一、Markowitz有效资产组合理论与我国资本市场资产组合有效性的实证分析（论文文献综述）
邱蓉[1]（2021）在《基于Mean-ES模型的社保基金投资组合研究》文中提出社会保障体系的建设是每个国家发展过程中不可避免的问题。根据人口普查数据,我国人口老龄化危机越来越近,而这会导致养老保险基金出现支付缺口问题。为了满足人口老龄化时代的社会保障支出要求,我国于2000年成立全国社保基金,主要用于补充社会保障基金,满足养老金支付需求,其管理主要以委托投资的形式,以安全性、增值性为投资原则。然而从其收益情况看,存在一些年份实际收益率为负值,大大拉低了社保基金的年均收益率,主要是由于其极端风险管理能力相对较弱。鉴于此,我们选取社保基金为研究对象,基于新的金融风险度量方法,将极端风险纳入投资组合管理范畴,探究社保基金投资组合最优化问题。本文首先详细分析了有关社保基金投资的概况,包括它的构成及管理结构,全国社保基金的投资去向和投资理念,以及社保基金投资组合的一些限制条件、目前的规模、收益情况,还有社保基金投资过程中存在的一些问题。然后,本文提出构建一种模型来管控极端风险,通过对比Va R和期望损失ES的定义和发展状况,挑选出更能描述极端风险程度的指标,选取GARCH-Copula模型作为其风险测度模型,同时以传统投资组合理论为基础,构建Mean-ES模型。基于上述理论基础,进行实证分析,对投资标的收益率序列进行相关检验,求解各类投资标的的最优边缘分布时发现序列是平稳的,同时存在自相关和ARCH效应,基于多种信息准则最终选取GARCH（1,1）-t作为标的资产的边缘分布;考虑到资本市场中金融产品收益的相关性问题,本文选取Copula函数来处理金融资产之间的相关性问题,以最小化平方欧氏距离准则为基础,发现t-Copula最为适合。以此为基础,建立GARCH（1,1）-t-Copula分析框架刻画几类金融资产收益率及波动情况,利用MATLAB对未来收益率进行蒙特卡洛模拟,在投资约束下,求解得出不同期望收益率以及不同置信度下的全国社保基金最优投资组合。最后,为了验证模型在应对极端风险时的有效性,以构建的模型为基础,求解2008年最优投资组合,带入后计算发现,模型所得出的最优投资组合收益显着高于2008年全国社保基金实际收益率,说明将Mean-ES模型与GARCH-Copula模型有机统一以后,在金融市场进行投资时,利用其预防极端风险问题是有效的。最后,以上述结论为依据,提出政策建议:1、根据我国金融市场的成熟程度逐步优化对于各类资产的投资约束条件;2、遵循市场化原则和风险分散原则扩大投资范围;3、加快国内金融投资工具及相关产品的开发和创新速度。
张晓晨[2]（2020）在《资管新规下H银行客户的资产配置优化策略研究》文中指出近些年,我国在经济新常态化的轨道下持续稳步发展,经济开放度不断增加。随着金融市场及商业银行体制的不断健全与完善,各种新兴金融资产也被频频推出。与此同时,市场上不断发生系统性金融风险和资产荒怪象,导致优质适宜的大类资产难寻。针对此类问题,我国在十九大之后出台了资管新规政策,对机构各方投资的各类资产的性质、风险把控等方面做出了更加严格细致的要求。在资管新规的新环境下,资产配置成了不可避免的话题,根据市场和投资者的需要动态调整各类资产的配比变得尤为重要。在资产管理方面资产配置有着举足轻重的地位,有效的资产配置不仅能够实现个人资产的保值增值,更重要的是,可以科学合理的分配整个社会公有资源,促进经济持续稳定的进步和发展。作为社会财富的拥有者和创造者,居民个人的消费投资习惯有效地推动了我国金融机构的稳健发展和经济社会财富的积累。随着居民理财意识的强化和金融产品种类的丰富,资产配置的选择日渐多样化和复杂化,如何合理有效的配置个人资产,达到个人可支配收入的保值增值目标也越来越被学术界所关注。本文对于如何有效地进行H银行客户的资产配置问题从理论研究循序渐进到实践的研究。首先通过资产配置的研究,建立Black-Litterman模型,深入研究资产组合管理的相关论述和理论,进而分析资管新规使用的环境。其次,在以上研究的基础上,合理建立包括宏观变量以及资产配置两方面的个人投资收益模型,即VAR模型。最后,充分利用该模型实现资产收益的科学预测,然后基于得出收益结果Q反过来作为变量输入至之前建立的Black-Litterman模型中去,从而计算各类资产的优化配置比例。最后,我们将得出的结果同Markowitz均值-方差模型得出的收益结果进行比对,若结果符合预期,我们根据各类资产的投资收益情况对H银行客户目前的资产配比进行调整,适当对不同资产进行增减,实现最优资产组合。
