Advertisement

关于GARCH模型在股票组合投资中的应用研究

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文探讨了GARCH模型在评估与管理股票组合风险中的应用价值，通过实证分析展示了该模型如何有效捕捉金融市场波动性。 本段落旨在确定股票最优组合投资策略，综合考虑收益与风险因素。通过构建以最大化投资收益和最小化风险为目标的双目标优化模型，研究基于GARCH模型的股票组合投资策略的应用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 关于GARCH模型在股票组合投资中的应用研究
    优质
    本文探讨了GARCH模型在评估与管理股票组合风险中的应用价值，通过实证分析展示了该模型如何有效捕捉金融市场波动性。 本段落旨在确定股票最优组合投资策略，综合考虑收益与风险因素。通过构建以最大化投资收益和最小化风险为目标的双目标优化模型，研究基于GARCH模型的股票组合投资策略的应用。
     
  • 关于应用Copula-GARCH模型估算信用违约掉期投资组合VaR的研究论文
    优质
    本文研究了利用Copula-GARCH模型评估信用违约互换投资组合的风险价值（VaR），探索更精确的风险度量方法，为金融风险管理提供新的视角。 信用违约掉期（CDS）为商业银行提供了一种有效的方法来对冲其投资组合的信用风险敞口。我们借鉴了Patton (2006)、Huang, Lee, Liang 和 Lin (2009) 以及 Fei, Fuertes 和 Kalotychou (2013) 的研究，提出了一种估算包含CDS的投资组合的风险价值（VaR）的方法。这种方法优于传统金融教科书中提到的方式。 Markit的北美投资级CDX指数(CDX.NA.IG)是一个由125个在信用违约掉期市场交易、具有投资级别评级的北美实体组成的综合指数。我们还使用了标普500指数和VIX来构建我们的研究组合。本段落采用了从2004年12月到2014年10月间共2,477条日常数据，涵盖了次贷危机与欧洲债务危机的时期。 在模型选择上，我们选取了六种不变性Copula和两种时变性Copula，并结合GARCH倾斜的学生t分布（GARCH-skt）来形成八个不同的copula-GARCH模型。这些模型用于捕捉投资组合中资产间的联合概率分布特性。随后，基于这八种模型计算出了相应的1天VaR值。 根据我们的研究结果，在各种市场状况下，时变对称的Joe-Clayton (SJC) Copula与GARCH-skt结合使用的效果最佳。
     
  • 股票投资组合分析用Excel模板模型.zip
    优质
    本资源提供一个详细的Excel模板，用于构建和评估个人股票投资组合。包含数据分析、风险评估及收益预测等功能模块，助力投资者做出明智决策。 Excel模板股票投资组合分析模型.zip
     
  • 关于股票与债券投资组合问题的数学模型及算法的研究论文.pdf
    优质
    本文构建了针对股票和债券的投资组合优化数学模型，并提出相应的高效算法，旨在为投资者提供科学的风险管理和收益最大化策略。 本段落研究了股票与债券投资组合的最优策略问题，并定义了一个基于半绝对偏差的风险函数来衡量风险。建立了包含不允许买空、卖空限制以及交易费用及单位等实际约束条件下的数学模型，旨在解决现实中的复杂情况。在此基础上，提出了一种改进版布谷鸟搜索算法，该方法不仅提升了寻找最佳解决方案的速度，还提高了最优解的稳定性，并对所提出的算法进行了复杂度分析。通过数值实例验证了本段落构建的数学模型和优化算法的有效性和正确性。
     
  • 利用Copula-GARCH模型估算风险价值：基于MATLAB的两只股票投资组合VaR计算函数
    优质
    本文介绍了一种使用Copula-GARCH模型结合MATLAB进行两只股票投资组合的风险价值(VaR)评估的方法，提供了一个具体的应用实例和编程实现。 使用copula-GARCH模型估计由两只股票组成的投资组合的VaR（Value at Risk）。该方法采用Clayton copula作为联合分布函数，并且边缘分布是GARCH(1,1)模型，同时还可以提取违反VaR的次数。
     
  • 基于协方差理论的最优股票投资组合研究分析
    优质
    本研究运用协方差理论探讨并构建了最优股票投资组合模型，通过数据分析优化资产配置策略，旨在降低风险、提高收益。 基于协方差理论的最优股票投资组合分析指出，在当前“全民炒股”的背景下，许多投资者建议：“不要把所有鸡蛋放在一个篮子里”。因此，在股市中进行多元化投资是非常重要的。
     
