一、证券投资组合理论的一种新模型及其应用（论文文献综述）
卞进[1]（2019）在《基于人工智能量化分析的我国资产证券化产品投资组合优化研究》文中研究指明资产证券化作为现代金融市场上融资者获得资金的重要融资渠道和进行金融风险管理的全新手段与工具,资产证券化近年来受关注度的不断增加,其市场规模不断扩大且产品类型日益丰富,在推动经济结构优化升级和服务实体经济等方面发挥着越来越重要的作用。我国资产证券化市场已进入建设发展阶段的关键时期,对产品进行创新成为必然趋势。在我国证券市场的逐步成熟的同时,大数据、云计算、人工智能（AI,Articial Intelligence）等为代表的新一代信息技术也迅猛发展。基于人工智能的量化投资方法借助计算机所拥有的强大算力可以实现对整个市场的跟踪监测,及时发现市场中潜在的交易机会并给予精准评价,有效减少因情绪波动等因素给交易决策带来的不利影响,并且能够与其他人工投资策略形成一定的负相关性并以此丰富投资策略组合,正是因为人工智能量化投资所具有的这些特点与优势,将其引入金融行业领域恰逢其时。在此背景下,本文将人工智能量化投资引入资产证券化,研究和探讨最优投资组合方案。首先,本文第一章和第二章对资产证券化与人工智能的关系进行阐述,分析中美资产证券化差异,探讨当前人工智能在国内资产证券化产品投资组合中的应用情况。其次,本文对我国资产证券化交易规定及投资成本进行调研,从不同投资者的角度建立五组真实交易场景和假设条件,构建理想收益率模型,使用上交所、银行间、深交所三个市场的2015年至2018年二级资产证券化交易数据,得出不同参数条件下的理想收益并基于L2范数考量各投资策略组合中夏普比率的平均水平和波动性。最后,基于已提出的理想收益率模型优化思路,建立了Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM（Support Vector Machine,支持向量机）六组人工智能配置模型,并基于人工智能投资策略中的累计收益率均值与累计收益率波动率构建Dis指标定量观测模型与作为基准绩效的理想收益率的绩效差距。实验结果表明:在结构化率、质押比率以及杠杆比率等参数发生改变、其余参数恒定时,岭回归模型表现均与理想收益率有着最接近的绩效表现;因此岭回归对回购质押比例、杠杆比率以及结构化率三个参数的敏感度较低,在这三个参数下的投资者角度的策略中有着一定的参考价值,本文的研究进一步说明了运用人工智能的方法可以为投资者带来更好投资绩效。本文创新点主要有以下四点（1）针对因资产证券化流动性不足导致没有权威的业绩评估标准的问题,本文基于理想条件的重要特性提出了可以被当作业绩评估基准的理想收益率模型,并通过实证研究证明了该模型在理论上可以达到特定标的下的最高投资收益,为后续人工智能模型在金融领域的应用探索奠定了坚实的基础。（2）本文提出了多种人工智能模型预测投资组合可行性从而确定具体投资策略的方法,克服了传统资产证券化投资中的强假设以及投资者看法过于主观随意、不能客观反映实际问题。（3）本文主要使用了主流的人工智能模型——Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM的模型及思想、原理,并严格的给出各模型的数学或算法基础。通过构建资产证券化产品的配置策略以及对各模型所做的实证研究,证明了所构建的岭回归在综合性上具有一定的优势,通过Dis指数和后续比较反映出岭回归的稳定性较好,同时兼具理论严谨性与在投资绩效上的优越性。对于结构化率变化,岭回归依旧表现抢眼。这进一步反映出在运用人工智能方法为投资者提供分析时,采取多视角多模型的分析方式可以带来更好的投资绩效。（4）提出了基于遗传算法的投资组合智能优化模型。现阶段学术界关于资产证券化以及资产组合优化这一细分领域的研究成果相对有限,且多散落于资产证券化的资产管理等文献之中。学术界对资产证券化的资产组合优化研究主要集中于均值方差资产组合、重抽样组合的优化以及基于公司特征的组合优化之中。这些优化方法的全局寻优能力较弱,普适性较低故在此构建基于遗传算法的投资组合智能优化模型对资本组合进行全局寻优。
万云倩[2]（2019）在《投资组合模型的理论研究及若干应用》文中研究说明投资组合理论是金融学中不可或缺的重要理论研究,在现代金融学中有着不可撼动的决定性地位,其主要目的是为了获得某一特定的投资组合,即:投资收益一定时,遇见的投资风险最小,或者在特定的投资风险下使投资人的投资收益最大化。而在实际生活中金融投资变幻莫测,风险与收益并存,从1997年的亚洲金融危机到2006年美国次贷危机再到2007年环球金融危机,无一不在提醒着每一位投资者:投资有风险,入市需谨慎。本文主要研究在滑动投资组合模型下,利用经验对数最优投资组合研究资金的渐近最优增长率。并解释了为得到资本渐近最优增长率,可通过已构造的投资组合选择来实现。同时利用Markov过程建立股票涨跌幅分析模型,并对股票价格、运行周期等进行预测。最后,在Markowitz均值-方差模型的基础上引入互信息概念,进一步优化模型。全文一共分为五章,第一章绪论,主要介绍了本文的选题背景,如国内外研究现状、研究目的和研究方法等。第二章得到了在滑动投资组合模型下,投资人的平均收益与期望收益之间的大样本性质,利用经验对数最优投资组合研究资金的渐近最优增长率。第三章利用Markov过程建立股票涨跌幅分析模型,通过对模型的分析求解,对股票价格运行周期及股价走势进行分析预测。第四章是在Markowitz均值-方差模型的基础上引入Shannon熵中互信息的概念,得到熵优化投资组合模型并进行实例分析。第五章是结束语。
朱业春[3]（2016）在《基于熵补偿的Black-Litterman模型的资产配置》文中研究指明随着我国金融市场体制的不断健全与完善,以投资基金为主的机构投资者逐渐壮大,以期货、期权和其他衍生品为代表的新兴资产频频推出。与此同时,业界频现“资产荒”怪象,优质适宜的大类资产难寻。供需错配背景下,资产配置愈发受到投资者尤其是机构投资者的青睐。动态调整大类资产中的配置占比,进行组合投资管理显得尤为重要。本文则试图从理论研究和实证研究两方面着手探讨资产配置问题。借助对资产配置有关概念的介绍,对以均值一方差模型、资本资产定价模型、套利定价模型、有效市场理论及行为金融理论为主要代表的现代投资组合理论的梳理,提出本文所构建的用于资产配置的Black-Litterman模型的基本框架。该模型采用Bayesian方法和逆最优化理论,将投资者的主观观点融入到均衡资本市场中,便可求出后验收益率向量和协方差矩阵。最后通过求解二次规划问题,获得最优的资产配置权重。基于Black-Litterman模型,采用时间序列AR-TGARCH模型和信息熵补偿投资风险分析方法,构建优化后的投资组合。实证分析表明,该模型较之其他投资组合模型,能够获得更高的收益,具有更强的应用性,为投资者的资产配置决策过程提供一个行之可鉴的思路。本文主要创新性工作体现在：第一,根据历史数据,利用AR-TGARCH模型预测收益率和波动率,作为模型的输入变量,代替纯粹意义上分析师的主观决定,一定程度上解决了投资者观点形成中缺乏数理严谨性弊端。第二,采用信息熵补偿优化投资风险,解决方差度量风险中的误读“伪风险”问题。第三,给出Black-Litterman模型中合成所获得的后验期望收益一种直观解释,并借助伍德伯里矩阵等式,给出了推导过程。
