本文關(guān)鍵詞：粒子群優(yōu)化算法在投資組合中的應(yīng)用

  更多相關(guān)文章： 期望收益率 CVaR 投資組合 粒子群優(yōu)化算法

【摘要】：最近數(shù)年,中國股市比較低迷,投資者需要更慎重地權(quán)衡收益率和風險以做出合理的投資決策。相比于方差和風險價值(VaR),條件風險價值(CVaR)更能說明潛在的風險大小,同時具有良好的統(tǒng)計性質(zhì);但是均值-CVaR模型直接求解較為困難,尤其是維數(shù)較高時,所以常常選擇隨機搜索策略來求解,即使無法找到最優(yōu)解,也有很大概率得到近似的最優(yōu)解。標準的粒子群算法原理簡單、參數(shù)少、容易實現(xiàn),但后期收斂慢、精度低;本文在研究均值-CVaR模型特點的基礎(chǔ)上,對粒子群算法進行改進,加入慣性權(quán)重先增后減、適應(yīng)度變差清零的策略,提高了算法的效率和精度。本文選取了8只來自四個不同板塊的股票的歷史數(shù)據(jù),分別應(yīng)用標準粒子群算法和改進的粒子群算法對均值-CVaR模型和以此為基礎(chǔ)的收益率-風險共同作為目標的投資組合模型求解,主要得出以下成果:(1)改進的算法在迭代次數(shù)更少的情況下,得出的投資組合收益率更高同時CVaR更低,證明改進的算法更有效;(2)得出期望收益率和CVaR之間存在近似的“帕累托最優(yōu)”曲線,曲線表明在期望收益率較低時,可以通過改變投資組合提高期望收益率,而同時保證CVaR不會明顯增大;但當期望收益率已經(jīng)比較高時,再繼續(xù)提高就必然面臨CVaR的大幅提高。(3)2014下半年至今,中國股市處于高風險高收益情況。本文多次運行程序,得出的最優(yōu)投資組合是每天0.15%的期望收益率,同時每天5%的可能面臨6.66%的損失。
【關(guān)鍵詞】：期望收益率 CVaR 投資組合 粒子群優(yōu)化算法
【學位授予單位】：廣東財經(jīng)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;F830.59
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 1 緒論8-13
• 1.1 選題背景8-9
• 1.2 選題意義和實踐價值9-10
• 1.2.1 理論意義9
• 1.2.2 實踐價值9-10
• 1.3 研究綜述10-12
• 1.3.1 投資組合研究綜述10
• 1.3.2 粒子群算法研究綜述10-11
• 1.3.3 研究述評11-12
• 1.4 本文研究內(nèi)容12-13
• 1.4.1 主要內(nèi)容12
• 1.4.2 本文可能創(chuàng)新之處12-13
• 2 投資組合理論13-27
• 2.1 基本概念13-15
• 2.1.1 投資收益13-14
• 2.1.2 投資風險14-15
• 2.2 馬科維茨的投資組合理論15-16
• 2.3 VaR模型16-21
• 2.3.1 VaR的概念16-17
• 2.3.2 VaR的性質(zhì)17-18
• 2.3.3 VaR的計算18-19
• 2.3.4 均值-VaR模型與均值-方差-VaR模型19-20
• 2.3.5 VaR的優(yōu)點和不足20-21
• 2.4 CVaR模型21-27
• 2.4.1 CVaR介紹21-22
• 2.4.2 CVaR的性質(zhì)22
• 2.4.3 CVaR、VaR、方差三者的比較22-23
• 2.4.4 CVaR的計算23-25
• 2.4.5 均值-CVaR模型的建立和求解25
• 2.4.6 風險收益共同作為目標的投資組合模型的建立和求解25-27
• 3 粒子群優(yōu)化算法27-36
• 3.1 算法簡介27
• 3.2 算法原理27-30
• 3.3 算法改進30-33
• 3.3.1 局部改進30-31
• 3.3.2 整體改進31
• 3.3.3 幾種已有經(jīng)典改進方案31-33
• 3.3.4 本文的改進策略33
• 3.4 算法搭建——針對均值-CVaR模型33-35
• 3.4.1 參數(shù)設(shè)置33-34
• 3.4.2 編碼方式34
• 3.4.3 適應(yīng)度函數(shù)34-35
• 3.4.4 算法實現(xiàn)過程35
• 3.5 算法搭建——針對收益風險共同作為目標的投資組合模型35-36
• 4 現(xiàn)實數(shù)據(jù)實驗36-46
• 4.1 樣本選擇36-37
• 4.2 均值-CVaR模型的建立37-38
• 4.2.1 模型中的參數(shù)37-38
• 4.2.2 算法中的參數(shù)38
• 4.2.3 適應(yīng)度函數(shù)38
• 4.3 收益風險共同作為目標的投資組合模型建立38-39
• 4.4 粒子群算法求解過程39
• 4.5 實驗工具39-40
• 4.6 實驗結(jié)果40-46
• 4.6.1 均值-CVaR模型實驗40-43
• 4.6.2 收益風險共同作為目標的投資組合模型實驗43-46
• 5 總結(jié)與展望46-48
• 5.1 論文總結(jié)46
• 5.2 展望46-48
• 參考文獻48-50
• 附錄50-58
• 致謝58

