当前位置:文档之家› 翻译:均值-方差-偏度熵模型的度量:多目标投资组合方法

翻译:均值-方差-偏度熵模型的度量:多目标投资组合方法

翻译:均值-方差-偏度熵模型的度量:多目标投资组合方法
翻译:均值-方差-偏度熵模型的度量:多目标投资组合方法

均值-方差-偏度熵模型的度量:多目标投资组合方法

Ilhan Usta Yeliz Mert Kantar

(土耳其阿纳多卢大学科学系部门统计专业)

摘要:本文中,我们在均值-方差-偏度熵的投资组合优化模型(MVSEM)的基础之上提出了一种多目标优化方法。这种方法将一个熵度量方程引入均值-方差-偏度模型(MVSM),从而建立了一个较好的多元化投资组合模型。并且利用不同历史数据和大量的度量方法对该模型的效用进行评估。结果显示,均值-方差-偏度熵的投资组合优化模型(MVSEM)相对于传统的投资组合选择模型来说,在样本外预测检测中具有更好的效用。

关键词:投资组合优化;熵;偏斜;投资组合效用度量;样本外预测

第一章绪论

Markowitz的均值-方差模型(MVM)是以对资产收益率服从正态分布的假设为基础的,该模型现已被大多学者所接受,可以称为先进的投资组合模型之一[1]。据了解,均值-方差模型(MVM)只涉及了第一阶与第二阶所对应的预期收益和收益的协方差矩阵。然而,该类阶数在通常情况下不足以解释非正常收益率分布的组合[2-4]。因此,许多研究开始讨论是否应将高阶矩的问题纳入投资组合选择问题[2-10]。特别指出的是,Chunhachinda等[2]、Arditti[5]以及Arditti和Levy[6]提出:高阶矩不能被忽视,除非我们有理由相信资产收益为正态分布或者较高的阶矩与投资者的决策无关;普拉卡什等[4]、哈维等[8]和伊博森[10]认为如果资产回报率不遵循对称的概率分布,高阶矩在资产配置系统中是存在的,此外,他们还证明了,当将偏度包括在决策过程中时,投资者可以得到较高的回报。基于这些事实,均值-方差模型(MVM)现已经被扩展到包括偏度在内的投资组合优化模型-平均方差-偏度模型(MVSM)[2,4]。

现今,均值-方差模型(MVM)和平均方差-偏度模型(MVSM)已成为在解决组合多样化问题时广泛使用的方法。另一方面,一些研究表明[2,4,11],MVM 和MVSM的投资组合权重往往集中在少数资产或极端的情况,即使资产配置的一个重要目标是多样化[11,12]。在投资组合理论,众所周知,多样化配置可以减少投资组合中的非系统性风险。换句话说,投资组合权重(概率)多元化的增加往往伴随着投资组合选择中风险的降低[13,14]。并且,多元化的投资组合相对于个人资产来说有较低的特殊波动[12]。此外,增加投资组合的多样化可以令投资组合的方差减小。

熵已经成为被广泛接受的用于度量多样化的方法[15-23]。据了解,熵度量的投资组合权重值越大,该投资组合多样化越高。一些文献第一次尝试使用熵作为目

标函数用于多目标模型投资组合优化[19-23]。此外,Bera 和Park [11,19]将熵和叉熵应用于资产配置模型,以便建立一个多元化的投资组合。如果将熵作为目标函数来确定投资组合的权重,所得权重一般是非负的。这意味着,一个包含熵的模型一般来说不涉及卖空的情况,这是基于理论和现实的原因,偶尔在投资组合优化中出现的最好情况[24-26]。

另一方面,很多文献也对多样化和偏度之间的关系进行研究[27-30]。一些研究表明,由于投资者试图获取收益最大的正偏度,正偏度可能导致反多样化[28]。例如,Simkowitz 和Beedles [27]通过在模型多样化提高时,对投资组合收益的偏度行为进行了检测,提出多样化的提高将导致组合收益偏度降低的结论。此外,一些文献表明[30]多样化的提高将减少投资组合的方差,同时也减少投资组合的偏度。因此,偏度和多样化在投资组合优化中是两个相互竞争与冲突的目标。

在本文中,我们对多目标投资组合优化模型进行深入探讨,试图令投资者获得最大化的投资组合的偏度与熵权,同时也试图减少投资组合的方差。在三个不同的经验数据集的基础之上,我们通过对均值-方差-偏度熵模型(MVSEM )与其他常用模型:例如等权值模型(EWM )、最小方差模型(MinVM )、均值-方差模型(MVM )和平均方差-偏度模型(MVSM )的样本外预测效用进行比较,从而对该模型进行评估。用于对MVSEM 评估的方法如下[31-38]:夏普比率(SR )、夏普比率调整偏态(ASR )、平均绝对偏差率(MADR )、Sortino-Satchell 比率(SSR )、Farinelli –Tibiletti 比率(FTR )、广义Rachev 比率(GRR )和组合周转率(PT )。我们还计算,Jobson and Korkie 的z JK 算法对在这项研究中模型之间夏普比率差异性的统计显著性进行评估。

考虑以上所有问题,本文的结构如下:第二章简要介绍了传统的投资组合优化模型。第三章介绍了一种多目标投资组合优化模型。第四章论述了度量投资组合优化模型效用的方法和滚动窗口动态调度过程。然后,在第五章中进行了实证研究,并且对均值-方差-偏度熵模型(MVSEM )的效用进行评估。最后,第六章为结论与建议。

第二章 传统投资组合优化模型

投资组合理论:给定一系列资产,投资组合优化问题即是找到以多少的比例投资于这些资产为最佳方式。每一个可能的策略均被视为一个投资组合优化模型。在本章中,我们论述了著名的传统投资组合选择模型,并提供了相关的定义和符号。

设投资组合的权重向量为X=(x 1,x 2,…,x n )T ,其中x i 是第i 种风险资产在投资组合中所占的权重。投资组合的权重满足1n

i i x =∑=X T 1=1,式中1表示一个n ×1

的单位向量,T 表示向量的转置矩阵。此外,限制投资组合权重x i ∈[0,1](i =1,2,…,n ),即不允许卖空。

设超额收益向量为R=(R 1,R 2,…,R n )T =12(,,...,)f f n f

R r R r R r --- T ,R i 表示第i 种风险资产的风险溢价,r f 表示无风险收益。E [R]=M=(m 1,m 2,…,m n )T 为平均超额

收益向量,其中m i =E (R i ),E 为期望算子。另外,n ×n 的超额收益的方差-协方差矩阵为E [R-E [R]]2=V ,其中,V 是由元素[([])([])]ij i i j j E R E R R E R σ=--组成的,表示资产i 与资产j 之间的关联方差矩阵((,)[1,2,...,]i j n ?∈)。n ×n 2的超额收益偏度-协偏度矩阵是3[R [R]]E E S -=,其中所包含的元素为

[([])([])([])]ijk i i j j k k s E R E R R E R R E R =---,表示资产i ,j 与k 之间的偏斜度((,,)[1,2,...,]i j k n ?∈)。

投资收益的均值,方差和第三中心矩以及投资组合权重的熵值(概率)分别表示为如下:

T

T 1[][X R]X M n

p i i i E R E x m ====∑ (2.1)

其中,1

n

p i i i R x R ==∑为投资收益。

2

T

T

2

T 11[][X R-[X R]]X VX n n

p i j ij i j R E E x x σσ=====∑∑ (2.2)

T

T

3

T 3111

[][X R-[X R]]X S(X X)n n

n

p i j k ijk i j k S R E E x x x s ======?∑∑∑ (2.3)

其中,?表示克罗内克积,S 3(R p )也可以作为一种度量投资组合偏度的方法(33[]

[][]p k p p

p S R S R R σ=

)。

T 1

()ln X (ln X)n

i i i H x x x ==-=-∑ (2.4)

其中lnX 表示为(ln x 1,ln x 2,…,ln x n )T 。

H (X)被称为香农熵[39],是一个用于表示投资组合权重(x 1,x 2,…,x n )的凹函数。当x i =1/n (i =1,2,…,n )时,它达到最大值ln n ;当x i =1并且x j =0(i ≠j , j =1,2,…n )时,H (X)达到其最低值为0。由于熵的这些属性,它可以很好的对概率分布的多样性进行度量,从而作为度量投资组合的多样化的工具[11,15,17]。 1. 等权值模型(EWM)

等权值模型(EWM)假设投资组合权重是相等的,即x i =1/n (i =1,2,…,n ),其中

不涉及任何的优化或估计,并且,它完全忽略了收益的均值和方差。这种资产配置的简单规则已被广泛投资者应用,虽然一些复杂的衍生模型已经被提出。此外,许多研究文献中[11,12,40,41]表明等权值模型(EWM)在样本外预测中表现良好。 2. 最小方差模型(MinVM)

最小方差模型(MinVM)假设,只有投资组合协方差矩阵最大限度地减少才能得到最大的投资收益。最小方差模型(MinVM)可以表示为如下:

T

M i n X V X

(2.5) T

s u b j e c t t o X 1,01,

...,i x f o r i n =≥=

1 (2.6) 在已有文献中,有历史证据表明最小方差模型(MinVM)比等权值模型(EWM)具有更好的样本外表现能力,即使用夏普比率或其他指标的检验标准均得到了相同的结果,同时,在比较的过程中也分析了两种模型各自的均值与方差[42,43]。 3. 均值-方差模型(MVM)

Markowitz 提出的均值-方差模型(MVM)假设:较高的预期收益意味着较高的风险。均值-方差模型(MVM)具体形式如下:

T Min X VX (2.7) T T subject to X M=,X 1and 01,...,i x for i n μ=≥=1 (2.8)

其中,μ是预先给定的投资组合的预期收益。

虽然Markowitz 提出的均值-方差模型(MVM)是被广泛使用的投资组合优化模型,但该模型仍存在一些弊端。例如,均值-方差模型(MVM)在样本外预测中表现较差,并且它的解决方案往往能集中于少数资产或者极端的情况,从而违背了多样化的概念[11,12]。

4. 均值-方差-偏度模型(MVSM)

均值-方差-偏度模型(MVSM)假设,投资者的收益分布为正偏偏好递减的趋势与绝对风险厌恶的概念是一致的。并且,正偏偏好强调一种预防性的储蓄动机[44]

。Prakash 等[4]强调正偏斜是可取的,因为偏度的增加可以降低收益为负值的概率。均值-方差-偏度模型(MVSM)的具体形式如下[2,4]:

T Minimize X VX (2.9) T

Maximize X S(X X)? (2.10) T

T

subject to X M=,X 1and 01,...,i x for i n μ=≥=1 (2.11)

一些文献中均值-方差-偏度模型(MVSM)实证的相关数据表明,将偏度与均值-方差模型(MVM)进行合并,可以显着改善投资组合的非正常回报分布[2,4]。

第三章 基于均值-方差-偏度熵的多目标投资组合优化模型

很多文献第一次尝试使用熵作为目标函数进行投资组合分析[11,19-23]。在这些研究中,Jana 等[21]将熵函数引入到均值-方差-偏度模型(MVSM)中,建立了较好的多元化投资组合,最后提出了均值-方差-偏熵模型(MVSEM)。然而,他们使用绝对偏差代替方差[32],并在正常情况下使用分段线性近似拟合偏度。他们在忽略模型的效用评估或与知名的投资组合模型进行比较,还利用模糊算法的编程技术来解决包含熵的多目标模型。

本文中,我们介绍了均值-方差-偏熵模型(MVSEM ),并且通过使用大量的投资组合效用度量方法以及不同的历史数据集,对该模型与多种知名的投资组合模型的效用进行比较与评估。基于均值、方差、偏度和熵的多目标模型可以表示为如下形式:

T Minimize X VX (3.1)

T Maximize X S(X X)? (3.2) T Maximize X ln(X)- (3.3)

T T subject to X M=,X 1and 01,...,i x for i n μ=≥=1 (3.4)

通过均值-方差偏熵模型(MVSEM )得到投资组合权重是一个多目标优化问题。为了解决这个问题,我们使用易于实行的加权数总和法(数值化)[45,46]。如果加权求和方法应用于多目标优化问题,可以令方程(3.1)—(3.4)量化为如下优化问题:

T T T 123Minimize

X VX-X S(X X)X ln(X)λλλ?+ (3.5)

T subject to X M=μ (3.6) T X 1and 01,...,i x for i n =≥=1 (3.7)

通过分别对每一个目标函数T X VX ,T X S(X X)?,T X ln(X)分配三个不同的权重系数λi ≥0,i =1,2,3,可以得到多目标模型的最优解。为了计算最佳点,可以令权重λ1+λ2+λ3=1。因此,不同的λi 值的组合代表不同的组合成分。例如,均值-方差-偏熵模型(MVSEM )与均值-方差模型(MVM)是相同的,即λ1=1并且λ2=λ3= 0。

λi 可以分别解释为规避风险的因素或投资者的风险偏好方差,投资组合的偏度和熵权。然而,应当指出的是,在大多数的多目标优化问题的处理方法中,加权求和的方法本质上是主观的,因为每一个决策者都需要考虑到每个目标函数的重要性以及所涉及的问题来确定权重系数[47,48]。

第四章 投资组合效用评估

在这一章,我们通过介绍各种度量投资组合效用的方法和滚动窗口程序,从而对均值-方差-偏熵模型(MVSEM )与等权值模型(EWM)、最小方差模型(MinVM) 、均值-方差模型(MVM)、均值-方差-偏度模型(MVSM)的效用进行评估。

第4.1节 投资组合效用度量

为了评估投资组合模型的效用,已有文献提出了大量的度量方法[31-38]。在本文,我们从中选取了一些方法。作为一个传统的效用度量手段,夏普比率(SR )已被国内外学者广泛应用,其一般形式的计算公式为:

[]

E R SR =

(4.1)

其中R p 是投资组合收益。

然而,由于SR 基于均值-方差理论,所以它只适用于正态分布。特别是在收益分布偏离或存在重尾的情况下,SR 可能导致误导性的结论[36]。文献中已经提出了几种用于选择最优投资组合的SR 的替代品。具体如下:

调整后的偏度夏普比率(ASR)[31]考虑了投资组合的偏度因素,定义如下:

ASR = (4.2)

平均绝对偏差率(MASR)[32]通过平均绝对偏差来度量风险,定义如下:

[]

[[]]

p p p E R MASR E R E R =

- (4.3)

Sortino-Satchell 比率(SSR)和Farinelli 和Tibiletti 比率(FTR)[34,35]是基于偏矩的,其计算公式分别为:

[]E R SSR =

(4.4)

其中,2[max(,0)]p E R -为二阶下偏矩。

(,)FTR u v =

(4.5)

其中,[max(,0)]u p E R -和 [max(,0)]v p E R -分别为u 阶下偏矩和v 阶上偏矩。u 和v 的选择基于投资者的投资风格或喜好。在实证部分,我们会考虑系数u 和v 的以下情况[33,34]:u = 0.5,v = 2为防守的投资者;u = 1.5,v =2为保守的投资者;u = 1,v =1为中等的投资者。并且,如果u = 1,v = 1时,FTR 减少到近似于欧

米茄比[38]。

广义Rachev 比率(GRR)[36]是基于投资组合收益进行效用评价的,其计算公式如下:

[max(,0)(:1)](,,,),

,0,,(0,1)[max(,0)(:)]

p p p p p p E R R VaR R GRR E R R VaR R δθαδθαβδθαββ-≥--=

>∈-≤-(4.6)

其中,(:)inf{:()}p p VaR R y P R y αα=-≤>是R p 在α(α∈(0,1))分位数水平上的风险价值,[max(,0)(:)]p p p E R R VaR R θβ-≤-是第θ次方的尾部风险。在实证部分,我们将使用α,β=0.05的分位数水平,并且令δ和θ的FTR 值分别与u 和v 的FTR 值相同。另外,如果方程(24)中δ= 1,θ= 1时,GRR 即为Rachev 比率(RR) [36]。

另一方面,应强调的是,虽然目前在实证阶段还没有一般意义上的用于投资组合效用度量的最好工具,但上述方法都是最近才被提出的用于资产配置的效用度量。

第4.2节 滚动窗口过程

本文中,对均值-方差-偏熵模型(MVSEM )效用评价依赖于滚动窗口过程[11,12,42,43]

。在这些过程中,首先使用月度数据W =120或150的窗口估计样本均值、

方差-协方差和偏度。其次,我们运用这些样本根据不同的投资组合模型(EWM 、MinV 和MVM 、MVSM 和MVSEM )计算投资组合权重。然后,我们在下一个阶段中重复此过程,同时删除最早下降的数据,并产生下一个阶段的新数据。我们将继续进行此过程,直到数据达到最终值。在该过程结束时,我们已经得到了每一个模型的L —W 投资组合权重向量,其中L 为数据集中的样本总数。使用这些投资组合权重向量X t T (t =W ,…,L -1),投资组合在第t +1阶段的样本外收益可表示

为T ,11?X p t t t R r ++=,其中r t 为第t +1阶段的收益向量。因此,这种滚动窗口过程的

结果是一个由每个投资组合模型生成的L —W 每月样本外收益的序列。

基于这个序列,我们可以计算在4.1节所提到的SR 、ASR 、MADR 、SSR 、FTR 和GRR 值,从而评估MVSEM 以及与之相关的EWM 、MinV 和MVM 、MVSM 。此外,我们考虑了用投资组合的营业额(PT )[12,42,43]作为衡量该模型相应的规模交易成本,我们还使用Jobson 与Korkie 测试统计指标(z JK )[49,50] 算法对在这项研究中模型之间夏普比率差异性的统计显著性进行评估。

在一些文献[12,42,43]中,PT 被定义为权重中的平均绝对变化,其计算公式如下:

1,1,1

1

1L n

i t i t t W i PT x x L W -+===---∑∑ (4.7)

其中x i ,t ,x i ,t +1分别为第i 种资产在第t 与t +1阶段的投资组合权重。

为了评价夏普比率的差异,我们使用的z JK 检验统计方法是由Jobson [49]提出的,之后又 被Memmel 等[50]校正。令a 和b 为两个投资组合优化模型,并生成了两个夏普比率分别SR a 和SR b 。对于SR a —SR b 测试统计一般为渐近正态分布的零均值和方差ν:

222

,,11(22(2))2

a b a b a b a b SR SR SR SR L W υρρ=-++-- (4.8)

其中,ρa ,b 是模型a 和b 投资组合收益率之间的相关系数。因此,作为检验统计夏普比率差异的z JK 计算公式如下:

JK z =

(4.9)

本文中,将通过EWM 计算每个模型的z JK 检验统计量相应的ρ—value 值,这是由于EWM 易于实现,并且被广泛使用,该模型已成为了一个基准。此外,很多文献[11,12,40]表明多数情况下EWM 是优于MVM 的。

第五章 实证研究

在本章中,我们对文中所使用的历史数据进行描述,并提出实证研究的结果。

第5.1节 数据描述

在评价MVSEM 时我们使用三种实证数据集。首先包含的是来自Kenneth French 网站上美国20个产业组合的每月收益值[51]。其中20个产业为游戏、书籍、服装、化工、建筑、钢铁、加工制品、机电设备、汽车、携带、电信、服务、商业设备、纸张、运输、批发、零售、餐饮、金融及其他。数据的时间是从1993年1月至2007年12月(L =180月度观察值)。

第二个数据集是由来自摩根士丹利网站[52]、美国、英国、日本、德国、法国、意大利、加拿大(G-7国家)从1970年1月到2010年9月期间每月的7个国际股票指数组成的(L =489月度观察值)。

最后的数据集包括处于不同界别(金融机构、制造工业及科技部门)的、上市于土耳其伊斯坦布尔证券交易所(ISE )的15种资产的月收益率。数据集取自ISE 网站[53]。时间跨度是从1994年1月至2007年12月(L =168月度观察值)。 应当强调的是,所有的这些数据集是被用于调整资本分割和股票股利的。这些数据集的具体统计信息分别位于表5.1、表5.2和表5.3。

表5.1 行业数据集的描述性统计与正态性检验结果 投资组合 均值 方差 偏度 峰度 JB 测试 X1 0.0102 0.0034 ?0.5559 1.3831 23.6184 X2 0.0075 0.0017 0.1444 0.5086 2.5656 X3 0.0071 0.0033 ?0.3311 2.4903 49.8034 X4

0.0096

0.0023

0.2047

1.6211

20.9661

X5 0.0096 0.0025 ?0.5567 1.1828 19.7904 X6 0.0121 0.0062 0.1268 1.7839 24.3485 X7 0.0127 0.0037 ?0.3756 1.0758 12.9134 X8 0.0148 0.0033 ?0.2002 0.2437 1.6479 X9 0.0075 0.0042 ?0.2532 0.7203 5.8153 X10 0.0140 0.0032 ?0.7880 2.3812 61.1530 X11 0.0064 0.0029 ?0.0366 1.5864 18.9161 X12 0.0109 0.0050 ?0.1061 0.8156 5.3264 X13 0.0133 0.0076 ?0.4505 1.3098 18.9553 X14 0.0082 0.0021 0.0259 1.6327 20.0137 X15 0.0084 0.0023 ?0.4984 1.3597 21.3170 X16 0.0071 0.0019 ?0.5083 1.4661 23.8741 X17 0.0082 0.0025 ?0.0993 0.3521 1.2258 X18 0.0089 0.0023 ?0.4481 0.7969 10.7884 X19 0.0113 0.0022 ?0.3932 2.8659 66.2398 X20 0.0040 0.0026 ?0.3992 2.1389 39.0915 注:收益率的均值、方差、偏度和峰度值是在描述性统计的前提下计算出的; JB 是Jarque-Bera正态性检验值。JB检验统计量有一个包含两个自由度的卡方分布。 JB测试在5%的显著水平下有高达5.99的临界值。

表5.2 国际数据集的描述性统计与正态性检验结果

投资组合均值方差偏度峰度JB测试X1 0.007 0.002 ?0.664 2.424 155.670 X2 0.008 0.003 ?0.891 3.494 313.363 X3 0.008 0.004 ?0.446 1.571 66.500 X4 0.007 0.004 ?0.635 1.932 108.918 X5 0.004 0.005 ?0.116 0.800 14.146 X6 0.007 0.004 ?0.012 0.573 6.698 X7 0.008 0.004 0.333 5.537 633.630 表5.3 ISE数据集的描述性统计与正态性检验结果

投资组合均值方差偏度峰度JB测试X1 0.043 0.027 0.262 1.143 11.059 X2 0.031 0.060 0.227 1.365 14.482 X3 0.037 0.035 ?0.455 2.855 62.845 X4 0.041 0.042 ?0.077 0.928 6.191 X5 0.040 0.043 0.354 2.233 38.410 X6 0.035 0.041 0.261 1.307 13.875 X7 0.036 0.035 0.081 1.253 11.181 X8 0.038 0.044 ?0.258 3.476 86.450

