本文關(guān)鍵詞：基于R-Vine Copula模型的高維投資組合動態(tài)優(yōu)化算法與實(shí)證研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：2013年阿里“余額寶”的問世,開啟了全民理財(cái)?shù)脑?喚起了全民投資理財(cái)?shù)睦砟?但隨著進(jìn)入2015年國內(nèi)貨幣市場資金面的寬松,各貨幣基金收益逐日下降,而A股市場卻迎來了春天,時(shí)隔多年牛市重啟,眾多缺乏經(jīng)驗(yàn)的投資者們紛紛涌入股市,一時(shí)各大券商柜臺開戶人滿為患,手機(jī)、網(wǎng)絡(luò)開戶也是24小時(shí)不休,隨著股市的節(jié)節(jié)攀升,日交易量、每周新增投資者屢屢創(chuàng)出歷史之最,但好景不長,2015年6月中下旬開始,A股暴跌,眾多投資者們損失慘重。許多投資者紛紛抱怨,牛市沒賺到幾個(gè),熊市血本無歸。那么投資者應(yīng)該采取怎樣的投資策略才能盡可能的規(guī)避這類事情呢?無疑,投資組合優(yōu)化是一大法寶。本文主要研究了基于R-Vine Copula-TGARCH模型和蒙特卡洛模擬技術(shù)的投資組合優(yōu)化算法,這對于部分有能力的個(gè)人投資者和機(jī)構(gòu)投資者而言可以有效借鑒本文算法進(jìn)行投資組合管理,對于市場中介服務(wù)咨詢機(jī)構(gòu)也可以據(jù)此對部分投資者進(jìn)行有效建議。本文首先在廣泛閱讀前人研究成果的基礎(chǔ)之上,結(jié)合相關(guān)理論提出了投資組合動態(tài)優(yōu)化算法,主要是利用ARMA-TGARCH模型來擬合單個(gè)收益率的邊際分布,利用R-Vine Copula模型來刻畫多個(gè)資產(chǎn)之間的聯(lián)合分布及非線性相關(guān)結(jié)構(gòu),利用蒙特卡羅模擬技術(shù)進(jìn)行投資組合的風(fēng)險(xiǎn)和收益的預(yù)測,最后再結(jié)合均值—ES算法進(jìn)行投資組合的優(yōu)化。為驗(yàn)證本文投資組合動態(tài)優(yōu)化的可靠性及有效性,本文選取了中證全指十大行業(yè)指數(shù)作為投資標(biāo)的進(jìn)行實(shí)證研究,結(jié)果表明本文提出的算法,能夠更加準(zhǔn)確、穩(wěn)健地對投資組合的風(fēng)險(xiǎn)測度進(jìn)行度量,投資組合優(yōu)化的結(jié)果能夠?qū)崿F(xiàn)對不同風(fēng)險(xiǎn)偏好程度的投資組合實(shí)現(xiàn)不同水平的收益,在牛市階段成功的實(shí)現(xiàn)了高風(fēng)險(xiǎn)高收益的目標(biāo),且部分投資組合能夠成功超越大盤收益,而在熊市階段也達(dá)到了低風(fēng)險(xiǎn)低損失的預(yù)期,當(dāng)然高風(fēng)險(xiǎn)偏好程度的投資組合會遭受較大損失但仍然小于大盤的損失,同時(shí)本文將其結(jié)果與其他算法的結(jié)果進(jìn)行比較,也證明了本文算法的優(yōu)越性。本文研究的特色之處,一方面在于投資組合標(biāo)的選取的數(shù)量更大更符合投資者實(shí)際情況,另一方面在于本文算法能夠?qū)ν顿Y組合的整體倉位水平進(jìn)行優(yōu)化,這對于投資組合的風(fēng)險(xiǎn)進(jìn)行更有效的控制。
【關(guān)鍵詞】：投資組合動態(tài)優(yōu)化 均值—ES R-Vine Copula 蒙特卡洛模擬
【學(xué)位授予單位】：西南財(cái)經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F224;F832.51
【目錄】：

