基于深度强化学习与改进均值—方差模型的投资组合研究
发布时间：2020-12-14 16:20
自1990、1991年沪、深证券交易所分别建立以来,中国证券市场不断发展壮大。股票发行交易制度日趋完善,业务规模日益扩大,监管体系建设不断加强,资本市场经历了飞速迅猛的成长。虽然中国的证券市场发展迅速,但是对于广大的投资者而言,往往却难以把握中国股票投资的节奏。2013到2014年创业板牛市,上证指数却持续在两千点附近徘徊。2015年经历了波澜壮阔的大牛市,但是随后又是多次的“千股跌停”。2017年蓝筹股结构性牛市,价值回归,同期创业板指数却一路熊市。成千上万的投资者在A股市场一轮轮的轮动中成为了被割的“韭菜”。站在投资者的角度分析,他们往往追求利益最大化的同时考虑规避风险,为了能够在板块轮动中获得一定的收益,投资组合的研究就发挥出日显重要的作用。美国经济学家马科维茨早在1952年提出证券组合管理理论,并建立了投资组合优化模型——均值-方差模型。但是,该模型解决的是单期静态的投资组合问题。并且,该模型仅仅考虑了风险资产投资占比问题。而证券市场瞬息万变,投资者需要根据市场的状况,不仅调整风险资产配置,还要调整无风险资产的占比。本文针对投资组合理论中的不足,进行了改进,提出了一系列的模型来...
【文章来源】：中国科学院大学(中国科学院人工智能学院)北京市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图３．２改进均值－方差模型计算流程??－
在评价模型之前，应当先定义一个基准。本文选择的上证的１０个主??要的行业指数，因此本文选择的指数比较标准为上证指数。同期上证指数的走势??和收益率曲线如图３．３所示：??３３??
图３．４模型回测收益率统计图??Ｆｉｇｕｒｅ?３．４?Ｓｔａｔｉｓｔｉｃ?ｃｈａｒｔ?ｏｆ?ｒｅｔｕｒｎ?ｒａｔｅ?ｏｆ?ｍｏｄｅｌ?ｂａｃｋｔｅｓｔ??从图３．４中可以看出，从２０１６年３月３０日到２０１７年４月１日，通过收益??率曲线的比较，改进的模型要比传统的均值方差模型表现要优秀。??表３．５模型实证结果统计表??Ｔａｂｌｅ?３，５?Ｍｏｄｅｌ?ｅｍｐｉｒｉｃａｌ?ｒｅｓｕｌｔｓ?ｓｔａｔｉｓｔｉｃｓ?ｔａｂｌｅ??ＤＣＣ－ＡＤ?ＭＶ?模型?Ｌｅｄｏｉｔ－Ｗｏｌｆ?ＤＣＣ－ＧＡＲＣＨ??年化收益率?７．２４７％?３．５８９％?４．６４０％?６．７９８％??Ｈ?均收益率?０．０３１％?０．０１７％?０．０２１％?０．０２９％??收益率标准差?１０．７０１％?１０．４６５％?１０．４０５％?１０．６８０％??夏普比例?０．６７７?０．３４３?０．４４６?０．６３７??．最大回撤?６．１１６％?６．４９９％?６．３２４％?６．３０３％??卡马比例?１．?１８５?０．５５２?０．?７３４?１．０７９???根据表３．５的结果，本文提出的方法在Ａ股行业指数的资产配置中取得了比??较好的效果：一年的累积收益率达到了?７．２５％，与同期上证指数的收益相当，而??传统的均值方差模型仅取得了?３．５９％的投资收益。同时，本文提出的模型的最大??回撤仅有６．１２％，优于上证指数收益率的８．９４％和传统均值方差模型的６．５０％??因此，夏普比例和卡马比例两个衡量投资风险的比例均有较大幅度提升，主??要原因是因为模型对于回撤控制的很好
【参考文献】：
期刊论文
[1]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进. 计算机学报. 2018(01)
[2]大中华区股市波动的相关性及动态联动性研究[J]. 杨桂元,罗阳,方媛媛. 统计与决策. 2015(22)
[3]基于损失规避的效用函数-偏度投资组合模型[J]. 熊季霞,黄腾飞. 统计与决策. 2013(24)
[4]基于遗传算法的风险偏好系数均值方差拓展模型[J]. 张群,张超,黄晓霞,应海瑶. 统计与决策. 2013(08)
[5]基于DCC-GARCH模型的金属期货市场与外汇、货币市场的动态相关性研究[J]. 胡东滨,张展英. 数理统计与管理. 2012(05)
[6]均值-方差-近似偏度投资组合模型和实证分析[J]. 余婧. 运筹学学报. 2010(01)
[7]多元GARCH模型研究述评[J]. 李文君,尹康. 数量经济技术经济研究. 2009(10)
[8]强化学习研究综述[J]. 高阳,陈世福,陆鑫. 自动化学报. 2004(01)
[9]效用函数意义下投资组合有效选择问题的研究[J]. 王春峰,屠新曙,厉斌. 中国管理科学. 2002(02)
[10]马科维兹模型的分析与评价[J]. 戴玉林. 金融研究. 1991(09)
硕士论文
[1]基于深度强化学习的大规模自适应服务组合问题研究[D]. 顾明珠.东南大学 2017
[2]基于深度强化学习的股市投资模型构建及实证研究[D]. 满奇.广东财经大学 2017
[3]均值和方差变动的马科维茨投资组合模型研究[D]. 张贺清.哈尔滨工业大学 2015
[4]多元GARCH模型与多元SV模型的比较研究[D]. 马鹏辉.兰州商学院 2013
[5]基于树结构DCC_多元GARCH模型的中国股市波动相关性研究[D]. 左秀霞.华中科技大学 2009
[6]投资组合优化及其动态分析[D]. 刘晓娟.西安电子科技大学 2003
本文编号：2916655
【文章来源】：中国科学院大学(中国科学院人工智能学院)北京市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图３．２改进均值－方差模型计算流程??－
在评价模型之前，应当先定义一个基准。本文选择的上证的１０个主??要的行业指数，因此本文选择的指数比较标准为上证指数。同期上证指数的走势??和收益率曲线如图３．３所示：??３３??