王雨[3]（2020）在《智能投顾服务的资产选择及价格竞争机制研究》文中提出国务院2017年颁布的《新一代人工智能发展规划》为我国人工智能发展明确了未来发展的战略目标。随着科学技术的发展,人工智能将为金融领域开启新篇章。智能投资顾问服务（以下简称“智能投顾”）作为人工智能在金融领域的前沿应用,为财富管理行业的投资顾问服务带来实质性的转变,并呈现高速发展的态势。我国智能投顾服务始于2015年,其通过调查问卷等方式了解用户需求,使用机器学习的方法对数据进行优化处理,通过模型选择构建基础资产库,以投资组合理论为基础,自动为不同风险偏好的用户量身定制资产配置方案,对市场进行高精度判断以增加用户满意度,从而实现投资顾问服务的智能化转型。通过查阅相关文献,我们发现当前智能投顾服务领域的研究内容主要集中于业务介绍和监管政策研究。本文尝试拓宽该领域研究视角,遵循“现状-机理-预测”的研究思路,对智能投顾服务资产选择的倾向性及价格竞争机制展开研究。首先对智能投顾的运作机制进行案例研究,初步判断影响智能投顾基础资产库选择的因素。其次,我们运用实证研究,对智能投顾服务运作机制现状下的机理进行探索,揭示智能投顾服务对基础资产的选择倾向性影响因素并对各因素间的关系进行分析。最后,我们运用理论研究证明及数据仿真的方式,对智能投顾服务的一类影响因素（管理费率）展开深入分析,通过智能投顾服务市场中的价格竞争机制的研究,尝试对市场中的价格竞争机制进行预测性探析。本文期望通过探索,为后续研究起到投砾引珠的作用,主要工作及创新点如下:1、拓展问题研究视角,顺应金融科技发展趋势。智能投顾服务在我国尚属新兴业务,通过对现有文献的研究,我们发现前人对于智能投顾服务中的资产选择及价格竞争机制鲜有研究。本文尝试拓展智能投顾的研究思路,将智能投顾服务的资产选择及价格竞争机制作为研究对象进行研究,结合社会关注热点,契合国家政策导向,丰富了相关领域中的研究成果,具有一定的现实意义。2、运用案例研究方式探索智能投顾运作机制。由于智能投顾业务的新颖性,研究中无法单纯沿用已有模型,本文通过质性研究的方式对智能投顾运作机制问题予以定性分析,对我国不同类型智能投顾的差异性及基础资产选择的影响因素进行分析,构建智能投顾服务对基础资产选择的三维度影响因素模型,揭示了影响因素的直接作用以及调节作用路径。3、运用实证分析探析新兴业务的实践做法,为其提供理论支撑。在实践中,智能投顾服务的资产选择会呈现一定的特征,而我们查阅文献,却未发现相关研究。本文从资本市场中获取真实数据,基于我国智能投顾服务的特性,运用实证分析对智能投顾服务资产选择的倾向性进行研究,尝试为实践操作提供数据上的解释,体现理论对实践的指导价值。4、契合新业务实际运作模式,构建新的模型对智能投顾服务价格竞争机制进行分析。在传统价格竞争研究中,前人考虑将价格作为影响产品需求的唯一因素。我们发现,在智能投顾服务网络中,需求并非仅受到价格影响,本文在服务网络需求模型中应用拥挤效应,构建了考虑拥挤效应的需求模型。通过理论分析及数学证明,获得智能投顾服务网络中基金管理费价格竞争中有且仅有一个纯策略纳什均衡解的结论,将理论与实践紧密结合,对基金管理公司和智能投顾公司的定价以及监管部门的未来政策制定提供了实质性的建议和帮助。本文作为一种探索性的研究,尝试将智能投顾服务的研究领域进行拓展,并将理论与工作实践有机结合,对当前资本市场中的现实问题进行分析研究,为基金管理公司、智能投顾公司和监管部门提供了一种启发式的思路,具有一定的现实意义和理论价值。
张维洋[4]（2020）在《基于非对称中国A股市场的Black-Litterman投资组合研究》文中指出在金融市场的研究当中,关于资产组合的相关研究是近年来的热点之一。现实当中对于组合的实际构建往往包含人们的主观因素,因此组合表现结果一定程度上受到人们的心理活动的影响,研究行为金融学与投资组合相结合,对资产组合进行量化,能够在获得预期的超额收益同时将风险控制在可接受范围之内,使得风险与收益相匹配。本文首先采用了上证50成分股2013年1月04日-2019年6月30日周收益数据,检验基于上、下行市场构建的非对称CAPM模型有效性,得到中国A股市场存在非对称性结论。