一、论信用风险管理的投资组合优化（论文文献综述）
项芳芳[1]（2021）在《基于GARCH类模型的风险度量分析及其应用》文中认为
任月明[2]（2021）在《巨灾债券对投资组合的影响研究 ——基于GARCH-Copula的风险度量》文中研究说明近年来,巨灾债券的应用与发展已成为国际保险市场和金融市场关注的热点,它不仅有效增强了保险公司对巨灾风险的承保能力,还为资本市场的投资者提供了新型的投资工具。然而,巨灾债券在我国境内的发展还处于初级阶段,债券发行的时机尚未成熟,尤其是对于这类特殊债券的市场潜在需求不明晰,严重影响了巨灾债券在我国的发展进程。要探明巨灾债券对我国资本市场的投资者是否具有吸引力,就要讨论巨灾债券市场与我国传统金融资产间的相互关系,进一步研究巨灾债券对投资组合的风险水平影响及资产配置等相关问题。本文将巨灾债券市场与我国股票市场、债券市场作为研究对象,以2010年7月至2020年7月十年的上证综合指数、中证综合债指数、瑞士再保险巨灾债券总回报指数为样本。使用GARCH模型拟合各金融资产收益时间序列的边缘分布,选择T-Copula函数刻画组合的联合分布,详细探讨了不同金融资产市场之间的相关关系。进一步,利用蒙特卡罗模拟方法测度不同投资组合的VaR和CVaR,求解基于风险优化下投资组合的资产配置,并对比加入与不加入巨灾债券的投资组合效率。实证分析得到如下结论:在样本期间内,巨灾债券与国内股票、普通债券相关系数很小,与传统金融市场波动相关性较低;在投资组合中加入巨灾债券提升了组合收益,同时降低了投资组合的风险价值VaR与CVaR,增大了切线组合的夏普比率。表明在投资组合中加入巨灾债券可以为投资者增加收益,降低投资组合的风险水平,巨灾债券对国内资产组合可以起到优化作用。本文研究结论有助于消减巨灾债券与国内资产相关性不明晰在研究中可能产生的偏误,更准确地反应了巨灾债券市场与我国股票、债券市场间的关系。依据市场之间的相关性特征构建的最优投资组合,为投资者提供了新的投资选择和方向,在巨灾债券投资组合的风险度量、资产配置等问题的研究方面具有一定的参考价值,为推动巨灾债券的发行与应用提供了理论支持。
刘云飞[3]（2021）在《ZGC科技租赁公司全面风险管理优化研究》文中研究指明融资租赁为实体经济服务的功能和作用得到了市场的普遍认可,现阶段,其已经成为了仅次于银行贷款的第二大主要融资模式。ZGC科技租赁公司作为针对科技和新经济服务的融资租赁公司,具有行业领先和代表性作用,对其研究具有典型性的意义。同时,相较于传统的银行贷款融资模式,融资租赁模式在信息不对称问题上存在更加突出的特点,导致其风险管理的问题更加重要和复杂。本研究选取ZGC科技租赁公司作为研究对象,按照其该公司发展战略和风险管理理念中优先重视行业筛选的定位目标,借助行业信息在其风险管理中的优化问题展开研究。主要使用了信息不对称理论、全面风险管理理论对其现状进行分析,找到其风险管理过程中存在的问题和原因;使用投资组合优化方法进行案例分析,展示引入行业信息后在其全面风险管理过程中的组合风险优化效果。最终结合其现存问题给出对策建议,以便于其构建和优化基于行业信息的全面风险管理体系。本研究的内容主要由六部分构成,第一部分是针对本研究问题的背景、意义说明,并对已有研究进行梳理,找到本研究的思路和框架;第二部分针对本研究涉及的基本概念和理论介绍;第三部分是按照全面风险管理理论对ZGC科技租赁公司的风险管理现状的分析;第四部分是借助信息不对称理论和全面风险管理理论针对其存在的问题及成因分析,并使用投资组合理论针对行业信息引入后的行业配置优化问题的案例分析,展示引入行业信息后的优化效果;第五部分是基于上述分析给出其优化全面风险管理的对策建议;第六部分说明由于由于数据获取方面导致的研究不足和后续研究展望。
滕飞[4]（2020）在《金融市场风险管理中两种模型的优化算法》文中研究指明随着金融市场的日益崛起,人们的理财观念越来越强,参与投资的人数与日俱增。由于投资方式变得更加丰富,投资产品更是琳琅满目,越来越多的金融风险相伴而生,金融市场也变得“危机四伏”,隐藏的风险与危机一触即发。由于金融风险危害性强、影响范围广,可能会造成较大的亏损甚至血本无归,对金融机构和投资者均造成了较大的影响,如何处理和应对这些金融风险成为研究的关键问题。目前,各大金融机构纷纷针对不同种产品的特点,构建风险预测模型并提出风险管理方法,学术界又对风险管理的模型方法加以优化和完善,其目的都是希望可以最大限度控制风险的同时使投资者获得尽可能高的收益,并制定出能够顺应时代发展、拟合真实市场的模型。在此背景下,本文对金融市场风险管理的两种模型的优化算法进行了研究,在原有模型算法上进行优化和改进,并对两种优化算法的收敛性进行了证明。通过随机选取的8只深证A股股票的实例分析,说明了选用的新算法使求解过程更易理解,以及在同等条件下可以使投资者获得更高利润的同时承担更低风险的实际意义。具体研究内容如下:由于最初将风险数量化的风险度量模型——在险价值（VaR）模型不具有充分性、一致公理性等性质,不能更好的求解,因此本文选用条件在险价值（CVaR）模型作为风险的度量进一步探究,此模型比VaR模型有更良好的数学特征。通过引入交易成本函数,使模型对成本和收益有更准确的描述,与真实市场更为契合。本文在对加入成本函数的CVaR模型进行求解时,采用了粒子群算法,并通过实例论证,得到了改进后的算法模型同样有效的结论。由于马科维茨提出的经典投资组合理论中均值-方差模型（MV）的假设条件过于苛刻,真实的资本市场无法满足这些条件,在实际应用中拟合度偏低,因此本文选用引入绝对偏差后构造的均值-绝对偏差模型（MAD）进行研究,将投资组合问题转换成一个新的约束优化问题,并采用广义共轭梯度投影法对此约束优化问题进行求解。通过对实例的计算分析,分别得到了不同度量值下的最优投资组合,得出了度量值越大风险越低的结论。本文采用理论与实际相结合的方法,将优化算法应用到风险管理中,论证了模型的合理性和有效性。因此发现对模型的不断优化和改进,使模型更加符合市场规律的同时,还能够更加准确的评估风险、科学的管理风险、有效的控制和规避风险。
