本文關(guān)鍵詞：基于巨額損失波動(dòng)性的最優(yōu)投資決策研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)及信息技術(shù)的快速發(fā)展,全球金融正逐漸走向一體化,國(guó)與國(guó)之間的金融往來(lái)越來(lái)越密切,這給世界經(jīng)濟(jì)發(fā)展帶來(lái)了新契機(jī),但各國(guó)同時(shí)也面臨著金融危機(jī)帶來(lái)的如“蝴蝶效應(yīng)”般的新挑戰(zhàn)。1997年亞洲金融危機(jī)及2007年美國(guó)次貸危機(jī)給我們留下了深刻警示:經(jīng)濟(jì)全球化背景下的金融市場(chǎng)更加動(dòng)蕩不安,一國(guó)或一個(gè)地區(qū)的金融危機(jī)會(huì)迅速波及全球,這些頻發(fā)的小概率極端事件對(duì)世界經(jīng)濟(jì)及全球金融系統(tǒng)造成了巨額損失,因此金融風(fēng)險(xiǎn)防控至關(guān)重要。鑒于此,本文將研究基于巨額損失波動(dòng)性最小條件下的最優(yōu)投資決策問(wèn)題。本文第一部分介紹了研究背景及意義,綜述了國(guó)內(nèi)外關(guān)于投資組合選擇研究的現(xiàn)狀,提出了研究?jī)?nèi)容、研究思路、重點(diǎn)難點(diǎn)及創(chuàng)新點(diǎn)等。第二章在梳理經(jīng)典投資組合模型發(fā)展脈絡(luò)的基礎(chǔ)上,充分考慮了投資者風(fēng)險(xiǎn)規(guī)避的心理特點(diǎn)及金融實(shí)踐中頻發(fā)遭受巨額損失的小概率事件現(xiàn)象,構(gòu)建了基于發(fā)生巨額損失波動(dòng)性最小的投資組合模型。第三章利用常用的12個(gè)基本面分析指標(biāo),從滬深兩市28個(gè)行業(yè)中篩選了131家上市公司股票作為初選資產(chǎn),利用聚類分析技術(shù)將其分類,最終選擇了11只股票構(gòu)建核心資產(chǎn)組合;之后提出了基于主成分分析的情景生成方法,該方法兼顧了收益分布的非對(duì)稱特征及極端事件發(fā)生的可能性,以生成“量少、穩(wěn)健”情景有效地避免了“維數(shù)禍根”。第四章利用選擇的11只風(fēng)險(xiǎn)資產(chǎn)構(gòu)建最優(yōu)投資組合,對(duì)前文提出的基于主成分分析的情景生成方法及基于巨額損失波動(dòng)性最小的投資組合模型進(jìn)行有效性檢驗(yàn)及預(yù)測(cè)檢驗(yàn)。數(shù)值模擬結(jié)果表明,該情景生成方法及投資組合模型是有效的;預(yù)測(cè)檢驗(yàn)表明,該投資組合模型比經(jīng)典條件在險(xiǎn)價(jià)值模型(CVa R)更優(yōu),達(dá)到了控制發(fā)生巨額損失波動(dòng)性的目的。第五章總結(jié)了本文的研究工作,指出了不足之處,并對(duì)未來(lái)研究做出展望。
【關(guān)鍵詞】：投資組合選擇 巨額損失 情景生成 主成分分析 聚類分析
【學(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F832.51
【目錄】：