X9 0.040 0.046 ?0.367 1.403 17.551 X10 0.033 0.045 ?0.055 1.979 27.492 X11 0.038 0.034 0.152 2.094 31.333 X12 0.023 0.039 0.263 1.475 17.156 X13 0.036 0.041 0.690 2.042 42.549 X14 0.025 0.045 0.794 3.120 85.785 X15 0.029 0.036 0.562 1.852 32.857 表5.1、表5.2和表5.3的统计展现了一些收益数据的特点。从这些表中可以看到,回报分布的三个数据集中最大的收益分布在Jack-Bera测试下于5%显着水平拒绝零假设。

第5.2节实证研究结果

在实证研究中,我们对MVSEM中的(λ1,λ2,λ3)选择不同的情况,这可以解释为投资者的风险偏好:例如(1/2,0,1/2)、(0,1/2,1/2)、(2/4,1/4,1/4)、(1/4,2/4,1/4)、(1/4,1/4,2/4)、(1/3,1/3,1/3)在一些文献中被证明是平行的[2,4,54]。结果表明当使用加权求和方法时,(1/2,1/2,0)与(1,1,0)条件下的MVSEM结果相同[46,47]。因此,当(λ1,λ2,λ3)为(1/2,1/2,0)时,MVSEM即为MVSM。换句话说,当赋予方差和偏度相同的权重时,熵加权为零。同样,选择(1/3,1/3,1/3)表示方差、偏度和熵值对于投资者都具有同等的重要性。

在已定(λ1,λ2,λ3)条件下,我们通过使用20个行业的投资组合、7个国际投资组合和15个ISE投资组合数据对MVSEM以及相关模型(EWM、MinVM、MVM和MVSM)进行效用评估。然而,由于MVSEM(2/4,1/4,1/4)、MVSEM (1/4,2/4,1/4)、MVSEM(1/4,1/4,2/4)的定性结果与MVSEM(1/3,1/3,1/3)非常相似,所以我们只将MVSEM(1/3,1/3,1/3)定为本研究报告的结果。(λ1,λ2,λ3)为其他值时的结果可从作者处获得。

在实证研究中所需要的所有计算均通过MATLAB程序进行。我们也许强调,由于样本规模和资产种类数量的增加,导致MVSEM的计算且计算时间长,从而也延长了CPU的平均占用时间。

对于行业数据集,我们在表5.4中呈现了当窗口长度W= 120的结果。本表可以看出,除了GRRs以外,MVSEMs均提供了最好的结果,其中以EWM最为优秀。此外,表5.4中还应注意的是,MVM、MinVM和MVSM在所有指标中的效用均为最差。另一方面,MVSEMs的PT值要劣于MVM、MinVM和MVSM 的。这是一个正常的结果,因为熵的引入导致了MVSEMs对于权重相同的投资组合的长期萎缩。此外,表示夏普比率差异的ρ—value值显示,在5%显著水平下MVSEMs的区别在统计上并不显著,而MVM和MVSM在统计上显著。

表5.5列出的为行业数据集在窗口长度W= 150时的结果。我们可以观察到,除了GRR(0,5,2),MVSEMs在所有检测指标中均优于MVM、MinV和MVSM。而EWM只有在SSR和GRRs方面优于MVSEMs。PT值方面,从表5.5中可以

看到MVSEMs的所有PT值均小于MVM、MinVM和MVSM。

在表5.6和表5.7中,我们展现了国际数据集在窗口宽度W=120和150时的结果。从表5.6和5.7的结果中可以看出,在所有的度量指标中MVSEMs的效用均优于其他模型。比较模型的PT值,我们观察到,MVSEMs 的PT值大大高于其他模型的PT值。另一方面,夏普比率差异ρ—value值显示,没有模型的SR 值与EWM的SR值存在显着不同。

表5.8和表5.9分别展现了ISE数据集在窗口长度W=120和150时的结果。当W=120时,MVSEMs能够在大部分检验指标中提供一个较EWM、MVM、MinVM和MVSM更为优秀的结果。此外,W= 150时,MVSEMs在所有检验指标中均显著优于其他的投资组合模型。并且,MVSEMs的PT值在W= 120和150 时达到最低值。

总之,我们可以说,MVSEMs获得的投资组合在各种效用检验指标中都优于EWM、MinVM、MVM和MVSM。并且,MVSEMs能够提供比其他投资组合模型更小的PT值。

表5.4 行业数据集下,在W= 120时投资组合效用度量结果

Models SR A

SR M

A

D

R

SS

R

FTR

(0,5,

2)

FTR

(1,5,

2)

FT

R(1

,1)

GRR

(0,5,

2)

GRR

(1,5,

2)

GR

R(1,

1)

PT p-v

alu

e

EWM 0.3

77

6 0.3

80

9

0.4

67

2

1.0

92

3

0.24

51

1.45

76

2.5

817

114.

71

9.63

96

1.67

17

––

MinVM 0.3

15

7 0.3

16

0.3

95

4

0.8

28

7

0.20

15

1.24

53

2.2

020

108.

64

7.56

17

1.43

03

0.1

10

6

0.0

52

4

MVM 0.3

00

7 0.3

00

5

0.3

80

8

0.7

74

5

0.19

36

1.20

26

2.1

344

100.

06

6.94

10

1.36

27

0.1

79

8

0.0

38

MVSM 0.2

88

5 0.2

88

3

0.3

64

1

0.7

34

8

0.18

87

1.17

68

2.0

653

99.8

9

6.87

75

1.35

41

0.1

69

3

0.0

22

7

MVSEM (1/2,0,1/2

) 0.3

82

0.3

85

4

0.4

76

3

1.1

03

2

0.24

86

1.45

81

2.6

123

110.

97

9.31

11

1.64

35

0.0

53

9

0.6

87

7

MVSEM (0,1/2,1/2

) 0.3

82

4

0.3

85

8

0.4

76

8

1.1

04

9

0.24

89

1.45

90

2.6

148

110.

73

9.30

38

1.64

36

0.0

54

1

0.7

04

6

MVSEM0.30.30.4 1.10.24 1.45 2.6110.9.31 1.640.00.6

(1/3,1/3,1

/3) 82

2

85

5

76

4

03

1

86 82 122 98 15 35 53

9

87

3

注:SR、ASR、MADR和SSR分别表示夏普比率、调整为偏态的夏普比率、平均绝对偏差率和Sortino-Satchell比率。FTR(u,v)表示u和v处于不同值下的Farinelli-Tibiletti比率, GRR(δ,γ)表示在位数水平α,β= 0.05下,δ和γ处于不同值时,广义Rachev比率。 PT表示投资组合的营业额。ρ—value值给出的是以EWM为基准,各模型之间z JK统计测试后所得夏普比例的差异的相应的概率值。度量的零假设是,夏普比率之间的差异为零。

表5.5 行业数据集下,W= 150时投资组合效用度量结果

Models SR A

SR M

A

D

R

SS

R

FTR

(0,5,

2)

FTR

(1,5,

2)

FT

R(1

,1)

GRR

(0,5,

2)

GRR

(1,5,

2)

GR

R(1,

1)

PT p-v

alu

e

EWM 0.3

77

6 0.3

80

9

0.4

67

2

1.0

92

3

0.24

51

1.45

76

2.5

817

114.

71

9.63

96

1.67

17

––

MinVM 0.3

15

7 0.3

16

0.3

95

4

0.8

28

7

0.20

15

1.24

53

2.2

020

108.

64

7.56

17

1.43

03

0.1

10

6

0.0

52

4

MVM 0.3

00

7 0.3

00

5

0.3

80

8

0.7

74

5

0.19

36

1.20

26

2.1

344

100.

06

6.94

10

1.36

27

0.1

79

8

0.0

38

MVSM 0.2

88

5 0.2

88

3

0.3

64

1

0.7

34

8

0.18

87

1.17

68

2.0

653

99.8

9

6.87

75

1.35

41

0.1

69

3

0.0

22

7

MVSEM (1/2,0,1/2

) 0.3

82

0.3

85

4

0.4

76

3

1.1

03

2

0.24

86

1.45

81

2.6

123

110.

97

9.31

11

1.64

35

0.0

53

9

0.6

87

7

MVSEM (0,1/2,1/2

) 0.3

82

4

0.3

85

8

0.4

76

8

1.1

04

9

0.24

89

1.45

90

2.6

148

110.

73

9.30

38

1.64

36

0.0

54

1

0.7

04

6

MVSEM (1/3,1/3,1

/3) 0.3

82

2

0.3

85

5

0.4

76

4

1.1

03

1

0.24

86

1.45

82

2.6

122

110.

98

9.31

15

1.64

35

0.0

53

9

0.6

87

3 表5.6 国际数据集下,W= 120时投资组合效用度量结果

Models SR A

SR M

A

D

SS

R

FTR

(0,5,

2)

FTR

(1,5,

2)

FT

R(1

,1)

GRR

(0,5,

2)

GRR

(1,5,

2)

GR

R(1,

1)

PT p-v

alu

e

R

EWM 0.1

54

3 0.1

50

5

0.2

08

2

0.1

24

8

1.86

25

1.03

92

1.5

038

18.4

701

1.78

83

0.77

51

––

MinVM 0.1

69

1 0.1

63

7

0.2

26

6

0.1

35

7

1.93

61

1.03

98

1.5

588

19.4

430

1.64

70

0.72

89

0.1

19

9

0.6

52

7

MVM 0.1

49

5 0.1

45

6

0.1

99

7

0.1

20

4

1.87

45

1.03

18

1.4

785

19.4

162

1.81

05

0.79

12

0.1

40

5

0.3

72

2

MVSM 0.1

49

1 0.1

45

2

0.1

99

5

0.1

20

1.86

52

1.02

96

1.4

781

19.3

950

1.79

64

0.78

64

0.1

37

1

0.3

69

2

MVSEM (1/2,0,1/2

) 0.1

69

2

0.1

65

7

0.2

27

8

0.1

21

1

1.82

78

1.04

07

1.4

823

19.5

161

1.89

15

0.81

22

0.0

69

4

0.6

60

1

MVSEM (0,1/2,1/2

) 0.1

69

2

0.1

65

6

0.2

27

5

0.1

20

9

1.82

74

1.04

07

1.4

821

19.5

121

1.89

19

0.81

23

0.0

69

4

0.6

57

7

MVSEM (1/3,1/3,1

/3) 0.1

69

5

0.1

65

9

0.2

28

7

0.1

21

3

1.82

79

1.04

14

1.4

825

19.5

166

1.89

25

0.81

23

0.0

69

1

0.6

60

0 表5.7 国际数据集下,W= 150时投资组合效用度量结果

Models SR A

SR M

A

D

R

SS

R

FTR

(0,5,

2)

FTR

(1,5,

2)

FT

R(1

,1)

GRR

(0,5,

2)

GRR

(1,5,

2)

GR

R(1,

1)