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 蒙正中;;一種改進的混合粒子群優(yōu)化算法[J];桂林工學院學報;2009年03期

2 吳昌友;王福林;馬力;;一種新的改進粒子群優(yōu)化算法[J];控制工程;2010年03期

3 周馳,高海兵,高亮,章萬國;粒子群優(yōu)化算法[J];計算機應(yīng)用研究;2003年12期

4 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計算機工程與應(yīng)用;2004年06期

5 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學院學報;2004年04期

6 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計算機科學;2004年08期

7 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進算法求解混合整數(shù)非線性規(guī)劃問題[J];小型微型計算機系統(tǒng);2005年06期

8 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學學報(自然科學版);2005年10期

9 竇全勝;周春光;馬銘;劉全;;群核進化粒子群優(yōu)化方法[J];計算機科學;2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學;;基于運動目標路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學會第八屆學術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國計算（機）化學學術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學術(shù)會議論文集（第三分冊）[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應(yīng)用研究[D];北京理工大學;2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學;2013年

3 劉華鎣;粒子群優(yōu)化算法的改進研究及在石油工程中的應(yīng)用[D];東北石油大學;2012年

4 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應(yīng)用研究[D];中北大學;2011年

5 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學;2005年

6 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學;2007年

7 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學;2008年

8 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學;2007年

9 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學;2007年

10 徐慧;粒子群優(yōu)化算法改進及其在煤層氣產(chǎn)能預(yù)測中的應(yīng)用研究[D];中國礦業(yè)大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學;2015年

2 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學;2015年

3 曾祥琦;基于時差法的結(jié)構(gòu)裂紋擴展定位研究[D];南京航空航天大學;2015年

4 徐向平;粒子群優(yōu)化算法及其在生物數(shù)據(jù)聚類中的應(yīng)用[D];江南大學;2016年

5 楊博宇;多群協(xié)同多目標粒子群優(yōu)化算法及其應(yīng)用研究[D];東北大學;2014年

6 趙俊波;基于改進粒子群優(yōu)化算法的人員疏散問題研究[D];遼寧科技大學;2016年

7 李萬程;基于改進粒子群優(yōu)化算法的圖像去噪和圖像分割研究[D];天津工業(yè)大學;2016年

8 朱潤水;基于多目標粒子群優(yōu)化的SDN網(wǎng)絡(luò)能耗感知負載均衡研究[D];山東大學;2016年

9 王培坤;多粒子群優(yōu)化算法的串行硬件結(jié)構(gòu)實現(xiàn)[D];華南理工大學;2016年

10 趙亞光;多目標粒子群優(yōu)化算法研究及在HEV參數(shù)優(yōu)化中應(yīng)用[D];南京信息工程大學;2016年

，

本文編號：1057058