王宾[4]（2012）在《扩展熵优化理论及其在投资组合中的应用》文中认为针对日益复杂的国际及国内政治经济形势，金融市场面临着巨大机遇与挑战。证券投资者如何在此环境背景下，将所受风险降到最低，从而获取预期收益，已经成为投资者亟需解决的问题之一，理智投资者通常选择组合方式进行投资，通过分散化选取股票以达到降低风险的目的，因此对于证券投资组合中风险的研究已逐渐成为学术界所面临的重大课题之一。传统证券投资组合理论以美国经济学家Harry Markowitz为依据，通过不断对其补充、完善使该模型更加符合投资者的决策需求。围绕着投资风险的度量问题，熵优化理论已经并逐步被学者关注，该理论能够较好地度量投资风险，从而弥补传统投资组合模型的不足，本文正是在现有熵优化理论基础上，通过对反熵优化问题及广义熵优化问题进行探讨，首先将熵优化理论进行扩展，并依此构建了证券投资组合中的反熵优化模型及广义熵优化模型，同时将投资者对风险的厌恶程度定量化，使得熵优化理论更贴近投资者的投资偏好，更加满足投资者的投资意愿。全文共分六章节进行阐述，具体安排如下：第一章首先介绍了本文的选题背景与选题意义，然后将证券投资组合的理论沿革与该领域较为认可的模型一一列举，最后阐述了本文的创新点；第二章主要对熵优化理论进行较为全面地分析，首先谈及熵优化理论及演变过程，然后论及到几种较重要的熵定律，最后指出熵优化理论在证券投组合领域应用的适用性及可行性；第三章从物理学及数学中的反问题入手，定义了熵优化理论中的反熵问题，通过反熵模型的构建，指出反熵优化模型可以有序化度量风险，并且可以为投资者提供必要的证券行业选择需求；第四章在第三章选取行业的前提下，通过对Csisizer定向散度地分析，提出了考虑投资者风险厌恶程度的广义熵优化模型，并且通过实证分析，对投资者的个股投资提供了更有效地选择依据；第五章对反熵优化模型及广义熵优化模型进行对比分析，通过对二者适用范围的不同解释，为投资者进行下一步投资提供客观参考；第六章对全文进行总结，通过对本文所构建模型中出现的不足提出下一步研究工作的展望，从而完成本篇硕士论文的写作。
汤超[5]（2011）在《基于VaR方法度量证券投资风险的分析及管理研究》文中认为2008年由美国次贷危机引发的华尔街金融风暴,将金融风险管理推向了舆论的风口浪尖。这场风暴对我国也带来了深远的影响,促进了我国对这次金融危机深层次的审视和检讨,如何防范和化解金融风险已成为我们面临的一个重大课题。我国证券市场的发展还不到20年,相比西方证券市场百余年的发展,我国的证券市场还远远不够成熟和规范。因此,在西方证券市场发展起来的证券投资风险管理理论在我国的证券市场就存在一个适用性问题。这也是本文研究的意义之一,也就是对证券风险管理理论在我国的适应性进行探讨。总的来说,本研究主要是围绕以下三个问题进行研究。第一,证券投资风险的防范与化解问题；第二,投资组合理论在我国证券市场的适用性问题；第三,GARCH模型在中国证券市场的合理性问题。针对第一个问题,也就是如何防范和化解证券投资风险。本文首先对证券投资的风险及其风险管理进行分析,其中重点研究了债券投资的风险及其风险管理。其次,本文对投资组合理论规避风险的方法进行了详细的介绍,具体研究了基于马科维茨的资产模型设计、考虑交易费用与最小交易量的投资选择、资本资产定价模型等投资组合规避风险的方法。针对第二个问题,也就是投资组合理论在我国证券市场的适用性问题。本文以资本资产定价模型为基础,采用2010年上证50指数收益数据,对2010年上海证券市场的证券风险投资进行统计分析。主要包含两个方面：一方面是对2010年上海证券投资风险的构成进行分析；另一方面是对其风险与收益的相关性进行验证。通过研究,本文得到的结论是2010年上海证券市场的投资风险结构有了明显的改变,非系统风险在总风险中的比例有67.4%,系统风险只占了32.6%。另外,对于风险与收益的相关性检验,本文得到的结果是系统风险与收益率之间有正相关关系,但是并不符合资本资产定价模型预期的线性关系。非系统风险对股市的影响较大。这两个结论在一定程度上为投资组合理论在我国的适用性问题提供了实践依据。针对第三个问题,也就是关于GARCH模型在中国证券市场的合理性问题。本文首先采用上证,国债,企债指数的最新数据对其波动性及基本统计特征进行分析。并在此基础上,结合上证指数对GARCH模型进行了建模与计算。通过研究,本文得到的结论是上证指数的对数收益率具有稳定性,弱自相关性以及条件异方差性,符合构建GARCH模型的条件。通过对GARCH模型下VaR值的失败率检验,本文验证了GARCH模型对我国证券投资市场的合理性。
王博[6]（2008）在《熵理论在证券投资中的模型及应用研究》文中指出证券投资的最根本目的在于获取利益。但在投资活动中,收益总是伴随着风险。通常,收益越高,风险越大;风险越小,收益越低。为了分散风险,许多投资者将许多种证券组合在一起进行投资,即所谓的投资组合,以期获得最大收益,这就使得投资风险的研究成为金融界面临的重大课题之一。Markowitz以证券收益率的方差作为组合证券风险的度量,开辟了金融定量分析的时代,在度量风险的基础的上建立了组合投资决策模型,该模型在理论和实际应用中都有重要意义。证券投资风险常用的度量方式主要是投资收益率的方差或β值,但是随着研究的深入,人们发现常用的风险度量指标存在不可回避的重大缺陷,为了克服现有理论的不足,理论界进行了广泛的研究,但是到目前为止,还没有一种广泛有效的度量风险的方法。本文正是在此背景下对上述问题展开研究的。在本篇论文中,作者首先以证券投资的风险为对象,研究了不同的风险度量模型;分析了各种风险度量方法的不足。鉴于目前的风险度量方法都存在不同程度的缺陷,在马科维茨的均值方差模型及威廉.夏普的单一指数模型的基础上,将熵理论与单一指数模型相结合,提出一种新的投资组合模型,作为实证研究,本文以投资深市证券决策为例,将本文提出的基于熵的单一指数投资组合模型加以应用,利用Matlab作为工具,从深证100指数中选择20支股票,利用该模型选出的股票在一定条件下可以达到与整体股票组合相似的最大收益和最小风险的要求,为投资者进行投资决策提供良好可靠的建议。