胡杨[5]（2020）在《中国人寿保险公司投资业务组合策略研究》文中提出作为金融市场的重要组成部分,保险业发展势头强劲,保险公司愈发成为资本市场中举足轻重的机构投资者。保险业务可分为承保业务和投资业务,在保险行业竞争加剧及市场持续低迷的背景下,承保业务利润不断下降甚至呈现负值,使得保险公司将盈利重点放在投资端。财险和寿险是我国的两大险种,由于两者盈利模式不同,寿险行业盈利来源比财险行业更多依靠投资端的收益。但目前我国寿险公司在投资端表现并不佳,存在投资收益率偏低且不稳定等问题。基于以上背景,如何选择投资组合来提高投资端收益水平,成为寿险公司在投资管理中关注的重点。本文主要以中国人寿保险股份有限公司为研究对象,对其投资业务组合现状进行分析,发现投资组合中存在的问题,然后基于马科维茨模型对中国人寿设计了投资业务组合策略优化方案,并探讨既定收益率下使风险最小的投资组合,接着对近三年中国人寿的实际投资组合情况进行优化分析,最后结合现实状况给出优化建议,以对其他的寿险企业提供一定的参考价值。本文首先介绍了寿险资金的概念、特点、运用原则以及投资风险,接着对马科维茨投资组合理论和资产负债综合管理理论进行阐明以指导后续实践的研究。其次,对中国人寿的投资业务组合策略现状进行详细的分析,发现当前主要存在的问题,包括:投资组合与资产负债结构的要求不匹配、投资收益率偏低且不稳定、面临较大的利率风险。再次,从实践出发,采用马科维茨的均值-方差模型,将研究变量划分为无风险资产和风险资产,选择其对应的2011-2018年年均市场收益率作为样本数据,在最新的政策约束条件下计算出一定收益下,风险最小的优化投资组合,将优化结果与中国人寿近三年实际投资组合进行对比分析。最后基于以上的理论和分析结果,对中国人寿投资组合策略提出五点优化建议,分别是建立合理的资产负债管理体系、严格把控权益类资产投资风险、合理配置固定收益类资产、积极关注另类投资、引进投资专业性人才并加强人才培养。
游运[6]（2019）在《P2P借贷市场个性化投资推荐研究》文中提出对于P2P（Peer to Peer）借贷市场投资者来说,如何选择真正符合自己需求与偏好的投资项目并进行投资额的合理分配,是他们投资决策的关键问题。随着平台发展规模的日益壮大,项目品种的日益繁多,投资者所面临的决策相关信息剧增。市场“信息过载”、市场关键决策信息不完全、市场噪音等往往使得投资者陷入决策困境。通过P2P借贷市场个性化投资推荐,可节约投资者信息搜寻的成本,提高投资者信息识别、查询和分析的效率,辅助投资者有效决策。目前,关于P2P借贷个性化投资推荐相关研究较少,已有的研究主要是侧重在项目的违约风险预测、投资相似度计算及投资能力分析等方面,缺乏对P2P平台中与投资者投资决策行为密切相关的知识的有效发掘与应用,这将不利于把握投资者的投资动向,影响个性化投资推荐的有效性。鉴于此,本文从市场投资者的行为特点及决策问题出发,分析投资者决策行为影响因素,依据P2P平台的历史交易数据及各对象之间的关联信息,分别从社会网络、羊群行为、投资者风险偏好等角度发掘有助于把握投资者投资需求与决策偏好的知识,设计相应的投资者决策行为影响因子,并将之应用于个性化投资推荐算法设计,以有效把握投资者决策行为动向与投资偏好,提高P2P借贷市场个性化投资推荐整体性能,进一步促进P2P借贷市场长期良性发展。本文的主要研究内容有:（1）构建P2P借贷市场对象关联网络模型,发掘借款人朋友网络风险特征。由于P2P借贷市场的关键决策信息的不完全,投资者在进行投资决策时,P2P在线社会网络中所传递的大量的市场信息和经济信号将对其投资策略选择产生重要影响。因此,本文从投资者行为特点及决策行为影响因素出发,依据P2P借贷市场历史交易数据及对象属性信息,分析主要对象之间的各种关联关系,构建P2P借贷市场对象关联网络模型;基于P2P借贷市场对象关联网络模型,分析借款人的朋友关系,发掘其中与项目违约风险显着相关的特征,即借款人朋友网络风险特征,并对这些特征的违约风险预测价值进行验证,为后续的项目违约风险预测及投资组合推荐提供支持。（2）设计投资者朋友投标行为影响因子,构建考虑朋友关系的个性化投资推荐框架。投资者的投资决策行为不仅与项目的投资相似度和投资者能力有关,而且在很大程度上还会受到P2P借贷市场社会网络中的其他市场参加者（特别是有投资能力的直接朋友）投资行为的影响。本文基于P2P借贷市场对象关联网络模型,发掘考虑投资者朋友关系的投资者和项目相关概念特征,分别构建对应的概念模型,并在此基础上发掘有助于把握投资者决策行为动向的具有决策价值的知识,将其转化为可应用于投资推荐的决策变量,即投资者朋友投标行为影响因子;基于考虑投资者朋友关系的投资者和项目概念模型及投资者朋友投标行为影响因子,针对投资者投资项目选择问题,构建考虑投资者朋友关系的个性化投资项目推荐模型;综合考虑投资者朋友投标行为影响因子及借款人朋友网络风险特征,针对投资者投资项目选择及投资额分配问题,设计综合考虑朋友关系的个性化投资推荐方案。（3）设计项目理性投资羊群行为因子,构建考虑市场羊群行为及理性投资的个性化投资项目推荐框架。对于P2P借贷市场的大多数投资者,特别是非专业的投资者而言,当获取和有效分析相关决策信息（如与项目违约风险相关的信息）需要花费较高的成本时,为了降低由于不利选择所带来的预期投资风险,投资者在进行投资决策时往往会寻求获取或分析成本相对较低的市场信号（如能够反映市场中绝大多数投资者策略选择的相关信息）作为决策依据,有时甚至会完全忽视自己的私人信息,采取羊群行为,即在P2P借贷市场中,投资者在投资决策时往往会不同程度地受到市场羊群行为的影响。本文基于P2P借贷市场对象关联网络模型,发掘考虑市场羊群行为的投资者和项目相关概念特征,分别构建对应的概念模型,并在此基础上发掘有助于把握投资者决策行为动向的具有决策价值的知识,将其转化为可应用于投资项目推荐的决策变量,即项目理性投资羊群行为因子;基于考虑市场羊群行为的投资者和项目概念模型及项目理性投资羊群行为因子,针对投资者投资项目选择问题,构建考虑市场羊群行为及理性投资的个性化投资项目推荐模型。（4）分析投资者风险厌恶程度差异,构建基于投资者预期效用最大化的投资组合优化模型。组合投资理论和实践表明,投资者在不确定的市场环境中对风险通常持谨慎保守态度,即大多都是风险厌恶者,但不同的投资者风险厌恶程度有所不同。在金融领域中,当面临不确定的投资环境时,投资者的决策行为往往会受到其风险厌恶程度的影响,在实际投资决策过程中往往更愿意选择使其预期效用最大化的投资决策方案。本文基于P2P借贷市场对象关联网络模型,分析P2P借贷市场投资者的风险厌恶程度的差异及其对投资者决策行为的影响,并在此基础上发掘有助于把握投资者决策行为动向的知识,将其转化为可应用于投资组合优化的决策变量,即投资者风险厌恶系数;基于投资者风险厌恶系数及借款人朋友网络风险特征,针对投资者投资额分配问题,设计了基于投资者预期效用最大化的投资组合推荐算法。本文的创新性工作主要体现在:（1）构建了P2P借贷市场对象关联网络模型,发掘与投资决策相关的投资者及项目相关概念特征,定义了投资者决策行为影响因子。