| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第11-25页 |
| 1.1 选题背景和研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 研究方法及研究内容 | 第13-16页 |
| 1.2.1 研究方法 | 第13-14页 |
| 1.2.2 研究内容 | 第14-16页 |
| 1.3 相关研究综述 | 第16-24页 |
| 1.3.1 国内外关于估计股票收益率的研究综述 | 第16-19页 |
| 1.3.2 国内外关于风险和收益度量指标的研究综述 | 第19-21页 |
| 1.3.3 国内外关于放宽投资组合模型假设条件的研究综述 | 第21-22页 |
| 1.3.4 国内外关于投资组合模型求解算法的研究综述 | 第22-24页 |
| 1.3.5 研究评述 | 第24页 |
| 1.4 主要特色及创新 | 第24-25页 |
| 2 理论基础 | 第25-45页 |
| 2.1 双随机变量理论 | 第25-31页 |
| 2.1.1 双随机变量 | 第25-27页 |
| 2.1.2 机会测度 | 第27-28页 |
| 2.1.3 机会分布 | 第28-30页 |
| 2.1.4 期望值算子和方差 | 第30-31页 |
| 2.2 随机模拟理论 | 第31-34页 |
| 2.2.1 随机数和伪随机数 | 第31页 |
| 2.2.2 产生随机数的命令 | 第31-32页 |
| 2.2.3 随机系统的模拟 | 第32-34页 |
| 2.3 均值方差模型和安全第一投资组合模型 | 第34-36页 |
| 2.3.1 均值方差模型简介 | 第34-35页 |
| 2.3.2 安全第一投资组合模型简介 | 第35-36页 |
| 2.4 现代智能优化算法 | 第36-41页 |
| 2.4.1 遗传算法 | 第36-39页 |
| 2.4.2 粒子群算法 | 第39-41页 |
| 2.5 神经网络理论 | 第41-45页 |
| 2.5.1 人工神经元模型 | 第41-42页 |
| 2.5.2 神经元的数学模型 | 第42-43页 |
| 2.5.3 神经元的网络模型 | 第43-45页 |
| 3 双随机安全第一投资组合模型 | 第45-67页 |
| 3.1 技术形态的类型 | 第45-46页 |
| 3.2 估计股票收益率的方法 | 第46-48页 |
| 3.2.1 双随机变量 | 第46页 |
| 3.2.2 估计方法的步骤 | 第46-47页 |
| 3.2.3 数值例子 | 第47-48页 |
| 3.3 双随机安全第一投资组合模型简介 | 第48-50页 |
| 3.3.1 模型的假设条件 | 第48页 |
| 3.3.2 模型的数学形式 | 第48-49页 |
| 3.3.3 模型的经济学解释 | 第49-50页 |
| 3.4 智能算法一 | 第50-61页 |
| 3.4.1 双重随机模拟 | 第50-51页 |
| 3.4.2 单隐含层 BP 神经网络 | 第51-60页 |
| 3.4.3 遗传算法 | 第60-61页 |
| 3.4.4 智能算法一的步骤 | 第61页 |
| 3.5 算例分析 | 第61-66页 |
| 3.5.1 实验设计 | 第61-63页 |
| 3.5.2 实验结果与分析 | 第63-65页 |
| 3.5.3 对比实验 | 第65-66页 |
| 3.6 本章小结 | 第66-67页 |
| 4 求解双随机安全第一投资组合模型的混合智能算法改进 | 第67-87页 |
| 4.1 果蝇算法简介（FOA） | 第67-69页 |
| 4.2 检验果蝇算法寻优能力的实验 | 第69-72页 |
| 4.2.1 实验设计 | 第69-70页 |
| 4.2.2 实验结果及分析 | 第70-71页 |
| 4.2.3 果蝇算法分析 | 第71-72页 |
| 4.3 改进的果蝇算法（LGMS-FOA） | 第72-73页 |
| 4.3.1 LGMS-FOA 简介 | 第72-73页 |
| 4.3.2 LGMS-FOA 的优势 | 第73页 |
| 4.4 LGMS-FOA 和 FOA 的对比实验 | 第73-79页 |
| 4.4.1 实验设计 | 第74-75页 |
| 4.4.2 LGMS-FOA 与 FOA 实验结果比较 | 第75-79页 |
| 4.5 LGMS-FOA 与其它算法的比较 | 第79-81页 |
| 4.5.1 实验设计 | 第80页 |
| 4.5.2 结果分析 | 第80-81页 |
| 4.6 智能算法二 | 第81-84页 |
| 4.6.1 双重随机模拟 | 第81页 |
| 4.6.2 约束条件的处理 | 第81-82页 |
| 4.6.3 LGMS-FOA 算法的步骤 | 第82-83页 |
| 4.6.4 智能算法二的步骤 | 第83-84页 |
| 4.7 算例分析 | 第84-85页 |
| 4.7.1 实验设计 | 第84页 |
| 4.7.2 实验结果及分析 | 第84-85页 |
| 4.8 本章小结 | 第85-87页 |
| 5 止损策略对双随机安全第一投资组合模型的影响研究 | 第87-93页 |
| 5.1 止损策略双随机安全第一投资组合模型的影响 | 第87-88页 |
| 5.1.1 止损策略 | 第87页 |
| 5.1.2 止损策略对双随机安全第一投资组合模型的影响 | 第87-88页 |
| 5.2 智能算法三 | 第88-90页 |
| 5.2.1 基于止损点和止盈点的随机模拟技术 | 第88-89页 |
| 5.2.2 基于止损点和止盈点的双重随机模拟技术 | 第89-90页 |
| 5.2.3 智能算法三的步骤 | 第90页 |
| 5.3 实验结果及分析 | 第90-91页 |
| 5.4 本章小结 | 第91-93页 |
| 6 带有止损策略的双随机安全第一投资组合模型研究 | 第93-99页 |
| 6.1 带有止损策略的双随机安全第一投资组合模型 | 第93-94页 |
| 6.1.1 模型假设条件 | 第93-94页 |
| 6.1.2 模型的数学表达 | 第94页 |
| 6.1.3 模型的经济学解释 | 第94页 |
| 6.2 智能算法四 | 第94-96页 |
| 6.2.1 基于止损点和止盈点的双重随机模拟技术 | 第94-95页 |
| 6.2.2 基于止损点和止盈点的 LGMS-FOA 算法 | 第95页 |
| 6.2.3 智能算法四的步骤 | 第95-96页 |
| 6.3 算例分析 | 第96-97页 |
| 6.3.1 实验设计 | 第96页 |
| 6.3.2 实验结果及分析 | 第96-97页 |
| 6.4 本章小结 | 第97-99页 |
| 7 政策建议 | 第99-103页 |
| 7.1 给市场监管者的建议 | 第99-100页 |
| 7.2 给散户投资者的建议 | 第100-103页 |
| 8 研究结论与研究展望 | 第103-105页 |
| 8.1 研究结论 | 第103-104页 |
| 8.2 研究局限及展望 | 第104-105页 |
| 致谢 | 第105-107页 |
| 参考文献 | 第107-119页 |
| 附录 | 第119-123页 |
| A 证明过程 | 第119-121页 |
| B 测试函数 | 第121-122页 |
| C 攻读博士学位期间发表（录用）论文目录 | 第122-123页 |
| D 攻读博士学位期间参加的科研项目目录 | 第123页 |
