基于R-Vine Copula模型的高维投资组合动态优化算法与实证研究

发布时间：2017-03-18 21:01

  本文关键词：基于R-Vine Copula模型的高维投资组合动态优化算法与实证研究，，由笔耕文化传播整理发布。

【摘要】：2013年阿里“余额宝”的问世,开启了全民理财的元年,唤起了全民投资理财的理念,但随着进入2015年国内货币市场资金面的宽松,各货币基金收益逐日下降,而A股市场却迎来了春天,时隔多年牛市重启,众多缺乏经验的投资者们纷纷涌入股市,一时各大券商柜台开户人满为患,手机、网络开户也是24小时不休,随着股市的节节攀升,日交易量、每周新增投资者屡屡创出历史之最,但好景不长,2015年6月中下旬开始,A股暴跌,众多投资者们损失惨重。许多投资者纷纷抱怨,牛市没赚到几个,熊市血本无归。那么投资者应该采取怎样的投资策略才能尽可能的规避这类事情呢?无疑,投资组合优化是一大法宝。本文主要研究了基于R-Vine Copula-TGARCH模型和蒙特卡洛模拟技术的投资组合优化算法,这对于部分有能力的个人投资者和机构投资者而言可以有效借鉴本文算法进行投资组合管理,对于市场中介服务咨询机构也可以据此对部分投资者进行有效建议。本文首先在广泛阅读前人研究成果的基础之上,结合相关理论提出了投资组合动态优化算法,主要是利用ARMA-TGARCH模型来拟合单个收益率的边际分布,利用R-Vine Copula模型来刻画多个资产之间的联合分布及非线性相关结构,利用蒙特卡罗模拟技术进行投资组合的风险和收益的预测,最后再结合均值—ES算法进行投资组合的优化。为验证本文投资组合动态优化的可靠性及有效性,本文选取了中证全指十大行业指数作为投资标的进行实证研究,结果表明本文提出的算法,能够更加准确、稳健地对投资组合的风险测度进行度量,投资组合优化的结果能够实现对不同风险偏好程度的投资组合实现不同水平的收益,在牛市阶段成功的实现了高风险高收益的目标,且部分投资组合能够成功超越大盘收益,而在熊市阶段也达到了低风险低损失的预期,当然高风险偏好程度的投资组合会遭受较大损失但仍然小于大盘的损失,同时本文将其结果与其他算法的结果进行比较,也证明了本文算法的优越性。本文研究的特色之处,一方面在于投资组合标的选取的数量更大更符合投资者实际情况,另一方面在于本文算法能够对投资组合的整体仓位水平进行优化,这对于投资组合的风险进行更有效的控制。
【关键词】：投资组合动态优化 均值—ES R-Vine Copula 蒙特卡洛模拟
【学位授予单位】：西南财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F832.51
【目录】：

• 摘要4-6
• Abstract6-11
• 1. 绪论11-20
• 1.1 研究背景及意义11-13
• 1.1.1 研究背景11-12
• 1.1.2 问题的提出12
• 1.1.3 研究意义12-13
• 1.2 国内外研究现状与评述13-17
• 1.2.1 投资组合风险度量及优化模型相关研究13-15
• 1.2.2 Copula模型相关研究15-17
• 1.2.3 文献评述17
• 1.3 研究内容与思路17-18
• 1.4 研究方法18-19
• 1.5 本文研究特色19-20
• 2. Copula模型与投资组合优化方法与理论20-41
• 2.1 收益率分布与波动聚集理论20-22
• 2.1.1 ARCH及GARCH模型简介20-21
• 2.1.2 非对称GARCH及其扩展模型21-22
• 2.2 联合分布建模与Copula函数理论22-29
• 2.2.1 Copula函数简介22-23
• 2.2.2 基于Copula函数的相关性分析及常用二元Copula函数23-27
• 2.2.3 条件Copula27-28
• 2.2.4 Copula模型的参数估计28-29
• 2.3 高维非线性相关结构建模与Vine Copula模型29-35
• 2.3.1 基于Pair Copula的多元Copula函数分解29-31
• 2.3.2 Vine Copula模型的分解结构31-32
• 2.3.3 Vine Copula模型的结构选择与参数估计32-35
• 2.4 风险测度ES的计量与蒙特卡洛模拟35-38
• 2.4.1 投资组合风险测度相关定义35-36
• 2.4.2 基于蒙特卡洛模拟的VaR与ES计算36-37
• 2.4.3 投资组合风险度量的返回检验37-38
• 2.5 基于均值-ES的投资组合优化方法38-40
• 2.6 本章小结40-41
• 3. 基于R-Vine Copula的投资组合风险度量实证研究41-56
• 3.1 数据的选取与描述41-46
• 3.1.1 数据的选取与处理41-42
• 3.1.2 描述性统计分析42-44
• 3.1.3 分布特征检验44-46
• 3.2 基于TGARCH模型的收益率边际分布46-49
• 3.2.1 模型设定及参数估计46-47
• 3.2.2 估计结果检验47-49
• 3.3 基于R-Vine Copula模型的联合分布建模49-52
• 3.4 投资组合风险测度ES的度量52-55
• 3.4.1 基于R-Vine Copula模型的投资组合风险度量52-54
• 3.4.2 预测结果的准确性与稳健性检验54-55
• 3.5 本章小结55-56
• 4. 基于均值-ES算法的投资组合优化56-70
• 4.1 投资组合的单期静态优化56-59
• 4.2 基于均值-ES的投资组合动态优化59-63
• 4.3 投资组合优化在牛、熊市不同表现比较63-69
• 4.3.1 投资组合优化在牛市的表现63-67
• 4.3.2 投资组合优化在熊市的表现67-69
• 4.4 本章小结69-70
• 5. 结论与展望70-72
• 5.1 结论70-71
• 5.2 局限性及展望71-72
• 参考文献72-76
• 后记76-77
• 致谢77-78
• 在读期间科研成果目录78

【相似文献】

中国期刊全文数据库 前10条

1 孙志宾;;混合Copula模型在中国股市的应用[J];数学的实践与认识;2007年20期

2 李娟;戴洪德;刘全辉;;几种Copula函数在沪深股市相关性建模中的应用[J];数学的实践与认识;2007年24期

3 李军;;Copula-EVT Based Tail Dependence Structure of Financial Markets in China[J];Journal of Southwest Jiaotong University(English Edition);2008年01期

4 许建国;杜子平;;非参数Bernstein Copula理论及其相关性研究[J];工业技术经济;2009年04期

5 王s

本文编号：254991