依据P2P借贷市场历史交易数据及对象属性信息,分析P2P借贷市场主要对象之间的各种关联关系,构建P2P借贷市场对象关联网络模型,并在此基础上分别从社会资本、羊群行为和风险偏好等多角度发掘与投资决策相关的投资者及项目相关概念特征,定义投资者决策行为影响因子,为后续的个性化投资推荐提供支持。主要包括四个方面:一是基于借款人朋友关系定义借款人朋友网络风险特征,以帮助提高项目违约风险预测的有效性,为后续的投资组合优化提供支持;二是基于投资者朋友关系定义投资者朋友投标行为影响因子,以尽可能考虑投资者朋友投标行为对其决策行为的影响,有效把握投资者投资决策兴趣与偏好;三是考虑市场羊群行为对投资者决策行为的影响,定义项目理性投资羊群行为因子,以提高投资项目推荐的质量,引导投资者理性投资;四是考虑投资者风险厌恶程度差异对其决策行为的影响,定义投资者风险厌恶系数,为后续的投资组合优化提供支持。（2）基于投资者决策行为影响因子,设计了两个个性化投资项目推荐方法。在传统的协同过滤推荐方法的基础上,针对投资者投资项目选择问题,分别从P2P借贷市场社会网络关系及市场羊群行为的角度,提出考虑P2P借贷市场投资者朋友关系的投资项目推荐方法和考虑P2P借贷市场羊群行为及理性投资的投资项目推荐方法;提出了新的评价指标,以综合评估该方法的投资推荐质量。（3）基于投资者决策行为影响因子,设计了两个个性化投资组合优化方法。在传统的P2P借贷投资组合推荐算法基础上,进一步考虑借款人朋友关系及投资者风险偏好差异对投资者决策行为的影响,针对投资者投资额分配问题,分别在引入借款人朋友网络风险特征和投资者风险厌恶系数的基础上,提出考虑借款人朋友网络风险特征的投资组合推荐方法和考虑投资者预期效用最大化的投资组合推荐方法;提出了新的评价指标,以评估该模型的投资决策满意度、经济效益和效用。将本文所提出的个性化投资推荐方法的推荐结果与其它基准模型的推荐结果进行对比分析,以综合评价其推荐效果。在Prosper平台真实数据的基础上进行了详细的实验测试,结果表明本文所提出的个性化推荐方法相较于传统的投资推荐方法具有更好的推荐效果。
卞进[7]（2019）在《基于人工智能量化分析的我国资产证券化产品投资组合优化研究》文中进行了进一步梳理资产证券化作为现代金融市场上融资者获得资金的重要融资渠道和进行金融风险管理的全新手段与工具,资产证券化近年来受关注度的不断增加,其市场规模不断扩大且产品类型日益丰富,在推动经济结构优化升级和服务实体经济等方面发挥着越来越重要的作用。我国资产证券化市场已进入建设发展阶段的关键时期,对产品进行创新成为必然趋势。在我国证券市场的逐步成熟的同时,大数据、云计算、人工智能（AI,Articial Intelligence）等为代表的新一代信息技术也迅猛发展。基于人工智能的量化投资方法借助计算机所拥有的强大算力可以实现对整个市场的跟踪监测,及时发现市场中潜在的交易机会并给予精准评价,有效减少因情绪波动等因素给交易决策带来的不利影响,并且能够与其他人工投资策略形成一定的负相关性并以此丰富投资策略组合,正是因为人工智能量化投资所具有的这些特点与优势,将其引入金融行业领域恰逢其时。在此背景下,本文将人工智能量化投资引入资产证券化,研究和探讨最优投资组合方案。首先,本文第一章和第二章对资产证券化与人工智能的关系进行阐述,分析中美资产证券化差异,探讨当前人工智能在国内资产证券化产品投资组合中的应用情况。其次,本文对我国资产证券化交易规定及投资成本进行调研,从不同投资者的角度建立五组真实交易场景和假设条件,构建理想收益率模型,使用上交所、银行间、深交所三个市场的2015年至2018年二级资产证券化交易数据,得出不同参数条件下的理想收益并基于L2范数考量各投资策略组合中夏普比率的平均水平和波动性。最后,基于已提出的理想收益率模型优化思路,建立了Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM（Support Vector Machine,支持向量机）六组人工智能配置模型,并基于人工智能投资策略中的累计收益率均值与累计收益率波动率构建Dis指标定量观测模型与作为基准绩效的理想收益率的绩效差距。实验结果表明:在结构化率、质押比率以及杠杆比率等参数发生改变、其余参数恒定时,岭回归模型表现均与理想收益率有着最接近的绩效表现;因此岭回归对回购质押比例、杠杆比率以及结构化率三个参数的敏感度较低,在这三个参数下的投资者角度的策略中有着一定的参考价值,本文的研究进一步说明了运用人工智能的方法可以为投资者带来更好投资绩效。本文创新点主要有以下四点（1）针对因资产证券化流动性不足导致没有权威的业绩评估标准的问题,本文基于理想条件的重要特性提出了可以被当作业绩评估基准的理想收益率模型,并通过实证研究证明了该模型在理论上可以达到特定标的下的最高投资收益,为后续人工智能模型在金融领域的应用探索奠定了坚实的基础。（2）本文提出了多种人工智能模型预测投资组合可行性从而确定具体投资策略的方法,克服了传统资产证券化投资中的强假设以及投资者看法过于主观随意、不能客观反映实际问题。（3）本文主要使用了主流的人工智能模型——Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM的模型及思想、原理,并严格的给出各模型的数学或算法基础。通过构建资产证券化产品的配置策略以及对各模型所做的实证研究,证明了所构建的岭回归在综合性上具有一定的优势,通过Dis指数和后续比较反映出岭回归的稳定性较好,同时兼具理论严谨性与在投资绩效上的优越性。对于结构化率变化,岭回归依旧表现抢眼。这进一步反映出在运用人工智能方法为投资者提供分析时,采取多视角多模型的分析方式可以带来更好的投资绩效。（4）提出了基于遗传算法的投资组合智能优化模型。现阶段学术界关于资产证券化以及资产组合优化这一细分领域的研究成果相对有限,且多散落于资产证券化的资产管理等文献之中。学术界对资产证券化的资产组合优化研究主要集中于均值方差资产组合、重抽样组合的优化以及基于公司特征的组合优化之中。这些优化方法的全局寻优能力较弱,普适性较低故在此构建基于遗传算法的投资组合智能优化模型对资本组合进行全局寻优。