王寰[7]（2008）在《可线性规划的证券投资组合模型及其应用》文中指出证券投资组合是指投资者依据证券的风险程度和年获利能力,按一定原则进行恰当的选择组合,一种低风险的投资策略。证券投资的目的是取得收益,但是证券投资又是一项高收益伴随高风险的经济活动。收益和风险是证券投资的两个核心问题。证券投资的基本原则即投资者的意愿,总是追求收益的最大化和风险的最小化,从而在收益和风险这一对相互作用、相互矛盾的统一体中寻找某种均衡。证券投资的核心和关键是有效地进行分散投资,通过分散投资,来分散风险,减少总风险。证券投资组合理论是金融学中发展最迅速、应用最广泛的领域之一,受到了国内外许多学者的重视。1952年,Markowitz针对投资组合选择问题提出了用均值——方差度量收益和风险的方法,然而,由于该模型推导的有效前沿难以计算,在实际中应用很少。后来,Konno提出了具有线性特性的绝对离差风险函数。当收益率满足正态分布的条件时,绝对离差风险函数与方差风险函数本质是一样的,并且基于绝对离差风险函数的投资组合选择模型可以通过求解一个线性规划问题实现。经过证明,该模型不但保持了均值——方差模型中好的性质,而且避免了求解Markowitz模型过程中遇到的计算困难。本文的研究主要包括两部分内容。一部分是对经典的模型进行回顾,首先介绍了证券投资组合的基本理论及经典的均值——方差模型,然后介绍了可转化为线性规划的一类模型,主要有均值——绝对离差和均值——半绝对离差两类模型,以及有交易费情形下的均值——绝对离差和均值——半绝对离差模型,文中详细给出了几种模型的建立及其线性转化过程。第二部分是选取了我国证券市场上的典型股票,对它们进行分类比较。本文从金融、地产、钢铁、电力等十类股票中各选取了具有代表性的五支股票进行分析,分别研究了不同类型股票和模型下的收益、组合、风险的差异以及交易费对投资组合的影响。通过数据分析和对比研究,得出MAD的风险比SMAD的大,投资组合的风险随着预期收益率的提高不断增大;长期投资中,有无交易费用对风险和投资组合的配置比例几乎没有影响;投资比例随期望收益变化而变化,一般的,月平均收益大的股票其投资比例随预期收益率的增大而配置增加,月平均收益小的股票其投资比例随预期收益率的增大而配置减少。在大多组合投资中,高、中、低收益率股票的配置都有,但配置的比例有所不同。
黄静[8]（2007）在《商业银行信贷资产组合优化模型及其应用研究》文中研究表明商业银行信贷风险是商业银行的主要风险，银行危机的实质在于商业银行资产配置失误，信贷资产组合优化的研究对银行的生存和发展至关重要。本论文以商业银行信贷资产组合优化为主要研究对象，运用金融工程的金融资产组合理论、计量经济学、技术经济学、数学优化理论，从组合优化、贷款客户财务状况、银行贷款风险等方面进行综合考虑，并建立一些相应新的数学模型。本文采用比较研究法、实证分析法，体现理论-实践-应用的具体路线。建立基于Z分值的商业银行信贷资产组合优化模型。此模型综合考虑了贷款客户的财务状况和银行本身的风险二种因素，同时通过有效边界图，有利于银行直观的分析各种组合的风险与收益，能明显看出收益与风险的变化趋势，具有很强的直观性和科学性。建立基于授信额度的商业银行信贷资产组合优化模型。在上一模型基础之上，引入了银行授信额度的概念，形成了新的银行信贷资产组合优化模型，分析了贷款客户Z分值、授信额度这二个因子对以往组合优化模型所产生的不同影响，银行授信额度可以更好的控制组合风险。建立基于VaR的商业银行信贷资产组合优化模型。引入神经网络预测企业未来收益率，同时建立了考虑贷款客户Z分值和银行风险的基于VaR的组合优化模型，运用几何的方法求解模型。通过比较，发现考虑z分值模型的预期收益率有效取值范围在原模型取值范围之内，以使风险控制在更小的范围内。本文立足金融领域的前沿课题，创建符合银行运作规律的信贷资产组合优化理论，为银行信贷资产组合优化创建新理论、建立新模型，促进金融市场风险管理理论体系的完善。
李春泉[9]（2007）在《期权定价与投资组合的若干模型研究及其案例分析》文中指出1952年马科维兹在《财物学刊》发表了着名的“资产组合的选择”一文，最先采用均值-方差分析法研究了资产组合的选择问题，开创了运用数理分析方法研究金融资产收益-风险关系的先河，并为现代资产组合理论的研究和发展奠定了理论和方法论基础．本文以五十多年以来均值-方差资产组合理论的演进和发展为线索，采用理论分析和实证研究的方法，分析和探讨资产组合的收益-风险的关系。本文的主要成果及创新有：第二章介绍标准的Black-Schoes期权定价，推导出欧式期权定价的一般微分方程以及其解，给出了欧式看涨和看跌期权的定价公式以及平价关系，并对此加以分析和修改后，使之应用于欧式期权衍生证券的定价、套期保值以及标的资产支付中间红利等各种情形。结果表明B-S模型的一个主要特征是基于无套利、均衡、完备的市场条件下，任何未定权益的市场价值均可由债券或股票的市场价值确定，而它的确定取决于股票收益率的标准差σ的计算。通常情况下，期权的买进或卖出的价格是关于σ的一个递增函数，通过B-S模型，σ可以精确地计算出来。第三章指出马科维兹的均值-方差模型虽然解决了资产组合的选择问题，确定了资产组合的有效边界。但实际应用时，首先需要估计N种资产的期望收益率和N阶的收益率方差-协方差矩阵，然后求解方差-协方差矩阵生成的二次规划问题；在当时技术条件下，当资产种数N很大时，这种算法十分繁琐。因此，模型提出后，马科维兹的后继者们开始致力于简化模型的研究，其中夏普（Willian F. Sharpe）的对角模型（Diagonal Model）和艾尔顿（Edwin J. Elton）、格鲁博（Martin J. Gruber）和派德格（Manfred W. Padberg）提出的资产选择模型是较具代表性的简化模型。对角模型因其所考察的方差-协方差矩阵是一个N+1阶对角矩阵而得名，该模型首先由夏普在1963年发表于《管理科学》的“资产组合分析的简化模型”一文中提出，习惯上又被称为单指数模型，二者统称为指数模型，常值相关简化模型以资产收益率相关系数相同为前提，一般依据各资产收益率相关系数的平均值，当相关系数差异不大时是适用的。而实际中，相关系数可能差异较大，又存在一定的规律，这时亦可采用类似的模型，比如将相关系数矩阵按系数值的差异分成若干子矩阵，使对称位置子矩阵的系数比较接近，同样可以运用常值相关模型的扩展形式进行资产组合的选择。在第四章中，给出基于模糊系数的投资组合优化模型。近年来，模糊集理论已经被广泛地应用于资产组合选择问题，其中，Tanaka和Guo使用概率分配处理收益率不确定信息。在这一章中，以模糊期望收益率最大为目标函数，使总的风险不高于给定的模糊数，建立了一种新的模型，在给定的截集下，期望收益率转化为区间数，目标函数转化为对该区间数的下限求最大值。基于模糊数大小的概率比较，从而可将模糊优化模型转化为不等式约束下的线性规划模型。利用Matlab编程可解得其最优解，最后通过实例分析，验证该模型的可行性。在第五章中，利用模糊数针对资产组合优化问题进行了理论研究及实证分析。在金融投资领域中，最关注的目标是如何选择投资组合，使投资带来的收益率尽可能大，同时投资风险尽可能小。一些学者研究了仅存在风险资产或存在无风险资产的投资组合选择问题。一般而言，投资越分散，风险程度相对要降低，由于预期收益率难以精确给出，风险未知，则可将未来收益率表示为模糊数，利用模糊数学的思想来考虑存在无风险资产的投资组合选择问题。在每一置信水平上，以偏离中心值的程度作为风险的度量，以中心值作为衡量预期收益率的指标，考虑投资者风险偏好的因素，构造以总风险最小，且未来收益率最大为目标函数的优化模型，证明最优解的存在并且给出最优的资产组合方案。