接着用非对称性CAPM模型估计股票预期收益,创新性地将此预期收益值作为投资者观点收益建立收益矩阵q（8）,将q（8）融入B-L模型得到基于非对称市场的B-L模型,之后抽取上证50成分股2013年1月04日-2019年6月30日周收益数据,以250周收益为一个周期,采用样本外滚动分析的方法,对基于非对称市场建立的B-L模型的有效性进行检验,并计算了样本外组合收益的夏普率,得到结论:基于非对称市场的B-L模型能够稳定有效应用于中国A股证券市场,并且表现结果优于M-V模型的表现结果。最后本文通过改变?值对基于非对称市场建立的B-L模型作了稳定性检验,结果表明改变?值的时,基于非对称市场建立的B-L模型在配置资产方面依然优于M-V模型。本文第一部分首先对选择论文题目的背景、意义等进行了回顾,阐述了为何我们需要B-L模型来对资产配置进行研究。接着介绍了市场存在非对称性和相关学者研究结果,及回顾了国内外学者对B-L模型的研究状况,奠定了本文的研究基础。第二部分基于中国A股市场的非对称性建立非对称CAPM模型,并对中国A股市场存在非对称性的检验。第三部分则是对B-L模型进行理论建模,并将非对称CAPM与B-L模型结合,建立优化的B-L模型,并对该模型有效性进行检验。最后还对基于非对称市场建立的B-L模型进行稳定性检验,并分析结果得到研究结论。本文提出了一种新的估计投资者观点收益方法,同时验证了基于非对称市场建立的B-L模型配置资产策略的有效性,对指导投资者投资和管理资产相关研究具有重要意义。
刘庆昇[5]（2020）在《认知能力会影响家庭投资分散化吗 ——基于CFPS数据的实证研究》文中研究表明自投资组合理论之父Markowitz提出均值方差模型以来,不可计数的相关研究纷至沓来,而家庭金融领域作为重要一角,在近年的学术研究里显得熠熠生辉,其核心便是把家庭作为一个单位,根据家庭现有状况和未来收入预期,做出各种金融决策来实现家庭的需求,其中投资分散化理念更是经典投资理论的核心支柱。然而,与该理论结果截然相反的大量微观实证研究却接踵而至。受到实证研究的冲击和质疑,规范家庭金融研究试图通过放松模型假设这一路径来推动研究的发展。其中不可忽视的是人力资本的这一角度,随着对传统人力资本中受教育年限这一局限性的不断审视,新人力资本这一框架逐渐形成,它打开了能力形成过程的黑箱,形成了一个以能力为核心的更为可靠系统的理论框架。总的来说,大量家庭金融领域论文从金融知识、金融素养等角度研究投资组合的选择,而从认知能力这一衡量人内在能力的角度,研究家庭投资组合情况的研究相对较少。本文利用中国家庭追踪调查（CFPS）数据库,在文献综述的基础上,构建认知能力指标与投资分散化指标,控制一系列控制变量,运用poisson模型和mlogit模型,来探究认知能力对我国家庭投资分散化所可能具有的影响,同时考量认知能力的不同方面即记忆能力、数学能力、字词能力、推理能力对投资分散化的影响,进一步分析其影响机制,然后我们通过多种稳健性与内生性问题进行了分析与检验,证明文章的结论是稳健且显着的。实证研究发现,认知能力对家庭参与金融市场与进行投资分散化具有显着性影响,相比于受教育年限,认知能力对家庭投资的分散化影响的解释力要强得多;具体来看,在简单投资策略假设下,综合认知能力、数学能力、推理能力、字词能力都对投资分散化具有显着性的正向影响,在复杂投资策略假设下,综合认知能力仍然具有十分显着的影响,字词能力和推理能力在部分组合中具有显着影响,总体上看在认知能力的各个方向里,字词能力对家庭投资分散化的影响是最大的;其他包括健康情况、家庭财富情况、网络使用情况、户口等变量,对于家庭投资分散化都具有一定程度上的显着影响。
崔珂婧[6]（2020）在《我国家庭金融资产配置的影响因素研究》文中指出随着经济金融市场的发展,国民财富的增加,居民理财意识的增强,家庭的资产结构从单一的储蓄型资产发展为丰富的风险型金融资产,家庭投资组合多样化、分散化特征明显。家庭金融资产在国民经济中占比逐步增加使得家庭金融学发展为重要的前沿领域,家庭单位配置金融资产的异质性反映出家庭资产选择行为偏好的差异。文章基于行为偏好的的视角,剖析中国家庭金融资产配置行为的影响因素。探讨在互联网背景下,不同代际群体在金融选择行为上的特征和变化,探索各因素如何作用于家庭投资选择行为。以期洞察中国金融市场未来发展方向,引导家庭合理配置资产,推动国民经济和金融市场健全发展。文章选取风险态度、金融素养、信任度、主观幸福感和社会互动五类因素分别构建了家庭金融资产选择行为的影响机制,使用2017年CHFS数据将家庭参与风险金融市场进一步细分为证券类金融市场、非正规金融市场和理财产品市场,分别建立影响金融资产参与率的Probit模型和影响金融资产参与深度的Tobit模型,并基于区域异质性视角分城乡区域和东中西部区域考察五类核心因素对不同区域家庭的具体影响。