刘静[8]（2019）在《基于Copula-CVaR-EVT的股票投资组合优化研究》文中研究指明鉴于股票风险管理的重要性日益加强,对于开展股票投资组合优化研究显得十分重要。但在对投资组合资产的风险测度上,目前大量的研究都采用Va R或者ES进行风险测度,然而Va R与ES在风险测度中却暴露出种种缺陷,使得对于股票的投资组合优化研究变得更为迫切。基于上述分析,本论文引入CVaR框架来克服Va R和ES的缺陷,对投资组合中各股票样本的风险进行测度;运用Copula方法对各股票的非线性相依关系进行刻画;引入EVT方法对股票的尾部风险进行度量,从而构建基于Copula-CVaR-EVT的投资组合优化模型。通过实证分析,本论文获得如下研究结论:（1）各股票样本的收益率序列均呈现出尖峰厚尾、有偏、非正态、异方差、波动聚集性等典型事实特征;（2）EVT方法中的GPD分布对所有样本尾部的经验分布都能够很好地拟合,从而表明GPD分布对所有样本的尾部刻画非常准确,进而也证明了EVT方法对极端风险刻画的必要性;（3）与其余类型的Copula相比,混合Copula模型能够最为准确地拟合数据,在刻画资产间非线性相依关系上具有最为优异的性能;（4）运用混合Copula模型计算获得的上尾与下尾相依系数相比可以发现,下尾相依系数明显大于上尾相依系数,从而表明各股票资产间风险的溢出效应显着强于收益的溢出效应,表明各股票资产之间风险的传染性较强;（5）通过比较单个股票资产与其余股票资产的风险相依性以及单个股票资产的动态风险强度可以发现,在所有股票资产中,苏宁易购、东华科技、瑞茂通既与其余资产具有最小的风险相依性,又具有最低的风险强度,适用于进行投资组合;（6）基于风险最小化策略,在最优权重下的投资组合较等权重下的投资组合能够获得更高的投资收益,同时基于收益最大化策略,在最优权重下的投资组合较等权重下的投资组合具有更低的风险值,从而表明本论文提出的投资组合优化模型具有优异的投资组合功能。基于以上分析可知,本论文提出的Copula-CVaR-EVT投资组合优化模型能够为市场参与主体建立高效、科学、准确的投资组合风险防范与管制机制提出科学的应用工具与方法。市场参与主体能够运用本论文提出的优化模型对股票的投资组合进行优化,既能保证投资收益,并最终推动国民经济的健康发展。
林溥真[9]（2019）在《资管新规下A公司理财产品投资组合方案优化研究》文中认为2018年4月27日,人民银行会同银保监会、证监会和外管局正式发布《关于规范金融机构资产管理业务的指导意见》。7月20日,央行发布《关于进一步明确规范金融机构资产管理业务指导意见有关事项的通知》,对金融机构在过渡期内资产管理业务具体操作性问题进行明确。同日,银保监会发布《商业银行理财业务监督管理办法（征求意见稿）》（以下简称“银行理财细则”）,正式向社会公开征求意见。9月28日,中国银行保险监督管理委员会公布《商业银行理财业务监督管理办法》（下简称《办法》）已经中国银保监会2018年第3次主席会议通过,并于当天正式执行。自此,资管新规已经正式进入实施阶段。资管新规的出台,对资产管理行业产生了巨大的冲击,而对于投资者的投资行为也造成了巨大的影响。以前的个人投资者机构投资者赖以决策的资产管理产品体系发生巨大的变化,而以前由银行进行刚性兑付所带来的另类无风险收益产品即将消失,理财产品将净值化管理,投资者应当如何在资管新规实施后,更好的进行投资组合优化、资产配置优化,以保证自身投资目标能够继续实现,是市场关注的一个重要话题。不可否认,A公司的闲置资金管理在过去的几年里取得了不错的成效,但A公司取得的成绩更多是依靠监管套利而获得的,随着资管新规的落地,原有的投资策略已经失效,需要进一步调整。为此,本文通过对A公司过去几年的闲置资金理财产品投资行为进行分析,并结合资管新规对理财产品带来的转变,基于投资组合的相关理论,特别是如何结合投资组合的运用,针对A企业的状况,研究出一系列科学有效的利用投资组合方法实现投资组合优化的关建议,从而加强企业的竞争力,使得企业获得长青发展。首先,本文对研究的背景情况、现代投资组合理论进行了介绍与回顾。其次,本文讨论了资管新规对理财产品所带来的变化以及影响。其次,本文对在理财产品转型的基础上,进一步应用投资组合的相关理论,结合A公司的实际投资目标分析等方法分别进行了实证研究,给出了相关的优化建议。并通过运用Python等智能算法,搭建符合资管新规要求的投资组合模型,并运用投资组合优化理论,进行最优求解,提供一个可供企业参考的投资组合优化模型。接着,讨论了投资组合优化过程中所需要的保障措施。在文章的最后,对全文进行了总结,并提出了进一步研究的方向与思路。总之,本论文提出了一个具有综合性的投资组合方案优化建议。本文研究工作的主要贡献如下:1.首先从投资者的角度,对资管新规进行了解析,并对未来理财产品转型进行了分析预测;2.对于企业闲置资金进行理财投资的行为需求及目标进行了分析;3.通过实证研究,对于企业闲置资金理财投资如何进行资管新规后转型提出了优化建议;4.在投资组合的管理讨论过程中,加入了资产组合策略以及避险策略、流动性管理等机制,是对经典投资组合理论的延伸。
李洪琼[10]（2019）在《基于Vine-Copula的股指期货间相关结构及投资组合研究》文中研究说明随着世界金融一体化的加深,世界各国金融市场间的联动程度越来越强。研究金融市场之间的相关性对市场间波动溢出、风险传导和资产配置具有非常重要的意义。股指期货市场是金融市场的重要组成部分,随着股指期货市场的发展,它受到了国家和投资者更多的关注。金砖五国和七国集团作为新兴市场和发达市场的代表,它们对世界经济的影响可谓举足轻重。本文从理论介绍和实证研究的基础上对金砖五国和七国集团的股指期货市场间的相关结构及投资组合管理展开研究。在理论介绍部分,分别讨论边缘分布、Vine-Copula和投资组合理论。在本文的实证研究部分,分为12国股指期货市场间相关结构的刻画和高维股指期货投资组合的风险预测和组合优化。对12国股指期货市场的相关结构的实证研究发现,新兴市场之间的相关性普遍较小,在Vine结构中主要处于后面表示条件相关树上,而发达市场之间以及与新兴市场之间的相关性较大,主要处于Vine结构的第一棵表示无条件相关树上。Vine-Copula模型体现了不同市场间相关结构的差异性,较多市场间具有非对称相关和厚尾相关性。对高维期货投资组合的实证研究表明R-Vine所预测的VaR通过了回测检验,且具有良好的稳健性。投资组合的谱风险值比单个资产的谱风险要小,说明组合投资能起到分散风险的效果。另外,在组合优化方面,多空组合且非满仓情形的效果是优于其他两种情形的,期货的做空机制与有限的仓位调节可以实现更低风险下的既定收益,且R-Vine还可用于动态的投资组合管理。Vine-Copula可对高维市场间的相关结构进行有效刻画,并进一步用于投资组合管理中。本文研究为市场管理者制定政策以防范金融风险、维护金融稳定提供一定的决策参考,同时也为国际多元化资产配置提供借鉴。
