第一章 緒 論1

1.1 研究背景及研究意義1

1.1.1 研究的背景1

1.1.2 研究的意義2

1.2 相關(guān)文獻(xiàn)研究綜述6

1.2.1 投資組合的靜態(tài)模型6

1.2.2 動(dòng)態(tài)投資組合模型7

1.2.3 國內(nèi)研究綜述11

1.3 論文的研究內(nèi)容和結(jié)構(gòu)安排12

1.3.1 主要研究內(nèi)容12

1.3.2 結(jié)構(gòu)安排14

1.4 研究思路和方法17

1.5 本書的主要?jiǎng)?chuàng)新點(diǎn)17

第二章 基于集成預(yù)測的模糊投資組合選擇20

2.1 預(yù)測理論及方法20

2.1.1 基于粒子群優(yōu)化的SVM算法20

2.1.2 基于遺傳神經(jīng)網(wǎng)絡(luò)的預(yù)測模型22

2.1.3 ARIMA時(shí)間序列預(yù)測模型23

2.1.4 基于熵值法的集成預(yù)測24

2.2 基于均值-方差-熵優(yōu)化的模糊投資組合模型25

2.2.1 預(yù)備知識(shí)25

2.2.2 含模糊約束的均值-方差-熵優(yōu)化的模糊投資組合模型26

2.3 實(shí)證研究29

2.3.1 預(yù)優(yōu)化30

2.3.2 組合預(yù)測31

2.4 均值-方差-熵優(yōu)化的模糊投資組合結(jié)果33

2.5 本章小結(jié)35

第三章 摩擦市場下的多階段動(dòng)態(tài)資產(chǎn)組合配置策略36

3.1 摩擦市場下動(dòng)態(tài)投資組合決策模型37

3.1.1 動(dòng)態(tài)投資組合模型的建立37

3.1.2 基于粒子群優(yōu)化和神經(jīng)網(wǎng)絡(luò)混合智能算法的模型求解39

3.2 基于最小二乘支持向量機(jī)預(yù)測的參數(shù)估計(jì)41

3.2.1 最小二乘支持向量機(jī)41

3.2.2 資產(chǎn)收益率的影響因子43

3.3 實(shí)證研究43

3.3.1 預(yù)優(yōu)化處理44

3.3.2 最小二乘支持向量機(jī)預(yù)測44

3.3.3 動(dòng)態(tài)投資組合的參數(shù)和優(yōu)化結(jié)果45

3.4 本章小結(jié)46

第四章 隨機(jī)環(huán)境下的連續(xù)時(shí)間最優(yōu)資產(chǎn)組合選擇47

4.1 連續(xù)時(shí)間金融的數(shù)學(xué)基礎(chǔ)47

4.2 問題的提出及模型的建立48

4.2.1 效用的定義49

4.2.2 連續(xù)時(shí)間的資產(chǎn)組合模型49

4.3 最優(yōu)投資策略50

4.3.1 模型求解50

4.3.2 結(jié)果討論51

4.3.3 模型的擴(kuò)展52

4.3.4 模型時(shí)變參數(shù)的GARCH估計(jì)53

4.4 算例54

4.5 本章小結(jié)55

第五章 極大極小風(fēng)險(xiǎn)下的跳擴(kuò)散連續(xù)時(shí)間資產(chǎn)配置策略57

5.1 連續(xù)時(shí)間的投資組合決策模型58

5.1.1 跳擴(kuò)散投資組合模型的建立58

5.1.2 極大極小風(fēng)險(xiǎn)約束60

5.2 基于數(shù)值逼近算法的模型求解61

5.2.1 HJB方程61

5.2.2 數(shù)值逼近算法62

5.3 基于神經(jīng)網(wǎng)絡(luò)預(yù)測的參數(shù)估計(jì)63

5.4 實(shí)證研究64

5.4.1 組合中投資標(biāo)的的選擇64

5.4.2 參數(shù)估計(jì)65

5.4.3 跳擴(kuò)散的連續(xù)時(shí)間投資組合的優(yōu)化結(jié)果65

5.5 本章小結(jié)67

第六章 含期權(quán)的連續(xù)時(shí)間投資組合最優(yōu)策略69

6.1 含期權(quán)的連續(xù)時(shí)間投資組合決策模型70

6.1.1 模型的建立70

6.1.2 基于微分方程有限差分法的模型求解72

6.2 套期保值策略74

6.3 算例74

6.4 本章小結(jié)78

第七章 隨機(jī)利率和通貨膨脹下的最優(yōu)資產(chǎn)組合選擇79

7.1 考慮通貨膨脹等因素的投資組合決策模型80

7.1.1 模型的建立80

7.1.2 改進(jìn)數(shù)值逼近算法的模型求解83

7.2 基于支持向量機(jī)的參數(shù)估計(jì)85

7.3 實(shí)證研究85

7.3.1 模型參數(shù)估計(jì)85

7.3.2 連續(xù)時(shí)間最優(yōu)資產(chǎn)組合的優(yōu)化結(jié)果86

7.4 本章小結(jié)89

第八章 含股指期貨的投資組合套利策略研究90

8.1 基于Alpha套利的投資組合優(yōu)化模型91

8.1.1 Alpha套利的投資組合構(gòu)建91

8.1.2 Alpha套利策略93

8.2 遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的實(shí)現(xiàn)94

8.2.1 自適應(yīng)的遺傳算法及其混合編碼94

8.2.2 混合編碼下的遺傳神經(jīng)網(wǎng)絡(luò)算法96

8.3 實(shí)證研究97

8.3.1 數(shù)據(jù)預(yù)處理97

8.3.2 實(shí)證研究中的具體約束條件和退火參數(shù)98

8.3.3 實(shí)證方法和實(shí)證結(jié)果99

8.4 本章小結(jié)101

總結(jié)與展望103

研究內(nèi)容及結(jié)論總結(jié)103

未來研究思路展望104

參考文獻(xiàn)107

附錄1 GABP算法主要程序代碼117

附錄2 粒子群尋優(yōu)主要程序代碼119