学位论文 > 优秀研究生学位论文题录展示
基于正则约束的投资组合优化分析
作 者: 黄丽珍
导 师: 王永巧
学 校: 浙江工商大学
专 业: 金融
关键词: 投资组合优化 正则约束 稀疏性 平滑性
分类号: F224
类 型: 硕士论文
年 份: 2014年
下 载: 4次
引 用: 0次
阅 读: 论文下载
内容摘要
投资组合优化一直是金融领域的一个核心问题。1952年,马科维兹在一系列完备的假设下,运用简单的数学思想建立均值—方差模型,迎来了现代投资组合理论。之后,投资者们不再仅仅依靠经验进行投资决策。但均值—方差模型所得解存在太多的微小头寸,导致这些微小头寸所对应的股票甚至连一手都无法进行投资;而且大头寸过大,这样创建的投资组合中权重最大的股票将会对该组合产生较大的影响。微小头寸所对应的股票无法加入投资组合中,而过大头寸对应的股票又对组合影响过大,这样的头寸在现实中不容易被执行。为了能够构建适合实现的投资组合,本文在马科维兹模型中加入l1+l2范数正则化。l1范数正则化是对权重之和施加一个惩罚比例,通过给予微小权重较大的惩罚增加所得解中权重为0个数,使解具有稀疏性。l2范数正则化通过权重的平方惩罚,减少大权重过大的现象,使解具有平滑性。本文选取上证200只股票在2013年的整年日收益率数据进行实证检验,并分别将l1、l2和l,+l2范数正则化的结果与马科维兹均值—方差模型进行对比。结果表明:(1)相对于均值—方差模型,e1范数正则化模型能够很好地达到稀疏解的目的。但两者均存在个别极大值对投资组合整体风险的影响。(2)l2范数正则化能够使解变得平滑,但和均值—方差模型一样,将全部股票都作为投资对象加入到投资组合中。(3)l1+l2范数正则化能有效吸收前两者的优点,并利用这些优点弥补单个范数正则化的不足,解决了均值—方差模型所求的解中小头寸过多而大头寸过大的问题,更适合投资者运用于现实投资决策中。
|
全文目录
摘要 2-4 Abstract 4-7 第一章 引言 7-11 第一节 论文的研究背景及意义 7-8 第二节 论文的主要内容与思路 8-10 第三节 本文的创新点 10-11 第二章 文献综述 11-21 第一节 风险分散的股票选择研究 11-16 第二节 正则化方法研究 16-21 第三章 Markowitz均值—方差模型 21-24 第一节 投资的收益和风险 21 第二节 相关性和分散化 21-22 第三节 均值—方差模型 22-23 第四节 马科维兹均值—方差模型的局限性 23-24 第四章 基于正则约束的投资组合模型 24-30 第一节 范数正则化方法介绍 24-26 第二节 构建基于正则化约束的投资组合模型 26-30 第五章 均值—方差模型与范数正则化的实证分析 30-40 第一节 马科维兹均值—方差模型与l_1范数正则化比较 30-33 第二节 马科维兹均值—方差模型与l_2范数正则化比较 33-35 第三节 马科维兹均值—方差模型与l_1+l_2范数正则化比较 35-38 第四节 本章小结 38-40 第六章 结论与展望 40-41 第一节 本文的主要结论 40 第二节 后续研究工作展望 40-41 参考文献 41-44 致谢 44-45
|
相似论文
- 协同过滤推荐系统中关键问题研究与实现,TP311.52
- 最小二乘支持向量机建模及预测函数控制问题研究,TP13
- 建筑几何中的样条造型与离散技术研究,TU17
- 基于模糊集和马尔可夫链的优化算法研究,O224
- 基于稀疏观测的雷达目标三维成像方法研究,TN957.52
- 证券市场风险测量与修正,F832.51
- 基于SV和Copula的投资组合风险度量及最优策略选择,F830.59
- 基于蚁群算法的投资组合优化研究,F830.9
- 不确定优势理论及其应用,O211.6
- 宽带雷达目标极化特征提取与识别研究,TN953
- 油气勘探项目投资组合研究,F426.22
- 生态纺织助剂聚甘油脂肪酸酯的合成及应用性能研究,TE869
- 供电企业电网建设投资优化方法与实施方案研究,F426.61
- 欠定和单通道条件下混合信号定阶技术研究,TN911
- 基于机器学习的入侵检测系统的研究与实现,TP393.08
- Archimedean连接函数及其在投资组合优化中的应用,F830.59
- 关于Z-矩阵的修正不完全高斯—塞德尔迭代法谱半径的单调性,O241
- 基于电阻网络与稀疏数据预测的协同过滤算法研究,G250.76
- 粒子群优化算法研究及其在投资组合优化中的应用,TP18
- 数据校正和支持向量机的过失误差识别的研究,TP18
- 压缩传感的测量矩阵与恢复算法研究,TN911.7
中图分类: > 经济 > 经济计划与管理 > 经济计算、经济数学方法 > 经济数学方法
© 2012 www.xueweilunwen.com
|