| 摘要 | 第1-9页 |
| Abstract | 第9-16页 |
| 第一章 绪论 | 第16-36页 |
| ·引言 | 第16-17页 |
| ·随机规划的基本模型 | 第17-21页 |
| ·基于随机规划投资决策模型中的情景生成 | 第21-29页 |
| ·情景元素的生成模型分类 | 第22-28页 |
| ·因素分析模型 | 第23-24页 |
| ·随机情景生成中的参数估计 | 第24-28页 |
| ·结构分析模型 | 第28页 |
| ·情景树的构造 | 第28-29页 |
| ·随机情景生成方法的文献回顾 | 第29-32页 |
| ·论文的选题、研究内容和主要结果 | 第32-36页 |
| 第二章 基于GARCH模型的情景生成 | 第36-70页 |
| ·前言 | 第36-37页 |
| ·ARCH/GARCH模型 | 第37-46页 |
| ·GARCH模型的残差分布假设 | 第39-40页 |
| ·非对称的GARCH模型 | 第40-42页 |
| ·ARCH效应的检验 | 第42-43页 |
| ·一元GARCH模型的参数估计 | 第43-46页 |
| ·BHHH算法 | 第44页 |
| ·模拟退火算法 | 第44-46页 |
| ·基于一元GARCH模型的情景生成 | 第46-58页 |
| ·一元GARCH模型的构建 | 第46-53页 |
| ·样本的基本统计特征及序列平稳性检验 | 第47-48页 |
| ·收益序列的一元GARCH分析 | 第48-51页 |
| ·模型建立 | 第51-53页 |
| ·基于蒙特卡罗模拟的情景生成 | 第53-55页 |
| ·蒙特卡罗模拟原理及步骤 | 第53-54页 |
| ·资产收益情景的蒙特卡罗模拟 | 第54-55页 |
| ·情景树的构建 | 第55-58页 |
| ·随机取样 | 第55-56页 |
| ·情景剖分及矩匹配法 | 第56-58页 |
| ·基于多元GARCH模型情景生成 | 第58-66页 |
| ·多元GARCH模型 | 第58-61页 |
| ·多元GARCH模型的参数估计 | 第61-63页 |
| ·多元GARCH模型构建 | 第63-66页 |
| ·情景生成及情景树的构建 | 第66页 |
| ·一个例子 | 第66-69页 |
| ·小结 | 第69-70页 |
| 第三章 矩匹配法在情景生成中的应用 | 第70-89页 |
| ·引言 | 第70页 |
| ·基于矩匹配的情景生成 | 第70-76页 |
| ·矩匹配情景生成的框架 | 第70-71页 |
| ·矩匹配情景生成的两种模型 | 第71-75页 |
| ·顺序生成 | 第71-74页 |
| ·整体生成 | 第74-75页 |
| ·小结 | 第75-76页 |
| ·对Hoyland&Wallace模型的改进 | 第76-82页 |
| ·单变量矩匹配模型 | 第77-79页 |
| ·描述性特征的刻画 | 第79-80页 |
| ·情景的无套利判别 | 第80-81页 |
| ·基于矩匹配的多阶段情景生成 | 第81-82页 |
| ·基于立方变换及矩阵转换的矩匹配法 | 第82-88页 |
| ·对相关矩阵的假设 | 第83页 |
| ·符号表示 | 第83-84页 |
| ·关键变换 | 第84-85页 |
| ·核心算法 | 第85-88页 |
| ·总结和讨论 | 第88-89页 |
| 第四章 基于聚类分析的情景生成 | 第89-115页 |
| ·引言 | 第89页 |
| ·聚类分析 | 第89-104页 |
| ·聚类分析简介 | 第89-90页 |
| ·聚类分析中的相似性度量 | 第90-92页 |
| ·样本的相似性度量 | 第90-91页 |
| ·变量的相似性度量 | 第91-92页 |
| ·常用的两种聚类方法 | 第92-104页 |
| ·系统聚类法 | 第92-98页 |
| ·K均值聚类法 | 第98-104页 |
| ·两种常用聚类方法的比较 | 第104页 |
| ·基于聚类方法的情景生成 | 第104-113页 |
| ·基于K-均值聚类方法的单阶段情景生成 | 第104-108页 |
| ·情景的无套利判别和排除 | 第108-110页 |
| ·基于聚类分析的多阶段情景生成 | 第110-113页 |
| ·小结 | 第113-115页 |
| 第五章 基于VAR法的情景生成 | 第115-134页 |
| ·引言 | 第115页 |
| ·向量自回归(VAR) | 第115-121页 |
| ·VAR模型的一般表示 | 第115-116页 |
| ·VAR模型的分类 | 第116-118页 |
| ·VAR模型的建立 | 第118-121页 |
| ·滞后阶数p的确定 | 第119-120页 |
| ·VAR模型的Granger因果检验 | 第120-121页 |
| ·基于VAR模型的情景生成 | 第121-132页 |
| ·VAR模型的建立 | 第122-127页 |
| ·随机情景向量的生成 | 第127-130页 |
| ·单阶段情景树的构建 | 第130-131页 |
| ·基于VAR模型的多阶段随机情景的生成 | 第131页 |
| ·应用实例 | 第131-132页 |
| ·小结 | 第132-134页 |
| 第六章 一种情景生成的新方法—基于Copula函数 | 第134-151页 |
| ·引言 | 第134-135页 |
| ·Copula函数简介 | 第135-138页 |
| ·Copula函数理论基础 | 第135-136页 |
| ·Copula函数的分类 | 第136-138页 |
| ·基于Copula的随机模拟和相关性 | 第138-142页 |
| ·基于Copula函数的情景生成 | 第142-149页 |
| ·资产组合中各资产收益率随机扰动项边缘分布函数的构建 | 第143-145页 |
| ·选择合适的Copula函数构建金融资产收益率相关性的联合分布函数 | 第145-146页 |
| ·Copula函数参数估计 | 第146-147页 |
| ·用蒙特卡罗方法模拟资产组合资产的收益率 | 第147-148页 |
| ·应用实例 | 第148-149页 |
| ·小结 | 第149-151页 |
| 第七章 总结与展望 | 第151-153页 |
| ·论文的主要结论 | 第151-152页 |
| ·本论文的主要创新点 | 第152页 |
| ·有待进一步研究的问题 | 第152-153页 |
| 参考文献 | 第153-159页 |
| 致谢 | 第159-160页 |
| 个人简历及论文发表 | 第160页 |