PT p-v

alu

e

EWM 0.1

73

8 0.1

68

8

0.2

36

3

0.1

65

5

1.23

11

1.01

32

1.5

858

19.1

082

1.85

55

0.79

80

––

MinVM 0.1

78

6 0.1

72

4

0.2

42

2

0.1

67

7

1.26

65

0.99

70

1.6

000

19.8

151

1.72

37

0.75

17

0.1

06

3

0.6

39

2

MVM 0.1

69

6 0.1

64

8

0.2

26

9

0.1

61

1

1.24

29

1.01

23

1.5

570

20.1

864

1.87

97

0.79

68

0.1

03

2

0.3

82

MVSM 0.10.10.20.1 1.23 1.01 1.520.9 1.940.800.10.3

69 3 64

8

26

3

61

5

88 80 559 188 36 84 46

1

72

9

MVSEM (1/2,0,1/2

) 0.1

78

7

0.1

72

5

0.2

42

8

0.1

69

8

1.24

84

1.03

68

1.5

870

20.9

453

1.99

41

0.82

13

0.0

65

2

0.6

45

6

MVSEM (0,1/2,1/2

) 0.1

78

6

0.1

72

4

0.2

42

8

0.1

69

7

1.24

83

1.03

69

1.5

873

20.9

437

1.99

45

0.82

14

0.0

65

2

0.6

44

9

MVSEM (1/3,1/3,1

/3) 0.1

78

9

0.1

72

6

0.2

43

2

0.1

70

1

1.24

86

1.03

73

1.5

875

20.9

460

1.99

52

0.82

16

0.0

65

0.6

45

5 表5.8 ISE数据集下,W= 120时投资组合效用度量结果

Models SR A

SR M

A

D

R

SS

R

FTR

(0,5,

2)

FTR

(1,5,

2)

FT

R(1

,1)

GRR

(0,5,

2)

GRR

(1,5,

2)

GR

R(1,

1)

PT p-v

alu

e

EWM 0.3

70

1 0.3

60

5

0.4

46

1

1.0

44

8

0.17

81

1.20

98

2.3

632

26.8

589

3.65

86

1.16

85

––

MinVM 0.3

56

3 0.3

47

2

0.4

28

6

0.9

79

0.17

79

1.16

24

2.2

576

31.3

438

4.46

86

1.28

72

0.1

70

4

0.3

99

4

MVM 0.3

89

2 0.3

78

2

0.4

57

7

1.1

19

8

0.17

97

1.26

06

2.4

595

31.9

823

4.36

59

1.26

91

0.1

95

4

0.6

55

2

MVSM 0.3

75

9 0.3

65

2

0.4

51

7

1.0

61

3

0.17

59

1.21

83

2.3

907

29.6

981

3.85

23

1.17

47

0.2

10

8

0.5

47

1

MVSEM (1/2,0,1/2 ) 0.3

91

0.3

80

3

0.4

72

1

1.1

31

0.18

48

1.26

21

2.5

055

28.5

031

3.77

66

1.29

62

0.0

99

3

0.8

92

8

MVSEM (0,1/2,1/2 ) 0.3

89

7

0.3

79

8

0.4

71

1

1.1

29

3

0.18

46

1.26

24

2.5

019

28.4

221

3.78

44

1.29

93

0.0

98

2

0.8

76

2

MVSEM (1/3,1/3,1 /3) 0.3

91

5

0.3

80

8

0.4

72

7

1.1

32

1

0.18

57

1.26

25

2.5

060

28.5

150

3.77

81

1.29

67

0.0

99

0.8

82

9 表5.9 ISE数据集下,W= 150时投资组合效用度量结果

Models SR A

SR M

A

D

R

SS

R

FTR

(0,5,

2)

FTR

(1,5,

2)

FT

R(1

,1)

GRR

(0,5,

2)

GRR

(1,5,

2)

GR

R(1,

1)

PT p-v

alu

e

EWM 0.3

96

2 0.3

94

0.5

03

8

2.3

08

4

0.03

17

1.12

54

2.7

379

77.8

862

8.02

11

1.60

44

––

MinVM 0.3

86

7 0.3

71

0.5

19

1

1.9

71

8

0.03

00

0.95

82

2.5

791

24.7

371

2.74

96

0.95

75

0.1

76

1

0.4

64

5

MVM 0.4

74

0 0.4

64

5

0.6

00

1

2.9

14

4

0.03

43

1.30

85

3.2

330

53.0

313

4.91

34

1.22

29

0.1

98

6

0.8

26

7

MVSM 0.4

18

3 0.4

12

9

0.5

30

2.4

41

9

0.03

36

1.15

70

2.7

795

60.0

778

5.49

89

1.28

98

0.1

96

1

0.6

34

7

MVSEM (1/2,0,1/2

) 0.4

80

7

0.4

67

3

0.6

04

6

2.9

13

4

0.03

59

1.32

20

3.2

437

88.0

680

9.54

32

1.77

51

0.1

27

5

0.8

47

7

MVSEM (0,1/2,1/2

) 0.4

78

5

0.4

64

9

0.6

04

5

2.9

23

9

0.03

50

1.31

40

3.2

396

85.0

866

9.22

71

1.74

31

0.1

25

6

0.8

30

8

MVSEM (1/3,1/3,1

/3) 0.4

83

7

0.4

68

3

0.6

05

4

2.9

42

1

0.03

56

1.33

16

3.2

492

89.1

761

9.63

98

1.77

99

0.1

26

8

0.8

46

6

第六章结论

我们提出了一个多目标决策模型,其中包括均值、方差和偏度的组合,并考虑了熵在投资组合中的权重问题,另外,运用三种不同的数据集将该模型与其他传统模型在效用上进行比较。结果表明,MVSEM的效用在各种投资组合效用度量指标中均优于其他投资组合模型。此外,MVSEM能够得到比其他模型更小的投资组合周转率,因此,这意味着与MVSEM相关联的交易成本是最低的。

参考文献:

[1]Markowitz, H. Portfolio selection[J]. Finance 1952, 7, 77–91.

[2]Chunhachinda, P.; Dandapani, K.; Hamid, S.; Prakash, A.J. Portfolio selection and skewness: Evidence from international stock markets[J]. Bank. Finance 1997, 21, 143–167.

[3]Lai, T.Y. Portfolio selection with skewness: A multiple-objective approach[J]. Rev. Quant. Finance Acc. 1991, 1, 293–305.

[4 ]Prakash, A.J.; Chang, C.H.; Pactwa, T.E. Selecting a portfolio with skewness: Recent evidence from US, European and Latin American equity markets[J]. Bank. Finance 2003, 27, 1375–1390.

[5] Arditti, F.D. Risk and the required return on equity[J]. Finance 1967, 22, 19–36.

[6]Arditti, F.D.; Levy, H. Portfolio efficiency analysis in three moments: The multiperiod case[J]. Finance 1975, 30, 797–809.

[7]Ingersoll, J. Multidimensional security pricing[J]. Finan. Quant. Anal. 1975, 10, 785–798.

[8]Harvey, C. R.; Liechty, J.; Liechty, M.W.; Mueller, P. Portfolio selection with

higher moments[DB]. In Social Science Research Network Working Paper Series 13; Available online: ://https://www.doczj.com/doc/be14140316.html,/sol3/papers.cfm?abstract_id=634141

(accessed on 13 December 2004).

[9]Levy, H. The rationale of the mean-standard deviation analysis: Comment[J]. Amer.

Econ. Rev. 1974, 34,434–441.

[10]Ibbotson, R.G. Price performance of common stock new issues[J]. Finan. Econ.

1975, 2, 235–272.

[11]Bera, A.K.; Park, S.Y. Optimal portfolio diversification using the maximum

entropy principle[J]. Economet. Rev. 2008, 27, 484–512.

[12]DeMiguel, V.; Garlappi, L.; Uppal, R. Optimal versus naive diversification: How

inefficient is the 1/N portfolio strategy? [J]. Financ. Stud. 2009, 22, 1915–1953. [13]Dobbins, R.; Witt, S.F.; Fielding, J. Portfolio Theory and Investment

Management[M]. Blackwell Publisher: Oxford, UK, 1994.

[14]Gilmore, C.G.; McManus, G.M.; Tezel, A. Portfolio allocations and the emerging

equity markets of Central Europe[J]. Multinat. Finan. Manage. 2005, 15, 287–300.

[15]Kapur, J.N.; Kesavan, H.K. Entropy Optimization Principles with

Applications[M]. Academic Press: San Diego, CA, USA, 1992.

[16]Hoskisson, R.E.; Hitt, M.A.; Johnson, R.H.; Moesel, D. Construct validity of an

objective (entropy) categorical measure of diversification strategy[J]. Strat. Manag.

J. 2006, 14, 215–235.

[17]Dionísio, A.; Menezes, R.; Mendes, D.A. Uncertainty analysis in financial

markets: Can entropy be a solution? [C]. In Proceedings of the 10th Annual

Workshop on Economic Heterogeneous Interacting Agents (WEHIA 2005),

University of Essex, Colchester, UK, 13–15 June, 2005.

[18]Philippatos, G.C.; Gressis, N. Conditions of equivalence among E-V, SSD and

E-H portfolio selection criteria: The case for uniform, normal and lognormal

Distributions[J]. Manag. Sci. 1975,21, 617–625.

[19]Bera, A.K.; Park, S.Y. Optimal portfolio diversification using the maximum

entropy principle[C]. In Proceedings of the Second Conference on Recent

Developments in the Theory, Method, and Applications of Information and

Entropy Econometrics, The American University, Washington, DC, USA, 23–25 September, 2005.

[20]Usta, I.; Kantar, Y.M. Analysis of multi-objective portfolio models for the istanbul

stock exchange (abstract)[C]. In Proceedings of the 2nd International Workshop on Computational and Financial Econometrics (CFE’08), Neuchatel, Switzerland, 19–21 June, 2008.

[21]Jana, P.; Roy, T.K.; Mazumder S.K. Multi-objective mean-variance-skewness

model for Portfolio Optimization[J]. AMO 2007, 9, 181–193.

[22]Jana, P.; Roy, T.K.; Mazumder S.K. Multi-objective possibilistic model for

portfolio selection with transaction cost[J]. Comput. Appl. Math. 2009, 228,

188–196.

[23]Samanta, B.; Roy, T.K. Multi-objective Portfolio Optimization Model. Tamsui

Oxf[J]. Math. Sci. 2005, 21, 55–70.

[24]Chou, P.; Li, W.; Zhou, G. Portfolio optimization under asset pricing nomalies[J].

Jpn. World Econ. 2006, 18, 121–142.

[25]Cuoco, D.; Liu, H. Optimal consumption of a divisible durable good[J]. Econ.

Dynam. Control 2000, 24, 561–613.

[26] Shi, N.; Lai, M.; Zheng, S.; Zhang, B. Optimal algorithms and intuitive

explanations for Markow itz’s portfolio selection model and Sharpe’s ratio with no short-selling[J]. Sci. China Math. Phys. Astron. Technol. Sci. 2008,

51,2033–2042.

[27]Simkowitz, M.A.; Beedles W.L. Diversification in a three-moment world[J].

Financ. Quant. Anal. 1978, 13, 927–941.

[28]Sears, R.S.; Trennepohl, G.L. Skewness, sampling risk, and the importance of

diversification[J]. Econ. Bus. 1986, 38, 77–91.

[29]Cromwell, N.O.; Taylor, W.R.L.; Yoder, J.A. Diversification across mutual funds

in a three-moment world[J]. App. Econ. Lett. 2000, 7, 243–245.

[30] Hueng, C.J.; Yau, R. Investor preferences and portfolio selection: Is

diversification an appropriate strategy? [J]. Quant. Finance 2006, 6, 255–271. [31]Zakamouline, V.; Koekebakker, S. Portfolio performance evaluation with

generalized Sharpe ratios: Beyond the mean and variance[J]. Bank. Financ. 2009, 33, 1242–1254.

[32]Konno, H. Piecewise linear risk functions and portfolio optimization[J]. Oper. Res.

Soc. Jpn. 1990,33, 139–156.

[33]Caporin, M.; Lisi, F. Comparing and selecting performance measures for ranking

assets[R]. Marco Fanno Working Paper 2009, 0099.

[34]Farinelli, S.; Ferreira, M.; Thoeny M.; Rossello D.; Tibiletti L. Optimal asset

allocation aid system: From “one-size” vs. “tailor-made” performance ratio. Eur[J].