由于可能存在样本自选择偏差导致的内生性问题,文章引入Heckman两步法模型对结果进行内生性检验,并通过变量替换法进行模型稳健性检验。研究发现:（1）中国家庭金融资产占比明显提高,风险金融资产比重增大,非正规金融市场与互联网理财产品市场发展势头迅猛。互联网理财和非正规金融市场多受年轻家庭和文化程度、财富水平较高家庭欢迎,反映出家庭金融资产投资未来发展趋势是互联网理财和非正规金融市场借贷。（2）居民金融资产选择行为具有财富效应、教育水平效应和区域异质性差异。农村家庭多参与非正规风险金融市场,城镇家庭多参与正规金融市场。（3）金融素养、信任度和社会互动能够有效促进家庭积极参与风险金融市场,提高家庭持有风险资产的比重。其中金融素养促进作用最为明显,信任对农村家庭和东部地区家庭的金融投资行为影响显着,社会互动除对证券类市场投入比重无明显作用外对其他金融市场促进作用显着。（4）风险厌恶和主观幸福感对家庭参与风险金融市场具有抑制作用。风险偏好的促进作用不如风险厌恶抑制作用明显,主观幸福感对家庭参与风险金融市场及其子市场的可能性大小和参与深度均具有显着负向作用,对于城镇家庭和中部地区家庭抑制作用尤为显着。（5）女性较男性表现出更高冒险倾向,而男性更多偏好非正规金融市场。股票、基金市场仍然呈现中年投资者参与最多,青年、老年投资者参与较少的情况;借出款、互联网理财等准入条件相对宽松的金融市场吸引了大量青年投资者参与,导致整体风险资产参与群体重头向年轻家庭偏移。基于以上研究结论,结合目前中国资本市场发展现状,为积极引导家庭广泛参与风险金融市场,提出相应的政策建议并作研究展望。
李军帅[7]（2020）在《基于心理账户的资产配置选择研究》文中进行了进一步梳理继马科维茨之后,托宾通过在可行集中引入无风险资产证券,将马氏证券投资组合理论扩展至资产组合选择,从而在经典经济学理论框架下完成了投资者资产配置选择理论的分析。然而,现实金融活动中所呈现的诸多异象却告诉金融学家,投资者在实践中的选择并非完全遵从经典的资产组合模型,而是在很大程度上与其心理特征、背景约束等因素有关,对此,行为金融学家针对经典资产组合理论的不足,在行为金融理论框架下提出了行为资产组合理论与模型。行为资产组合理论的提出虽说极大提升了投资者行为选择理论的解释能力,但其模型（多心理账户模型）的求解却面临极大的技术障碍,这在相当程度上制约理论模型的完善性与解释能力,尤其是限制了其实际应用价值的发挥,投资者在实践中难以据此获得有效的资产配置策略。本文试图以行为资产组合模型为原型,在资产风险属性分类的基础上,结合心理账户理论,通过引入投资者资产选择次序,将行为资产组合模型转化成行为分层结构资产组合模型,以此来克服行为资产组合模型求解的技术障碍,并依据资产市场交易中杠杆率异质性的现实来探讨行为分层结构资产组合模型的求解,构建投资者资产配置最优策略选择模型,从而实现资产组合选择开发性研究的目标。本文在对相关研究进行系统梳理的基础上,结合对现代资产组合理论与模型的评述,借鉴居民消费选择次序的思想与方法,以行为资产组合理论为切入点,将投资选择次序纳入行为资产选择理论与模型,通过对投资者资产配置过程分层处理来构造行为分层结构资产组合模型。在此基础上,结合风险资产市场现实交易中杠杆率异质性的特点,进一步探讨了基于杠杆率异质性下的行为分层结构资产组合模型,通过求解该模型,得到一类简单易行且有效的资产配置策略,从而实现了理论研究向现实生产力的转化。最后,以我国资产市场相关实际数据为样本,运用实证分析的方法给出了安全资产加高杠杆资产配置策略有效性的经验证据。本文的研究表明:（1）投资者的资产选择是基于家庭总财富增值率与总财富风险的考量,而不是简单的收益率与风险的权衡;（2）与居民消费选择具有层级特征类似,投资者的资产配置也具有层级结构,也就是说,投资者的资产选择除了与预期有关外,还与其所拥有的财富总量有关;（3）财富状况不同的投资者具有不同的资产选择行为,家庭总财富愈高的投资者具有更高的财富增值率;（4）对中产阶级而言,安全资产加最高杠杆率的风险资产配置是一种有效的资产配置策略。