二、论信用风险管理的投资组合优化（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、论信用风险管理的投资组合优化（论文提纲范文）
（2）巨灾债券对投资组合的影响研究 ——基于GARCH-Copula的风险度量（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 资产间的相关性 |
| 1.2.2 投资组合的风险度量 |
| 1.2.3 巨灾债券与投资组合 |
| 1.3 研究内容与思路 |
| 1.4 创新点 |
| 2 相关理论基础 |
| 2.1 巨灾债券市场概况 |
| 2.1.1 巨灾债券的参与主体与运作机制 |
| 2.1.2 巨灾债券的风险和收益特征 |
| 2.2 GARCH模型 |
| 2.2.1 GARCH模型的原理 |
| 2.2.2 GARCH模型的参数估计与检验 |
| 2.3 Copula函数 |
| 2.3.1 Copula函数的性质 |
| 2.3.2 Copula函数的分类 |
| 2.3.3 Copula函数与相关性度量 |
| 2.4 VaR方法 |
| 2.4.1 传统VaR的计算方法 |
| 2.4.2 基于GARCH-Copula的 VaR计算方法 |
| 2.4.3 VaR方法的检验 |
| 2.4.4 VaR方法的改进 |
| 3 巨灾债券与国内股票、债券资产相关性分析 |
| 3.1 样本数据选择与描述 |
| 3.1.1 数据选择与处理 |
| 3.1.2 数据的描述性统计 |
| 3.2 样本数据检验 |
| 3.2.1 平稳性检验 |
| 3.2.2 自相关检验 |
| 3.2.3 ARCH效应检验 |
| 3.3 边缘分布GARCH模型 |
| 3.3.1 GARCH模型参数 |
| 3.3.2 GARCH边缘分布检验 |
| 3.3.3 GARCH边缘分布的VaR回测 |
| 3.4 基于Copula模型的联合分布函数构建 |
| 3.4.1 Copula函数的选择 |
| 3.4.2 T-Copula函数的参数估计 |
| 4 含巨灾债券投资组合的风险度量与优化 |
| 4.1 含巨灾债券的投资组合风险度量 |
| 4.1.1 单个资产的风险度量 |
| 4.1.2 二元投资组合风险度量 |
| 4.1.3 三元投资组合风险度量 |
| 4.2 含巨灾债券的投资组合优化 |
| 4.2.1 基于均值-CVaR模型的目标函数构建 |
| 4.2.2 投资组合的优化分析 |
| 5 结论与建议 |
| 5.1 研究结论 |
| 5.2 政策建议 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
（3）ZGC科技租赁公司全面风险管理优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景与意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 文献综述 |
| 一、国外研究 |
| 二、国内研究 |
| 三、研究评述 |
| 第三节 研究方法和研究内容 |
| 一、研究方法 |
| 二、研究内容 |
| 三、技术路线 |
| 四、创新点 |
| 第二章 相关概念及理论基础 |
| 第一节 融资租赁业务概述 |
| 一、融资租赁业务的定义与特点 |
| 二、融资租赁业务的分类 |
| 第二节 融资租赁业务风险描述 |
| 一、融资租赁业务风险的定义与特点 |
| 二、融资租赁业务的风险分类 |
| 第三节 风险管理理论基础 |
| 一、信息不对称理论 |
| 二、全面风险管理理论 |
| 三、投资组合理论 |
| 第三章 ZGC科技租赁公司融资租赁风险管理现状分析 |
| 第一节 融资租赁业务的发展现状 |
| 第二节 融资租赁业务风险管理的现状 |
| 一、三维度风险管理策略 |
| 二、七部门协同风险管理部门架构 |
| 三、基于四类风险评估管理工具的三阶段风险管理流程 |
| 第四章 ZGC科技租赁公司风险管理中存在的问题分析 |
| 第一节 ZGC科技租赁公司风险管理中存在的问题 |
| 一、未能聚焦企业核心风险进行全面风险管理体系设计 |
| 二、风险管理策略中行业信息使用尚不完全和客观 |
| 三、风险管理部门架构上整体风险的评估部门存在缺失 |
| 四、风险管理工具在风险评估过程中使用的信息有限 |
| 五、项目审批和管理流程中行业同质性风险缺少评估 |
| 第二节 引入行业信息的ZGC科技租赁公司业务组合风险案例分析 |
| 一、中国科技和新经济行业 |
| 二、分析思路与方法 |
| 三、数据选取 |
| 四、模型构建 |
| 第五章 ZGC科技租赁公司风险管理优化对策建议与保障措施 |
| 第一节 ZGC科技租赁公司风险管理优化对策建议 |
| 一、全面风险管理理念上需将行业组合风险贯穿企业筛选和风险评估过程 |
| 二、宏观风险管理策略上重视行业信息在全面风险评估过程中的作用 |
| 三、建立多模块风险协调的风险管理战略 |
| 四、微观风险管理部门架构上增加行业综合风险评估部门 |
| 五、技术层面上利用行业信息降低信息不对称情况 |
| 六、整体的项目评审和管理过程中重视行业信息风险评估和预警的使用 |
| 七、建立配套的全面风险管理机制 |
| 第二节 ZGC科技租赁公司风险管理优化保障措施 |
| 一、全面风险管理文化与理念的建设 |
| 二、全面风险管理专业人才的培养 |
| 三、专业风险管理技术的提升 |
| 第六章 研究不足与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（4）金融市场风险管理中两种模型的优化算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 本文主要内容及结构安排 |
| 1.3.1 本文主要内容 |
| 1.3.2 本文的结构安排 |
| 第二章 理论基础 |
| 2.1 金融市场风险 |
| 2.1.1 金融市场风险定义 |
| 2.1.2 金融市场风险特征 |
| 2.1.3 金融市场风险管理 |
| 2.2 市场风险度量理论 |
| 2.2.1 风险在险价值VaR |
| 2.2.2 条件在险价值CVaR |
| 2.2.3 投资组合理论 |
| 2.3 最优化原理与算法 |
| 2.3.1 粒子群优化算法 |
| 2.3.2 广义共轭梯度投影法 |
| 2.4 本章小结 |
| 第三章 基于CVaR的交易成本投资组合模型研究 |
