导读:本文包含了证券组合投资优化论文开题报告文献综述及选题提纲参考文献，主要关键词:差分进化算法,数据累加,数据累减,证券投资组合
证券组合投资优化论文文献综述
陈霞[1]（2019）在《智能优化算法在证券投资组合中的应用研究》一文中研究指出证券投资组合优化计算问题是人们关注的热点、难点问题。目前对其进行的研究主要集中于遗传算法、二次规划法、蚁群算法等方面,得到的结果也比较多。但这些算法仍有不足之处,并且对其投资组合中出现的数据随机性和波动性没有得到很好地解决。本文主要针对数据处理和算法等方面展开工作。一是利用数据累加和数据累减技术,对证券投资组合问题中选取的数据进行平滑处理,较好地解决了原始数据中随机性和波动性问题。二是分别采用差分进化算法和遗传算法,对证券投资组合问题进行求解。通过对采集到的原始数据累加与累减处理后,在保持组合收益不变的情况下,再进行优化计算。本文结果表明,一方面比较遗传算法和差分进化算法,后者结果更适宜于本文所讨论的投资模型;另一方面将文中计算得到的风险系数与文献[1]中得到的风险系数对比发现,文中的结果更精确。由此可知,对于证券投资组合问题,运用数据累加与累减技术和差分进化算法相结合的方法来解决是比较有优势的。(本文来源于《华北水利水电大学》期刊2019-05-30）
陈国福,陈小山,张瑞[2]（2018）在《基于引力搜索和粒子群混合优化算法的证券投资组合问题研究》一文中研究指出本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。(本文来源于《运筹与管理》期刊2018年09期）
王迪[3]（2016）在《基于模糊熵的证券投资组合优化模型研究》一文中研究指出证券投资的根本目的在于获取收益,然而收益通常伴随着风险,因此,合理的控制风险对于投资者来说至关重要。20世纪50年代,Markowitz提出均值—方差模型,开创了投资组合量化研究的先河。但是,Markowitz提出的风险度量指标——方差,存在诸如极端权重、参数估计不稳定、协方差矩阵变量众多等缺陷,这在很大程度上影响了其在实证研究中的稳定性和说服力。近年来,由于信息熵指标能够更好地度量不确定情况下金融资产收益的风险特征和推断资产收益的概率分布,学者们不断对信息熵进行更加深入的拓展研究,提出了诸如模糊熵、剩余熵、混合熵、正弦熵等概念来进行投资组合风险度量。基于此,论文选取2013-2015年沪深两市股票的日交易数据,以证券风险为研究对象,沿袭Markowitz均值—方差模型的思路,先后建立基于模糊熵和混合熵风险测度的投资组合模型并加入Yager熵约束和流动性约束对模型进行优化,通过数值算例仿真和实证研究检验模型的效率,主要工作如下：(1)论文系统性地回顾和总结了证券风险度量理论研究和应用研究的发展历程,在前人研究的基础上,确立了以模糊熵为证券风险度量核心的研究主题；(2)通过收集2013-2015年沪深两市各十只股票的日交易数据,并利用马尔科夫方法对数据进行处理,获取证券模糊收益率数据,为论文后续研究奠定基础：(3)以“可信性”为模糊数隶属度计量方法,建立模糊熵-Yager熵投资组合模型,通过数值算例仿真和实证检验发现,Yager熵约束能够在几乎不损失收益率的情况下极大地改善投资组合资金分配比例。在模糊熵—Yager熵投资组合模型的基础上加入换手率指标作为流动性约束条件,通过实证研究发现,在证券市场整体趋势良好的情况下使用加入流动性约束的模糊熵—Yager熵模型能够在控制风险的基础上获取超额收益；(4)结合模糊不确定性与随机不确定性,建立均值—方差—混合熵投资组合模型,通过数值算例仿真和横向对比研究发现,模型能够有效的度量宏观和微观风险,实证表现优于其它单一风险指标测度模型。在均值—方差—混合熵投资组合模型的基础上加入Yager熵约束进行优化,通过实证研究发现,模型的稳定性得到增强,能够有效规避波动风险；(5)根据实证研究的结果,针对不同市场状况提出相应的对策和建议,为投资者和监管者提供一定的决策支持。(本文来源于《北京化工大学》期刊2016-05-25）