云坡[8]（2020）在《考虑高阶矩属性风险传染的碳金融资产定价研究》文中认为温室气体排放剧增是导致全球环境负外部性的直接诱因。将碳排放权赋予商品属性,依靠市场化金融手段解决碳减排问题,已成为国际社会应对气候变化、抑制温室气体排放的主要手段。碳金融市场的创建立足于国际社会履行减排责任的各项公约和协议,发展于各国推进碳金融市场运行的政策措施。作为碳金融市场的核心,有效的碳金融资产定价机制将推动碳金融市场机制的成熟和完善、市场效率的提升,更好地服务于碳减排落实。碳金融资产定价研究不仅需要遵循一般金融资产的基本定价方法,还要反映碳价特殊的驱动特征。而现有碳金融资产定价研究,聚焦从收益率低阶矩视角研究碳金融资产的价格信息传递和风险波动溢出等,忽略从更高阶矩属性,研究市场非对称信息和极端冲击等因素对碳金融资产收益的影响。特别是随着全球资本流动的增强,碳金融市场与资本市场和能源市场等在发生低阶矩属性联动关系的同时,也会产生因市场非对称信息和极端事件冲击而导致的偏度和峰度等高阶矩属性的风险传染现象。而基于高阶矩属性风险传染理论,显着性的高阶矩属性风险传染能够对市场非理性协同运动和极端冲击所导致的价格变动提供有效解释,这一解释视角契合碳金融资产所具备的市场非对称性和极端冲击敏感性等特殊性特征。因此,将高阶矩属性风险传染关系纳入碳金融资产定价框架,符合碳金融资产的特殊性特征,能够从新的证据因子解释碳金融资产的溢价波动。基于此,本文研究创新和结论如下:（1）构建考虑高阶矩属性风险传染关系的碳金融资产定价框架。首先,将二元资产高阶矩CAPM资产定价框架拓展至多因子,形成基于高阶矩的碳金融资产多因子定价框架。其次,基于碳金融资产高阶矩属性风险传染理论,对定价框架中碳价及其定价因子间的风险传染关系进行检验和识别,研究市场波动趋势异质性下的风险传染关系和传染强度,从市场非理性协同运动和极端冲击角度解释碳金融资产溢价波动。第三,将识别的高阶矩风险传染关系反馈到拓展高阶矩碳金融资产定价框架中,形成考虑高阶矩属性风险传染的碳金融资产定价框架。该理论框架遵循“一般到特殊”的构建思想,将融合碳金融资产特征的高阶矩属性风险传染关系纳入定价框架中,为碳金融资产溢价波动提供新的证据解释。（2）使用非参数统计计量模型检验基于波动趋势异质性的碳金融资产及其定价因子间的高阶矩属性风险传染关系。市场收益波动隐含了碳金融资产对遭受极端冲击或非对称信息冲击的市场反映,研究基于市场波动趋势差异的风险传染关系符合碳金融市场波动异质性特征。研究发现:（1）碳金融资产及其定价因子间不仅存在低阶矩属性的风险传染关系,而且还存在协偏度、协峰度和协波动率等高阶矩属性渠道的风险传染关系。这表明从高阶矩属性出发,考虑碳金融资产及其定价因子间因市场非对称信息和极端事件冲击而导致的风险传染关系,已经成为影响碳金融资产价格驱动机制的新的因子证据。（2）快速波动趋势下的风险传染强度大于缓慢波动的强度。不同风险波动趋势的传染强度差异,本质上是碳金融资产收益及其蕴含的风险和收益对应关系的一种表征。结论为筛选具有高阶矩属性风险传染关系的碳定价因子,开展定价模型的拟合与预测提供分析基础。（3）构建多层多变量LSTM模型实现碳金融资产定价框架的拟合与预测。根据所识别的具有高阶矩属性风险传染关系的碳价及其定价因子,构建基于碳金融资产定价框架的实证模型,构造处理金融时间序列具有优势的多层多变量长短期记忆神经网络（multi-layer and multi-variable Long Short-Term Memory Network,Multi-LSTM）对定价框架进行拟合。通过实验手段确定最优的网络结构和参数,提高模型拟合和泛化能力,实现有效收敛。研究发现,相比不考虑高阶矩属性的碳金融资产定价框架,考虑高阶矩属性风险传染的定价框架能够对碳金融资产收益,特别是较长期限（12个月）的收益进行较好的精度预测和模型拟合,Multi-LSTM模型的预测效果和稳定性显着优于其他深度网络模型（Multi-GRU,RNN,MLP）、波动率模型（Garch-M）以及神经网络模型（BP）等分类器,印证了定价模型的优越性以及机器学习方法的拟合优势。研究在理论上证明了所构建的考虑高阶矩属性风险传染的碳金融资产定价框架,能对碳金融资产溢价提供有力解释,表明将高阶矩属性风险传染关系纳入碳资产定价框架的合理性和有效性,拓展了碳金融资产定价理论和方法;在实践上,为碳金融资产定价机制的成熟和完善、减排作用的发挥以及不确定环境下碳金融市场的投融资决策提供参考。
