版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著經(jīng)濟(jì)水平不斷提高,居民的財(cái)富也不斷增多,投資漸漸成為廣大民眾確保自身資產(chǎn)保值、增值、不受通貨膨脹侵蝕的主要方式。大多數(shù)人都在思索如何能夠保證在獲取期望的收益時(shí),面對(duì)的風(fēng)險(xiǎn)更小,或者在面對(duì)確定的風(fēng)險(xiǎn)水平時(shí),獲取的收益更高。如何選擇組合中的資產(chǎn),并確定它們的最優(yōu)權(quán)重,是人們關(guān)注的焦點(diǎn),由此發(fā)展出投資組合理論。
Markowitz是現(xiàn)代投資組合理論的創(chuàng)立者。在1952年,他基于數(shù)理統(tǒng)計(jì)學(xué)中的均值和方差概念提出了MV模型(即均值-
2、方差模型),用均值和方差分別度量收益和風(fēng)險(xiǎn)。之后不斷涌現(xiàn)學(xué)者提出新的、能夠替代方差的風(fēng)險(xiǎn)度量指標(biāo)。1990s,J.P摩根公司提出了VaR(Value-at-Risk)指標(biāo),它代表在一定置信水平下資產(chǎn)或投資組合所面臨的損失大小,可是它不滿足次可加性。為了改進(jìn)VaR的統(tǒng)計(jì)性質(zhì),Rockafellar和Uryasev提出了CVaR(Conditional Value-at-Risk)指標(biāo),并且建立了CVaR風(fēng)險(xiǎn)度量投資組合模型。求出CVaR值
3、的過(guò)程非常復(fù)雜。Krokhmal等人提出通過(guò)線性化、離散化的操作方法,輸入組合中各個(gè)資產(chǎn)的有關(guān)數(shù)據(jù),把CVaR投資組合模型轉(zhuǎn)化成了一個(gè)容易求解的線性規(guī)劃模型。這些輸入的數(shù)據(jù)是通過(guò)聚類(lèi)方法獲得的。聚類(lèi)將一組對(duì)象進(jìn)行分類(lèi),同類(lèi)對(duì)象非常接近,而不同類(lèi)的對(duì)象之間差別很大。
傳統(tǒng)的模擬方法把每種資產(chǎn)收益率的情景發(fā)生概率當(dāng)作是均等的,這顯然不符合現(xiàn)實(shí)情況,而用K-means聚類(lèi)法可以得到每種情景發(fā)生的概率。隨著不同學(xué)科知識(shí)的融合,投資組合
4、優(yōu)化模型分析中開(kāi)始出現(xiàn)物理熱學(xué)中的相關(guān)概念。在物理學(xué)中,熵值和不確定性成正比,如果應(yīng)用在投資組合模型中,可以表明組合中資產(chǎn)之間的相關(guān)性程度,這樣熵就可以度量組合的分散程度。
本文建立了帶有廣義熵約束的CVaR投資組合模型,以一個(gè)具體的實(shí)例來(lái)做實(shí)證分析。實(shí)例選取深市的八只股票作為一個(gè)投資組合,統(tǒng)計(jì)從1998年1月1日到2013年12月31日期間的數(shù)據(jù),然后計(jì)算出每只股票的日對(duì)數(shù)收益率,根據(jù)這些數(shù)據(jù),應(yīng)用SPSS統(tǒng)計(jì)軟件依據(jù)K-m
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于K-means聚類(lèi)算法的負(fù)荷模型研究.pdf
- 熵加權(quán)多視角核k-means聚類(lèi)算法的研究.pdf
- 基于SOM和K-means聚類(lèi)算法的RFM模型分析.pdf
- 基于K-Means的文檔聚類(lèi)算法研究.pdf
- (6)K-means聚類(lèi)算法.pdf
- K-means聚類(lèi)算法的改進(jìn).pdf
- K-means聚類(lèi)算法的改進(jìn)研究.pdf
- 基于K-means聚類(lèi)的RCNA識(shí)別算法.pdf
- 基于凝聚模糊K-means的聚類(lèi)方法研究.pdf
- K-means聚類(lèi)優(yōu)化算法的研究.pdf
- 基于K-Means聚類(lèi)算法的客戶細(xì)分研究.pdf
- 基于改進(jìn)的K-means和層次聚類(lèi)方法的詞袋模型研究.pdf
- 基于改進(jìn)K-means聚類(lèi)的推薦方法研究.pdf
- K-means聚類(lèi)算法研究及其應(yīng)用.pdf
- 基于K-means聚類(lèi)的LEACH協(xié)議的改進(jìn)研究.pdf
- 基于PCA和K-means聚類(lèi)的三維模型數(shù)字水印算法研究.pdf
- 密度敏感的K-means聚類(lèi)算法研究.pdf
- 基于密度的改進(jìn)K-Means文本聚類(lèi)算法研究.pdf
- 基于遺傳算法的K-MEANS聚類(lèi)改進(jìn)研究.pdf
- 數(shù)據(jù)挖掘K-means聚類(lèi)算法的研究.pdf
評(píng)論
0/150
提交評(píng)論