Oper. Res. 2009, 192, 209–215

[35]Farinelli, S.; Ferreira, M.; Rossello, D.; Thoeny, M.; Tibiletti, L. Beyond Sharpe

ratio: Optimal asset allocation using different performance ratios[J]. Bank. Financ.

2008, 32, 2057–2063.

[36]Biglova, A.; Ortobelli, S.; Rachev, S.; Stoyanov, S. Different approaches to risk

estimation in portfolio theory[J]. Portfolio Manage. 2004, 31, 103–112.

[37]Ortobelli, S.; Biglova, A.; Stoyanov, S.; Rachev, S.; Fabozzi, F. A Comparison

among performance measures in portfolio theory[C]. In Proceedings Of the 16th Ifac World Congress, Prague, Czech Republic, 4–8 July, 2005; World Congress 2005, V olume 16, Part 1.

[38]Keating, C.; Shadwick, W. A universal performance measure[J]. Perform. Meas.

2002, 6, 59–84.

[39]Shannon, C.E. The mathematical theory of communication. Bell Syst. Tech[J].

1948, 27, 379–423. Reprinted University of Illiois Press: Urbana, IL, USA, 1998;

pp. 3–91.

[40]Bloomfield, T.; Leftwich, R.; Long, J. Portfolio strategies and performance[J].

Financ. Econ.1977, 5, 201–218.

[41]Jorion, P. International portfolio diversification with estimation risk[J]. Bus. 1985,

58, 259–278.

[42]DeMiguel, V.; Nogales, F.J. Portfolio selection with robust estimation[J]. Oper.

Res. 2009, 57, 560–577.

[43]Alves A.; Santos P. The out-of-sample performance of robust portfolio

optimization. Braz[J]. Financ. 2010, 8, 1–26.

[44]Kimball, M.S. Precautionary saving in the small and in the large[J]. Econometrica

1990, 58, 53–73.

[45]Jahn, J. Vector Optimization[M]; Springer: Heidelberg, Germany, 2004.

[46]Kalyonmoy, D. Multi-objective Optimization Using Evolutionary Algorithms[D];

Wiley: Chichester, UK, 2001.

[47]Miettinen, K.M. Nonlinear Multiobjective Optimization[M]; Kluwer Academic

Publishers: Boston, MA, USA, 1999.

[48]Deb, K. Multi-objective Optimization Using Evolutionary Algorithms[M]. Wiley:

Sussex, UK, 2001.

[49]Jobson, J.D.; Korkie, R. Performance hypothesis testing with the sharpe and

treynor measures. [J]. Finance 1981, 36, 889–908.

[50]Memmel, C. Performance hypothesis testing with the Sharpe ratio[J]. Finance

Lett. 2003, 1, 21–23.

[51]Kenneth French’s web site[OL]. Available online:

https://www.doczj.com/doc/be14140316.html,/pages/faculty/ken.french/ (accessed on 10 October

2010).

[52]Morgan Stanley web site[OL]. Available online:

https://www.doczj.com/doc/be14140316.html,/about/ir/index.html (accessed on 10 October 2010).

[53]ISE web site[OL]. Available online: https://www.doczj.com/doc/be14140316.html,/Data/StocksData.aspx/

(accessed on 5 May 2010).

[54]Yu, L.; Wang, S.; Lai, K.K. Neural network-based mean-variance-skewness

model for portfolio selection[J]. Comput. Oper. Res. 2008, 35, 34–46.

基本的投资组合模型

基本的投资组合模型 摘要 在市场经济活动中,投资成为了一个必不可少的环节。特别是如今物价上涨迅猛,人们生活水平逐渐提高,如何通过投资来获取更多的经济利益已成为一个社会的共同话题。也只有通过投资,消费者才能拥有多渠道的经济来源从而提高生活水平。投资方式的多样性决定了人们在投资过程中投资组合的多样性。而每一项投资在有其收益效果的同时也伴随着风险性,所以不同的投资组合方式将带来不同的效果。对于不同类型的投资者必然有不同的要求,从而适合不同的投资方式,所以意在建立在不同投资者的不同要求下应采用哪种投资方式的模型,使投资者能做出正确的选择。 关键词:股市;组合投资;均值;方差;收益;风险 目录 一、问题重述与分析 (2) 二、符号说明 (3) 三、模型假设 (3) 四、模型的建立与求解 (4) 五、模型的分析和检验 (9) 六、模型评价 (9) 七、参考文献 (9) 八、附录 (10)

一、问题重述与分析 1.1 问题重述 本案例中以投资股票为例,分析股票的选取和赢利问题。在股票市场上往往会有很多股票,每个股票都会有其对应所属的公司,公司的运作现况以及其未来在市场上的潜力都会影响该股票在股票市场的上涨或下跌,所以每一只股票都会有其内在的风险性。但是,对于不同股票,也就对应不同实力,不同前景的公司其收益性和风险性也会有所不同,所以不同的投资组合,以及每种组合中不同投入资金比例,将会造成其不同的收益效果。 1.2问题分析 在充满风险和机会的证券市场中,无论是个人还是机构投资者在进行证券投资时,总是以投入资金的安全性和流动性为前提,合理的运用投资资金,达到较小风险、较高收益的目的。投资于高收益的证券,很可能获得较高的投资回报;但是,高收益往往伴随着高风险,低风险常又伴随着低收益。如果投资者单独投资于某一种有价证券,那么一旦该有价证券的市场价格出现较大波动,投资者将蒙受较大的损失,所以,稳健的投资方法是将资金分散地投资到若干种收益和风险都不同的有价证券上,以“证券组合投资”的方式来降低风险。在马科维茨的组合投资模型中,数学期望代表着预期收益,方差或标准差代表着风险,协方差代表着资产之间的相互关系,进而资产组合的预期收益是资产组合中所有资产收益的简单加权平均,而资产组合的方差则为资产方各自方差与它们之间协方差的加权平均。确定最小方差资产组合首先要计算构成资产组合的单个资产的收益、风险及资产之间的相互关系,然后,计算资产组合的预期收益和风险。因此,研究证券投资组合的优化模型就显得十分重要了。对于我们的日常经济生活而言,也有了研究的实践意义。 风险可以用收益的方差(或标准差)来进行衡量:方差越大,则认为风险越小。在一定的假设下用收益的方差(或标准差)来衡量风险确实是合适的。 1.3 问题提出 案例美国某三种股票(A,B,C)12年(1943—1954)的价格(已经包括了粉红在内)每年的增长情况如表6—6所示(表中还给出了相应年份的500种股票的价格指数的增长情况)。例如,表中第一个数据1.300的含义是股票A在1943年末价值是其年初价值的1.300倍,即收益为30%,其余数据的含义依此类推。假设你在1955年时有一笔资金准备投资这三种股票,并期望年收益率至少达到15%,那么你应当如何投资?当期望的年收益率变化时,投资组合和相应的风险如何变化? 表:股票收益数据

最大熵算法笔记

最大熵算法笔记 最大熵,就是要保留全部的不确定性,将风险降到最小,从信息论的角度讲,就是保留了最大的不确定性。 最大熵原理指出,当我们需要对一个随机事件的概率分布进行预测时,我们的预测应当满足全部已知的条件,而对未知的情况不要做任何主观假设。在这种情况下,概率分布最均匀,预测的风险最小。因为这时概率分布的信息熵最大,所以人们称这种模型叫"最大熵模型"。 匈牙利著名数学家、信息论最高奖香农奖得主希萨(Csiszar)证明,对任何一组不自相矛盾的信息,这个最大熵模型不仅存在,而且是唯一的。而且它们都有同一个非常简单的形式-- 指数函数。 我们已经知道所有的最大熵模型都是指数函数的形式,现在只需要确定指数函数的参数就可以了,这个过程称为模型的训练。 最原始的最大熵模型的训练方法是一种称为通用迭代算法GIS (generalized iterative scaling) 的迭代算法。GIS 的原理并不复杂,大致可以概括为以下几个步骤: 1. 假定第零次迭代的初始模型为等概率的均匀分布。 2. 用第N 次迭代的模型来估算每种信息特征在训练数据中的分布,如果超过了实际的,就把相应的模型参数变小;否则,将它们便大。 3. 重复步骤2 直到收敛。 GIS 最早是由Darroch 和Ratcliff 在七十年代提出的。但是,这两人没有能对这种算法的物理含义进行很好地解释。后来是由数学家希萨(Csiszar) 解释清楚的,因此,人们在谈到这个算法时,总是同时引用Darroch 和Ratcliff 以及希萨的两篇论文。GIS 算法每

次迭代的时间都很长,需要迭代很多次才能收敛,而且不太稳定,即使在64 位计算机上都会出现溢出。因此,在实际应用中很少有人真正使用GIS。大家只是通过它来了解最大熵模型的算法。 八十年代,很有天才的孪生兄弟的达拉皮垂(Della Pietra) 在IBM 对GIS 算法进行了两方面的改进,提出了改进迭代算法IIS (improved iterative scaling)。这使得最大熵模型的训练时间缩短了一到两个数量级。这样最大熵模型才有可能变得实用。即使如此,在当时也只有IBM 有条件是用最大熵模型。 由于最大熵模型在数学上十分完美,对科学家们有很大的诱惑力,因此不少研究者试图把自己的问题用一个类似最大熵的近似模型去套。谁知这一近似,最大熵模型就变得不完美了,结果可想而知,比打补丁的凑合的方法也好不了多少。于是,不少热心人又放弃了这种方法。第一个在实际信息处理应用中验证了最大熵模型的优势的,是宾夕法尼亚大学马库斯的另一个高徒原IBM 现微软的研究员拉纳帕提(Adwait Ratnaparkhi)。拉纳帕提的聪明之处在于他没有对最大熵模型进行近似,而是找到了几个最适合用最大熵模型、而计算量相对不太大的自然语言处理问题,比如词性标注和句法分析。拉纳帕提成功地将上下文信息、词性(名词、动词和形容词等)、句子成分(主谓宾)通过最大熵模型结合起来,做出了当时世界上最好的词性标识系统和句法分析器。拉纳帕提的论文发表后让人们耳目一新。拉纳帕提的词性标注系统,至今仍然是使用单一方法最好的系统。科学家们从拉纳帕提的成就中,又看到了用最大熵模型解决复杂的文字信息处理的希望。

销售人员胜任力素质模型问卷调查分析报告

销售部胜任力模型构建问卷统计分析报告 一、样本基本信息 此次问卷调查共发放问卷15份,回收问卷15份,所回收的问卷全部有效,有效回收率为100%。 根据调研对象的职位不同,对样本进行分类,此次调查的样本分布状况如下: ,2代表“不太重要”,3代表“一般”,4代表“比较重要”,5代表“非常重要”。以下同。 二、关键的知识要求 产品知识:包括产品的名称、性能与特点、主要优点、销售状况、与其他公司产品相比的优劣势、价格特点等。 公司知识:包括行业知识、公司文化(发展历史、价值观等)、组织结构、基本规章制度和业务流程等。 行业知识:行业发展状况、行业新闻及重大事件、竞争对手情况、相关行业的情况。 营销知识:营销心理学、价格管理、预测与调研、品牌管理、客户服务及管理、电话营销、礼仪公关。 专利知识:对专利的理解,每个产品对应的专利点的了解。 从上述四幅图中可以看出,产品知识、公司知识、行业知识、营销知识、专利知识是销售部人员认为最为重要的五个知识要求。