李兴有[9]（2020）在《基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用》文中研究指明量化投资主要基于数学的方法完成投资的决策和实施,而且其中往往伴随着计算机技术的参与。量化投资的理论、策略以及实践在金融环境成熟的海外投资市场已经发展多年。伴随着近年来人工智能技术的再度兴起,各种新技术、新模型和高性能的计算机也与量化投资的结合越来越紧密,并且相关的概念和研究也逐渐被越来越重视。量化投资具有很多特点:首先是严格按照数理结果做出投资决策。在量化投资中决策的依据是模型的结果,而不是投资者的感觉。量化投资很好的克服了传统投资方式下人性缺陷带来的不足,每一次的投资决策所有的行动理由全部基于严密的数学计算结果。其次量化投资可以做到高效、严密的处理分析数据。传统的投资方法面对当今信息时代爆炸性增长的数据,难以做到全面、缜密和具有逻辑的分析处理。而量化投资模型可以很快速的处理成千上万关于投资的信息,最新的人工智能算法又可以在复杂的各种信息中理清关系构建评估体系,可以说基于计算机技术的量化投资可以看到传统的投资方式难以看到的信息。最后量化投资可以做到从金融数据中发掘价值。从最初的统计套利,根据统计学的原理在具有相同性质的股票之间寻找价差,到之后基于概率和历史数据挖据模型,量化投资利用数学知识建立起完全有别于传统定性投资的方法,并不是只简单的借助股票基本性质来作为分析的手段。本文关注于量化投资策略中的多因子模型,借助人工智能技术对其进行拓展,具体的主要工作有:首先,在投资领域中量化投资策略占据着主导,量化投资策略的核心在于根据因子与收益和风险之间的关系来配置资产组合。因此提升资产配置效率的核心就在于对因子模型的不断改进,本文提出利用Elman神经网络来预测多因子模型中的因子,这种处理方法可以取得相较于传统的量化多因子模型更好的结果,文中以2017年2018年的8个季度数据为样本,首先检验了多因子模型的效果,结果表明多因子模型在中国证券市场中具有显着的效果。同时通过对比实验证明,未来一期的因子在建立资产配置组合时效果优于用当期因子预测资产未来的收益。而在预测未来一期因子方面,传统的线性回归模型对于数据要求较多,必须满足平稳或协整等条件。本文中通过检验表明因子数据无法满足相关要求。因此文中提出利用非线性的Elman神经网络来预测因子的未来走势,实验结果表明Elman神经网络预测出的因子可以起到一定的作用,并且将预测因子和原有的多因子模型相结合可以获得显着的优于原有模型的效果,该方法拓展了资产配置的途径,提升了资产配置的效率。其次,本文研究了宏观经济因子在多因子选股模型中的应用,在传统的多因子模型中,必须首先依靠Fama-MacBeth回归检验因子的有效性,当因子无法完成有效性检测时,则认为在传统的框架下无法建立起因子与股票收益率之间的关系,进而宏观经济因子不能应用于多因子选股模型。但是有些宏观经济因子与股票收益率之间存在关联是符合经济学研究的,因此本文提出为了更好的刻画二者之间的关系,可以在线性模型不能建立起二者之间关系的情况下,利用基于神经网络的非线性模型来研究宏观经济因子与股票收益率之间的关系,实验表明添加了宏观经济因子的神经网络模型能够更好的拟合股票收益率,更进一步本文依靠神经网络模型的预测结果作为评分依据建立多因子选股模型,实验表明神经网络模型选出的投资组合在收益率表现上显着优于传统方法,并且添加了宏观经济因素的多因子模型表现更为优异,这更进一步证明了宏观经济因子对于股票收益率的影响。最后,Smart Beta投资策略是基于Alpha策略和Beta策略相结合的一种投资策略,其核心是在跟踪指数的同时改变指数的权重确定方式。传统的指数和Beta策略在编制指数时大部分以成分股的市值、成交量等权重确定方式为依据。而Smart Beta策略则根据Alpha因子作为权重编制的依据。本文首先依据Smart Beta策略的构建方法,依据公司质量因子和等权重法分别对所跟踪的指数进行了构建,并比较了在Smart Beta策略下的两种权重确定方式的表现优劣。在对比中可以看出,不同的指数适合不同的权重确定方法。因此本文提出基于人工智能算法的分类功能来预测指数适合的权重确定方法。然后分别验证了BP神经网络和线性层模型对于指数适合权重方法的预测,结果表明人工智能算法对于分类不同的指数和其权重确定方式起到了一定作用。