| 3.1 问题的提出 |
| 3.2 基于CVaR的交易成本投资组合模型研究 |
| 3.2.1 条件在险价值(CVaR)方法的基本原理 |
| 3.2.2 引入交易成本函数的投资组合模型 |
| 3.3 算法设计 |
| 3.4 实证分析 |
| 3.5 本章小结 |
| 第四章 基于均值-绝对偏差投资组合模型研究 |
| 4.1 问题的提出 |
| 4.2 基于均值-方差投资组合模型研究 |
| 4.2.1 均值-方差(MV)模型 |
| 4.2.2 均值-绝对偏差(MAD)模型 |
| 4.2.3 均值-绝对偏差(MAD)模型修正 |
| 4.3 算法设计 |
| 4.4 实证分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）中国人寿保险公司投资业务组合策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献回顾 |
| 1.2.1 国外研究文献回顾 |
| 1.2.2 国内研究文献回顾 |
| 1.2.3 文献综述述评 |
| 1.3 研究思路与内容 |
| 1.4 可能的创新点 |
| 2 寿险资金投资组合的理论基础 |
| 2.1 寿险资金运用概述 |
| 2.1.1 寿险资金概念 |
| 2.1.2 寿险资金的特点 |
| 2.1.3 寿险资金运用原则 |
| 2.1.4 寿险资金投资风险 |
| 2.2 寿险资金投资组合相关理论 |
| 2.2.1 马科维茨投资组合理论 |
| 2.2.2 资产负债综合管理理论 |
| 3 中国人寿保险公司投资业务组合策略的现状及问题 |
| 3.1 中国人寿投资业务组合策略现状 |
| 3.1.1 投资资金来源 |
| 3.1.2 投资监管政策 |
| 3.1.3 投资资金可运用渠道 |
| 3.1.4 投资规模及投资收益 |
| 3.1.5 投资业务组合结构 |
| 3.2 中国人寿保险公司投资业务组合现状存在的问题 |
| 3.2.1 投资组合与资产负债结构的要求不匹配 |
| 3.2.2 投资收益率偏低且不稳定 |
| 3.2.3 面临较大的利率风险 |
| 4 中国人寿保险公司投资业务组合策略优化方案设计 |
| 4.1 模型构建 |
| 4.2 基于均值-方差模型的优化方案设计 |
| 4.2.1 样本数据的确定 |
| 4.2.2 描述性分析 |
| 4.2.3 优化投资组合的确定 |
| 5 优化中国人寿保险公司投资组合策略建议 |
| 5.1 建立合理的资产负债管理体系 |
| 5.2 严格把控权益类资产投资风险 |
| 5.3 合理配置固定收益类资产 |
| 5.4 积极关注另类投资 |
| 5.5 引进投资专业性人才并加强人才培养 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）P2P借贷市场个性化投资推荐研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状概述 |
| 1.3 研究现状评述 |
| 1.4 主要研究内容和总体研究框架 |
| 1.5 论文结构安排 |
| 2 P2P借贷市场对象关联网络模型 |
| 2.1 P2P借贷市场投资者决策行为概述 |
| 2.1.1 P2P借贷投资者行为特点及其关键决策问题 |
| 2.1.2 P2P借贷市场投资者决策行为影响因素 |
| 2.1.3 P2P借贷市场投资者决策行为相关知识发现视角 |
| 2.2 P2P借贷市场对象关联分析 |
| 2.2.1 P2P借贷市场对象关联类别 |
| 2.2.2 P2P借贷市场对象关联网络模型的构建 |
| 2.3 P2P借贷市场朋友关联网络信息的风险预测价值分析 |
| 2.3.1 问题的提出 |
| 2.3.2 朋友网络候选特征发现 |
| 2.3.3 朋友网络风险特征的预测价值分析 |
| 2.4 实验研究及结果分析 |
| 2.4.1 数据来源与样本选取 |
| 2.4.2 相关性分析 |
| 2.4.3 朋友网络风险特征的违约风险预测价值检验 |
| 2.5 本章小结 |
| 3 考虑朋友关系的个性化投资推荐 |
| 3.1 问题的提出 |
| 3.2 考虑投资者朋友关系的项目和投资者的概念模型 |
| 3.2.1 考虑投资者朋友关系的项目概念模型 |
| 3.2.2 考虑投资者朋友关系的投资者概念模型 |
| 3.2.3 基于投资者朋友关系的朋友投标行为影响因子 |
| 3.3 考虑朋友关系的个性化投资推荐模型设计 |
| 3.3.1 确定个性化推荐投资项目列表 |
| 3.3.2 考虑投资者朋友关系的投资项目推荐过程 |
| 3.3.3 基于朋友网络风险特征的投资组合优化过程 |
| 3.4 实验结果与分析 |
| 3.4.1 数据来源 |
| 3.4.2 考虑投资者朋友关联关系的概念模型分析 |
| 3.4.3 考虑投资者朋友关系的投资项目推荐效果分析 |
| 3.4.4 考虑投资者朋友关系的投资项目推荐的经济意义 |
| 3.4.5 考虑朋友关系的投资推荐经济性能分析 |
| 3.5 本章小结 |
| 4 考虑市场羊群行为与理性投资的个性化投资项目推荐 |
| 4.1 问题的提出 |
| 4.2 基于市场羊群行为的项目和投资者概念模型 |
| 4.2.1 考虑市场羊群行为的投资者概念模型 |
| 4.2.2 考虑理性投资的项目羊群程度概念模型 |
| 4.3 考虑市场羊群行为的个性化投资项目推荐模型设计 |
| 4.3.1 项目理性投资羊群行为因子 |
| 4.3.2 确定个性化投资项目推荐列表 |
| 4.3.3 考虑市场羊群行为及理性投资的投资项目推荐过程 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集来源与选择 |
| 4.4.2 项目羊群程度及其决策导向分析 |
| 4.4.3 投资者羊群行为及其理性投资分析 |
| 4.4.4 考虑市场羊群行为及理性投资的投资项目推荐效果分析 |
| 4.4.5 考虑市场羊群行为及理性投资的投资项目推荐的经济意义 |
| 4.5 本章小结 |
| 5 基于预期效用最大化的个性化投资组合推荐 |
| 5.1 问题的提出 |
| 5.2 基于投资者风险偏好的投资组合优化模型 |
| 5.2.1 投资者风险偏好程度分析 |
| 5.2.2 确定推荐投资项目投资额 |
| 5.3 考虑投资者预期效用最大化的投资组合推荐过程 |
| 5.4 实验结果与分析 |
| 5.4.1 数据来源与样本选取 |
