证券组合选择理论模型及算法的研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-8页 |
| 1.1 研究背景及意义 | 第6页 |
| 1.2 本文的研究目的和内容 | 第6-8页 |
| 第二章 投资组合理论的建立与发展 | 第8-15页 |
| 2.1 均值-方差数学模型 | 第8-9页 |
| 2.1.1 模型的型式 | 第8-9页 |
| 2.1.2 投资组合的有效边界 | 第9页 |
| 2.2 投资组合理论的发展 | 第9-15页 |
| 2.2.1 资本资产定价模型 | 第9-10页 |
| 2.2.2 考虑市场交易成本的证券投资组合 | 第10-12页 |
| 2.2.3 不同风险度量下的投资组合模型 | 第12-13页 |
| 2.2.4 多阶段投资组合优化模型 | 第13-15页 |
| 第三章 具有权重约束的投资组合模型 | 第15-29页 |
| 3.1 模型的建立 | 第15页 |
| 3.2 遗传算法简介 | 第15-17页 |
| 3.2.1 遗传算法基本流程 | 第15-16页 |
| 3.2.2 遗传算法各部分设计要点 | 第16-17页 |
| 3.3 本模型遗传算法的实现 | 第17-25页 |
| 3.3.1 编码法则的确定 | 第17-18页 |
| 3.3.2 初始群体选择和产生 | 第18-19页 |
| 3.3.3 适应度函数的设计 | 第19-20页 |
| 3.3.4 遗传算子的设计 | 第20-24页 |
| 3.3.5 终止条件 | 第24-25页 |
| 3.4 模型应用 | 第25-29页 |
| 第四章 基于VaR的投资组合模型 | 第29-41页 |
| 4.1 VaR的定义与计算 | 第29-30页 |
| 4.1.1 VaR定义 | 第29页 |
| 4.1.2 VaR计算 | 第29-30页 |
| 4.2 模型的建立 | 第30-31页 |
| 4.3 利用神经网络逼近风险概率 | 第31-34页 |
| 4.3.1 神经网络介绍 | 第31页 |
| 4.3.2 BP网络逼近风险概率 | 第31-33页 |
| 4.3.3 神经算法的一些改进 | 第33-34页 |
| 4.4 本模型算法实现 | 第34-38页 |
| 4.4.1 随机模拟计算风险概率 | 第34-35页 |
| 4.4.2 BP神经网络的建立 | 第35-37页 |
| 4.4.3 混合智能算法 | 第37-38页 |
| 4.5 模型应用 | 第38-41页 |
| 第五章 若干投资组合模型变型的计算 | 第41-47页 |
| 5.1 具有交易费用模型 | 第41-43页 |
| 5.1.1 模型建立 | 第41-42页 |
| 5.1.2 算法的改进 | 第42-43页 |
| 5.1.3 模型应用 | 第43页 |
| 5.2 具有无风险资产模型 | 第43-47页 |
| 5.2.1 存在无风险资产的模型 | 第43-44页 |
| 5.2.2 引入风险倾向系数的模型 | 第44-47页 |
| 总结 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50-51页 |
