【摘要】：投資者都希望獲取盡可能高的收益、面臨盡可能低的風(fēng)險,但高收益往往伴隨著高風(fēng)險,尤其是以高收益高風(fēng)險著稱的股票投資。對此人們試圖通過構(gòu)建股票組合的方式降低風(fēng)險,但在經(jīng)濟(jì)形式整體下行時,無論組合中包含多少支股票都無法避免損失。期權(quán)的出現(xiàn)給廣大股民帶來一線生機(jī),因為期權(quán)不僅具有一般衍生品的高杠桿性,同時還具有保障功能。2015年2月我國第一支非商品期權(quán)——上證50etf期權(quán)上市流通,由于當(dāng)前我國資本市場還不成熟,上證50etf期權(quán)的交易存在諸多限制。交割方式也并非傳統(tǒng)的價差交割而是采用實物交割,實物買進(jìn)和賣出的成本會減少收益甚至帶來損失,因此驗證實際交易中上證50etf期權(quán)是否能像理論中的期權(quán)那樣在有效是有必要的。粒子群算法作為一種人工智能優(yōu)化算法,因收斂速度快、容易實現(xiàn)且不要求被優(yōu)化函數(shù)具有可微、可導(dǎo)、連續(xù)等性質(zhì)而被越來越多的應(yīng)用于各種問題的求解。但隨著投資組合問題研究的不斷深入,各種約束條件的加入使其越來越復(fù)雜,對于求解算法的性能要求也越來越高,因此對粒子群算法進(jìn)行改進(jìn)是有必要且有意義的。本文所做的主要工作為:(1)結(jié)合我國資本市場實際交易費用、證券數(shù)量限制等情況,提出考慮交易成本、證券最小交易單位等約束條件,并融入上證50etf期權(quán)的均值-CvaR模型。(2)基于復(fù)形PSO及動態(tài)因子PSO,將二者優(yōu)化思想結(jié)合提出一種基于慣性權(quán)重動態(tài)因子的復(fù)形PSO算法,并運用基準(zhǔn)函數(shù)對改進(jìn)后的算法進(jìn)行仿真模擬測試。仿真結(jié)果表明改進(jìn)后的算法求解結(jié)果最優(yōu)、收斂速度最快,即改進(jìn)后的算法性能更好。(3)選取8支上證50etf成分股以及上證50etf平值認(rèn)購、認(rèn)沽期權(quán)構(gòu)建投資組合,對改進(jìn)后的算法以及文中參考的兩種算法進(jìn)行編碼調(diào)整使算法適用于投資組合這類離散問題的求解。用調(diào)整后的三種算法分別對資本市場處于上升、下降以及平穩(wěn)震蕩三種狀態(tài)下的加入期權(quán)的投資組合進(jìn)行求解。通過求解結(jié)果中期權(quán)的數(shù)量判斷期權(quán)在該市場狀態(tài)下的有效性、通過求解結(jié)果所對應(yīng)的適應(yīng)度值判斷各算法在投資組合問題求解中的表現(xiàn)。實證結(jié)果表明:在資本市場呈上升趨勢時,期權(quán)能夠充分發(fā)揮其杠桿作用;資本市場呈下降趨勢時,期權(quán)的加入能夠減少損失,此時期權(quán)充分發(fā)揮了保障作用,因此,在上漲和下跌兩種趨勢下期權(quán)是有效的。結(jié)合了兩種改進(jìn)思想的算法充分發(fā)揮了兩種思想的優(yōu)勢,不論求解連續(xù)性問題還是求解投資組合這類離散性問題總能得到最小的適應(yīng)度值,即相對另外兩種算法性能有顯著的提升。
【圖文】：

復(fù)形法中點的運動軌跡Fig.3-2ThetrajectoryofthePointinthecomplexmethod

走勢如圖 4-2 所示。由走勢圖可粗略看出，2016 年 12 月—2017 年 4 月末，大盤整處于平穩(wěn)震蕩的狀態(tài)；2017 年 5 月初—2017 年末，市場整體處于上升趨勢；2018 1 月中—2018 年 8 月末，市場整體處于下降趨勢。因上證 50etf 期權(quán)行權(quán)時間存在份及日期限制，只能在到期月份的第四個星期三行權(quán)，因此應(yīng)設(shè)定每個趨勢區(qū)間的后一天為實際中期權(quán)的可行權(quán)日。期權(quán)的行權(quán)方式及可行權(quán)日期較股票等證券特殊，因此，應(yīng)根據(jù)期權(quán)市場中實際流通的期權(quán)情況逆向確定各趨勢區(qū)間的開始日期。同時，，假定投資者會將期權(quán)持有至到期而不會在持有期間出售期權(quán)。實證部分股及期權(quán)用到的原始數(shù)據(jù)均來自東方財富 choice 數(shù)據(jù)庫，實證結(jié)果均由 matlab2016b算得出。
【學(xué)位授予單位】：天津商業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F832.5;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳建新;崔廣才;;基于改進(jìn)粒子群算法的函數(shù)優(yōu)化研究[J];電腦迷;2018年01期

2 周慧;;基于粒子群算法的最優(yōu)值求解[J];科技廣場;2017年12期

3 吳豐;郭曉娟;;基于混合粒子群算法的船舶穩(wěn)定性分析[J];艦船科學(xué)技術(shù);2018年14期

4 鄧廣彪;;改進(jìn)的粒子群算法在云計算下的數(shù)據(jù)挖掘中的研究[J];科技通報;2017年04期

5 張釗旭;王志杰;李建辰;王貴奇;許軍;楊進(jìn)候;;一種基于模擬退火-改進(jìn)二進(jìn)制粒子群算法的測試優(yōu)化選擇方法[J];水下無人系統(tǒng)學(xué)報;2017年03期