| 5.4.2 基于P2P借贷市场对象关联网络模型的相关概念特征分析 |
| 5.4.3 基于投资者预期效用最大化的投资组合推荐的经济性能分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 攻读博士期间取得的成果 |
| 致谢 |
（7）基于人工智能量化分析的我国资产证券化产品投资组合优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 资产证券化 |
| 1.1.2 资产证券化的国内外研究现状 |
| 1.1.3 人工智能的引入 |
| 1.1.4 理论意义与现实意义 |
| 1.2 研究对象及概念的界定与作用 |
| 1.2.1 资产证券化的内涵与作用 |
| 1.2.2 量化投资的内涵与作用 |
| 1.2.3 投资组合绩效及标准 |
| 1.2.4 人工智能的概念与作用 |
| 1.3 研究路径与研究方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要的研究方法 |
| 1.3.3 本文的主要创新点与文章结构 |
| 1.4 本章小结 |
| 第二章 投资组合理论机制与人工智能的应用前景 |
| 2.1 资产证券化整体与细分领域的研究情况 |
| 2.1.1 资产证券化的内容及定义 |
| 2.1.2 资产证券化与风险管理 |
| 2.2 人工智能背景下资产证券化的相关研究现状 |
| 2.2.1 人工智能在资产证券化中应用 |
| 2.2.2 人工智能的应用现状及在金融行业的应用发展 |
| 2.2.3 人工智能在资产证券化投资组合的应用 |
| 2.2.4 人工智能在资产组合中的优化研究现状 |
| 2.3 资产证券化的市场发展现状 |
| 2.3.1 美国资产证券化市场的发展 |
| 2.3.2 我国资产证券化市场发展 |
| 2.3.3 中美资产证券化的差异 |
| 2.4 本章小结 |
| 第三章 理想收益率下资产证券化投资组合研究 |
| 3.1 中国市场资产证券化交易规定 |
| 3.1.1 资产证券化交易机构 |
| 3.1.2 资产证券化交易费用研究 |
| 3.1.3 资产证券化投资税费研究 |
| 3.1.4 资产证券化产品投资约束 |
| 3.2 资产证券化理想收益率模型 |
| 3.2.1 场景假设与市场调研 |
| 3.2.2 测试数据的可视化分析 |
| 3.2.3 理想收益率下交易流程的构建 |
| 3.2.4 理想收益率下的计算逻辑设置 |
| 3.2.5 算法实现 |
| 3.3 实证分析与讨论 |
| 3.3.1 不同视角的量化分析 |
| 3.3.2 结果讨论与分析 |
| 3.4 本章小结 |
| 第四章 人工智能视域下的资产证券化投资组合预测 |
| 4.1 资产证券化研究中人工智能的模型选取 |
| 4.2 资产证券化实验中人工智能模型的数学基础及优点 |
| 4.2.1 Lasso回归数学基础 |
| 4.2.2 岭回归数学基础 |
| 4.2.3 XGBoost数学基础 |
| 4.2.4 LightGBM数学基础 |
| 4.2.5 神经网络数学基础 |
| 4.2.6 SVM数学基础 |
| 4.3 人工智能模型的实证分析 |
| 4.3.1 量化实验环境与数据 |
| 4.3.2 核心程序的构建与实现 |
| 4.3.3 人工智能模型的量化结果 |
| 4.3.4 不同投资视角下的模型表现 |
| 4.4 人工智能模型的Dis指标与分析 |
| 4.4.1 Dis测评指标的构建 |
| 4.4.2 不同视角下各人工智能模型的Dis值分析 |
| 4.5 本章小结 |
| 第五章 人工智能视域下资产证券化投资组合优化 |
| 5.1 传统优化方法 |
| 5.1.1 基于梯度下降法 |
| 5.1.2 复变量法 |
| 5.1.3 自动微分法 |
| 5.2 现代优化方法 |
| 5.2.1 粒子群算法 |
| 5.2.2 遗传算法 |
| 5.3 基于遗传算法的投资组合优化 |
| 5.3.1 投资组合评价模型的构建 |
| 5.3.2 投资组合优化 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 在读期间科研成果 |
| 致谢 |
（8）基于Copula-CVaR-EVT的股票投资组合优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题的提出 |
| 1.3 研究意义 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 第2章 文献综述 |
| 2.1 金融资产风险测度的相关研究 |
| 2.1.1 传统风险测度的相关研究 |
| 2.1.2 CVaR风险测度的相关研究 |
| 2.2 金融资产相依关系的相关研究 |
| 2.2.1 基于传统方法的相依关系研究 |
| 2.2.2 Copula模型下相依关系研究 |
| 2.3 金融资产极值风险的相关研究 |
| 2.4 金融资产投资组合的相关研究 |
| 2.5 本文的创新性 |
| 第3章 投资组合模型构建 |
| 3.1 风险测度模型构建 |
| 3.1.1 传统风险测度模型构建 |
| 3.1.2 CVaR风险测度模型构建 |
| 3.1.3 EVT风险测度模型构建 |
| 3.2 金融资产间相依关系测度模型构建 |
| 3.3 金融资产投资组合模型构建 |
| 3.4 投资组合优化模型构建 |
| 3.5 投资组合极值风险检验模型构建 |
| 第4章 实例研究及结果 |
| 4.1 数据选取说明及描述性统计 |
| 4.2 波动模型选取 |
| 4.3 资产间相依关系研究 |
| 4.3.1 Copula函数选取研究 |
| 4.3.2 资产间相依系数 |
| 4.4 组合资产的动态风险度量 |
| 4.5 投资组合优化研究 |
| 4.5.1 风险最小化策略下的投资组合优化结果 |
| 4.5.2 收益最大化策略下的投资组合优化结果 |
| 4.5.3 投资组合优化检验 |
| 4.5.4 实例结果总结 |
| 第5章 结论与展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）资管新规下A公司理财产品投资组合方案优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 文献综述 |
| 1.2.1 投资组合的基础理论 |
