简论组合基于智能算法模糊收益资产组合库
最后更新时间:2024-02-07
作者:用户投稿本站原创
点赞:14372
浏览:59278
论文导读:产组合模型在常规作用可以求解。(2)在安全第一模型的基础上,结合其他学者的探讨成果,提出基于可信测度论述的风险度量方式。在可信测度论述下,风险表示为投资者预期目标收益与实际收益的差值大于损失水平这一事件的可信测度。在新的风险度量方式下,本论文提出了基于可信测度的,同时考虑投资者主观预期、投资专家经验和交易费
摘要:资产组合论述探讨如何把投资资金分散到不同的证券资产中,使得投资收益可以得到保证同时投资的风险达到最小。由于证券市场是一个变幻莫测的市场,任何时间段都会呈现出不同的市场特点,整个市场中充斥各种各样的不确定性,所以资产组合也具有很多不确定性。不确定性主要体现为随机性和模糊性,本论文将资产收益率看作是随机性和模糊性的统一,假设资产收益率为模糊随机变量,在模糊作用下探讨资产组合模型。同时在新的资产组合模型中考虑投资者主观预期、投资专家经验和交易费用三个因素,使得模型更加全面的反映证券市场的实际情况。本论文的主要探讨工作分为以下三个方面:(1)假设证券资产收益率为模糊随机变量,在模糊条件下探讨经典的均值-方差资产组合模型,模型中加入了投资者主观预期、专家投资经验和交易费用三个因素。由于模糊情况下求解模型比较困难,为了将模型去模糊化,引入了均值排序法对期望和方差进行去模糊化,使得模糊条件下的资产组合模型在常规作用可以求解。(2)在安全第一模型的基础上,结合其他学者的探讨成果,提出基于可信测度论述的风险度量方式。在可信测度论述下,风险表示为投资者预期目标收益与实际收益的差值大于损失水平这一事件的可信测度。在新的风险度量方式下,本论文提出了基于可信测度的,同时考虑投资者主观预期、投资专家经验和交易费用的资产组合模型。(3)新资产组合模型中期望收益和可信测度在模糊作用下用传统策略难以求解,本论文提出了综合蒙特卡罗算法和遗传算法的混合智能算法求解模型,即用蒙特卡罗算法随机求解期望收益和可信测度,用遗传算法寻找最优值。实例探讨显示,混合智能算法具有很快的收敛性和较好的稳定性。关键词:资产组合论文证券收益率论文模糊随机变量论文混合智能算法论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-6
Abstract6-9
第一章 绪论9-13
4.
参考文献63-67
攻读硕士学位期间取得的探讨成果67-68
致谢68-69
附件69
摘要:资产组合论述探讨如何把投资资金分散到不同的证券资产中,使得投资收益可以得到保证同时投资的风险达到最小。由于证券市场是一个变幻莫测的市场,任何时间段都会呈现出不同的市场特点,整个市场中充斥各种各样的不确定性,所以资产组合也具有很多不确定性。不确定性主要体现为随机性和模糊性,本论文将资产收益率看作是随机性和模糊性的统一,假设资产收益率为模糊随机变量,在模糊作用下探讨资产组合模型。同时在新的资产组合模型中考虑投资者主观预期、投资专家经验和交易费用三个因素,使得模型更加全面的反映证券市场的实际情况。本论文的主要探讨工作分为以下三个方面:(1)假设证券资产收益率为模糊随机变量,在模糊条件下探讨经典的均值-方差资产组合模型,模型中加入了投资者主观预期、专家投资经验和交易费用三个因素。由于模糊情况下求解模型比较困难,为了将模型去模糊化,引入了均值排序法对期望和方差进行去模糊化,使得模糊条件下的资产组合模型在常规作用可以求解。(2)在安全第一模型的基础上,结合其他学者的探讨成果,提出基于可信测度论述的风险度量方式。在可信测度论述下,风险表示为投资者预期目标收益与实际收益的差值大于损失水平这一事件的可信测度。在新的风险度量方式下,本论文提出了基于可信测度的,同时考虑投资者主观预期、投资专家经验和交易费用的资产组合模型。(3)新资产组合模型中期望收益和可信测度在模糊作用下用传统策略难以求解,本论文提出了综合蒙特卡罗算法和遗传算法的混合智能算法求解模型,即用蒙特卡罗算法随机求解期望收益和可信测度,用遗传算法寻找最优值。实例探讨显示,混合智能算法具有很快的收敛性和较好的稳定性。关键词:资产组合论文证券收益率论文模糊随机变量论文混合智能算法论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-6
Abstract6-9
第一章 绪论9-13
1.1 探讨背景9-10
1.2 国内外探讨近况10-12
1.2.1 现代资产组合论述10-12
1.3 探讨框架12-13
第二章 论述知识13-242.1 模糊论述13-17
2.1.1 模糊变量13-14
2.1.2 隶属度函数14-16
2.1.3 模糊变量的独立性16-17
2.1.4 期望17
2.2 蒙特卡罗策略17-182.1 蒙特卡罗策略的基础知识17-18
2.2 蒙特卡罗策略处理的不足18
2.3 遗传算法18-23
2.3.1 编码操作19
2.3.2 适应函数19-20
2.3.3 选择操作20-21
2.3.4 交叉操作21-22
2.3.5 变异操作22
2.3.6 算法流程22-23
2.4 本章小结23-24
第三章 基于方差的模糊随机资产组合模型24-443.1 不足导入24-26
3.1.1 均值-方差模型24-25
3.1.2 资产组合有效前沿25-26
3.2 模糊随机变量26-273.3 基于方差的模糊随机资产组合模型27-33
3.1 期望和方差27-29
3.2 期望值去模糊化29-30
3.3 -均值方差资产组合模型30-33
3.4 实例探讨33-43
3.4.1 实例一33-34
3.4.2 实例二34-43
3.5 本章小结43-44
第四章 基于可信测度的模糊随机资产组合模型44-614.1 不足导入44
4.2 常用风险和收益度量方式44-45
4.2.1 方差度量风险44-45
4.2.2 半方差度量风险45
4.2.3 安全第一模型45
4.3 基于可信测度的模糊随机资产组合模型45-484.
3.1 风险函数和置信函数45-47
4.3.2 基于可信测度的模糊随机资产组合模型47-48
4.4 混合智能算法48-524.1 蒙特卡罗模拟算法48-50
4.2 遗传算法50-52
4.3 混合智能算法流程52
4.5 实例探讨52-59
4.5.1 实验参数处理策略52-53
4.5.2 最优目标值及其对应资产组合比例53-57
4.5.3 对照组实验57-58
4.5.4 混合智能算法与传统算法效率比较58-59
4.6 本章小结59-61
第五章 总结61-63参考文献63-67
攻读硕士学位期间取得的探讨成果67-68
致谢68-69
附件69