论文摘要
投资组合的选择和优化一直是金融业的一个基本问题,存在维度和市场风险的挑战。本文着重于对被动投资组合管理的主流策略——指数追踪进行建模,同时考虑了非卖空,市场波动性,交易成本和变量选择等限制因素。被动投资组合管理的目的是精确地复制金融指数的表现,它要求正则化估计方法在高维和非负约束条件下具有稀疏性。我们分析了一些解决相关问题的统计方法,其中Lasso估计方法对回归系数向量采用L1惩罚,具备变量选择功能,但其在高度相关的变量中表现不佳。岭回归的L2惩罚能带来比较精确的估计,但缺乏稀疏性。为了提高变量选择的估计精度,我们用Huber准则的反转版本作为混合惩罚函数,称为BerHu惩罚。该惩罚函数相对较小的系数会使L1范数成为惩罚项,将一些系数压缩为零(如Lasso);同时类似岭估计的方式缩小较大的系数。基于BerHu惩罚函数,我们提出了的非负约束条件下的非负BerHu估计,并且给出了非负BerHu的不可表示性条件,证明了非负BerHu在该条件下具有良好的变量选择一致性。随后我们提出了一种有效的算法来求解非负BerHu估计,从而实现快速计算。在数值模拟和实证部分,我们将非负BerHu与非负Lasso和非负自适应Lasso方法进行了比较,发现非负BerHu均有相对突出的表现。实证中,我们针对这三方法分别选择出20只成份股来跟踪沪深300指数,通过非负BerHu得到的投资组合策略具有较小的拟合和预测误差,表明该估计方法在股票市场中的资产选择问题上具有一定的可用性和有效性。
论文目录
文章来源
类型: 硕士论文
作者: 林垚
导师: 杨虎
关键词: 回归模型,非负,指数跟踪,变量选择
来源: 重庆大学
年度: 2019
分类: 基础科学,经济与管理科学
专业: 数学,宏观经济管理与可持续发展,金融,证券,投资
单位: 重庆大学
分类号: F832.5;F224
DOI: 10.27670/d.cnki.gcqdu.2019.000034
总页数: 36
文件大小: 2228K
下载量: 7
相关论文文献
- [1].基于惩罚方法的贝叶斯群组变量选择[J]. 绵阳师范学院学报 2017(02)
- [2].当前状态数据中比例风险模型的一种贝叶斯变量选择方法(英文)[J]. 中国科学技术大学学报 2020(10)
- [3].中位数回归的贝叶斯变量选择方法[J]. 应用概率统计 2019(06)
- [4].变量选择集成方法[J]. 工程数学学报 2019(01)
- [5].基于风险函数评价自变量选择对预测的影响[J]. 哈尔滨师范大学自然科学学报 2012(01)
- [6].变量选择偏离对预测的影响研究[J]. 统计与决策 2016(12)
- [7].基于特征子空间虚假邻点判别的软传感器模型变量选择[J]. 机械工程学报 2011(12)
- [8].函数型变量选择法用于空气质量影响因素实证分析[J]. 安庆师范大学学报(自然科学版) 2017(04)
- [9].污染数据的稳健稀疏成组变量选择方法研究[J]. 统计与信息论坛 2018(06)
- [10].应用统计类专业探究性教学模式探索与实践——以变量选择准则为例[J]. 赤峰学院学报(自然科学版) 2014(19)
- [11].基于两种非凸惩罚函数的稀疏组变量选择[J]. 应用数学与计算数学学报 2018(03)
- [12].基于t函数的稳健变量选择方法[J]. 上海理工大学学报 2017(06)
- [13].高维部分线性小波模型中的变量选择[J]. 宁波工程学院学报 2018(02)
- [14].个人住房抵押贷款违约相关变量选择[J]. 现代管理科学 2009(04)
- [15].Ensemble-SISPLS近红外光谱变量选择方法[J]. 光谱学与光谱分析 2019(04)
- [16].含函数型自变量回归模型中的变量选择[J]. 北京航空航天大学学报 2019(10)
- [17].基于变量选择和聚类分析的两阶段异方差模型估计[J]. 应用概率统计 2018(02)
- [18].基于可见-近红外光谱变量选择的土壤全氮含量估测研究[J]. 中国农业科学 2014(12)
- [19].基于M-估计单指标模型的变量选择[J]. 兰州理工大学学报 2017(06)
- [20].比例数据的贝叶斯变量选择[J]. 数理统计与管理 2018(03)
- [21].主因子逼近方法在变量选择中的应用[J]. 湖南理工学院学报(自然科学版) 2019(01)
- [22].基于自加权变量组合集群分析法的近红外光谱变量选择方法研究[J]. 分析化学 2018(01)
- [23].基于迭代光滑L_(1/2)算法的变量选择[J]. 应用数学与计算数学学报 2016(01)
- [24].高维部分线性模型中的变量选择[J]. 北京工业大学学报 2011(02)
- [25].一种基于频率与回归系数相结合的自举柔性收缩变量选择方法[J]. 仪器仪表学报 2020(01)
- [26].探究变量选择的常见方法[J]. 通讯世界 2019(03)
- [27].几种高维变量选择方法的比较及应用[J]. 统计与决策 2017(22)
- [28].变系数模型的变量选择[J]. 统计与决策 2016(12)
- [29].贝叶斯变量选择及模型平均的研究[J]. 统计与信息论坛 2015(08)
- [30].分位数回归模型中的两步变量选择(英文)[J]. 上海师范大学学报(自然科学版) 2015(03)