• 摘要4-6
• Abstract6-11
• 1. 緒論11-20
• 1.1 研究背景及意義11-13
• 1.1.1 研究背景11-12
• 1.1.2 問題的提出12
• 1.1.3 研究意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀與評述13-17
• 1.2.1 投資組合風(fēng)險(xiǎn)度量及優(yōu)化模型相關(guān)研究13-15
• 1.2.2 Copula模型相關(guān)研究15-17
• 1.2.3 文獻(xiàn)評述17
• 1.3 研究內(nèi)容與思路17-18
• 1.4 研究方法18-19
• 1.5 本文研究特色19-20
• 2. Copula模型與投資組合優(yōu)化方法與理論20-41
• 2.1 收益率分布與波動聚集理論20-22
• 2.1.1 ARCH及GARCH模型簡介20-21
• 2.1.2 非對稱GARCH及其擴(kuò)展模型21-22
• 2.2 聯(lián)合分布建模與Copula函數(shù)理論22-29
• 2.2.1 Copula函數(shù)簡介22-23
• 2.2.2 基于Copula函數(shù)的相關(guān)性分析及常用二元Copula函數(shù)23-27
• 2.2.3 條件Copula27-28
• 2.2.4 Copula模型的參數(shù)估計(jì)28-29
• 2.3 高維非線性相關(guān)結(jié)構(gòu)建模與Vine Copula模型29-35
• 2.3.1 基于Pair Copula的多元Copula函數(shù)分解29-31
• 2.3.2 Vine Copula模型的分解結(jié)構(gòu)31-32
• 2.3.3 Vine Copula模型的結(jié)構(gòu)選擇與參數(shù)估計(jì)32-35
• 2.4 風(fēng)險(xiǎn)測度ES的計(jì)量與蒙特卡洛模擬35-38
• 2.4.1 投資組合風(fēng)險(xiǎn)測度相關(guān)定義35-36
• 2.4.2 基于蒙特卡洛模擬的VaR與ES計(jì)算36-37
• 2.4.3 投資組合風(fēng)險(xiǎn)度量的返回檢驗(yàn)37-38
• 2.5 基于均值-ES的投資組合優(yōu)化方法38-40
• 2.6 本章小結(jié)40-41
• 3. 基于R-Vine Copula的投資組合風(fēng)險(xiǎn)度量實(shí)證研究41-56
• 3.1 數(shù)據(jù)的選取與描述41-46
• 3.1.1 數(shù)據(jù)的選取與處理41-42
• 3.1.2 描述性統(tǒng)計(jì)分析42-44
• 3.1.3 分布特征檢驗(yàn)44-46
• 3.2 基于TGARCH模型的收益率邊際分布46-49
• 3.2.1 模型設(shè)定及參數(shù)估計(jì)46-47
• 3.2.2 估計(jì)結(jié)果檢驗(yàn)47-49
• 3.3 基于R-Vine Copula模型的聯(lián)合分布建模49-52
• 3.4 投資組合風(fēng)險(xiǎn)測度ES的度量52-55
• 3.4.1 基于R-Vine Copula模型的投資組合風(fēng)險(xiǎn)度量52-54
• 3.4.2 預(yù)測結(jié)果的準(zhǔn)確性與穩(wěn)健性檢驗(yàn)54-55
• 3.5 本章小結(jié)55-56
• 4. 基于均值-ES算法的投資組合優(yōu)化56-70
• 4.1 投資組合的單期靜態(tài)優(yōu)化56-59
• 4.2 基于均值-ES的投資組合動態(tài)優(yōu)化59-63
• 4.3 投資組合優(yōu)化在牛、熊市不同表現(xiàn)比較63-69
• 4.3.1 投資組合優(yōu)化在牛市的表現(xiàn)63-67
• 4.3.2 投資組合優(yōu)化在熊市的表現(xiàn)67-69
• 4.4 本章小結(jié)69-70
• 5. 結(jié)論與展望70-72
• 5.1 結(jié)論70-71
• 5.2 局限性及展望71-72
• 參考文獻(xiàn)72-76
• 后記76-77
• 致謝77-78
• 在讀期間科研成果目錄78

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫志賓;;混合Copula模型在中國股市的應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;2007年20期

2 李娟;戴洪德;劉全輝;;幾種Copula函數(shù)在滬深股市相關(guān)性建模中的應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;2007年24期

3 李軍;;Copula-EVT Based Tail Dependence Structure of Financial Markets in China[J];Journal of Southwest Jiaotong University(English Edition);2008年01期

4 許建國;杜子平;;非參數(shù)Bernstein Copula理論及其相關(guān)性研究[J];工業(yè)技術(shù)經(jīng)濟(jì);2009年04期

5 王s

本文編號：254991