| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 选题背景 | 第8-9页 |
| 1.2 选题意义和实践价值 | 第9-10页 |
| 1.2.1 理论意义 | 第9页 |
| 1.2.2 实践价值 | 第9-10页 |
| 1.3 研究综述 | 第10-12页 |
| 1.3.1 投资组合研究综述 | 第10页 |
| 1.3.2 粒子群算法研究综述 | 第10-11页 |
| 1.3.3 研究述评 | 第11-12页 |
| 1.4 本文研究内容 | 第12-13页 |
| 1.4.1 主要内容 | 第12页 |
| 1.4.2 本文可能创新之处 | 第12-13页 |
| 2 投资组合理论 | 第13-27页 |
| 2.1 基本概念 | 第13-15页 |
| 2.1.1 投资收益 | 第13-14页 |
| 2.1.2 投资风险 | 第14-15页 |
| 2.2 马科维茨的投资组合理论 | 第15-16页 |
| 2.3 VaR模型 | 第16-21页 |
| 2.3.1 VaR的概念 | 第16-17页 |
| 2.3.2 VaR的性质 | 第17-18页 |
| 2.3.3 VaR的计算 | 第18-19页 |
| 2.3.4 均值-VaR模型与均值-方差-VaR模型 | 第19-20页 |
| 2.3.5 VaR的优点和不足 | 第20-21页 |
| 2.4 CVaR模型 | 第21-27页 |
| 2.4.1 CVaR介绍 | 第21-22页 |
| 2.4.2 CVaR的性质 | 第22页 |
| 2.4.3 CVaR、VaR、方差三者的比较 | 第22-23页 |
| 2.4.4 CVaR的计算 | 第23-25页 |
| 2.4.5 均值-CVaR模型的建立和求解 | 第25页 |
| 2.4.6 风险收益共同作为目标的投资组合模型的建立和求解 | 第25-27页 |
| 3 粒子群优化算法 | 第27-36页 |
| 3.1 算法简介 | 第27页 |
| 3.2 算法原理 | 第27-30页 |
| 3.3 算法改进 | 第30-33页 |
| 3.3.1 局部改进 | 第30-31页 |
| 3.3.2 整体改进 | 第31页 |
| 3.3.3 几种已有经典改进方案 | 第31-33页 |
| 3.3.4 本文的改进策略 | 第33页 |
| 3.4 算法搭建——针对均值-CVaR模型 | 第33-35页 |
| 3.4.1 参数设置 | 第33-34页 |
| 3.4.2 编码方式 | 第34页 |
| 3.4.3 适应度函数 | 第34-35页 |
| 3.4.4 算法实现过程 | 第35页 |
| 3.5 算法搭建——针对收益风险共同作为目标的投资组合模型 | 第35-36页 |
| 4 现实数据实验 | 第36-46页 |
| 4.1 样本选择 | 第36-37页 |
| 4.2 均值-CVaR模型的建立 | 第37-38页 |
| 4.2.1 模型中的参数 | 第37-38页 |
| 4.2.2 算法中的参数 | 第38页 |
| 4.2.3 适应度函数 | 第38页 |
| 4.3 收益风险共同作为目标的投资组合模型建立 | 第38-39页 |
| 4.4 粒子群算法求解过程 | 第39页 |
| 4.5 实验工具 | 第39-40页 |
| 4.6 实验结果 | 第40-46页 |
| 4.6.1 均值-CVaR模型实验 | 第40-43页 |
| 4.6.2 收益风险共同作为目标的投资组合模型实验 | 第43-46页 |
| 5 总结与展望 | 第46-48页 |
| 5.1 论文总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-50页 |
| 附录 | 第50-58页 |
| 致谢 | 第58页 |
