基于自适应多臂赌博机算法的投资组合模型构建与风险度量
发布时间：2021-04-15 08:35
投资组合的构建与选择问题是计量金融的基础研究问题,也是金融工程中的一项实际工程任务,其目的是优化资产的财富分配。Markowitz于1952年提出资产组合选择的正式模型,第一次从资产的收益率与风险之间的关系出发,引入均值-方差分析,讨论了最优资产组合的选择问题。该模型直到现在仍受到广大投资公司的关注。随着金融数学的问世与计算机科学的不断发展,使得现代金融投资理论开始摆脱纯粹经验化操作和单纯描述性研究的状态,进入了定量分析这一高级阶段,并为投资者进行投资决策提供了指导。当今世界经济飞速发展,金融危机和市场波动频繁出现,我国的资本市场虽然在改革开放之后得到长足发展,但还不太完善和成熟,使得投资者面临越来越多错综复杂的金融投资决策的理论和实践问题,量化理论的发展对投资组合优化问题的研究也越来越具有重要的理论和现实意义。本文将投资组合的选择问题,建模为不确定性条件下投资组合的序列决策问题,将强化学习技术应用于投资组合选择。采用多臂赌博机系列算法中的线性上界置信算法LinUCB（Linear Upper Confidence Bound）,将投资组合中的风险度量定义为上界置信区间,根据强化学习算...
【文章来源】：浙江工商大学浙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图３－２决策树Ｃ４．５算法样本属性连续值二分法分裂过程??
?基于自适应多臂赌博机算法的投资组合模型构建与风险度量???数ｚ＝１．０８后，运行程序，得到有关该股票池数据集的一棵决策树。树形图如图??５－１所示，该决策树叶节点。??Ｆ＾ｐ４ｊ??／＼?／＼??ｆｔ?ｗ?ｈ?ｗ?ｆｔ?ｗ?＾?Ｖｉ?ｎ?ｗ?ｊ（?ｗ??图５－１决策树模型分裂过程图??根据改进的Ｃ４．５决策树模型分组，根据数据，标签６．０开始，就有前一季行??情均值为负的情况，因此，定义６．０，７．０，８．０，９．０，１０．０为输家标签，剔除类别中最高??频率标签为６．０，７．０，８．０，９．０，１０．０的组合，剔除输家组合后，得出８组投资组合簇，??每个组合内部所含股票数，及部分股票代码如表５－３展示。??表５－３构造的投资组合内部部分股票??组??：ｒ股票数?组内部分股票??别???０?１７?６０００１６．?ＳＨ?６０００２８．ＳＨ?６０００３６．ＳＨ?６００１０４．?ＳＨ?６００２２１．ＳＨ?．．．??１?１９?０Ｑ０００１．ＳＺ?００．０３３８．ＳＺ?０００４２５．?ＳＺ?０００６２３．ＳＺ?００２１４２．ＳＺ?．．．??２?２１?００００６３．ＳＺ?０００７０９．ＳＺ?０００８９８．?ＳＺ?００２２０２．?ＳＺ?００２５９４．?ＳＺ?．．．??３?１９?０００９６１．ＳＺ?００２０２４．?ＳＺ?００２０５０．ＳＺ?００２１４６．ＳＺ?００２１５３．ＳＺ?．．．??４?１９?００００６０．ＳＺ?０００６３０．ＳＺ?００２４７０．?ＳＺ?６０００６６．ＳＨ?６００１８８．ＳＨ?．．．??５?２１?０００００２．ＳＺ?０００４２３．?ＳＺ?０００６５１．ＳＺ?０００６７１．ＳＺ?０００７８６．Ｓ
０．０５??＾标签７．０翔率０．０４?｜?＾标Ｓ７．０頻華０．２６??＿?＿?＿标签８．０翔率０，?口?〇?１５，?＿?｜?Ｍ标签９．０频率０．１１??■?＾?ｍｍ．?〇?＾ｍｏ．?ｏｓ?Ｓ?Ｍ?＾?标ｓｕｍ＞?獅ｏ．?０５??ｌｌｌｌ＿ｌｌｌ?ｌｌｌ，ｌｌ＿ｌ??标签２．０?标签标签ＡＯ?标签５．０?标§６．０?标签７—０?标签８．０?标￥９．０?标签１０．０?标签ｔ．?０?标￥２．０?标签Ｓ．０?标￥４．０?标签５．０?标签７＿?０?＾９．０?标签１０，０??图５－２组内标签及其频率图（ａ）???