• 摘要4-5
• 英文摘要5-9
• 1 引言9-15
• 1.1 研究背景及意義9-10
• 1.2 國(guó)內(nèi)外研究綜述10-13
• 1.2.1 國(guó)外研究綜述10-12
• 1.2.2 國(guó)內(nèi)研究綜述12-13
• 1.3 研究?jī)?nèi)容、思路與創(chuàng)新點(diǎn)13-15
• 1.3.1 研究?jī)?nèi)容13-14
• 1.3.2 研究思路14
• 1.3.3 研究重點(diǎn)、難點(diǎn)及創(chuàng)新點(diǎn)14-15
• 2 基于巨額損失波動(dòng)性的投資組合模型15-23
• 2.1 經(jīng)典投資組合模型回顧15-20
• 2.1.1 均值-方差模型15-16
• 2.1.2 單指數(shù)模型16-17
• 2.1.3 均值-下半方差模型17
• 2.1.4 均值-絕對(duì)偏差模型17-18
• 2.1.5 在險(xiǎn)價(jià)值模型18-19
• 2.1.6 條件在險(xiǎn)價(jià)值模型19-20
• 2.2 基于巨額損失波動(dòng)性的投資組合模型20-23
• 3 風(fēng)險(xiǎn)資產(chǎn)選擇及情景生成方法23-29
• 3.1 風(fēng)險(xiǎn)資產(chǎn)選擇23-25
• 3.2 情景生成方法25-29
• 3.2.1 情景生成方法概述25-26
• 3.2.2 基于主成分分析的情景生成方法介紹26-27
• 3.2.3 基于主成分分析的情景生成方法的實(shí)現(xiàn)27-29
• 4 基于巨額損失波動(dòng)性的投資組合模型的實(shí)證檢驗(yàn)29-34
• 4.1 基于巨額損失波動(dòng)性的投資組合模型的有效性檢驗(yàn)30-31
• 4.1.1 投資組合風(fēng)險(xiǎn)隨最低預(yù)期收益率增加的變動(dòng)趨勢(shì)分析30
• 4.1.2 投資組合風(fēng)險(xiǎn)隨生成情景數(shù)目增加的收斂趨勢(shì)分析30-31
• 4.1.3 投資組合風(fēng)險(xiǎn)在不同置信水平下的變動(dòng)趨勢(shì)分析31
• 4.2 基于巨額損失波動(dòng)性的投資組合模型的預(yù)測(cè)檢驗(yàn)31-34
• 5 結(jié)論與展望34-35
• 參考文獻(xiàn)35-39
• 附錄39-40
• 后記40-41
• 攻讀學(xué)位期間取得的科研成果清單41

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉曉星;;基于CVaR的投資組合優(yōu)化模型研究[J];商業(yè)研究;2006年14期

2 牛昂;VALUE AT RISK: 銀行風(fēng)險(xiǎn)管理的新方法[J];國(guó)際金融研究;1997年04期

3 安佰玲;張杰;;基于CVaR的最優(yōu)投資組合模型算法分析[J];大學(xué)數(shù)學(xué);2013年02期

4 趙麗娟;安琪;;VaR的改進(jìn)方法CVaR在投資組合風(fēng)險(xiǎn)中的應(yīng)用[J];商業(yè)經(jīng)濟(jì);2009年17期

5 翟永會(huì);;含有資本結(jié)構(gòu)因子和交易成本的均值-CVaR投資組合策略選擇模型[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

6 王秀云;王冰;;投資組合風(fēng)險(xiǎn)中CVaR方法的應(yīng)用[J];商場(chǎng)現(xiàn)代化;2008年04期

7 方軍武;;基于CVaR的投資風(fēng)險(xiǎn)分析[J];統(tǒng)計(jì)與決策;2011年14期

8 楊愛(ài)軍;高岳;孟德鋒;;基于CVaR風(fēng)險(xiǎn)度量的投資組合優(yōu)化決策[J];統(tǒng)計(jì)與決策;2012年15期

9 陳金龍,張維;CVaR與投資組合優(yōu)化統(tǒng)一模型[J];系統(tǒng)工程理論方法應(yīng)用;2002年01期

10 吉小東;汪壽陽(yáng);李振濤;;一種基于聚類分析的多階段情景生成方法[J];系統(tǒng)工程理論與實(shí)踐;2006年07期

  本文關(guān)鍵詞：基于巨額損失波動(dòng)性的最優(yōu)投資決策研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：497867