干伟明[10]（2020）在《多因子资产定价模型在A股市场的实证研究》文中认为资产定价理论和模型是现代金融学中投资理论和投资实践的重要研究领域,其理论与实证目前主要以西方发达国家资本市场为主导。现有研究虽然已相当深入,取得了大量具有理论价值和实际意义的研究成果,但还存在一些进一步完善的空间。因此本文从多因子定价模型为切入点,针对以下几个问题开展了公式推导与实证研究:（1）影响A股上市公司股票收益率的因素有哪些?（2）A股市场最佳多因子资产定价模型是由哪些定价因子所组成?（3）这些定价因子背后的经济含义是什么?在公式推导方面,本文以FF多因子模型中股利折现模型中的股票收益率公式为参考,通过对A股上市公司股票收益率的成因分析,进而从上市公司经营基本面的角度出发推导出上市公司股票收益率的一般形式,并对其背后的经济含义加以分析,在此基础上提出A股市场中多因子资产定价模型的因子组成设想,即一个有效的多因子资产定价模型至少应当包含能够反映上市公司当前优劣程度、未来增长潜力和个股投资者情绪等三方面的因素。在实证研究方面,本文以A股20072018年月度数据为样本,验证了公式推导中得出的一系列设想和结论,得到了以下四方面的研究结果:在上市公司经营基本面因素方面。本文研究发现:A股上市公司经营基本面因素与其股票收益率之间存在显着联系;A股上市公司分红率与其市净率（PB,即账面市值比倒数）存在较强负相关关系;A股小市值公司较大市值的规模增长速度更快主要不是来源于其自身业绩内生增长而是更多的来源于收购、并购、增发等外源式增长;此外本文还从A股市场整体经营基本面的视角发现了A股市场整体走势对于国内宏观经济走势具有一定“晴雨表”预测作用。在投资者情绪因素方面。本文研究表明:A股市场整体投资者情绪变化总体上与组合或个股的收益率之间存在正相关关系;个股投资者情绪重要代理变量换手率、上月超额收益率等指标与个股股票收益率的负相关关系相当显着;进一步分析还表明A股小市值公司更易受到投资者情绪因素的影响,A股中存在针对小市值公司较为明显的投机炒作现象和较为明显的短周期反转效应。在定价因子分析方面。本文从上市公司经营基本面和投资者情绪两方面开展研究,结果表明:A股市场中包含股票价格变动信息较多的因子有:反映上市公司当前优劣的净资产收益率Roe因子、反映上市公司规模增长的市值Smb因子、反映上市公司内生增长的净利润增长Net因子、综合现金分红率和市净率因素后对FF模型中Hml因子补充和完善的HmlR因子;同时研究表明反映上市公司经营基本面因素的因子对反映投资者情绪因素的因子可以发挥主要解释作用,这表明驱动A股市场价格变动的主要因素归根结底还是上市公司经营基本面因素。在A股市场多因子定价模型方面。本文研究表明:总体而言,A股市场的最佳多因子定价模型是三因子模型Mkt+Smb+Net组合;最佳四因子模型是Mkt+Smb+Net+HmlR组合;最佳五因子模型则是Mkt+Smb+Net+HmlR+Cma/Roe组合;不同定价因子组成的多因子资产定价模型在A股市场的不同时期的表现则证明了A股市场整体定价效率在得到逐步提升,这说明A股市场在逐渐走向成熟和有效。此外,本文还通过将定价模型和定价因子纳入配对交易的改进中,研究表明:依靠本文提出的A股市场Roe、Smb、Net和HmlR等定价因子作为控制变量进行配对交易策略设计,配对组合的均衡关系描述更加稳定和全面,模型发散的风险得到了规避,从而能够显着减少套利风险,提高配对交易的盈利。本文关于多因子资产定价模型在A股市场中的上述研究成果一方面与金融学理论中的有关思想吻合,另一方面也可对资产定价研究,投资实践和市场建设提供借鉴和补充。
二、Markowitz有效资产组合理论与我国资本市场资产组合有效性的实证分析（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、Markowitz有效资产组合理论与我国资本市场资产组合有效性的实证分析（论文提纲范文）
（1）基于Mean-ES模型的社保基金投资组合研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 我国社保基金运营概况 |
| 1.2.1 社保基金的构成 |
| 1.2.2 社保基金管理模式 |
| 1.2.3 全国社保基金投资对象与投资原则 |
| 1.3 社保基金投资组合现状 |
| 1.3.1 社保基金投资限制 |
| 1.3.2 基金规模和资金配置情况 |
| 1.3.3 投资收益情况 |
| 1.3.4 我国社保基金重仓分析 |
| 1.4 我国社保基金投资的不足 |
| 1.5 研究框架及方法 |
| 1.5.1 研究框架 |
| 1.5.2 研究方法 |
| 1.6 创新点 |
| 2 文献综述 |
| 2.1 投资组合理论 |
| 2.2 社会保障基金理论 |
| 2.3 投资组合风险度量理论 |
| 2.4 文献评述 |
| 3 社保基金投资组合的理论分析与研究设计 |
| 3.1 理论基础 |
| 3.1.1 风险测度研究 |
| 3.1.2 GARCH-Copula模型 |
| 3.1.3 传统的投资组合理论 |
| 3.2 基于均值-期望损失(ES)的资产组合优化模型 |