第５组内标签分布图???第６组内标签分布图???Ｍ?？￥１．０?Ｍ＊０?２７?？?桴荃２．０?频军０．．?＿丨４??０．２５－?■标签２．０？車０．Ｍ?０，１７５－?■标签３．０?频生０．１９??＾标签３．０额￡０．０５?＾标签４．０頻￥０』１９??■■标签４．０頻￥０１８?０?１Ｍ）?－?＾标签５．０频寒０?１４??０．２０－?Ｍ?标签５．０?颊￡０?０＆?Ｈ?＃Ｓ６．０?＾￡０?１４??签６．０！細?０５?Ｑｌ?１２５－?＾标签８．０?频章０?Ｍ??■嫌签７．０?频享０．０５?■柙签?１０．０?解０．？??＝￡口＝?■?Ｉ?Ｉ?■??ｉ?ｌ?ｌ！?：：ｉｌｌ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??标签１０?标签２．０?标签１０?磁．４，０?标签５，０?磁６．０?磁７．０?标签８，０?标签以?标签２，０?标签３，０?标３４０?标签５．０?碰Ｍ）?标签８．０?标签１０，＿＆???第７组内标签分布田???第８组内标签分布图???■标签?１．０?頻率０．２７?
【参考文献】：
期刊论文
[1]一种自适应的多臂赌博机算法[J]. 章晓芳,周倩,梁斌,徐进. 计算机研究与发展. 2019(03)
[2]融合用户社会地位和矩阵分解的推荐算法[J]. 余永红,高阳,王皓,孙栓柱. 计算机研究与发展. 2018(01)
[3]融合矩阵分解的多臂赌博机推荐算法[J]. 成石,王宝亮,毛陆虹,常鹏. 小型微型计算机系统. 2017(12)
[4]大数据环境下决策树算法并行化研究[J]. 李运娣. 河南工程学院学报(自然科学版). 2017(02)
[5]数据挖掘中的决策树分类[J]. 于笑笑. 时代金融. 2017(03)
[6]融合用户可信度的改进奇异值分解推荐算法[J]. 潘骏驰,张兴明,汪欣. 小型微型计算机系统. 2016(10)
[7]融合标签特征和时间上下文的协同过滤推荐算法[J]. 窦羚源,王新华,孙克. 小型微型计算机系统. 2016(01)
[8]一种改进的C4.5决策树算法[J]. 胡美春,田大钢. 软件导刊. 2015(07)
[9]基于决策树的消费行为因素建模与实现[J]. 黎旭,李国和,吴卫江,洪云峰,刘智渊,程远. 计算机应用与软件. 2015(05)
[10]基于组合相似度的优化协同过滤算法[J]. 查九,李振博,徐桂琼. 计算机应用与软件. 2014(12)
本文编号：3138999
【文章来源】：浙江工商大学浙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图３－２决策树Ｃ４．５算法样本属性连续值二分法分裂过程??
?基于自适应多臂赌博机算法的投资组合模型构建与风险度量???数ｚ＝１．０８后，运行程序，得到有关该股票池数据集的一棵决策树。树形图如图??５－１所示，该决策树叶节点。??Ｆ＾ｐ４ｊ??／＼?／＼??ｆｔ?ｗ?ｈ?ｗ?ｆｔ?ｗ?＾?Ｖｉ?ｎ?ｗ?ｊ（?ｗ??图５－１决策树模型分裂过程图??根据改进的Ｃ４．５决策树模型分组，根据数据，标签６．０开始，就有前一季行??情均值为负的情况，因此，定义６．０，７．０，８．０，９．０，１０．０为输家标签，剔除类别中最高??频率标签为６．０，７．０，８．０，９．０，１０．０的组合，剔除输家组合后，得出８组投资组合簇，??每个组合内部所含股票数，及部分股票代码如表５－３展示。??表５－３构造的投资组合内部部分股票??组??：ｒ股票数?组内部分股票??别???０?１７?６０００１６．?ＳＨ?６０００２８．ＳＨ?６０００３６．ＳＨ?６００１０４．?ＳＨ?６００２２１．ＳＨ?．．．??１?１９?０Ｑ０００１．ＳＺ?００．０３３８．ＳＺ?０００４２５．?ＳＺ?０００６２３．ＳＺ?００２１４２．