三、关键的行为能力 创新能力:不受陈规和以往经验的束缚,不断改进工作和学习方法,以适应新观念、新形势发展的要求。不断的有新的销售策略、新的销售方法。 分析判断能力:从市场信息收集、整理到分析运用的全程处理能力。对已知的事实进行分析推理,看问题能抓住事情的本质。通过观察分析很快就能抓住了解全貌,敏锐,能很快发现关键问题,抓住要害。 沟通能力:正确倾听他人意见,理解其感受、需要和观点,并做出适当反应的能力。 计划能力:对工作目标有一定计划,工作前做好充分准备。工作能按部就班的进行。 客户管控能力:有效地与业务伙伴和客户建立良好的工作关系,并运用各方方面的资源完成工作的能力。 人际交往能力:对人际交往保持高度的兴趣,能够通过主动热情的态度,以及诚恳、正直的品质赢得他人的尊重和信赖,从而赢得良好的人际交往氛围的能力。 市场开拓能力:为达到市场开拓目的而具备的沟通、组织等方面的技能与知识。能够与客户、行业协会及中间商进行业务讨论,收集市场对产品的需求,提出产品改进建议。 市场预测能力:密切关注市场,通过对市场变化中反映出来的现象、数据信息等,进行分析处理,用以了解市场变动的趋势、了解客户的需求、指导自己的工作。 谈判能力:在谈判中有效的达成公司的目标,并最大限度地争取和维护公司的利益的能力。 问题解决能力:为了达到最终的结果能够从不同角度分析问题,寻求答案的能力。遇到问题时,能自主地、主动地谋求解决,能有规划、有方法、有步骤地处理问题,并能适宜地、合理地、有效地解决问题。 学习能力:发展自己的专业知识,与他人分享专业知识和经验,学习专业知识的能力。能根据自身学习需要,采用适当的技术手段和方法,获取、加工和利用知识与信息。 应变能力:为应对将来可能面临的困难和挑战,提前采取预防措施或做好相应思想准备的能力。反应迅速,能很好处理突发事件,随机应变,能控制局面。 影响力:说服或影响他人接受某一观点或领导某一具体行为的能力。

证券投资组合的优化模型

毕业论文(设计)内容介绍 目录

中文摘要???????????????????????????????1 英文摘要???????????????????????????????1 第一章引言?????????????????????????????2 1.1 文献综述???????????????????????????2 1.2 问题提出???????????????????????????2 1.3 研究的主要内容????????????????????????3 第二章马科维茨组合投资模型基本概念和理论??????????????4 2.1 马科维茨的基本理论??????????????????????4 2.2 理性投资者的行为特征和决策方法????????????????4 2.3 资产的收益和风险特征?????????????????????7 2.4 马科维茨的均值方差模型????????????????????8 第三章股票中的数学模型及优化????????????????????10 3.1 模型的假设与符号说明?????????????????????10 3.2 模型的建立??????????????????????????10 3.3 模型的求解及优化???????????????????????11 第四章股票的预测与程序设计?????????????????????13 第五章模型的结论??????????????????????????15 第六章对马科维茨理论的评价与启示??????????????????16 6.1 对马科维茨理论的评价?????????????????????16 6.2 马科维茨理论的启示??????????????????????16 参考文献???????????????????????????????18

投资组合优化模型研究

投资组合优化模型研究 学生姓名:刘铭雪学号:20095031277 数学与信息科学学院数学与应用数学专业 指导老师:韩建新职称:讲师 摘要:本文在VaR方法约束的基础上,对Markwitz均值—方差模型进行深入研究,给出了一种几何求解方法,并分析了该组合的特性,研究了在VaR约束条件下的最优投资组合的确定问题. 关键词:VaR;均值;方差;投资组合 Research on Portfolio Optimization Modle under The VaR Constraint Abstract: The basic constraint in VaR(Value at Risk)method is used in the article, Markwitz mean-variance model is in-depth studied, a geometrical method is gave , and the characteristics of the portfolio is analyzed,Determination of optimal portfolio VaR constraint conditions are researched. Keywords: VaR(Value at Risk); mean value;variance;investment portfolio 前言 在丰富的金融投资理论中,组合投资理论占有非常重要的地位,投资决策也是金融机构经营活动中最基本的决策之一.现代投资组合理论试图解释获得最大投资收益与避免过分风险之间的基本权衡关系,也就是说投资者将不同的投资品种按一定的比例组合在一起作为投资对象,以达到在保证预定收益率的前提下把风险降到最小或者在一定风险的前提下使收益率最大.对金融机构和投资者来说,相对与资产向上波动,资产价格

岗位胜任力模型

岗位胜任模型 个人特征结构,它可以是动机、特质、自我形象、态度或价值观、某领域知识、认知或行为技能,且能显著区分优秀与一般绩效的个体特征的综合表现。 中文名岗位胜任模型性质模型作用确保个人完成工作特点显著区分优秀与绩效 目录 1 定义 2 基本内容 3 建立岗位胜任模型步骤 ?定义绩效标准 ?选取分析效标样本 ?获取效标样本有关胜任特征的数据资料 ?建立岗位胜任模型 ?验证岗位胜任模型 4 作用 ?工作分析 ?人员选拔 ?绩效考核 ?员工培训 ?员工激励 定义 20 世纪中后期,哈佛大学的戴维·麦克米兰(David·McClelland)教授的研究成果,使人们看到现代人力资源管理理论新的曙光,为企业人力资源管理的实践提供了一个全新的视角和一种更有利的工具,即对人员进行全面系统的研究,从外显特征到内隐特征综合评价的胜任特征分析法。这种方法不仅能够满足现代人力资源管理的要求,构建起某种岗位胜任模型(competency model),对于人员担任某种工作所应具备的胜任特征及其组合结构有明确的说明,也能成为从外显到内隐特征进行人员素质测评的重要尺度和依据,从而为实现人力资源的合理配置,提供了科学的前提。 基本内容 1.知识

某一职业领域需要的信息(如人力资源管理的专业知识); 岗位胜任模型岗位胜任模型 2.技能 掌握和运用专门技术的能力(如英语读写能力、计算机操作能力); 3.社会角色 个体对于社会规范的认知与理解(如想成为工作团队中的领导); 4.自我认知 对自己身份的知觉和评价(如认为自己是某一领域的权威); 5.特质 某人所具有的特征或其典型的行为方式(如喜欢冒险); 6.动机 决定外显行为的内在稳定的想法或念头(如想获得权利、喜欢追求名誉)。 建立岗位胜任模型步骤 定义绩效标准 绩效标准一般采用工作分析和专家小组讨论的办法来确定。即采用工作分析的各种工具与方法明确工作的具体要求,提炼出鉴别工作优秀的员工与工作一般的员工的标准。专家小组讨论则是由优秀的领导者、人力资源管理层和研究人员组成的专家小组,就此岗位的任务、责任和绩效标准以及期望优秀领导表现的胜任特征行为和特点进行讨论,得出最终的结论。如果客观绩效指标不容易获得或经费不允许,一个简单的方法就是采用“上级提名”。这种由上级领导直接给出的工作绩效标准的方法虽然较为主观,但对于优秀的领导层也是一种简便可行的方法。企业应根据自身的规模、目标、资源等条件选择合适的绩效标准定义方法。

3消费-投资组合模型

第三章课件1:消费-投资组合模型 3.2.1 单时期最优消费和投资组合模型 单时期模型显然是对复杂的、时间变化的随机现象(像股票价格和债券价格等)的非真实表示,但是,它们的优点是数学形式简单,能够简明地揭示许多重要的经济原理。它们是研究最复杂的连续时间模型的基础,因此,先引入和研究单时期模型非常必要。 在单时期的消费-投资模型中,引入了金融市场交易策略的概念,这是把传统的消费-投资分析拓广为现代消费-投资分析,从而为金融研究提供分析基础的关键点。本书中讨论的消费-投资分析及其模型与传统的消费-投资分析及其模型的主要区别是: (1)传统的消费-投资分析及其模型把未来收入,尤其是资产的未来收益,都作为外生变量,而本书中的消费-投资分析及其模型把它们作为内生变量,通过交易策略的概念实现了这一点。交易策略是模型的核心概念。 (2)在传统的消费-投资分析及其模型中,投资者对于不确定性等风险因素完全是被动的,风险完全是选择的外生条件,而在本节的消费-投资分析及其模型中,风险对于投资者来说并不都是坏事,风险也是一种投资。不仅如此,风险往往也是可以进行组合的,后面 3.2节的均值-方差投资组合分析就说明了这一点。 1.单时期和多时期消费-投资的基本原理性模型 我们先来把涉及到金融市场的单时期和多时期的消费-投资决策的原理性模型做一个简单介绍,第一点,是为了读者便于把握本章后面的各种不同时期的消费-投资分析模型。因为金融学中的消费-投资分析模型一般都比较麻烦。这是让初学者比较头痛的事情。第二点,如果初学者没有时间,掌握这个基本原理性模型也够用。第三点,这样做的最根本目的是让初学者认识到,不管现代金融研究中的理论、方法和模型多么复杂、困难和抽象,其实原理都很简单。从下面的介绍中读者就可以看到这一点。 考虑市场有N 个证券性资产,其价格分别表示为1S ,…,N S 。一种无风险的银行存款或债券记为B 。市场是不确定的。一个代表性消费者-投资人现在的资产向量是 1(,,,)N Z B S S =??? 如果他要选择的策略是1(,,)N H h h =???,那么他在时刻t 的自融资条件或预算约束条件就是 011()()()N N Z t h B h S t h S t =++??? 而消费-投资的决策则是要使下面的预期效用或收益最大化,

胜任力模型

平安保险公司A类管理干部胜任素质模型 2012年1月

目录 一、简介 2 二、模型结构 3 三、胜任素质定义与层级 5 结果导向 6 适应调整7 监控能力8 影响能力9 团队领导10 组织理解11 战略导向12 建立创新组织13 归纳思维14 组织文化认同15 积极心态16 责任心17 重诺言18 学习领悟19 人际理解20

一、简介 作为中国金融界的飞速发展的企业,平安保险努力在激烈的竞争中保持健康的发展势头,迎接中国加入WTO后保险业面临的挑战。储备干部体系的完善是管理人员整体水平的提高的一个关键。为了建立一个高效率的管理干部发展和储备系统,A类管理干部胜任素质模型明确界定了作为优秀的平安管理干部需要具备的能力和行为特征。 胜任素质(COMPETENCY)方法是由国际知名的美国哈佛大学心理学教授McClelland博士倡导创立的。“胜任素质”是能区分在特定的工作岗位、组织环境、和文化氛围中个人工作表现的任何可以客观衡量的非技术性的个人特征。胜任素质是在国际上,特别是先进企业中得到普遍认可和广泛应用的管理干部选拔、培养和发展的有效方法。 A类管理干部胜任素质模型是由平安项目小组与昱泉管理顾问(上海)公司团队合作,经过严格的研究开发努力的结果。模型建立过程严格遵循胜任素质方法的基本准则和操作要求。分析与平安公司优秀的管理业绩直接挂钩的管理行为模式。该模式与平安的实际情况密切结合,直接服务于平安的发展战略和商业目标,促进平安管理干部的职业生涯发展。 该模型建立在广泛深入搜集的第一手材料的基础上。平安各级管理干部提供了大量的客观数据。通过对各种数据的详细分析,形成具有十五项胜任素质的平安A类管理干部胜任素质模型。