| 1.2.2 投资组合发展的相关理论 |
| 1.2.3 国内投资组合理论发展研究现状 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 本文的主要创新点 |
| 1.5 本章小结 |
| 第二章 A公司概况及理财产品组合现状 |
| 2.1 A公司基本概况 |
| 2.1.1 A公司公司简介 |
| 2.1.2 市场环境和经营状况 |
| 2.2 A公司闲置资金投资需求分析 |
| 2.3 A公司的理财投资组合现状 |
| 2.3.1 从产品结构看A公司投资组合 |
| 2.3.2 从期限结构看A公司投资组合 |
| 2.3.3 从收益率结构看A公司投资组合 |
| 2.4 养殖业闲置资金理财投资现状 |
| 2.5 本章小结 |
| 第三章 资管新规对A公司投资组合的影响 |
| 3.1 资管新规的主要影响 |
| 3.1.1 保本理财产品向结构性存款转型 |
| 3.1.2 打破刚性兑付,产品净值化 |
| 3.1.3 统一产品分类,风险体系调整 |
| 3.1.4 不同类别产品的净值化之路 |
| 3.2 资管新规背景下A公司投资组合方案的问题分析 |
| 3.2.1 资管新规实施对A公司原有投资品带来的影响 |
| 3.2.2 投资品标的变化给A公司投资组合方案带来的问题 |
| 3.3 本章小结 |
| 第四章 A公司投资组合方案优化建议 |
| 4.1 投资组合方案流程优化建议 |
| 4.1.1 确定投资目标与业绩基准 |
| 4.1.2 拟定投资策略 |
| 4.1.3 规划资产配置 |
| 4.2 结合资管新规影响的投资组合优化方案 |
| 4.2.1 投资组合资产类别组合策略优化 |
| 4.2.2 投资组合期限搭配的优化 |
| 4.2.3 投资组合产品配置的优化 |
| 4.3 本章小结 |
| 第五章 投资组合优化实施模拟 |
| 5.1 投资组合优化的约束条件设置 |
| 5.2 投资组合资产选择 |
| 5.3 投资组合资产数据分析 |
| 5.3.1 资产数据的处理及统计 |
| 5.3.2 投资组合资产收益率及协方差矩阵 |
| 5.3.3 随机模拟资产组合散点图 |
| 5.3.4 最优夏普比率组合与最小方差组合 |
| 5.4 最优投资组合选择 |
| 5.5 本章小结 |
| 第六章 优化方案的实施保障 |
| 6.1 制度保障 |
| 6.2 组织保障 |
| 6.3 人才保障 |
| 6.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（10）基于Vine-Copula的股指期货间相关结构及投资组合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述与研究启示 |
| 1.2.1 GARCH族模型下金融市场波动研究 |
| 1.2.2 Copula方法下相关性研究 |
| 1.2.3 风险度量与投资组合理论研究 |
| 1.3 研究方法与内容 |
| 1.3.1 研究方法 |
| 1.3.2 研究内容 |
| 第2章 资产间相关结构及投资组合理论分析 |
| 2.1 单一资产的边缘分布模型设定 |
| 2.1.1 单变量GARCH模型 |
| 2.1.2 极值理论 |
| 2.1.3 核估计 |
| 2.2 Vine-Copula理论下的资产间相关结构模型 |
| 2.2.1 Copula函数及相关性测度 |
| 2.2.2 多元分布的Pair-Copula分解 |
| 2.2.3 Vine结构与节点顺序的选择 |
| 2.2.4 Vine-Copula的参数估计 |
| 2.3 投资组合风险度量与优化理论分析 |
| 2.3.1 风险管理的重要性 |
| 2.3.2 投资组合的风险度量方法及比较 |
| 2.3.3 基于谱风险度量的投资组合理论 |
| 第3章 基于Vine-Copula的股指期货间相关结构实证 |
| 3.1 数据的选取与描述 |
| 3.1.1 数据的选取 |
| 3.1.2 描述性统计 |
| 3.2 边缘分布估计与结果分析 |
| 3.2.1 GARCH模型估计结果 |
| 3.2.2 极值理论估计结果 |
| 3.3 Vine-Copula的估计与比较 |
| 3.3.1 Vine-Copula的结构 |
| 3.3.2 不同Vine-Copula的比较 |
| 3.4 股指期货市场间相关结构分析 |
| 3.4.1 股指期货间的两两相关性 |
| 3.4.2 基于R-Vine-Copula的股指期货市场间相关结构分析 |
| 第4章 股指期货投资组合风险预测与组合优化实证 |
| 4.1 基于Vine-Copula的投资组合风险预测与优化步骤 |
| 4.2 投资组合的风险预测 |
| 4.2.1 VaR的预测与检验 |
| 4.2.2 谱风险的预测 |
| 4.3 投资组合优化 |
| 4.3.1 单期投资组合优化 |
| 4.3.2 动态投资组合优化 |
| 结论 |
| 参考文献 |
| 附录 A 攻读学位期间参与的科研项目 |
| 致谢 |
四、论信用风险管理的投资组合优化（论文参考文献）
- [1]基于GARCH类模型的风险度量分析及其应用[D]. 项芳芳. 东华大学, 2021
- [2]巨灾债券对投资组合的影响研究 ——基于GARCH-Copula的风险度量[D]. 任月明. 大连理工大学, 2021(01)
- [3]ZGC科技租赁公司全面风险管理优化研究[D]. 刘云飞. 云南师范大学, 2021(08)
- [4]金融市场风险管理中两种模型的优化算法[D]. 滕飞. 西安电子科技大学, 2020(05)
- [5]中国人寿保险公司投资业务组合策略研究[D]. 胡杨. 大连理工大学, 2020(06)
- [6]P2P借贷市场个性化投资推荐研究[D]. 游运. 江西财经大学, 2019(07)
- [7]基于人工智能量化分析的我国资产证券化产品投资组合优化研究[D]. 卞进. 中央财经大学, 2019(01)
- [8]基于Copula-CVaR-EVT的股票投资组合优化研究[D]. 刘静. 天津大学, 2019(06)
- [9]资管新规下A公司理财产品投资组合方案优化研究[D]. 林溥真. 广东工业大学, 2019(02)
- [10]基于Vine-Copula的股指期货间相关结构及投资组合研究[D]. 李洪琼. 湖南大学, 2019(07)
标签：投资论文; 投资组合论文; 固定比例投资组合保险策略论文; 组合优化论文; 资产证券化论文;