6 朱俚治;王興虎;;試談粒子群算法[J];電腦編程技巧與維護(hù);2017年11期

7 朱寶;;基于改進(jìn)粒子群算法的盾構(gòu)掘進(jìn)施工優(yōu)化研究[J];遼寧科技學(xué)院學(xué)報;2017年03期

8 袁正午;李君琪;;基于改進(jìn)粒子群算法的云資源調(diào)度[J];計算機(jī)工程與設(shè)計;2016年02期

9 江嘉偉;毋文峰;;一種改進(jìn)的粒子群算法[J];電腦編程技巧與維護(hù);2016年06期

10 張衛(wèi)明;周慶忠;黎武;;基于改進(jìn)粒子群算法的野戰(zhàn)油庫選址優(yōu)化[J];兵器裝備工程學(xué)報;2016年08期

相關(guān)會議論文 前10條

1 熊偉麗;徐保國;;單個粒子收斂中心隨機(jī)攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

2 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會議膨脹節(jié)設(shè)計、制造和應(yīng)用技術(shù)論文選集[C];2010年

3 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會論文集(上)[C];2012年

4 王征;劉大寶;王家林;王永驥;;基于離散粒子群算法的船舶電力系統(tǒng)重構(gòu)研究[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

5 王波;肖健梅;王錫淮;;基于改進(jìn)粒子群算法的車輛路徑問題研究[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

6 張頂學(xué);關(guān)治洪;劉新芝;;多種群并行粒子群算法研究[A];第二十六屆中國控制會議論文集[C];2007年

7 黃勝;任萬龍;王超;何新;;多目標(biāo)粒子群算法在翼型優(yōu)化的應(yīng)用[A];第二十五屆全國水動力學(xué)研討會暨第十二屆全國水動力學(xué)學(xué)術(shù)會議文集（上冊）[C];2013年

8 王瑩;盛四清;;基于改進(jìn)粒子群算法的電壓薄弱區(qū)域恢復(fù)[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（上冊）[C];2008年

9 孟繁敏;楊彬;張其林;;改進(jìn)的粒子群算法在鋼框架截面優(yōu)化中的應(yīng)用[A];第十三屆全國現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會論文集[C];2013年

10 孔憲仁;秦玉靈;羅文波;;帶飛行因子的粒子群算法的鋁蜂窩板模型修正[A];結(jié)構(gòu)及多學(xué)科優(yōu)化工程應(yīng)用與理論研討會’2009（CSMO-2009）論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 鐘繼如;基于混合粒子群算法的小沖桿試驗預(yù)測材料強(qiáng)度的研究[D];華東理工大學(xué);2019年

2 劉天宇;基于協(xié)作學(xué)習(xí)和文化進(jìn)化機(jī)制的量子粒子群算法及應(yīng)用研究[D];西安電子科技大學(xué);2017年

3 孟麗;粒子群算法及其在分?jǐn)?shù)階系統(tǒng)辨識中的應(yīng)用研究[D];華北電力大學(xué)(北京);2016年

4 韓佳偉;多層級蘋果預(yù)冷過程模擬及預(yù)冷控制決策優(yōu)化[D];北京工業(yè)大學(xué);2018年

5 雷開友;粒子群算法及其應(yīng)用研究[D];西南大學(xué);2006年

6 王芳;粒子群算法的研究[D];西南大學(xué);2006年

7 楊輕云;約束滿足問題與調(diào)度問題中離散粒子群算法研究[D];吉林大學(xué);2006年

8 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

9 王雪飛;粒子群算法的動態(tài)拓樸結(jié)構(gòu)研究[D];西南大學(xué);2008年

10 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王源;基于混合粒子群算法的三軸氣浮臺平臺優(yōu)化設(shè)計[D];沈陽工業(yè)大學(xué);2019年

2 賈波凱;基于改進(jìn)粒子群算法的柴油機(jī)調(diào)速策略研究[D];中國艦船研究院;2019年

3 張宇豐;基于多目標(biāo)粒子群算法的多約束組合優(yōu)化問題研究[D];西安理工大學(xué);2019年

4 馬丹丹;基于改進(jìn)粒子群算法的雙定子無刷雙饋電機(jī)轉(zhuǎn)子優(yōu)化設(shè)計[D];沈陽工業(yè)大學(xué);2019年

5 李天卓;基于并行化混合粒子群算法的網(wǎng)絡(luò)入侵檢測技術(shù)研究[D];上海師范大學(xué);2019年

6 畢瑩;基于粒子群算法的多目標(biāo)優(yōu)化方法研究[D];哈爾濱工程大學(xué);2019年

7 張曉寒;基于混合粒子群算法的車間調(diào)度研究及管理系統(tǒng)設(shè)計[D];武漢科技大學(xué);2019年

8 胡松琪;量子粒子群算法的研究及應(yīng)用[D];蘭州理工大學(xué);2019年

9 蔡江華;基于有限理性的主從博弈穩(wěn)定性和算法研究[D];貴州大學(xué);2019年

10 徐慧;基于改進(jìn)粒子群算法的投資組合優(yōu)化研究[D];天津商業(yè)大學(xué);2019年

本文編號：2711611