  • 基于长期短期记忆的方法在股票选择与投资组合优化中的应用-研究论文
    优质
    本研究探讨了将长期短期记忆（LSTM）技术应用于股票选择和投资组合优化的有效性，通过分析历史数据预测市场趋势，旨在提高投资收益并降低风险。 本段落展示了如何利用长短期记忆（LSTM）神经网络进行股票选择及投资组合优化。我们采用LSTM模型预测股价走势方向与价格代理指标，并将其应用于选股以及Markowitz均值方差框架下的投资组合构建中。基于印度SENSEX指数的数据，建立了四类不同类型的LSTM模型——包括单独的个体模型和集合模型，并分别通过批量学习及增量学习方式训练这些模型。在进行投资组合优化时，我们依据入围股票价格走势分类准确率来筛选出最优的投资标的。 此外，在构建Markowitz公式的过程中，除了传统的均值方差框架外，还加入了多样化以及卖空的扩展版本以增强灵活性与实用性。同时建议采用LSTM预测精度作为风险衡量指标替代原有的协方差矩阵在Markowitz模型中的应用。对于上述每一种组合（即不同的LSTM架构和投资策略），我们都将其结果同SENSEX指数及标准最优Markowitz组合进行了对比分析。 最后，我们提出了一个条件：当股票价格的预测因子比平均股价更准确时，改进后的Markowitz公式将优于传统版本。
     
  • 关于DMD-LSTM模型在股票价格时间序列预测中的应用研究
    优质
    本研究探讨了DMD-LSTM模型在股票价格时间序列预测的应用效果，结合动态模式分解与长短期记忆网络优势，旨在提升预测精度和稳定性。 针对股票市场关系复杂导致的有效特征提取困难及价格预测精度低等问题，本段落提出了一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先利用DMD算法对受市场板块联动效应影响的相关行业板块样本股数据进行处理和计算，从中提取出包含整体市场及特定股票走势变化信息的模态特征；然后根据不同的市场背景，采用LSTM神经网络模型结合基本面数据与上述模态特征来进行价格预测建模。实验结果表明，在鞍钢股份（SH000898）上的应用中，该方法相较于传统预测方式在某些特定市场背景下能实现更高的预测精度，并且能够更准确地描述股票价格的变化规律。
     
  • 关于TAR模型在股票市场非线性特性分析中的应用研究
    优质
    本研究探讨了TAR（阈值自回归）模型在分析股票市场的非线性特征方面的应用价值，旨在揭示股市波动模式及预测趋势。 本段落基于TAR模型对股票市场的非线性特性进行了研究。李娜和郑少智将TAR模型应用于股票市场动态行为的研究，并与线性模型进行对比分析。文章选取了中证100指数的244个日对数收益率数据作为实证研究的基础。
     
  • 股票买卖的最佳时机（LeetCode）- DDPG投资组合管理：构建并测试DDPG模型在股市中的应用
    优质
    本项目运用深度确定性策略梯度(DDPG)算法，旨在优化股票交易决策。通过建立模拟交易平台，我们探索了如何使用强化学习技术来指导投资组合的动态调整，以期寻找最佳买卖时机，并评估其在实际市场环境中的表现与稳定性。 在股票买卖的最佳时机问题上应用DDPG（深度确定性策略梯度）算法进行测试建立模型的参考灵感来自原始论文中的代码环境。数据集包括15份2018年1月1日至2018年10月29日的股价记录，以分钟为单位，并包含开盘、收盘、最高价、最低价和成交量等特征信息。 该操作涉及现金头寸以及针对这15只股票分别设置多头和空头仓位。每分钟观察一次股价数据，但每隔7分钟才进行一次交易决策。在每个步骤中，在原有的状态-动作对之外还收集了额外的“推断步骤”状态-动作对，并将其存储于重放内存缓冲区。 这些模型采用时间序列滚动方案构建：使用上个月的数据来建立RL（强化学习）模型，然后在下一个月进行测试验证。该模型从2018年2月1日至2018年10月29日期间实现了大约14%的收益率，相比之下，在同一时间段内采用统一买入并持有这15只股票策略仅获得约5.6%的收益；而采取业绩最佳单支股票买入策略则导致了-16.8%的投资亏损。 值得注意的是，在股票市场中应用RL模型可能会面临高度不稳定性和过度拟合的风险。此外，该模型在实际交易操作时通常只会涉及投资组合的小部分仓位进行买卖决策。