基于熵的多期投资组合模型的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究现状及研究意义 | 第11-14页 |
| 1.1.1 研究现状 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究内容及方法 | 第14-15页 |
| 1.2.1 研究内容 | 第14页 |
| 1.2.2 研究方法 | 第14-15页 |
| 1.3 技术路线 | 第15-16页 |
| 第二章 基础概念及理论 | 第16-23页 |
| 2.1 不确定性 | 第16-18页 |
| 2.1.1 不确定性的两种形式 | 第16-17页 |
| 2.1.2 模糊随机不确定 | 第17-18页 |
| 2.2 熵 | 第18-23页 |
| 2.2.1 随机不确定熵的定义 | 第18-19页 |
| 2.2.2 模糊不确定熵的定义 | 第19页 |
| 2.2.3 模糊随机不确定熵的定义 | 第19-20页 |
| 2.2.4 几种关于熵的投资组合模型 | 第20-23页 |
| 第三章 基于随机熵的多期投资组合模型研究 | 第23-38页 |
| 3.1 几种模型的优劣比较 | 第23-26页 |
| 3.1.1 模型构建 | 第23-25页 |
| 3.1.2 不同模型比较分析 | 第25-26页 |
| 3.2 均值-半方差-熵模型 | 第26-28页 |
| 3.2.1 构建新型风险测度指标 | 第26-27页 |
| 3.2.2 验证新指标 | 第27-28页 |
| 3.3 构建基于随机熵的多期投资组合模型 | 第28-30页 |
| 3.4 基于小波神经网络的混合智能算法 | 第30-37页 |
| 3.4.1 构建小波神经网络 | 第32-33页 |
| 3.4.2 训练小波神经网络 | 第33-34页 |
| 3.4.3 遗传算法 | 第34-35页 |
| 3.4.4 整体算法的具体步骤 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于模糊熵的多期投资组合模型研究 | 第38-47页 |
| 4.1 构建基于模糊熵的多期投资组合模型 | 第38-41页 |
| 4.2 梯形模糊数的数字特征 | 第41-42页 |
| 4.3 实证分析 | 第42-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于连续模糊随机熵的投资组合模型研究 | 第47-54页 |
| 5.1 连续模糊随机熵 | 第47-48页 |
| 5.2 构建连续模糊随机熵的投资组合模型 | 第48-51页 |
| 5.3 验证风险测度指标的有效性 | 第51-53页 |
| 5.4 构建基于连续模糊随机熵的多期投资组合模型 | 第53页 |
| 5.5 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 附件 | 第62页 |