徐丽梅[10]（2007）在《开放式证券投资基金稳健投资管理研究》文中指出随着我国市场经济的发展和对外开放的扩大，我国的证券投资基金产业将有广阔的发展前景。2004年《国务院关于推进资本市场改革开放和稳定发展的若干意见》中指出，要继续大力发展证券投资基金；同年《证券投资基金法》及其六个配套法规正式实施，进一步表明我国的基金业面临着良好的、快速的发展时期。与此同时，基金的发展壮大，对其投资理念也提出了新的要求，稳健投资，作为追求稳定回报和回避市场风险的一种投资风格，越来越受到基金管理公司的重视和采纳。稳健投资，随着证券市场的成熟和投资者对风险、收益的特殊要求，必将成为今后主导市场的一种有效的投资模式。 然而对于稳健投资，虽然多有提起，但一直局限于回避风险的表层概念上。在证券投资领域，虽然稳健投资原则得到绝大多数投资者的认同，但至今还只是停留在理念的阶段，没有形成其丰富的研究体系。因此本文尝试性对此进行了研究。首先概述了投资基金和投资组合的基本理论，然后在“均值—方差”模型的基础上引入“流动性”因素，构建了“稳健因子”，在综合考虑收益、风险和流动性三方面对投资组合的影响下，探索了稳健型投资模式的构建，并利用股市数据作了实证分析。论文各章主要内容如下： 第1章分析了该论文的研究背景，阐述了国内外相关的研究文献，对一些基本概念作了界定，并总结了论文的研究思路和方法、研究框架、难点和创新。 第2章概述了证券投资基金的有关概念和理论以及投资组合选择模型，在此基础上创新性地阐述了开放式证券投资基金“稳健”投资的理论设计，包括激进性投资和稳健性投资的对比研究、稳健投资的适用条件、稳健投资的理论构建等内容。 第3章是有关基金投资的风险管理内容。对目前基金投资的风险衡量方法进行了描述和评价；分析了风险管理的含义和管理程序；在此基础上提出了稳健投资模式下市场风险管理的策略与技术：即通过资产配置分散风险、通过长期投资降低风险、通过金融衍生工具规避风险和多种途径转移风险。 第4章分析了基金投资组合的流动性管理，因为流动性是稳健投资模式构建的一个重要方面。首先介绍了流动性风险的涵义、形成机制、流动性的度量指标等内容；接着分析建立了开放式基金流动性风险的衡量指标；最后提出了目前资本市场形势下我国开放式基金流动性风险的特征和针对这些特征所应采取的管理措施。 第5章探讨了长期投资的资产组合选择问题。首先分析了短期资产组合与长期资产组合的不同；接着通过VAR模型和单一风险资产和常数实际利率的案例分析了股票在何种条件下对于长期投资者是一种安全资产；再者分析了连续时间的资产配置问题；最后分析了长期投资者与波动性风险套利问题。 第6章从股票选择的角度分析了“稳健原则”在投资决策中的应用。内容包括：宏观经济分析着重的内容、评价行业投资价值的数量化方法——“本构分析”法、“稳健型股票池”构建与应用的理论和方法。最后对稳健型股票池的构建进行了实证分析。 第7章论述了证券投资组合理论；分析了开放式基金投资管理过程应遵循的步骤；以及对稳健投资进行了实证分析。实证结果表明，引进以流动性为基础的稳健因子、构建的三维投资组合模型，其收益、风险以及变异系数指标大多优于以受益和风险为基础的二维组合，更优于市场指数组合。 第8章是总结和展望。 本论文研究的主要结论如下： （1） 对“稳健投资”进行了界定。“稳健”一词，具有多种含义，在经济领域通常是指抵御消极事件的能力。在金融投资领域，“稳健”投资是指在保持资产组合良好流动性的前提下，将投资风险控制在一定范围内，并同时谋取一定收益的投资模式。流动性、风险和收益构成稳健投资涵义里三个不可或缺的要素，长期投资是稳健投资的充分条件，稳健投资通常被风险厌恶者所需求。 因此，从涵义上界定，稳健投资应包括如下几个方面： 1) 保持资产良好的流动性； 2) 将风险控制在一定范围内； 3) 通过投资获取一定收益，至少应高于中长期存款利息收入； 4) 尽可能使投资品种多样化； 5) 尽可能长期投资。 （2） 开放式基金的流动性风险管理是稳健投资的一个重要方面。目前我国的开放式基金流动性风险具有以下特征：开放式基金所处的证券市场制度不完善、交易成本过高；投资工具相对缺乏；机构投资者的壮大从一定程度上会导致开放式基金的流动性风险高于成熟市场；我国的投资者缺乏科学的投资理念，管理者缺乏稳定性。因此，可以考虑从以下方面加强管理：1)进行流动性评估，合理配置资产；2)建立赎回预测机制，加强预算管理；3)拓宽融资渠道，进行负债经营；4)赎回限制与费率设计；5)完善市场功能，进行金融创新；6)优化投资者结构，加强对持有人的管理。 （3） 通过“多重优势选择法”，利用多元统计方法构建“稳健型股票池”的方法是可行的，能够选出“稳健溢价”大于0的股票，而且可以按照稳健溢价的值的大小选择有较大投资价值的股票。 （4） 引进以流动性为基础的稳健因子、构建的三维投资组合模型是成功的，其收益、风险以及变异系数指标大多优于以“收益—风险”为基础的二维组合，更优于市场指数组合。三维的投资组合可以综合考虑收益、风险和流动性三方面的因素，使组合更稳健，也更能够有效地回避风险。因此综合流动性来考虑一个组合构建，适用于稳健投资的要求，尤其适用于对流动性有较高要求的开放式基金。 本论文的主要创造性工作和贡献包括： （1） 对投资组合理论、风格投资、长期投资、证券投资组合理论的发展动态等进行了较为系统的概括，从多个角度综合论述了证券投资组合的内容和体系； （2） 在分析“稳健投资”的意义和现状的基础上，对“稳健投资”进行了界定，并提出“稳健投资”的概念和框架，以及对此进行了实证分析； （3） 在论述“股票池”构建理论的基础上，提出利用定性和定量以及多元统计方法构建“稳健型股票池”，并进行了实证分析； （4） 对开放式基金的流动性风险管理进行了分析，并结合当前的形势，提出了流动性风险管理的一系列措施。
二、证券投资组合理论的一种新模型及其应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、证券投资组合理论的一种新模型及其应用（论文提纲范文）
（1）基于人工智能量化分析的我国资产证券化产品投资组合优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 资产证券化 |
