证券基本情况 |
3.1.1 基本信息 |
3.1.2 经营现状 |
3.1.3 财务状况 |
3.1.4 股权关系 |
3.1.5 职工情况 |
3.2 中金财富证券高净值客户资产配置现状 |
3.2.1 高净值客户资产配置结构 |
3.2.2 高净值客户资产配置方式 |
3.2.3 高净值客户的资产配置规模 |
3.2.4 高净值客户资产配置趋势 |
3.3 中金财富证券高净值客户资产配置的影响因素 |
3.3.1 产品组合推荐的有效性 |
3.3.2 流动性因素 |
3.3.3 风险收益匹配性 |
3.3.4 网络工具充分利用性 |
3.4 高净值客户贡献情况对比分析 |
第四章 中金财富证券高净值客户资产配置方案设计 |
4.1 资产配置目标 |
4.1.1 总体目标 |
4.1.2 具体配置目标 |
4.2 资产配置方案设计原则 |
4.2.1 适当性原则 |
4.2.2 资产配置多样化原则 |
4.2.3 资产风险适宜原则 |
4.3 资产配置方案设计思路 |
4.4 资产配置方案设计过程 |
4.5 资产配置方案内容 |
4.5.1 资产配置方案设计的方法与途径 |
4.5.2 资产配置组合模型的构建 |
4.5.3 客户服务平台建设 |
4.5.4 高净值客户资产配置方案 |
4.6 资产配置方案风险控制 |
4.6.1 动态优选 |
4.6.2 及时检测 |
4.6.3 全程跟踪 |
4.6.4 专业投后 |
4.7 资产配置方案的定制化、私享化 |
第五章 中金财富证券高净值客户资产配置方案的评价以及保障措施 |
5.1 资产配置方案的评价 |
5.1.1 资产配置方案的收益分析 |
5.1.2 资产配置方案的评价 |
5.2 资产配置方案实施保障措施 |
5.2.1 流程管理体系的再造和规范 |
5.2.2 利用知识专家的力量完善客户资产配置的专业性和确定性 |
5.2.3 构建有效的资产配置服务模式 |
5.2.4 IT技术管理体系的完善提高整体的工作效率 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 后期展望 |
参考文献 |
附录 A 图目录 |
附录 B 表目录 |
致谢 |
作者简历 |
(9)家庭金融投资风险的统计测度及其规避路径研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 背景与意义 |
1.2 文献综述 |
1.2.1 关于家庭金融投资风险内涵的研究 |
1.2.2 关于家庭金融投资风险测度问题的研究 |
1.2.3 关于家庭金融投资风险规避路径问题的研究 |
1.2.4 文献述评 |
1.3 研究目的、思路、方法与内容 |
1.3.1 研究目的 |
1.3.2 研究思路 |
1.3.3 研究方法 |
1.3.4 内容结构 |
1.4 创新点 |
2 家庭金融投资风险及其形成与规避机制分析 |
2.1 家庭金融投资与家庭金融投资风险 |
2.1.1 家庭金融投资 |
2.1.2 家庭金融投资风险 |
2.1.3 家庭金融投资风险的规避 |
2.2 投资组合理论简介 |
2.2.1 投资组合理论的产生与发展 |
2.2.2 投资组合理论的基本框架 |
2.2.3 投资组合理论的实践意义 |
2.3 家庭金融投资风险的形成与规避机制分析 |
2.3.1 家庭金融投资风险的形成机制分析 |
2.3.2 家庭金融投资风险的规避机制分析 |
2.3.3 家庭金融投资风险的规避路径分析 |
3 家庭金融投资风险测度与规避模型的构建 |
3.1 相关假设与符号定义 |
3.1.1 背景假设 |
3.1.2 符号定义 |
3.2 家庭金融投资风险测度模型的构建 |
3.3 家庭金融投资风险规避模型的构建 |
4 相关变量的统计定义、数据采集及整理 |
4.1 相关变量的统计定义 |
4.1.1 家庭金融投资风险测度模型相关变量的统计定义 |
4.1.2 家庭金融投资风险规避模型相关变量的统计定义 |
4.2 相关变量的数据采集 |
4.2.1 家庭金融投资风险测度指标的数据采集 |
4.2.2 家庭金融投资风险规避指标的数据采集 |
4.3 相关变量的数据整理 |
4.3.1 家庭金融投资风险测度指标的数据整理 |
4.3.2 家庭金融投资风险规避指标的数据整理 |
5 实证分析 |
5.1 家庭金融投资风险的测度 |
5.2 家庭金融投资风险形成原因分析 |
5.3 家庭金融投资风险规避路径分析 |
5.3.1 模型的有效性检验 |
5.3.2 家庭金融投资最优结构分析 |
5.3.3 家庭金融投资风险规避分析 |
6 结论与建议 |
6.1 结论 |
6.2 对策与建议 |
6.3 未来研究展望 |
参考文献 |
附录 |
作者简历 |
致谢 |
(10)Robust估计在投资组合问题中的应用研究(论文提纲范文)
1 背景分析 |
2 理论基础 |
2.1 Markowiz均值-方差投资组合模型 |
2.2 鲁棒估计投资组合模型的建立 |
2.2.1 鲁棒性 |
2.2.2 损失函数 |
2.2.3 鲁棒估计投资组合模型 |
3 投资组合模型的实证分析 |
3.1 数据选取与分析 |
3.2 数据的正态性检验 |
3.3 传统投资组合与鲁棒投资组合有效边界的分析 |
3.4 传统投资组合权重与鲁棒投资组合权重的稳健性分析 |
3.5 传统投资组合权重与鲁棒投资组合权重的绩效指标 |
4 结论与建议 |
四、具有交易成本的组合投资有效边界的研究(论文参考文献)
- [1]股票市场投资组合选择的均值MF-X-DMA模型构建与应用研究[D]. 叶鑫. 中国矿业大学, 2021
- [2]巨灾债券对投资组合的影响研究 ——基于GARCH-Copula的风险度量[D]. 任月明. 大连理工大学, 2021(01)
- [3]TH公司长期投资风险管理问题研究[D]. 张彤. 长春工业大学, 2021(08)
- [4]基于深度强化学习的投资组合策略研究[D]. 范晓玉. 大连理工大学, 2021(01)
- [5]虚拟电厂多类型资源优化组合及运行策略研究[D]. 云秋晨. 北京交通大学, 2021
- [6]基于PLSTM-ATT的虚拟货币投资组合策略设计[D]. 贺鑫. 上海师范大学, 2021(07)
- [7]我国基金经理人绩效评价与影响因素研究[D]. 田敏. 山东财经大学, 2021(12)
- [8]中金财富证券高净值客户资产配置方案设计研究[D]. 罗中岚. 兰州大学, 2021(12)
- [9]家庭金融投资风险的统计测度及其规避路径研究[D]. 朱玉芳. 河北经贸大学, 2021(12)
- [10]Robust估计在投资组合问题中的应用研究[J]. 陈亚男,朱睿,毕缘媛. 皖西学院学报, 2021(02)