投資組合能夠通過分散投資者或金融機構持有的資金,有效地降低投資風險。投資組合所研究的數(shù)據(jù)為典型時序數(shù)據(jù),若選取的投資組合之間的時序相關性較大,則不能夠真正地分散投資風險,并且其主要通過分析歷史時序數(shù)據(jù)而進行資產(chǎn)配置,未能有效地應對未來金融市場的風險。因此,研究時序聚類獲取低風險的投資組合以及在有效的時序預測數(shù)據(jù)下進行投資組合策略研究具有重要意義。針對投資組合間時序相關性較大的問題,根據(jù)金融時序聚類可行性分析,提出基于AP聚類的時間序列聚類方法進行投資組合選擇。分析利用AP聚類應用于投資組合聚類選擇的優(yōu)點,同時針對原AP聚類算法中因數(shù)據(jù)量過大以及較高時間維度而造成聚類數(shù)目較多且不可控的問題進行改進,提出一種可控式的AP聚類算法,該算法在原有的AP聚類算法中設置可控參數(shù),從而對聚類結果進行控制,為投資者提供靈活的投資組合選擇方式。針對由歷史數(shù)據(jù)進行投資組合資產(chǎn)配置不能夠有效應對金融市場未來風險的問題,提出基于LSTM對已選投資組合的各數(shù)據(jù)進行預測,根據(jù)預測數(shù)據(jù)計算出各個時序數(shù)據(jù)之間的相關性風險,并結合相關性風險提出一種動態(tài)擇時資產(chǎn)配置方法,為投資者提供有利的投資時機和資產(chǎn)分配比例以應對未來...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖2-5序列A、B、C某時間內的走勢圖如上（a）（b）（c）所示

性也會隨著本身的變化幅度大小，在0與1之間產(chǎn)生較大的數(shù)值差距，則趨勢的相似性的問題，往往會使得歸類的類別不是具有相同趨勢性的類別2-5所示：（a）(b)

圖2-6序列A、B、C走勢重疊圖

第二章相關理論基礎由上述三圖中客觀觀察可知，在3個時序數(shù)據(jù)走勢（已進行平滑化處理）序列A與B的走向十分的相似，相比于序列C的走向而言，無論是升跌及基本走勢與振動頻率，與序列C都有較大的分別，在進行時序相似性聚中，應該將這兩者分為一類，而將序列C作為單獨的....

圖2-7序列A、B、C哈希向量化后的走勢圖（e）（f）（g）及走勢重疊圖（h）

（h）圖2-7序列A、B、C哈希向量化后的走勢圖（e）（f）（g）及走勢重疊圖（h）Fig.2-7ThegraphsofthevectorizedA,B,andChashesareasfollows:(e)(f)(g)andthetren....

圖2-8滬深300指數(shù)2018年全年收盤價數(shù)據(jù)

括必須預先知道的當前預測數(shù)據(jù)與過去多少時間段內數(shù)據(jù)相關的時間段p，和多少時間段內的隨機擾動量相關的時間段q。這兩個參數(shù)必須通過預先的判定進行對模型的訓練，可通過ACF（自相關函數(shù)）以及PACF（偏相關函數(shù)）進定，確定后將采用歷史數(shù)據(jù)，對式子中的參數(shù)即時間段內的各個數(shù)據(jù)對....

本文編號：3948915