基于改进遗传算法的证券投资组合研究

摘要

随着我国经济的不断发展，我国的金融体系日益完善，投资者资产管理需求日益增加，推动各类金融产品迅猛创新发展。如何在保证收益的情况下降低风险，成为投资者越来越关注的焦点，但没有一种广泛有效的度量风险的方法和有效解决复杂优化问题的全局搜索算法。论文基于单目标CVaR模型和基于熵的多目标证券投资组合，应用改进遗传算法求解模型，探讨搜索能力更强且能跳出局部收敛的算法，选题具有一定的理论意义和较大的实用价值。
　　论文首先综述资产组合理论、遗传算法的相关研究成果，分析熵理论运用到投资风险度量的合理性;接着针对实际投资行为对单目标CVaR基础模型进行扩展，通过改进遗传算法的交叉概率和变异概率在保持群体多样性的同时，保证遗传算法的收敛性;然后以东方财富漂亮50指数股票作为研究样本，使用改进遗传算法进行求解;最后以熵度量风险和CVaR作为目标函数，构成多目标证券投资组合，接着改进多目标遗传算法，使其能够预测未成熟收敛的产生。实证结果表明，论文构建的扩展模型和多目标优化模型有效的，且改进的多目标遗传算法能够优化模型的求解过程。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 文献综述

1．2．1 一般投资组合研究

1．2．2 CVaR相关研究

1．2．3 遗传算法应用于投资组合模型的研究

1．3 研究内容

第二章 相关理论概述

2．1 遗传算法基本原理

2．1．1 遗传算法基本概念

2．1．2 遗传算法基本组成

2．1．3 遗传算法的基本操作

2．1．4 遗传算法的应用领域

2．2 证券投资组合风险度量原理

2．2．1 V报概述

2．2．2 CVaR模型概述

2．3 熵理论概述

2．4 本章小结

第三章 基于改进遗传算法的单目标CVaR模型

3．1 单目标CVaR的证券投资组合优化模型

3．1．1 单目标CVaR基础模型

3．1．2 单目标CVaR扩展模型

3．1．3 收益率情景的生成

3．2 改进单目标遗传算法

3．3 实证分析

3．3．1 样本选取及数据处理

3．3．2 遗传算法求解

3．4 本章小结

第四章 基于熵的多目标证券投资组合

4．1 证券投资组合的熵优化模型

4．1．1 引入熵作为证券投资组合风险度量的合理性

4．1．2 证券投资组合的熵风险度量的特性

4．1．3 最大熵原理

4．1．4 熵优化模型

4．2 基于熵的多目标证券投资组合优化模型

4．3 改进的多目标遗传算法

4．4 实证分析

4．4．1 三种模型对比分析

4．4．2 多目标遗传算法对比分析

4．5 本章小结

第五章 总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文