图３．４模型回测收益率统计图??Ｆｉｇｕｒｅ?３．４?Ｓｔａｔｉｓｔｉｃ?ｃｈａｒｔ?ｏｆ?ｒｅｔｕｒｎ?ｒａｔｅ?ｏｆ?ｍｏｄｅｌ?ｂａｃｋｔｅｓｔ??从图３．４中可以看出，从２０１６年３月３０日到２０１７年４月１日，通过收益??率曲线的比较，改进的模型要比传统的均值方差模型表现要优秀。??表３．５模型实证结果统计表??Ｔａｂｌｅ?３，５?Ｍｏｄｅｌ?ｅｍｐｉｒｉｃａｌ?ｒｅｓｕｌｔｓ?ｓｔａｔｉｓｔｉｃｓ?ｔａｂｌｅ??ＤＣＣ－ＡＤ?ＭＶ?模型?Ｌｅｄｏｉｔ－Ｗｏｌｆ?ＤＣＣ－ＧＡＲＣＨ??年化收益率?７．２４７％?３．５８９％?４．６４０％?６．７９８％??Ｈ?均收益率?０．０３１％?０．０１７％?０．０２１％?０．０２９％??收益率标准差?１０．７０１％?１０．４６５％?１０．４０５％?１０．６８０％??夏普比例?０．６７７?０．３４３?０．４４６?０．６３７??．最大回撤?６．１１６％?６．４９９％?６．３２４％?６．３０３％??卡马比例?１．?１８５?０．５５２?０．?７３４?１．０７９???根据表３．５的结果，本文提出的方法在Ａ股行业指数的资产配置中取得了比??较好的效果：一年的累积收益率达到了?７．２５％，与同期上证指数的收益相当，而??传统的均值方差模型仅取得了?３．５９％的投资收益。同时，本文提出的模型的最大??回撤仅有６．１２％，优于上证指数收益率的８．９４％和传统均值方差模型的６．５０％??因此，夏普比例和卡马比例两个衡量投资风险的比例均有较大幅度提升，主??要原因是因为模型对于回撤控制的很好
【参考文献】：
期刊论文
[1]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进. 计算机学报. 2018(01)
[2]大中华区股市波动的相关性及动态联动性研究[J]. 杨桂元,罗阳,方媛媛. 统计与决策. 2015(22)
[3]基于损失规避的效用函数-偏度投资组合模型[J]. 熊季霞,黄腾飞. 统计与决策. 2013(24)
[4]基于遗传算法的风险偏好系数均值方差拓展模型[J]. 张群,张超,黄晓霞,应海瑶. 统计与决策. 2013(08)
[5]基于DCC-GARCH模型的金属期货市场与外汇、货币市场的动态相关性研究[J]. 胡东滨,张展英. 数理统计与管理. 2012(05)
[6]均值-方差-近似偏度投资组合模型和实证分析[J]. 余婧. 运筹学学报. 2010(01)
[7]多元GARCH模型研究述评[J]. 李文君,尹康. 数量经济技术经济研究. 2009(10)
[8]强化学习研究综述[J]. 高阳,陈世福,陆鑫. 自动化学报. 2004(01)
[9]效用函数意义下投资组合有效选择问题的研究[J]. 王春峰,屠新曙,厉斌. 中国管理科学. 2002(02)
[10]马科维兹模型的分析与评价[J]. 戴玉林. 金融研究. 1991(09)
硕士论文
[1]基于深度强化学习的大规模自适应服务组合问题研究[D]. 顾明珠.东南大学 2017
[2]基于深度强化学习的股市投资模型构建及实证研究[D]. 满奇.广东财经大学 2017
[3]均值和方差变动的马科维茨投资组合模型研究[D]. 张贺清.哈尔滨工业大学 2015
[4]多元GARCH模型与多元SV模型的比较研究[D]. 马鹏辉.兰州商学院 2013
[5]基于树结构DCC_多元GARCH模型的中国股市波动相关性研究[D]. 左秀霞.华中科技大学 2009
[6]投资组合优化及其动态分析[D]. 刘晓娟.西安电子科技大学 2003
本文编号：2916655
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/2916655.html
