粒子群优化算法在投资组合中的应用

发布时间：2017-10-18 20:37

  本文关键词：粒子群优化算法在投资组合中的应用

  更多相关文章： 期望收益率 CVaR 投资组合 粒子群优化算法

【摘要】：最近数年,中国股市比较低迷,投资者需要更慎重地权衡收益率和风险以做出合理的投资决策。相比于方差和风险价值(VaR),条件风险价值(CVaR)更能说明潜在的风险大小,同时具有良好的统计性质;但是均值-CVaR模型直接求解较为困难,尤其是维数较高时,所以常常选择随机搜索策略来求解,即使无法找到最优解,也有很大概率得到近似的最优解。标准的粒子群算法原理简单、参数少、容易实现,但后期收敛慢、精度低;本文在研究均值-CVaR模型特点的基础上,对粒子群算法进行改进,加入惯性权重先增后减、适应度变差清零的策略,提高了算法的效率和精度。本文选取了8只来自四个不同板块的股票的历史数据,分别应用标准粒子群算法和改进的粒子群算法对均值-CVaR模型和以此为基础的收益率-风险共同作为目标的投资组合模型求解,主要得出以下成果:(1)改进的算法在迭代次数更少的情况下,得出的投资组合收益率更高同时CVaR更低,证明改进的算法更有效;(2)得出期望收益率和CVaR之间存在近似的“帕累托最优”曲线,曲线表明在期望收益率较低时,可以通过改变投资组合提高期望收益率,而同时保证CVaR不会明显增大;但当期望收益率已经比较高时,再继续提高就必然面临CVaR的大幅提高。(3)2014下半年至今,中国股市处于高风险高收益情况。本文多次运行程序,得出的最优投资组合是每天0.15%的期望收益率,同时每天5%的可能面临6.66%的损失。
【关键词】：期望收益率 CVaR 投资组合 粒子群优化算法
【学位授予单位】：广东财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;F830.59
【目录】：

• 摘要4-5
• ABSTRACT5-8
• 1 绪论8-13
• 1.1 选题背景8-9
• 1.2 选题意义和实践价值9-10
• 1.2.1 理论意义9
• 1.2.2 实践价值9-10
• 1.3 研究综述10-12
• 1.3.1 投资组合研究综述10
• 1.3.2 粒子群算法研究综述10-11
• 1.3.3 研究述评11-12
• 1.4 本文研究内容12-13
• 1.4.1 主要内容12
• 1.4.2 本文可能创新之处12-13
• 2 投资组合理论13-27
• 2.1 基本概念13-15
• 2.1.1 投资收益13-14
• 2.1.2 投资风险14-15
• 2.2 马科维茨的投资组合理论15-16
• 2.3 VaR模型16-21
• 2.3.1 VaR的概念16-17
• 2.3.2 VaR的性质17-18
• 2.3.3 VaR的计算18-19
• 2.3.4 均值-VaR模型与均值-方差-VaR模型19-20
• 2.3.5 VaR的优点和不足20-21
• 2.4 CVaR模型21-27
• 2.4.1 CVaR介绍21-22
• 2.4.2 CVaR的性质22
• 2.4.3 CVaR、VaR、方差三者的比较22-23
• 2.4.4 CVaR的计算23-25
• 2.4.5 均值-CVaR模型的建立和求解25
• 2.4.6 风险收益共同作为目标的投资组合模型的建立和求解25-27
• 3 粒子群优化算法27-36
• 3.1 算法简介27
• 3.2 算法原理27-30
• 3.3 算法改进30-33
• 3.3.1 局部改进30-31
• 3.3.2 整体改进31
• 3.3.3 几种已有经典改进方案31-33
• 3.3.4 本文的改进策略33
• 3.4 算法搭建——针对均值-CVaR模型33-35
• 3.4.1 参数设置33-34
• 3.4.2 编码方式34
• 3.4.3 适应度函数34-35
• 3.4.4 算法实现过程35
• 3.5 算法搭建——针对收益风险共同作为目标的投资组合模型35-36
• 4 现实数据实验36-46
• 4.1 样本选择36-37
• 4.2 均值-CVaR模型的建立37-38
• 4.2.1 模型中的参数37-38
• 4.2.2 算法中的参数38
• 4.2.3 适应度函数38
• 4.3 收益风险共同作为目标的投资组合模型建立38-39
• 4.4 粒子群算法求解过程39
• 4.5 实验工具39-40
• 4.6 实验结果40-46
• 4.6.1 均值-CVaR模型实验40-43
• 4.6.2 收益风险共同作为目标的投资组合模型实验43-46
• 5 总结与展望46-48
• 5.1 论文总结46
• 5.2 展望46-48
• 参考文献48-50
• 附录50-58
• 致谢58

【相似文献】

中国期刊全文数据库 前10条

1 蒙正中;;一种改进的混合粒子群优化算法[J];桂林工学院学报;2009年03期

2 吴昌友;王福林;马力;;一种新的改进粒子群优化算法[J];控制工程;2010年03期

3 周驰,高海兵,高亮,章万国;粒子群优化算法[J];计算机应用研究;2003年12期

4 高鹰,谢胜利;免疫粒子群优化算法[J];计算机工程与应用;2004年06期

5 张荣沂;一种新的集群优化方法——粒子群优化算法[J];黑龙江工程学院学报;2004年04期

6 高鹰;谢胜利;;混沌粒子群优化算法[J];计算机科学;2004年08期

7 刘钊,康立山,蒋良孝,杨林权;用粒子群优化改进算法求解混合整数非线性规划问题[J];小型微型计算机系统;2005年06期

8 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

9 窦全胜;周春光;马铭;刘全;;群核进化粒子群优化方法[J];计算机科学;2005年08期

10 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期

中国重要会议论文全文数据库 前10条

1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

中国博士学位论文全文数据库 前10条

1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年

2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年

3 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

4 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

5 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

6 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

7 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年

8 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年

9 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

10 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

中国硕士学位论文全文数据库 前10条

1 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

2 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

3 曾祥琦;基于时差法的结构裂纹扩展定位研究[D];南京航空航天大学;2015年

4 徐向平;粒子群优化算法及其在生物数据聚类中的应用[D];江南大学;2016年

5 杨博宇;多群协同多目标粒子群优化算法及其应用研究[D];东北大学;2014年

6 赵俊波;基于改进粒子群优化算法的人员疏散问题研究[D];辽宁科技大学;2016年

7 李万程;基于改进粒子群优化算法的图像去噪和图像分割研究[D];天津工业大学;2016年

8 朱润水;基于多目标粒子群优化的SDN网络能耗感知负载均衡研究[D];山东大学;2016年

9 王培坤;多粒子群优化算法的串行硬件结构实现[D];华南理工大学;2016年

10 赵亚光;多目标粒子群优化算法研究及在HEV参数优化中应用[D];南京信息工程大学;2016年

，

本文编号：1057058