论文部分内容阅读
最近数年,中国股市比较低迷,投资者需要更慎重地权衡收益率和风险以做出合理的投资决策。相比于方差和风险价值(VaR),条件风险价值(CVaR)更能说明潜在的风险大小,同时具有良好的统计性质;但是均值-CVaR模型直接求解较为困难,尤其是维数较高时,所以常常选择随机搜索策略来求解,即使无法找到最优解,也有很大概率得到近似的最优解。标准的粒子群算法原理简单、参数少、容易实现,但后期收敛慢、精度低;本文在研究均值-CVaR模型特点的基础上,对粒子群算法进行改进,加入惯性权重先增后减、适应度变差清零的策略,提高了算法的效率和精度。本文选取了8只来自四个不同板块的股票的历史数据,分别应用标准粒子群算法和改进的粒子群算法对均值-CVaR模型和以此为基础的收益率-风险共同作为目标的投资组合模型求解,主要得出以下成果:(1)改进的算法在迭代次数更少的情况下,得出的投资组合收益率更高同时CVaR更低,证明改进的算法更有效;(2)得出期望收益率和CVaR之间存在近似的“帕累托最优”曲线,曲线表明在期望收益率较低时,可以通过改变投资组合提高期望收益率,而同时保证CVaR不会明显增大;但当期望收益率已经比较高时,再继续提高就必然面临CVaR的大幅提高。(3)2014下半年至今,中国股市处于高风险高收益情况。本文多次运行程序,得出的最优投资组合是每天0.15%的期望收益率,同时每天5%的可能面临6.66%的损失。