| 1.1.2 资产证券化的国内外研究现状 |
| 1.1.3 人工智能的引入 |
| 1.1.4 理论意义与现实意义 |
| 1.2 研究对象及概念的界定与作用 |
| 1.2.1 资产证券化的内涵与作用 |
| 1.2.2 量化投资的内涵与作用 |
| 1.2.3 投资组合绩效及标准 |
| 1.2.4 人工智能的概念与作用 |
| 1.3 研究路径与研究方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要的研究方法 |
| 1.3.3 本文的主要创新点与文章结构 |
| 1.4 本章小结 |
| 第二章 投资组合理论机制与人工智能的应用前景 |
| 2.1 资产证券化整体与细分领域的研究情况 |
| 2.1.1 资产证券化的内容及定义 |
| 2.1.2 资产证券化与风险管理 |
| 2.2 人工智能背景下资产证券化的相关研究现状 |
| 2.2.1 人工智能在资产证券化中应用 |
| 2.2.2 人工智能的应用现状及在金融行业的应用发展 |
| 2.2.3 人工智能在资产证券化投资组合的应用 |
| 2.2.4 人工智能在资产组合中的优化研究现状 |
| 2.3 资产证券化的市场发展现状 |
| 2.3.1 美国资产证券化市场的发展 |
| 2.3.2 我国资产证券化市场发展 |
| 2.3.3 中美资产证券化的差异 |
| 2.4 本章小结 |
| 第三章 理想收益率下资产证券化投资组合研究 |
| 3.1 中国市场资产证券化交易规定 |
| 3.1.1 资产证券化交易机构 |
| 3.1.2 资产证券化交易费用研究 |
| 3.1.3 资产证券化投资税费研究 |
| 3.1.4 资产证券化产品投资约束 |
| 3.2 资产证券化理想收益率模型 |
| 3.2.1 场景假设与市场调研 |
| 3.2.2 测试数据的可视化分析 |
| 3.2.3 理想收益率下交易流程的构建 |
| 3.2.4 理想收益率下的计算逻辑设置 |
| 3.2.5 算法实现 |
| 3.3 实证分析与讨论 |
| 3.3.1 不同视角的量化分析 |
| 3.3.2 结果讨论与分析 |
| 3.4 本章小结 |
| 第四章 人工智能视域下的资产证券化投资组合预测 |
| 4.1 资产证券化研究中人工智能的模型选取 |
| 4.2 资产证券化实验中人工智能模型的数学基础及优点 |
| 4.2.1 Lasso回归数学基础 |
| 4.2.2 岭回归数学基础 |
| 4.2.3 XGBoost数学基础 |
| 4.2.4 LightGBM数学基础 |
| 4.2.5 神经网络数学基础 |
| 4.2.6 SVM数学基础 |
| 4.3 人工智能模型的实证分析 |
| 4.3.1 量化实验环境与数据 |
| 4.3.2 核心程序的构建与实现 |
| 4.3.3 人工智能模型的量化结果 |
| 4.3.4 不同投资视角下的模型表现 |
| 4.4 人工智能模型的Dis指标与分析 |
| 4.4.1 Dis测评指标的构建 |
| 4.4.2 不同视角下各人工智能模型的Dis值分析 |
| 4.5 本章小结 |
| 第五章 人工智能视域下资产证券化投资组合优化 |
| 5.1 传统优化方法 |
| 5.1.1 基于梯度下降法 |
| 5.1.2 复变量法 |
| 5.1.3 自动微分法 |
| 5.2 现代优化方法 |
| 5.2.1 粒子群算法 |
| 5.2.2 遗传算法 |
| 5.3 基于遗传算法的投资组合优化 |
| 5.3.1 投资组合评价模型的构建 |
| 5.3.2 投资组合优化 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 在读期间科研成果 |
| 致谢 |
（2）投资组合模型的理论研究及若干应用（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 第一章 绪论 |
| 1.1 国内外研究现状及发展趋势 |
| 1.2 研究内容和方法 |
| 第二章 基于经验分布的投资选择 |
| 2.1 引言 |
| 2.2 基本概念与模型假设 |
| 2.3 基本引理 |
| 2.4 主要结论 |
| 第三章 Markov过程在股票市场中的应用 |
| 3.1 Markov过程的基本概念 |
| 3.2 Markov链模型分析 |
| 3.2.1 模型的建立 |
| 3.2.2 股价涨跌幅的预测 |
| 3.2.3 运行周期 |
| 3.3 实例分析 |
| 3.3.1 浪莎股份涨跌幅分析 |
| 3.3.2 浪莎股份涨跌幅预测 |
| 3.3.3 浪莎股份涨跌幅运行周期 |
| 3.4 研究结论 |
| 第四章 投资组合中的熵优化模型及其应用 |
| 4.1 基本概念 |
| 4.1.1 熵的定义 |
| 4.1.2 熵的性质 |
| 4.1.3 均值-方差模型 |
| 4.2 模型建立 |
| 4.3 实证分析 |
| 4.4 结论 |
| 第五章 结束语 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
| 附录 |
（3）基于熵补偿的Black-Litterman模型的资产配置（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 研究文献综述 |
| 1.3 研究内容、研究创新与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究创新 |
| 1.3.3 技术路线 |
| 第2章 大类资产配置和现代投资组合理论 |
| 2.1 大类资产配置 |
| 2.1.1 资产配置的内涵及重要性 |
| 2.1.2 资产配置的分类 |
| 2.1.3 资产配置的基本流程 |
| 2.2 现代投资组合理论 |
| 2.2.1 均值一方差模型 |
| 2.2.2 资本资产定价模型 |
| 2.2.3 套利定价模型 |
| 2.2.4 有效市场理论 |
| 2.2.5 行为金融理论 |
| 2.3 投资组合理论内在逻辑与发展新动态 |
| 第3章 Black-Litterman资产配置模型 |
| 3.1 Black-Littennan模型概述 |
| 3.2 Black-Litterman模型框架及主要原理 |
| 3.2.1 均衡风险收益和逆最优化理论 |
| 3.2.2 投资者观点选择 |
| 3.2.3 Black-Litterman模型表达式 |
| 3.2.4 后验期望收益的一个直观解释及其推导 |
| 3.3 Black-Litterman模型主要参数的具体设置 |
| 3.3.1 投资者观点 |
| 3.3.2 比例系数r |