投资组合优化问题

资产管理优化组合模型 随着我国经济的快速发展,越来越多的家庭出现了数额较大的家庭资产,这些资产需要进行保值增值。同时也出现了越来越多的信托投资管理公司,一些大型金融机构也开发出了数量众多的集合理财产品,在募集了相当数量的资金以后,如何进行投资管理,成为一个非常重要的问题。 由于市场竞争非常激烈,国家经济体制管理日趋成熟,市场上的最有效资源已经不再为某些实力机构垄断,垄断利润逐渐减小,投资收益靠的是创造的实体财富的增加,靠的是市场需求的旺盛,以及对市场潜在机会的把握。 市场投资机会的寻找和发现成为重要的渠道,这将导致将资产配置到效率更高的市场领域,资产增值得到更大的保障。准确的市场预测能使得资产获得预先良好布局,成为新资源的资本拥有者,或者替代了前期的其它资本投入,获得了较低成本投入而收益最大化的机会,能够获得最大的资产增值。 在一个公开市场上,政策透明度高、管理者有较强的国家责任感、最大努力地消除垄断和市场操纵以及欺诈等。一个资产管理者能否保证资产的增值保值,取决于他对资产的投资组合的优化配置。在一定的时期内必然存在着最优或者较优的组合配置,包括不同资产类型以及不同的数量。投资效益效果的优劣,既有投资收益数额上的差异,也有获得投资收益时间长短上的差异。 在众多的市场资源配置选择中,选择适当的资产优化组合,既能够保证投资预期目标的稳定实现,同时又拥有更多的增值机会,更重要的是能够规避市场中的各种风险,这给资产管理提出了很高的要求。 现有一个拥有相当大数量现金资产(数量为M)的资产管理者,根据国家政策法规的限制,可以投资的品种有:k i t j I i j i ,...,2,1,,..,2,1,==,这表示共有k 类投资品种,第i 类中又有i t 个同类的投资对象。 并且已经知道: (1) 每个投资对象的投资上限和下限数量要求; (2) 部分投资品种是该投资者比较熟悉的投资对象,已经知道其在前1k 个投资周期中,每个周期中投资该品种的年收益率; (3) 部分投资品种是该投资者第一次介入或者刚刚介入时间较短的品种,但

投资组合优化模型

投资组合优化模型 摘要 长期以来,金融资产固有的风险和由此产生的收益一直是金融投资界十分关注的课题。随着经济的快速发展,市场上的新兴资产也是不断涌现,越来越多的企业、机构和个人等都用一部分资金用来投资,而投资方式的多样性决定了人们在投资过程中投资组合的多样性。而每一项投资在有其收益效果的同时也伴随着风险性,所以不同的投资组合方式将带来不同的效果。对于不同类型的投资者必然有不同的要求,从而适合不同的投资方式,所以意在建立在不同投资者的不同要求下应采用哪种投资方式的模型,使投资者能做出正确的选择。 本文研究的主要是在没有风险的条件下,找出投资各类资产与收益之间的函数关系,合理规划有限的资金进行投资,以获得最高的回报。 对于问题一,根据收益表中所给的数据,我们首先建立二元线性回归模型来模拟收益U与x,y之间的关系,对于模型中的各项自变量前的系数估计量,利用spss软件来进行逐步回归分析。发现DW值为0.395,所以原模型的随机误差项违背了互相独立的基本假设的情况,即存在自相关性。为了处理数据间的自相关问题,运用了迭代法,先通过Excel进行数据的处理和修正,达到预定精度时停止迭代,再一次用spss软件来进行检验,发现DW值变为2.572,此时DW值落入无自相关性区域。在进一步对模型进行了改进后,拟合度为进行了残差分析和检验预测,这样预测出的结果更加准确、有效,希望能为投资者实践提供某种程度的科学依据。 对于问题二,根据问题一建立的模型和问题二中所给出的条件,确定目标函数,进行线性规划,用MATLAB软件来求得在资金固定的情况下,选择哪种投资方式能使达到利益最大化。 最后,对模型的优缺点进行评价,指出了总收益与购买A 类资产x份数和B 类资产y份数之间的关系模型的优点与不足之处,并对模型做出了适度的推广和优化。 关键字:经济效益回归模型自相关迭代法线性规划有效投资方法

第十一章投资组合管理基础

第十一章投资组合管理基础 本章要点:了解证券组合管理的概念;熟悉现代投解基金组合管理的过程。 了解证券投资组合理论的基本假设;熟悉单个证券和证券组合的收益风险衡量方法;熟悉风险分散原理;了解两种和多个风险证券组合的可行集与有效边界;了解无差异曲线的含义以及在最优证券组合中的运用;了解资产组合理论的运用以及在运用中要注意的问题。 了解资本资产定价模型的含义和基本假设;熟悉资本资产定价模型的推导。 第一节、证券组合管理与基金组合管理过程 (一) 证券组合管理的概念 证券组合管理是一种以实现投资组合整体风险一收益最优化为目标,选择纳入投资组合的证券种类并确定适当权重的活动。它是伴随着现代投资理论的发展而兴起的一种投资管理方式。 (二)基金组合管理的过程 1.设定投资政策; 2.进行证券分析; 3.构造投资组合; 4.对投资组合的效果加以评价; 5.修正投资组合。 第二节、现代投资理论的产生与发展 现代投资组合理论主要由投资组合理论、资本资产定价模型、APT模型、有效市场理论以及行为金融理论等部分组成。它们的发展极大地改变了过去主要依赖基本分析的传统投资管理实践,使现代投资管理日益朝着系统化、科学化、组合化的方向发展。 1952年3月,美国经济学哈里.马克威茨发表了《证券组合选择》的论文,作为现代证

券组合管理理论的开端。马克威茨对风险和收益进行了量化,建立的是均值方差模型,提出了确定最佳资产组合的基本模型。由于这一方法要求计算所有资产的协方差矩阵,严重制约了其在实践中的应用。 1963年,威廉·夏普提出了可以对协方差矩阵加以简化估计的单因素模型,极大地推动了投资组合理论的实际应用。 20世纪60年代,夏普、林特和莫森分别于1964、1965和1966年提出了资本资产定价模型CAPM。该模型不仅提供了评价收益一风险相互转换特征的可运作框架,也为投资组合分析、基金绩效评价提供了重要的理论基础。 1976年,针对CAPM模型所存在的不可检验性的缺陷,罗斯提出了一种替代性的资本资产定价模型,即APT模型。该模型直接导致了多指数投资组合分析方法在投资实践上的广泛应用。 第三节、证券投资组合理论的基本假设 (一)投资者以期望收益率和方差(或标准差)来评价单个证券或证券组合 (二)投资者是不知足的和厌恶风险的 (三)投资者的投资为单一投资期 (四)投资者总是希望持有有效资产组合 第四节、单个证券收益风险衡量 投资涉及到现在对未来的决策。因此,在投资上,投资者更多地需要对投资的未来收益率进行预测与估计。马克威茨认为,由于未来收益率往往是不确定的,表现为一个随机变量。因此,可以以期望收益率作为对未来收益率的最佳估计。 数学上,单个证券的期望收益率(或称为事前收益率)是对各种可能收益率的概率加权,用公式可表示为:

证券投资组合的优化模型

毕业论文(设计)内容介绍

目录 中文摘要 (1) 英文摘要 (1) 第一章引言 (2) 1.1 文献综述 (2) 1.2 问题提出 (2) 1.3 研究的主要内容 (3) 第二章马科维茨组合投资模型基本概念和理论 (4) 2.1 马科维茨的基本理论 (4) 2.2 理性投资者的行为特征和决策方法 (4) 2.3 资产的收益和风险特征 (7) 2.4 马科维茨的均值方差模型 (8) 第三章股票中的数学模型及优化 (10) 3.1 模型的假设与符号说明 (10) 3.2 模型的建立 (10) 3.3 模型的求解及优化 (11) 第四章股票的预测与程序设计 (13) 第五章模型的结论 (15) 第六章对马科维茨理论的评价与启示 (16) 6.1 对马科维茨理论的评价 (16) 6.2 马科维茨理论的启示 (16) 参考文献 (18)

证券投资组合的优化模型 张东柱 摘要:马科维茨(Markowitz)1952年提出的组合投资理论开创了金融数理分析的先河,是现代金融经济学的一个重要理论基础。利用马科维茨模型确定最小方差资产组合首先要计算构成资产组合的单个资产的收益、风险及资产之间的相互关系,然后,计算资产组合的预期收益和风险。在此基础上,依据理性投资者投资决策准则确定最小方差资产组合。本文以马科维茨的均值方差模型为主要的理论基础,根据投资者对收益率和风险的不同偏好,建立投资组合优化模型,并且通过数学软件Matlab进行实证研究,希望能为投资者实践提供某种程度的科学依据。 关键词:股市;组合投资;均值;方差;收益;风险 中图分类号:O221.7 Optimization for Portfolio Investment Model Zhang Dongzhu Abstract:In 1952 Markowitz proposed the Portfolio Theory and created the analysis way in financial mathematics, which was an important theoretical basis in modern Financial Economics. We use Markowitz model to establish Minimum Variance Portfolio. Firstly we calculate proceeds and risk of single assets in Portfolio Theory and the relationship between assets, and then calculate the expected proceeds and risk of portfolio. On this basis, we determine Minimum Variance Portfolio according to the rational criteria of investors’decision to invest. Based on the investment portfolio and does empirical study through mathematical software Matlab, hoping to provide a certain scientific basis in practical investment. Key Word: Stock Market, Portfolio, Mean, Variance, Proceeds, Risk

最大熵模型在股票投资中

最大熵模型在股票投资中的应用 在股票投资中由于各种不确定性因素的影响,投资的收益可大可小,甚至遭受损失,这种收益的不确定性及其发生的概率就是风险。一般而言,预期收益越大的股票其风险越高。投资风险也越大。为了避免或分散较大的投资风险,追求“安全,高效率,低风险”,许多学者利用熵的特性图来全面描述和度量风险。有学者考虑到嫡仅仅是对概率分布的形状做出描述,与其位置无关;而投资风险取决于人们对收益的感知,所以许多学者在研究这个问题时,把对证券收益率做为一种权数加到对嫡度量投资风险模型中,比如效用风险嫡模型,考虑了随机事件客观状态的不确定性和结果价值两方面的因素;期望效用一嫡决策模型,把风险行动的风险度量与决策者的偏好结合起来,但这个模型只是按这种风险度量方法把行动方案排序,最后还是利用马科维茨的模型给出最优解;还有把收益最大和嫡量度的风险最小做为两个目标的多目标决策模型;还有利用嫡的最大嫡原理改变组合投资的目标函数建立的模型。根据单一指数模型的假设,把影响收益率波动的因素分为微观因素和宏观因素,并假设受宏观因素和微观因素的影响的误差项和市场收益率两者互不相关。我们可以利用这一假设把证券收益的不确定性拆分,把证券收益的不确定性分为微观因素的影响的误差项不确定性以及受宏观因素影响的市场收益率的不确定性来分析,从而可以计算整个行动方案的风险。首先,我们考虑如何在上述思想下计算投资一支证券的行动风险。在单一指数模型中,假设误差项与市场收益率是无关的,由于ε月和r分别受宏观因素和微观

