基于CVa R约束的单位风险收益最大投资组合模型及实证

文章以条件风险价值CVaR为约束控制风险,建立了以组合收益率与方差之比的单位风险收益最大的投资组合模型,该模型给出了在决策者可以接受的CVaR风险水平下,单位方差收益最大的投资组合最优选择;针对这个模型给出了一个改进的粒子群优化算法,实证结果表明了在不同的CvaR风险水平下,投资组合的最优选择不同,符合实际情况,可以为决策者提供投资决策参考.     

基于CVaR风险度量的投资组合优化决策

投资组合优化问题依赖于风险度量方法和投资组合收益率分布函数的选取。针对收益率通常不服从多元正态分布以及均值—方差模型低估了投资组合发生重大损失的风险,文章利用多元广义双曲线分布来拟合投资组合收益率,从而更加灵活地捕捉收益率数据的偏态和尖峰厚尾特征;使用CVaR代替方差和VaR来度量金融资产重大损失风险,进而建立均值—CVaR投资优化模型。实证研究结果表明,相对于均值—方差模型,均值—CVaR能够更好地反映投资组合收益率分布,提高投资者控制投资风险的能力。     

基数约束下基于CVaR度量的投资组合优化模型

文章基于条件风险价值CVaR风险计量技术,在整数规划意义下,建立了以最小化风险为目标,带有基数约束的投资组合优化模型。针对该模型运用差分进化法进行求解,利用罚函数方法处理模型中的不等式约束,并选取沪市和深市的十六种股票作为备选股票进行实证分析,数值结果表明了模型的合理性和算法的可行性。     

基于CVaR方法的工程投资组合优化模型与实证

文章采用CVaR方法测算工程投资风险,建立了风险最小化的工程投资优化组合理论模型.以南京市房地产工程历史数据为例进行实证研究,研究结果表明:基于CVaR和非参数核估计量的风险优化能够应用于投资组合的选择,能够对工程类企业起到风险管理和投资决策方面的指导作用.     

基于VaR和CVaR风险控制下的M-V投资组合优化模型

文章以风险价值(VaR)和条件风险价值(CVaR)分别作为约束条件,结合均值-方差模型,得到了新的最优投资组合模型,并利用我国的股票市场进行了实证分析,验证了新模型的有效性,为制定合理的投资组合和控制风险提供了一种新的有效途径。     

机会约束下风险最小的投资组合选择模型研究

文章在投资组合收益率服从正态分布的前提下,用CVaR作为度量风险的标准,建立了以投资风险最小为目标且具有投资机会约束的组合策略选择模型.利用优化理论,证明了模型最优解的存在唯一性,得到了最优解的解析表达式.并利用Matlab给出了求解该问题的最优解、最优解的均值以及CVaR的计算程序,最后通过算例予以说明.     

基于CVaR风险控制下的多阶段投资组合优化模型

文章研究以条件风险价值CVaR为约束的多阶段投资组合问题。在不允许卖空的情况下,将风险控制在一定水平,以最大化终端财富为目标建立多阶段投资组合模型,并通过罚函数处理机制建立辅助问题,利用差分进化算法求解新模型,得到各阶段的最优投资组合策略。实证分析表明该模型合理,为投资者选择适合自己风险偏好的投资组合策略提供了思路。     

投资组合风险管理中VaR模型的缺陷以及CVaR模型研究

本文对VaR和CVaR这两个风险度量进行了较充分的比较分析,参照了我国证券市场的实际情况,并考虑了交易成本,实际收益率的计算以及最小交易单位等因素,建立了CVaR资产组合优化模型,为如何制定合理的资产组合投资方案提出了新的思路.     

考虑分段交易费用的CVaR投资组合优化

文章针对证券市场现存的各种交易费用,引入了分段交易成本函数,建立了更符合实际的CVaR风险度量投资组合优化模型;将此类约束中含有分段函数的优化问题转换为0-1整数线性规划求解;对沪市股票进行实证分析,结果验证了该模型及求解方法的有效性。     

金融风险度量VaR与CVaR方法的比较研究及应用

风险价值(VaR)是近年来受到国际金融界的广泛支持和认可的一种度量金融风险的工具。文章指出了风险价值(VaR)模型两个重大的缺陷,并对它和条件风险价值(CVaR)金融风险度量模型进行了详细的介绍和对比分析,给出了它们的共同点和CVaR在投资组合应用中的优势,结合中国金融市场的实际情况,指出CvaR在中国金融市场中应用应注意的问题,对其应用前景提出了新的思路。     