| 3.4 Black-Litterman模型的缺陷与量化投资思想 |
| 第4章 AR-TGARCH及熵补偿优化投资风险 |
| 4.1 GARCH族模型简介 |
| 4.1.1 ARCH模型 |
| 4.1.2 GARCH模型 |
| 4.1.3 GARCH-M模型 |
| 4.1.4 GARCH模型的缺陷及其拓展模型 |
| 4.2 信息熵补偿优化投资风险 |
| 4.2.1 熵的起源与应用领域 |
| 4.2.2 信息熵的分类及其数学性质 |
| 4.2.3 方差和信息熵在投资风险度量中的价值比较 |
| 4.3 量化指导下获得资产配置权重 |
| 4.3.1 量化指导下的资产配置框架 |
| 4.3.2 资产配置的具体建模步骤 |
| 第5章 实证分析 |
| 5.1 样本数据选择 |
| 5.2 基于AR-TGARCH模型预测观点 |
| 5.3 各策略下的结果比较 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究局限性与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（4）扩展熵优化理论及其在投资组合中的应用（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 投资组合的理论沿革 |
| 1.2.1 早期投资组合理论综述 |
| 1.2.2 现代投资组合理论综述 |
| 1.2.3 现代投资组合理论新发展 |
| 1.3 投资组合的模型沿革 |
| 1.3.1 均值—方差模型（M-V） |
| 1.3.2 资本资产定价模型（CAPM） |
| 1.3.3 套利定价模型（APT） |
| 1.3.4 行为投资组合理论模型（BAPM） |
| 1.3.5 在险价值理论模型（VaR） |
| 1.4 主要内容及创新点 |
| 1.4.1 本文研究内容 |
| 1.4.2 本文创新点 |
| 2. 熵优化理论 |
| 2.1 熵优化理论概述 |
| 2.1.1 熵概念的提出 |
| 2.1.2 熵理论的演变 |
| 2.1.3 熵理论类型 |
| 2.2 熵定律及应用 |
| 2.2.1 熵增加定理 |
| 2.2.2 耗散结构 |
| 2.2.3 负熵 |
| 2.2.4 复熵 |
| 2.3 熵理论在证券投资组合中的应用研究 |
| 2.3.1 熵理论在投资组合中的应用 |
| 2.3.2 广义熵与反熵优化理论在投资组合应用中的可行性 |
| 3. 反熵优化理论及其在投资组合中的应用 |
| 3.1 引言 |
| 3.2 反问题 |
| 3.3 反熵优化模型 |
| 3.4 反熵投资组合优化模型 |
| 3.4.1 反熵投资组合模型的构建 |
| 3.4.2 新模型数据选取 |
| 3.4.3 实证研究 |
| 3.5 反熵投资组合优化模型的评价 |
| 4. 广义熵优化理论及其在投资组合中的应用 |
| 4.1 引言 |
| 4.2 定向散度的度量 |
| 4.2.1 Csiszer 定向散度度量族 |
| 4.2.2 特殊情况下的 Csiszer 模型 |
| 4.3 广义熵优化模型 |
| 4.3.1 广义熵度量概述 |
| 4.3.2 广义熵优化模型的构建 |
| 4.4 考虑投资者风险厌恶程度的广义熵投资组合优化模型 |
| 4.4.1 广义熵投资组合模型的构建 |
| 4.4.2 新模型数据选取 |
| 4.4.3 实证研究 |
| 4.5 广义熵投资组合优化模型的评价 |
| 5. 两类模型的比较分析 |
| 5.1 两类模型的共同点 |
| 5.2 两类模型的不同点 |
| 5.3 两类模型的适用范围 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（5）基于VaR方法度量证券投资风险的分析及管理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究工作 |
| 第2章 证券投资风险管理 |
| 2.1 金融风险 |
| 2.1.1 金融风险的概念 |
| 2.1.2 金融风险的特征 |
| 2.2 证券投资 |
| 2.3 证券投资风险 |
| 2.4 证券投资风险管理 |
| 2.4.1 证券投资风险管理概念 |
| 2.4.2 证券投资风险管理目标 |
| 2.4.3 证券投资风险管理基本原则 |
| 2.4.4 证券投资风险管理基本策略 |
| 2.5 债券投资的风险管理 |
| 2.5.1 债券投资要素及我国债券市场概况 |
| 2.5.2 债券投资的风险管理 |
| 第3章 投资组合规避风险方法的研究 |
| 3.1 收益和风险的度量 |
| 3.2 基于马科维茨的资产选择模型设计 |
| 3.3 考虑交易费用和最小交易量的投资组合选择 |
| 3.4 资本资产定价模型 |
| 第4章 证券投资风险的实证研究 |
| 4.1 我国证券市场投资风险结构的统计研究 |
| 4.1.1 数据来源与数据选取 |
| 4.1.2 研究方法原理分析 |
| 4.1.3 计算结果与分析 |
| 4.2 我国证券投资风险收益关系的检验 |
| 4.2.1 检验原理 |
| 4.2.2 计算结果与分析 |
| 第5章 基于VaR方法度量投资风险 |
| 5.1 VaR的基本概念 |
| 5.2 基于GARCH模型的VaR计算方法 |
| 5.3 基于VaR约束的投资组合及其改进 |
| 5.3.1 风险价值的确定 |
| 5.3.2 加入VaR约束后的马克维茨均值-方差模型 |
| 5.3.3 包含交易费用的多期投资组合模型 |
| 5.3.4 关于模型的应用验证 |
| 5.4 中国股市波动性研究 |
| 5.4.1 数据选取与时段选择 |
| 5.4.2 数据基本统计特征分析 |
| 5.4.3 基于正态分布假设条件下的VaR的计算 |
| 5.4.4 GARCH族模型计算中国股市VaR的实验与评价 |
| 5.4.5 GARCH—VaR计算结果及分析 |
| 结论 |
| 致谢 |
| 参考文献 |
（6）熵理论在证券投资中的模型及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 致谢 |
| 第一章 绪论 |
| 1.1 选题背景与研究目的 |
| 1.2 国内外研究现状 |
| 1.2.1 风险型决策问题以及熵理论在风险决策方面的发展 |
| 1.2.2 熵理论在证券投资市场上应用研究的重要性 |
| 1.3 论文的主要研究内容及章节安排 |
| 第二章 熵理论及组合投资理论发展概述 |
| 2.1 熵理论发展概述 |
| 2.1.1 熵理论的历史、现状和发展 |
| 2.1.2 Shannon信息熵的定义和性质 |