因素的影响,两者互不相关,无论市场收益率发生多大变化,都不会对气产生影响。所以它们的嫡值又是可加的。那么我们就把对一支证券投资这个风险行动分解为两个相互独立的风险行动,则原来的风险行动的嫡值应为相应的各个行动的嫡值的加权和。 其次,我们考虑如何度量整个证券组合的行动风险。由市场收益率爪变动引起的各资产的收益率变动是相关的,所以在整个证券投资组合中,它们的嫡值是不能直接相加的。单一指数模型认为p 值可以反映了个别资产价格相对于市场总体水平波动的程度。同时也有研究结果表明,资产的期望收益和市场p 之间的线性关系是显著的,那么可以考虑用p 值作为一种对市场收益率的嫡的权数引入到对投资资产 A 的风险计算中去,来反映单个资产收益率的不确定性受市场总体收益率不确定性影响的程度。这样,用p 值乘以市场收益率的嫡可以反映单个资产收益率受宏观因素影响的程度,而对于整个投资组合来说,对同一个市场收益率的嫡值也就不存在直接相加而相关的问题了。 这样,我们就可以从影响收益率波动的因素分为微观因素和宏观因素对风险进行一个全面的综合度量,同时可以得出了合理地对整个证券投资组合的风险度量方法。下面基于上述思考的过程,给出具体的证券投资风险的嫡度量的数学定义。 考察对某一支股票投资方案X 在未来环境状态下的收益情况,设其收益为R,根据单一指数模型的假设,设市场收益率为r误差项

最优投资组合模型剖析

最优投资组合模型 陈家跃1 肖习雨2 杨珊珊3 1.韶关学院2004级数学与应用数学广东韶关 512005 2.韶关学院2003级信息技术(1)班广东韶关 512005 3.韶关学院2004级信息技术班广东韶关 512005 摘要 本文通过各种投资回报数据,对各种投资方案的回报效益进行分析,以平均回报期望为回报率,用回报方差来衡量风险,建立了在VaR(风险价值)约束下的经典马柯维茨(Markowitz)均值-方差模型,并从几何角度具体地阐述了此模型的算法,最后根据此算法和借助数学软件LINGO、MATLAB计算出在VaR=1%,…,10%下的最优投资组合为方案一投资1421万美元,方案二投资2819.5万美元,方案三投资759.5万美元,得到的最大净收益为500.00万美元,结果令人满意. 关键词:马柯维茨均值-方差模型;VaR约束;置信水平

1问题的提出 某基金会有科学基金5000万美元,现有三种不同的投资方式,分别为政府债券、石化产业股票、信息产业股票,为了保证其基金安全增殖,设计收益最大且安全的投资方案,要求(1)获得最大的投资回报期望(2)投资的风险限制在一定的范围。保证该投资方案资金保值概率不低于95%。(假设石化产业的投资回报率变化与信息产业的投资回报率变化彼此独立) 三种投资方式分别为: 投资方式一: 购买政府债券,收益为5.6%/年; 投资方式二: 投资石化产业股票 根据有关的随机抽样调查,得到四十宗投资石化产业股票的案例记录(如附录图表一); 投资方式三: 投资信息产业股票 根据有关的随机抽样调查,得到四十宗投资信息产业股票的案例记录(如附录图表二)。 2 模型的假设 2.1 该基金投资持有期为一年; 2.2 投资政府债券的风险为零; 2.3 方案二和方案三中选取的八十只股票具有代表性,能反映总体股市情况; 2.4 不考虑交易过程中的手续费,即手续费为零; 2.5 总体投资金额设为单位1. 3 符号的约定 ?:表示证券组合在持有期t?内的损失; P X:表示第i种方案的投资权重(投资比例); i c:表示置信水平,反映了投资主体对风险的厌恶程度; 2 σ:表示第i种方案的投资回报方差; i

熵模型

熵模型 1、数据。。。 计算第i 个教练第j 种指标下的权值 12 1 ,(1,230;1,26) ij ij ij i x p i j x == ==∑ 计算第j 种指标的熵值(公式) 6 1 1 ln(),0,,0ln(12)j ij ij j i e k p p k k e ==->= ≥∑其中 表2.2各种指标的熵值 第j 种指标的系数。 差别越大或是离散度越大,其在评价指标中占的影响位置越重要,其熵值也较小。定义差异系 数: 66 1 1 1,,01,1 j j e j j j j j e e g E e g g m E ==-= =≤≤=-∑∑式中 表2.3各种指标的差异系数:: 最大熵模型的优缺点 优点: (1)建模时,试验者只需集中精力选择特征,而不需要花费精力考虑如何使用这些特征。 (2)特征选择灵活,且不需要额外的独立假定或者内在约束。 (3)模型应用在不同领域时的可移植性强。 (4)可结合更丰富的信息。 缺点: (1)时空开销大 (2)数据稀疏问题严重 (3)对语料库的依赖性较强 层次分析法的优缺点 优点 1. 系统性的分析方法 层次分析法把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,成为继机理分析、统计分析之后发展起来的系统分析的重要工具。系统的思想在于不割断各个因素对结果的影响,而层次分析法中每一层的权重设置最后都会直接或间接影响到结果,而且在每个层次中的每个因素对结果的影响程度都是量化的,非常清晰、明确。这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。 1234561.3816 1.3696 0.8472 1.3523 1.373 1.373 1g 2g 3g 4g 5g 6g 0.1498 0.1512 0.2444 0.1531 0.1508 0.1508

基于最大熵模型的中文词与句情感分析研究pdf

基于最大熵模型的中文词与句情感分析研究* 董喜双,关毅,李本阳,陈志杰,李生 哈尔滨工业大学,哈尔滨,150001 dongxishuang@https://www.doczj.com/doc/be14140316.html,, guanyi@https://www.doczj.com/doc/be14140316.html,, libenyang012566@https://www.doczj.com/doc/be14140316.html,, ruoyu_928@https://www.doczj.com/doc/be14140316.html,, lisheng@https://www.doczj.com/doc/be14140316.html, 摘要:本文将研究焦点对准喜、怒、哀、惧四类情感分析问题,重点解决中文词、句的情感分析问题。将词的情感分析处理为候选词情感分类问题。首先通过词性过滤获得候选词,进而根据特征模板获取候选词情感特征,然后应用最大熵模型判断候选词情感类别,最后应用中性词典、倾向性词典、复句词表、否定词表过滤候选情感词分类错误得到情感词集合。句的情感分析首先根据情感词典和倾向词典提取词特征,并采用规则提取词序列特征,然后采用最大熵模型对句子进行情感分类。在COAE2009评测中词与句情感分析取得较好结果。 关键词:情感分析;情感极性;最大熵;分类; Sentiment Analysis on Chinese Words and Sentences Based on Maximum Entropy Model Dong Xi-Shuang, Guan Yi, Li Ben-Yang, Chen Zhi-Jie, Li Sheng Harbin Institute of Technology, Harbin 150001 dongxishuang@https://www.doczj.com/doc/be14140316.html,, guanyi@https://www.doczj.com/doc/be14140316.html,, libenyang012566@https://www.doczj.com/doc/be14140316.html,, ruoyu_928@https://www.doczj.com/doc/be14140316.html,, lisheng@https://www.doczj.com/doc/be14140316.html, Abstract: This paper presents a method to analyze sentiments on Chinese words and sentences, where the sentiments include happy, angry, sad, and fear. In the case of words, sentiment analysis was processed as the sentiment classification of candidate words. The candidate words were firstly obtained by POS filtering, then Maximum Entropy (ME) model was adopted to judge sentiment categories of the words, which sentiment features were gained with feature templates. Finally, errors in the word classification would be removed through filtering with a neutral lexicon, a sentiment polarity lexicon, a connective word list of complex sentences, and a negative word list. In the case of sentences, word features in sentences were extracted on the basic of the sentiment lexicon and the sentiment polarity lexicon, and word sequence features were extracted by rules while processing sentiment analysis on sentences, then ME model was used to classify the sentences. Good performance of sentiment analysis was gained in COAE 2009. Keywords: Sentiment Analysis, Sentiment Polarity, Maximum Entropy, Classification 1 引言 情感分析的主要任务为识别文本对某一事物的观点[1]。情感包含两方面信息:情感极性与情感强度。情感极性指情感要素(词、短语、句子以及篇章)表达的情感倾向。情感强度指情感要素表达情感的强弱程度。情感分析包含四方面研究内容:词级情感分析、短语级情感分析、句级情感分析以及篇章级情感分析。词级情感分析包括识别候选情感词、判断候选情感词情感极性与强度以及构建情感字典[2]。短语级情感分析为根据情感词识别 *董喜双,1981年出生,男,黑龙江省哈尔滨市,博士研究生。本项研究受到国家自然科学基金项目支持,项目批准号:60975077,60736044

ATD胜任力模型

人才发展能力 模型 ? 为了成功,人才开发专业人士应该知道什么和做什么 影响 组织能力 构建个人能力 沟通 情商与决策协作与领导文化意识与包容项目管理 遵守和道德行为终身学习 业务的洞察力 咨询与业务合作组织发展与文化人才战略与管理绩效改进变更管理数据与分析未来准备 发展专业 能力 学习科学、教学设计、培训、提供和促进技术、应用、知识管理、职业发展和领导力培训 评估影响 人才发展协会版权所有。保留所有权利。仅供许可使用。 ATD 的人才发展能力模型是人才发展专业人士的职业蓝图。这是一个学习和发展专业人士要想成功必须具备的23种能力。 能力组织在三个领域:建立个人能力、发展专业能力和影响组织能力。ATD 的研究表明,成功的人才发展专业人士需要这三个领域的知识和技能才能最有效。 在接下来的5页中,我们定义了这些功能。利用这个指南来了解你在职业发展中的位置,优先考虑个人和团队的发展机会。 192803

情商和做出正确决定的能力对职业成功至关重要。情商是理解、评估和调节自己情绪的能力,是正确理解他人言语和非言语行为的能力,是调整自己行为与他人关系的能力。情商是建立融洽关系的关键力量。决策制定需要确定决策的必要性和重要性,识别选择,收集关于选择的信息,并对适当的选择采取行动。 合作和领导: 领导力意味着影响力和远见,这也有助于促进合 作。是好 在合作中,需要培养鼓励团队合作和相互尊重的关系的环境,特别是跨职能的环境。协作和领导都需要执行者有效地沟通、提供反馈并评估其他人的工作。领导力还需要有效地协调人员和任务以支持组织战略的能力。高效的领导者能激发员工和团队的信任和参与。 学习主动性或天赋解决方案有助于 确保有意义和相关的学习经验。 有效的项目管理要求能够在有限的时间内计划、组织、指导和控制资源,以完成特定的目标。 合规与道德行为:合规与道德行为 是指对人才发展的期望 专业人士行事正直,在他们工作和生活的地方遵守法律。对于人才开发专业人员,它可能还需要了解和遵守与内 容创建、可访问性、人力资源、就业和公共政策相关的 法规和法律。 终身学习: 终身学习有时被称为持续学习、敏捷学习或学习 动力。它 以自我激励、永不满足的好奇心和聪明的冒险精神为特征。人才发展专业人士应以个人和专业的理由追求知识,塑造 终身学习的价值。对自己的职业发展拥有自主权,向他人 表明他们可以也应该这样做。 构建个人能力 这一实践领域体现了所有工作专业人员都应该具备的在商业世界中有效工作的基本能力。这些主要是人际交往技能,通常被称为软技能,是建立有效的组织或团队文化、信任和参与所必需的。 交流: 沟通就是与他人沟通。有效的沟通需要知识文化意识和包容性:文化意识和培养包容性工作环境的能力是必要条件 沟通的原则和技术,使一个人清楚地表达适当的信息,为特定的观众。它需要积极倾听,促进对话,以及清晰、简明、有力地表达思想、感受和想法的能力。在当今的全球商业环境下。在这两方面都做到有效意味着传达对不同观点、背景、习俗、能力和行为规范的尊重,并确保所有员工都能通过利用他们的能力、洞察力和想法得到尊重和参与。 情商与决策:项目管理:分析和确定a的优 先级

相关主题
相关文档 最新文档