孙冲,侯为波[4]（2015）在《基于区间数的证券投资组合模糊优化模型》一文中研究指出文章提出证券组合投资的多目标区间数线性规划问题,研究基于区间数建立的模糊优化模型.从投资者角度考虑不同参数下的有效投资方案,使投资过程更接近于实际情况,更具有柔性.(本文来源于《淮北师范大学学报(自然科学版)》期刊2015年03期）
李章晓,宋薇,张兴义[5]（2015）在《基于带决策者偏好多目标优化的证券组合投资研究》一文中研究指出对证券投资者而言,投资的收益和风险是其关注的两个主要方面。多目标优化方法可以得到大量的不同投资组合,而投资者往往仅对其中的部分重要投资组合感兴趣,这就需要投资者花费大量的精力选择其感兴趣的投资组合。利用带决策者偏好的多目标优化算法KR-NSGA-II对投资收益和风险进行多目标优化,并通过实证分析进行了验证。从实验结果可以看出,KR-NSGA-II仅搜索投资者感兴趣的投资组合,从而节省了投资者进行选择的大量时间。(本文来源于《合肥师范学院学报》期刊2015年03期）
高振斌[6]（2015）在《基于可能度的模糊证券投资组合优化模型》一文中研究指出针对证券投资中存在的不确定性,采用模糊理论中的叁角模糊数,解决投资收益率解决最大与风险损失率最小的双目标模糊优化问题。在模糊数λ-水平给定的情况下,将此问题转化为叁个单目标的问题:净收益最大化模型;最大风险最小化模型;风险偏好下的风险收益模型。采用可能度的概念,得到相应的叁个单目标清晰形式的线性规划模型。算例表明所提出的方法是有效和可行的。(本文来源于《统计与信息论坛》期刊2015年05期）
邱云[7]（2015）在《基于均值-CVaR-熵的证券投资组合优化及实证研究》一文中研究指出近期中国股市行情一直走高的背景下,股票投资再次成为大众投资的首选,如何进行股票组合的选取以及对风险的度量在投资过程中更凸显其重要性。而投资组合理论是投资学从古到今一直在研究的课题之一,它主要解决的问题就是如何把一定数量的资金分配到不同的资产中,在小于给定风险水平的情况下最大化收益或者在收益一定的情况下最小化风险。为了得到股票的最优投资组合,很多学者在现代投资组合理论的基础上,从风险度量着手,分别用方差、在险价值(Value at Risk, VaR)、条件在险价值(Conditional Value at Risk,CVaR)来度量风险。而近年来有学者提出了运用信息熵来度量风险,并付之实践,得出的结果也很理想,熵的概念很简单,又满足一致性风险度量,所以使之成为学者们研究金融风险管理中的前沿课题,本文以CVaR度量风险的基础上加入熵的约束提出一个新的风险度量模型：均值—CVaR-熵模型。本文首先阐述一致性风险度量的特点,然后从马科维茨的投资组合理论着手进行介绍,然后对VaR在理论上进行了阐述,并且使之与CVaR进行比较,进而介绍CVaR概念,分析各自的性质及对应的优缺点,最后介绍熵可以作为风险的概念,得出熵满足一致性风险度量的结论,并且可以弥补其他度量方法所具有的一些缺点,所以熵运用在风险度量上是合适的。在进行了理论分析后,接下来是本文的核心即在保证投资组合收益率的前提下,以CVaR和熵函数的线性组合为最小目标函数,构建不允许卖空的基于均值-CVaR—熵的股票投资组合模型。建立完均值-CVaR-熵模型后,和均值-方差模型、均值-CVaR模型进行比较分析。文章最后一部分是对已经建立的叁个模型进行实证分析,首先在上证A股多个行业分类中选取30支股票作为数据选取对象,利用Matlab软件中的fmincon函数对模型求解,求得均值一方差模型、均值-CVaR模型、均值-CVaR-熵模型的最优解及对应的各资产的分配比例,其次对求得的最优结果进行分析,并运用样本外数据求得每个组合的夏普比率,进而检验且得出模型结果的有效性。最后是分析参数的变化对均值-CVaR-熵优化模型产生的影响。(本文来源于《华中师范大学》期刊2015-05-01）