| 2.2 投资组合理论发展概述 |
| 2.2.1 投资组合理论的产生与发展 |
| 2.2.2 现代证券组合选择理论 |
| 2.2.2.1 多元化投资理论 |
| 2.2.2.2 Markowitz均值—方差模型 |
| 2.2.3 单一指数投资组合模型 |
| 2.2.3.1 单一指数模型的假设 |
| 2.2.3.2 计算资产及资产组合的预期收益和风险 |
| 2.3 本章小结 |
| 第三章 基于熵的单一指数投资组合模型 |
| 3.1 引言 |
| 3.2 基于熵的单一指数投资组合模型 |
| 3.2.1 证券投资风险的熵度量的定义 |
| 3.2.2 新模型的假设条件 |
| 3.2.3 新模型的建立 |
| 3.3 本章小结 |
| 第四章 基于熵的单一指数投资组合模型在证券市场上的实证研究 |
| 4.1 数据的选取 |
| 4.2 深市证券投资的基于熵的单一指数投资组合模型 |
| 4.3 Matlab及其在金融领域中的应用 |
| 4.3.1 Matlab简介 |
| 4.3.2 Matlab工具箱简介 |
| 4.3.3.1 Matlab优化工具箱 |
| 4.3.3.2 Matlab统计工具箱 |
| 4.3.3.3 Matlab金融工具箱 |
| 4.4 计算过程与结果 |
| 4.5 计算结果与均值-方差模型计算结果比较 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 进一步的工作展望与设想 |
| 参考文献 |
| 研究生期间发表的论文和参与的项目情况 |
（7）可线性规划的证券投资组合模型及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 现代投资组合理论发展综述 |
| 1.2 本文的研究背景及意义 |
| 1.3 本文的主要研究内容及其结构 |
| 1.4 创新与不足 |
| 第二章 证券投资组合基本理论 |
| 2.1 证券投资组合的产生 |
| 2.2 有关概念的界定 |
| 2.3 投资组合选择的基本方法 |
| 2.4 均值—方差模型 |
| 第三章 可线性规划的投资组合模型 |
| 3.1 基于绝对离差风险度量下的模型 |
| 3.1.1 均值—绝对离差模型(MAD) |
| 3.1.2 均值—半绝对离差模型(SMAD) |
| 3.2 基于绝对离差风险度量下的具有交易费的模型 |
| 3.2.1 具有交易费的均值—绝对离差模型 |
| 3.2.2 具有交易费的均值—半绝对离差模型 |
| 第四章 实证分析 |
| 4.1 分类 |
| 4.2 数据 |
| 4.3 计算结果与分析 |
| 4.3.1 相同收益下，不同类型股票的风险比较 |
| 4.3.2 不同收益率下，股票组合的变动分析 |
| 4.3.3 不同类型股票混合组合的变动分析 |
| 4.3.4 不同模型的收益、组合分析 |
| 4.4 结论 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
（8）商业银行信贷资产组合优化模型及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 前言 |
| 1.1 选题的科学依据及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义及应用前景 |
| 1.2 本领域研究现状 |
| 1.3 本文主要工作 |
| 第二章 现代资产组合理论及贷款组合优化 |
| 2.1 现代资产组合理论 |
| 2.1.1 收益、风险及其测定 |
| 2.1.2 风险偏好 |
| 2.1.3 资产组合模型及工具 |
| 2.2 银行风险概述 |
| 2.3 银行贷款组合优化 |
| 第三章 基于Z分值的商业银行信贷资产组合优化模型 |
| 3.1 商业银行信贷资产组合优化模型及有效边界 |
| 3.2 Z-Score破产预测模型 |
| 3.3 基于Z分值的银行信贷资产组合优化模型 |
| 3.4 实例分析 |
| 3.5 小结 |
| 第四章 基于授信额度的商业银行信贷产组合优化模型 |
| 4.1 授信额度 |
| 4.2 基于授信额度的商业银行信贷资产组合优化模型 |
| 4.3 实例分析 |
| 4.4 小结 |
| 第五章 基于VaR的商业银行信贷资产组合优化模型 |
| 5.1 人工神经网络 |
| 5.1.1 人工神经网络概述 |
| 5.1.2 BP神经网络 |
| 5.1.3 实例分析 |
| 5.2 VaR方法 |
| 5.2.1 VaR的概念与计算方法 |
| 5.2.2 VaR的用途 |
| 5.2.3 VaR的优点与缺点 |
| 5.3 基于VaR的商业银行信贷资产组合优化模型 |
| 5.3.1 建立模型 |
| 5.3.2 求解模型算法 |
| 5.4 实例分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）期权定价与投资组合的若干模型研究及其案例分析（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 主要符号表 |
| 前言 |
| 第一章 预备知识 |
| §1.1 引言 |
| §1.2 投资组合理论的研究对象 |
| §1.3 资产组合理论的历史发展回顾与现状研究 |
| §1.4 本文的主要工作 |
| 第二章 期权定价选择模型及其应用 |
| §2.1 引言 |
| §2.2 Black-Schoes模型期权定价方法及其应用 |
| §2.3 多风险资产期权定价模型及其应用 |
| 第三章 资产组合选择模型及其应用 |
| §3.1 引言 |
| §3.2 单指数资产组合选择模型 |
| §3.3 多指数资产组合选择模型 |
| §3.4 最优资产组合选择的简化模型 |
| §3.5 常值相关的简化模型 |
| §3.6 小结与讨论 |
| 第四章 基于模糊系数的投资组合优化模型及实证分析 |
| §4.1 引言 |
| §4.2 预备知识 |
| §4.3 模糊投资组合优化模型 |
| §4.4 实证分析 |
| 第五章 模糊数在投资组合优化中的应用研究及实证分析 |
| §5.1 引言 |
| §5.2 模糊数及其线性运算 |
| §5.3 收益率为模糊数的模糊投资组合 |
| §5.4 实证分析 |
| §5.5 小结 |
| 总结 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（10）开放式证券投资基金稳健投资管理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题的提出及意义 |
| 1.2 国内外相关文献综述 |