基于Factor-GARCH模型的动态VaR与CVaR度量及实证研究

动态CVaR作为投资组合的风险度量工具较动态VaR有很多优点,但同动态VaR的计算一样,随着投资组合资产数量的增加,计算难度迅速增大。通过改良Factor-GARCH模型,将其用于多种资产时变方差-协方差矩阵的估计,实现了降维的目的,克服了计算多元动态CVaR时的困难。实证研究表明,与动态VaR相比,动态CVaR作为一种更保守的风险度量工具,能准确反映投资组合的可能损失。     

资产数量减少情形下CVaR投资组合的灵敏度分析

文章基于CVaR的风险度量技术,考察了当投资组合的资产数量减少时投资组合的均值-CVaR有效边缘,探究了其经济含义,并与方差风险下的均值-方差边界进行了对比研究。我们发现,使用CVaR风险度量标准可以使投资者在资产选择时更加稳健,同时也有利于对风险进行分散和监管。     

均值-CVaR投资组合有效边缘的灵敏度分析

文章基于CVaR的风险度量技术,考察了当投资组合的资产数量增加时投资组合的均值-CVaR有效边缘.探究了其经济含义,并与方差风险下的均值一方差边界进行了对比研究.可以发现,使用CVaR风险度量标准可以使投资者在资产选择时更加稳健,同时也有利于对风险进行分散和监管.     

资产数量减少情形下CVaR投资组台的灵敏度分析

文章基于CVaR的风险度量技术,考察了当投资组合的资产数量减少时投资组合的均值-CVaR有效边缘,探究了其经济含义,并与方差风险下的均值-方差边界进行了对比研究.我们发现,使用CVaR风险度量标准可以使投资者在资产选择时更加稳健,同时也有利于对风险进行分散和监管.     

基于VaR约束的均值-绝对偏差投资组合优化模型及实证研究

文章在均值-绝对偏差投资组合优化模型中,加入风险价值约束,给出了基于VaR约束的投资组合优化模型,以增强对投资风险的控制能力,然后利用一个自适应的粒子群算法对这个模型进行求解,实证研究表明模型是合理且风险控制能力更强,能够更好地为投资者提供决策依据。     

基于可信性理论的Mean-CVaR投资组合优化

选取CVaR作为风险度量指标,在可信性理论的基础上构建Mean-CVaR投资组合模型,采用Markov过程预测作为模糊变量的预期投资收益率,并设计基于模糊模拟和遗传算法的混合智能算法以求解;选取上证50成份股2013—2014年的日度历史交易数据,将该模型应用到中国证券市场,结果发现该投资组合模型与中国证券市场的环境具有一定的适应性,能够为投资者的投资决策提供依据。     

改进粒子群优化算法及其在CVaR模型中的应用

文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法.     

基于多维t-Copula函数的投资组合的CVaR分析

文章根据Copula函数在构建反映随机变量实际分布与相关性的联合分布函数上具有的优势,构建了反映多个资产收益实际分布和相关性的联合分布函数,并使用蒙特卡罗模拟技术,分析在不同置信度与资产组成下的投资组合的CVaR(条件风险价值).实证说明,根据本文提出的模型度量资产的风险,可以使投资者选择的资产更加稳健;同时也有利于投资者对投资组合整体风险进行分散和监管.     

考虑非线性交易费用的CVaR优化模型及实证

文章在考虑非线性交易费用情形下构建M-CVaR模型,并利用滤波历史模拟法生成收益率情景数据,用二次函数近似实际的交易费用函数,通过分支界定算法对M-CVaR组合选择模型进行实证分析.研究发现,交易费用的存在会减少投资组合的收益,在给定的收益水平下,VaR是小于CVaR的,随着风险的增大,CVaR和VaR差会变小.随着置信度的增大,无论是VaR还是CVaR值都会增大.     

基于Knockoff的分位数回归变量选择方法及其投资组合决策应用

在数据驱动时代,变量选择广泛应用于投资组合,如何从众多资产中挑选恰当的资产并进行配比,对稳定收益、控制风险非常关键。现有选择资产的方法未考虑到控制错误发现率（FDR）,不利于作出稳健的投资决策。为此,本文在Lasso分位数回归下基于Knockoff方法控制FDR,并用于求解条件风险价值（CVaR）投资组合决策模型。其中,用Lasso惩罚实现变量选择,用Knockoff方法通过模仿解释变量的相关结构构造Knockoff变量,将变量选择的FDR控制在给定水平。模型在两步迭代算法下采用线性规划求解,模拟分析从不同的误差分布、变量分布和维度下多角度展开。结果显示,与已有模型相比,基于Knockoff的Lasso分位数回归模型能良好地控制FDR且呈现出最好的预测效果。最后基于上证50指数成分股进行实证分析,利用滚动建模技术进行投资组合决策分析,发现新模型在收益指标和风险指标上均具有一定优势。