ＳＺ?．．．??２?２１?００００６３．ＳＺ?０００７０９．ＳＺ?０００８９８．?ＳＺ?００２２０２．?ＳＺ?００２５９４．?ＳＺ?．．．??３?１９?０００９６１．ＳＺ?００２０２４．?ＳＺ?００２０５０．ＳＺ?００２１４６．ＳＺ?００２１５３．ＳＺ?．．．??４?１９?００００６０．ＳＺ?０００６３０．ＳＺ?００２４７０．?ＳＺ?６０００６６．ＳＨ?６００１８８．ＳＨ?．．．??５?２１?０００００２．ＳＺ?０００４２３．?ＳＺ?０００６５１．ＳＺ?０００６７１．ＳＺ?０００７８６．Ｓ
０．０５??＾标签７．０翔率０．０４?｜?＾标Ｓ７．０頻華０．２６??＿?＿?＿标签８．０翔率０，?口?〇?１５，?＿?｜?Ｍ标签９．０频率０．１１??■?＾?ｍｍ．?〇?＾ｍｏ．?ｏｓ?Ｓ?Ｍ?＾?标ｓｕｍ＞?獅ｏ．?０５??ｌｌｌｌ＿ｌｌｌ?ｌｌｌ，ｌｌ＿ｌ??标签２．０?标签标签ＡＯ?标签５．０?标§６．０?标签７—０?标签８．０?标￥９．０?标签１０．０?标签ｔ．?０?标￥２．０?标签Ｓ．０?标￥４．０?标签５．０?标签７＿?０?＾９．０?标签１０，０??图５－２组内标签及其频率图（ａ）???第５组内标签分布图???第６组内标签分布图???Ｍ?？￥１．０?Ｍ＊０?２７?？?桴荃２．０?频军０．．?＿丨４??０．２５－?■标签２．０？車０．Ｍ?０，１７５－?■标签３．０?频生０．１９??＾标签３．０额￡０．０５?＾标签４．０頻￥０』１９??■■标签４．０頻￥０１８?０?１Ｍ）?－?＾标签５．０频寒０?１４??０．２０－?Ｍ?标签５．０?颊￡０?０＆?Ｈ?＃Ｓ６．０?＾￡０?１４??签６．０！細?０５?Ｑｌ?１２５－?＾标签８．０?频章０?Ｍ??■嫌签７．０?频享０．０５?■柙签?１０．０?解０．？??＝￡口＝?■?Ｉ?Ｉ?■??ｉ?ｌ?ｌ！?：：ｉｌｌ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??标签１０?标签２．０?标签１０?磁．４，０?标签５，０?磁６．０?磁７．０?标签８，０?标签以?标签２，０?标签３，０?标３４０?标签５．０?碰Ｍ）?标签８．０?标签１０，＿＆???第７组内标签分布田???第８组内标签分布图???■标签?１．０?頻率０．２７?
【参考文献】：
期刊论文
[1]一种自适应的多臂赌博机算法[J]. 章晓芳,周倩,梁斌,徐进. 计算机研究与发展. 2019(03)
[2]融合用户社会地位和矩阵分解的推荐算法[J]. 余永红,高阳,王皓,孙栓柱. 计算机研究与发展. 2018(01)
[3]融合矩阵分解的多臂赌博机推荐算法[J]. 成石,王宝亮,毛陆虹,常鹏. 小型微型计算机系统. 2017(12)
[4]大数据环境下决策树算法并行化研究[J]. 李运娣. 河南工程学院学报(自然科学版). 2017(02)
[5]数据挖掘中的决策树分类[J]. 于笑笑. 时代金融. 2017(03)
[6]融合用户可信度的改进奇异值分解推荐算法[J]. 潘骏驰,张兴明,汪欣. 小型微型计算机系统. 2016(10)
[7]融合标签特征和时间上下文的协同过滤推荐算法[J]. 窦羚源,王新华,孙克. 小型微型计算机系统. 2016(01)
[8]一种改进的C4.5决策树算法[J]. 胡美春,田大钢. 软件导刊. 2015(07)
[9]基于决策树的消费行为因素建模与实现[J]. 黎旭,李国和,吴卫江,洪云峰,刘智渊,程远. 计算机应用与软件. 2015(05)
[10]基于组合相似度的优化协同过滤算法[J]. 查九,李振博,徐桂琼. 计算机应用与软件. 2014(12)
本文编号：3138999
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3138999.html