| 1.2.1 国内外在本研究方向的现状 |
| 1.2.1.1 西方证券投资组合理论的回顾 |
| 1.2.1.2 风格投资的研究 |
| 1.2.1.3 长期投资的研究 |
| 1.2.2 证券投资组合理论的发展动态 |
| 1.2.2.1 引入交易成本和流动性的投资组合理论 |
| 1.2.2.2 基于VaR的投资组合理论 |
| 1.2.2.3 行为资产投资组合理论 |
| 1.2.2.4 长期投资的资产组合理论 |
| 1.3 基本范畴界定 |
| 1.3.1 开放式基金 |
| 1.3.2 风险与投资风险 |
| 1.3.3 流动性及其风险 |
| 1.4 论文的研究目的、思路和方法 |
| 1.5 论文的研究框架、难点和创新 |
| 1.6 本章小结 |
| 第2章 证券投资基金概述及稳健投资界定 |
| 2.1 证券投资基金概述 |
| 2.1.1 证券投资基金的产生、发展及优势与局限 |
| 2.1.1.1 证券投资基金的产生与发展 |
| 2.1.1.2 证券投资基金的优势与局限 |
| 2.1.2 开放式基金与封闭式基金的对比 |
| 2.1.3 开放式基金将是基金业主流 |
| 2.1.4 我国证券基金业的发展及现状 |
| 2.1.5 我国开放式基金的现状及存在问题 |
| 2.2 开放式证券投资基金“稳健”投资的理论设计 |
| 2.2.1 目前对“稳健”投资的理解和运用 |
| 2.2.2 激进性投资和稳健性投资的对比研究 |
| 2.2.3 稳健投资的适用条件 |
| 2.2.4 “稳健”投资的理论设计 |
| 2.2.5 稳健投资小结 |
| 2.3 本章小结 |
| 第3章 基金投资的风险管理 |
| 3.1 投资基金的风险概念和类型 |
| 3.1.1 风险的定义和特征 |
| 3.1.2 开放式基金风险的形成 |
| 3.1.3 开放式基金风险的类型 |
| 3.2 基金投资的风险衡量与评价 |
| 3.2.1 方差模型 |
| 3.2.2 半方差模型 |
| 3.2.3 系数法 |
| 3.2.4 VaR模型 |
| 3.2.4.1 VaR模型的含义和基本原理 |
| 3.2.4.2 VaR模型的计算方法 |
| 3.2.4.3 对投资基金VaR模型的检测 |
| 3.2.4.4 VaR的优缺点 |
| 3.3 风险管理与稳健投资 |
| 3.3.1 风险管理的含义 |
| 3.3.2 市场风险的管理程序 |
| 3.3.3 稳健投资下的市场风险管理—策略与技术 |
| 3.4 本章小结 |
| 第4章 基金投资组合的流动性管理 |
| 4.1 开放式基金的流动性风险及市场背景 |
| 4.1.1 开放式基金流动性风险 |
| 4.1.2 开放式基金流动性风险的形成机制 |
| 4.1.3 开放式基金流动性风险的市场背景 |
| 4.2 流动性的度量指标 |
| 4.3 开放式基金流动性风险的度量 |
| 4.4 投资基金的流动性风险管理 |
| 4.4.1 我国开放式基金流动性风险的特征 |
| 4.4.2 开放式基金流动性风险的管理 |
| 4.5 小结 |
| 第5章 基金长期投资的资产组合选择 |
| 5.1 短期资产组合与长期资产组合的分析 |
| 5.1.1 短期投资与长期投资的资产组合不同 |
| 5.1.2 均方差分析 |
| 5.1.3 长期资产组合选择的要素 |
| 5.2 长期资产组合选择与稳健投资 |
| 5.2.1 VAR模型 |
| 5.2.2 单一风险资产和常数实际利率的案例 |
| 5.2.2.1 均值回归的模型化 |
| 5.2.2.2 模型求解 |
| 5.3 连续时间的资产配置问题 |
| 5.3.1 动态规划法—贝尔曼最优原则 |
| 5.3.2 鞅方法 |
| 5.3.2.1 连续时间的SDF |
| 5.3.2.2 将动态问题转化为静态问题 |
| 5.3.2.3 求解最优投资财富 |
| 5.3.2.4 求解最优消费与资产组合选择 |
| 5.4 长期投资者与波动性风险套利 |
| 5.5 本章小结 |
| 第6章 稳健型股票池构建——理论与实证分析 |
| 6.1 宏观经济分析 |
| 6.1.1 宏观经济分析的意义 |
| 6.1.2 宏观经济分析的内容 |
| 6.2 行业评价与选择 |
| 6.2.1 “本构分析”的基本框架 |
| 6.2.2 行业分析指标体系的建立 |
| 6.2.3 指标度量方法的确定 |
| 6.3 “稳健型股票池”的构建与应用 |
| 6.3.1 股票池构建的原则 |
| 6.3.2 “股票池”的构建 |
| 6.3.3 “股票池”构建的实证分析 |
| 6.4 本章小结 |
| 第7章 投资组合与稳健风格投资实证分析 |
| 7.1 证券投资组合理论 |
| 7.2 投资管理过程 |
| 7.2.1 构建证券组合的意义和特点 |
| 7.2.2 证券组合投资的目标要求 |
| 7.2.3 投资组合构建步骤 |
| 7.2.4 投资组合的资产配置 |
| 7.3 投资组合构建—稳健投资的实证分析 |
| 7.3.1 样本的选取 |
| 7.3.2 参数的定义 |
| 7.3.3 数据处理与实证分析 |
| 7.3.4 实证结果分析及结论 |
| 7.4 本章小结 |
| 第8章 回顾与展望 |
| 8.1 论文的主要创造性工作和结论 |
| 8.2 进一步研究工作的展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文与参加的科研课题情况 |
| 致谢 |
四、证券投资组合理论的一种新模型及其应用（论文参考文献）
- [1]基于人工智能量化分析的我国资产证券化产品投资组合优化研究[D]. 卞进. 中央财经大学, 2019(01)
- [2]投资组合模型的理论研究及若干应用[D]. 万云倩. 安徽工业大学, 2019(02)
- [3]基于熵补偿的Black-Litterman模型的资产配置[D]. 朱业春. 中国科学技术大学, 2016(01)
- [4]扩展熵优化理论及其在投资组合中的应用[D]. 王宾. 辽宁科技大学, 2012(04)
- [5]基于VaR方法度量证券投资风险的分析及管理研究[D]. 汤超. 西南交通大学, 2011(04)
- [6]熵理论在证券投资中的模型及应用研究[D]. 王博. 合肥工业大学, 2008(11)
- [7]可线性规划的证券投资组合模型及其应用[D]. 王寰. 南京农业大学, 2008(08)
- [8]商业银行信贷资产组合优化模型及其应用研究[D]. 黄静. 南京信息工程大学, 2007(06)
- [9]期权定价与投资组合的若干模型研究及其案例分析[D]. 李春泉. 陕西师范大学, 2007(03)
- [10]开放式证券投资基金稳健投资管理研究[D]. 徐丽梅. 同济大学, 2007(02)