李镜儒[8]（2015）在《一种用于求解二次双层规划问题和双层证券投资组合优化模型的基于神经网络的混合算法》一文中研究指出双层规划问题是由两个优先级不同的最优化问题组成的,且两个问题存在资源冲突的一类最优化问题。该问题是最优化问题和博弈论领域的前沿发展方向,目前正被应用于解决交通系统设计,企业决策与管理,政府政策制定,金融投资等问题,具有良好理论和应用价值。但由于其本身是一个NP难问题,目前尚未有行之有效的求解算法。本文设计和实现了一种基于人工神经网络的混合算法来求解二次双层规划问题。由于目前在双层规划问题的研究领域中,尚未有太多基于神经网络模型以及混合模型的求解算法,本研究中提出的算法无疑能为此类优化问题的研究做出一份贡献。总体来说,算法结合了一种遗传算法以及一个递归神经网络。其中,遗传算法被用于处理双层规划的上层问题,该算法负责选择高质量的可行解候补,之后将这些解传递到下层问题。在下层问题中,我们设计并实现了一种称为参数化对偶神经网络的神经网络模型来获取问题整体的最优解。下一步,我们对参数化对偶神经网络的收敛性进行了分析,得出其具有指数收敛速率。在设计并实现了该种基于神经网络的混合算法后,我们建立了一个二次双层规划问题的应用模型–双层证券投资组合优化模型。在该模型中,我们运用双层规划问题对金融市场中风险和收益之间的冲突进行了建模,以为投资者选择理想的投资方案。在实验中,我们首先用实现的算法与其他学者的方法进行了对比。结果显示,该混合算法有能力为二次双层规划问题求得更好的最优解,且该求解过程能在很短时间内完成。另外,在为此混合算法选择了适当的初始化参数的条件下,它能以很高的准确率来求得问题的最优解,从而达到了高效、准确地对二次双层规划问题进行求解的目的。其次,对于双层证券投资组合模型,我们基于日本股票市场进行了3年历史数据的收集,并将数据投入到模型。实验结果表明,本文提出的混合算法能有效地求解该应用模型。模型的最优解是一个点,该点代表了一次证券投资行为中具有最合理的风险–回报权衡偏好因子的投资组合方案。显然,该模型获得的投资组合方案能为投资者的投资活动提供建设性的指导。(本文来源于《电子科技大学》期刊2015-04-28）
丁文烁[9]（2015）在《基于灰色模型的证券组合投资优化研究》一文中研究指出组合投资理论在现代经济体制中是一个非常重要的理论。基于该理论的特征,本文建立了全新的组合投资模型:灰色优化模型。该模型能够更实用、更客观地解决现存问题。(本文来源于《现代经济信息》期刊2015年06期）
牛若琳[10]（2015）在《有价证券投资组合的最优化分析》一文中研究指出分析有价证券的方法有很多,为了能够方便快捷的分析计算出有价证券的最优组合情况可借助理论分析与软件计算的方法。文章通过运用运筹学中非线性规划的方法并借助简单、容易操作的Excel工具来对有价证券的投资组合进行最优化求解,最后进行预期回报率和风险的分析。(本文来源于《商》期刊2015年02期）
证券组合投资优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
证券组合投资优化论文参考文献
[1].陈霞.智能优化算法在证券投资组合中的应用研究[D].华北水利水电大学.2019
[2].陈国福,陈小山,张瑞.基于引力搜索和粒子群混合优化算法的证券投资组合问题研究[J].运筹与管理.2018
[3].王迪.基于模糊熵的证券投资组合优化模型研究[D].北京化工大学.2016
[4].孙冲,侯为波.基于区间数的证券投资组合模糊优化模型[J].淮北师范大学学报(自然科学版).2015
[5].李章晓,宋薇,张兴义.基于带决策者偏好多目标优化的证券组合投资研究[J].合肥师范学院学报.2015
[6].高振斌.基于可能度的模糊证券投资组合优化模型[J].统计与信息论坛.2015
[7].邱云.基于均值-CVaR-熵的证券投资组合优化及实证研究[D].华中师范大学.2015
[8].李镜儒.一种用于求解二次双层规划问题和双层证券投资组合优化模型的基于神经网络的混合算法[D].电子科技大学.2015
[9].丁文烁.基于灰色模型的证券组合投资优化研究[J].现代经济信息.2015
[10].牛若琳.有价证券投资组合的最优化分析[J].商.2015