| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 投资组合研究现状 | 第10-12页 |
| 1.2.2 粒子群算法研究现状 | 第12-14页 |
| 1.3 论文的研究内容、研究思路及结构安排 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 研究思路 | 第14页 |
| 1.3.3 结构安排 | 第14-16页 |
| 第二章 投资组合基本理论模型及构建 | 第16-24页 |
| 2.1 不同风险度量下的投资组合模型 | 第16-19页 |
| 2.1.1 均值-方差模型 | 第16-17页 |
| 2.1.2 均值-VaR模型 | 第17-18页 |
| 2.1.3 均值-CvaR模型 | 第18-19页 |
| 2.2 考虑复杂约束的均值-CvaR模型 | 第19-20页 |
| 2.3 同时加入复杂约束和期权的均值-CvaR模型 | 第20-23页 |
| 2.3.1 期权的类别 | 第20页 |
| 2.3.2 上证50etf期权合约 | 第20-21页 |
| 2.3.3 加入上证50etf期权的均值-CvaR模型构建 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基本粒子群算法及改进 | 第24-37页 |
| 3.1 基本粒子群算法介绍 | 第24-27页 |
| 3.1.1 粒子群算法的生物学基础 | 第24页 |
| 3.1.2 算法的原理 | 第24-25页 |
| 3.1.3 算法模拟及流程 | 第25-27页 |
| 3.2 粒子群算法的发展 | 第27-30页 |
| 3.2.1 惯性权重递减的粒子群算法 | 第27-28页 |
| 3.2.2 动态学习因子的粒子群算法 | 第28-29页 |
| 3.2.3 带收缩因子的粒子群算法 | 第29-30页 |
| 3.2.4 离散的粒子群算法 | 第30页 |
| 3.3 改进的粒子群算法 | 第30-36页 |
| 3.3.1 复形法 | 第31-32页 |
| 3.3.2 算法改进的基本思想 | 第32-33页 |
| 3.3.3 改进后算法的模拟及流程 | 第33-34页 |
| 3.3.4 动态权重因子的复形粒子群算法性能测试 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于改进粒子群算法的投资组合实证研究 | 第37-51页 |
| 4.1 投资组合中证券的选取标准 | 第37-39页 |
| 4.1.1 选股标准 | 第37-38页 |
| 4.1.2 期权选取标准 | 第38-39页 |
| 4.2 参数选取及适应度函数 | 第39-41页 |
| 4.2.1 粒子群算法的参数选择 | 第39页 |
| 4.2.2 投资组合模型中参数及变量的设定计算 | 第39-41页 |
| 4.2.3 适应度函数 | 第41页 |
| 4.3 改进后的算法调整 | 第41-44页 |
| 4.3.1 编码 | 第41-42页 |
| 4.3.2 调整后算法的流程模拟 | 第42-44页 |
| 4.4 实证及结果分析 | 第44-50页 |
| 4.4.1 样本选取 | 第44-45页 |
| 4.4.2 结论分析及模型评价 | 第45-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 结论 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 发表论文及参加科研情况说明 | 第56-57页 |
| 致谢 | 第57-58页 |