| 3.2.1 基本思想 |
| 3.2.2 基于Mean-ES的资产组合模型 |
| 3.3 研究设计 |
| 4 全国社保基金投资组合的实证分析 |
| 4.1 投资标的选取的约束条件 |
| 4.2 数据的选取与处理 |
| 4.2.1 描述性统计 |
| 4.2.2 统计检验 |
| 4.3 GARCH模型的构建与检验 |
| 4.4 Copula函数的选取 |
| 4.5 基于GARCH-Copula和 Mean-ES模型的最优投资组合求解与分析 |
| 4.5.1 最优投资组合求解 |
| 4.5.2 结果分析 |
| 4.6 基于GARCH-Copula的 Mean—ES模型有效性检验 |
| 4.6.1 数据的选取 |
| 4.6.2 实证求解 |
| 4.6.3 模型有效性分析 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 文章结论 |
| 5.2 政策建议 |
| 5.3 不足与展望 |
| 参考文献 |
（2）资管新规下H银行客户的资产配置优化策略研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究思路、方法和框架 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.3.3 研究框架 |
| 1.4 论文结构与主要创新 |
| 1.4.1 论文结构 |
| 1.4.2 主要创新 |
| 第2章 相关概念及理论综述 |
| 2.1 资管新规政策解析 |
| 2.2 资产配置的相关概念 |
| 2.2.1 资产配置 |
| 2.2.2 个人资产种类 |
| 2.2.3 居民个人资产配置 |
| 2.3 投资组合理论 |
| 2.3.1 Markowitz的均值-方差理论 |
| 2.3.2 Sharpe资本资产定价理论(CAPM) |
| 2.3.3 Black-Litterman资产配置模型 |
| 2.4 VAR模型概述 |
| 第3章 资管新规对H银行客户资产配置影响分析 |
| 3.1 H银行简介 |
| 3.2 H银行客户资产配置现状 |
| 3.2.1 H银行客户概况 |
| 3.2.2 H银行客户资产配置需求分析 |
| 3.3 H银行客户资产配置案例分析 |
| 3.4 资管新规对居民个人资产配置的影响分析 |
| 3.4.1 打破刚性兑付 |
| 3.4.2 理财产品的转变 |
| 3.4.3 银行结构性存款规模剧增 |
| 第4章 基于Black-Litterman模型的实证分析 |
| 4.1 Black-Litterman模型的基本思想 |
| 4.2 数据选取 |
| 4.3 构建VAR模型预测观点收益 |
| 4.3.1 单位根检验 |
| 4.3.2 协整检验 |
| 4.3.3 格兰杰因果关系检验 |
| 4.3.4 模型的确定及评价 |
| 4.4 Black-Litterman模型的实证结果 |
| 4.4.1 隐含均衡收益率 |
| 4.4.2 预期收益率 |
| 4.4.3 Black-Litterman模型与均值方差模型资产配置比较 |
| 4.5 本章小结 |
| 第5章 相关建议 |
| 5.1 监管建议 |
| 5.1.1 为资管新规落地营造良好资本市场环境 |
| 5.1.2 创新金融工具投资范围 |
| 5.2 资管新规下个人资产配置建议 |
| 5.2.1 选择正确的资产配置模型 |
| 5.2.2 资产组合实现风险控制 |
| 5.2.3 着重于稳定固收类资产 |
| 5.2.4 做好时间规划,搭配中长期稳健资产 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 附录A 问卷 |
（3）智能投顾服务的资产选择及价格竞争机制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 投资顾问的发展 |
| 1.1.2 智能金融的应用 |
| 1.1.3 智能投顾的优势 |
| 1.1.4 智能投顾的发展 |
| 1.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.4 本文创新点 |
| 第2章 理论背景和相关研究工作 |
| 2.1 投资组合理论 |
| 2.2 信号传递理论 |
| 2.3 利益相关者理论 |
| 2.4 相关研究工作 |
| 2.4.1 投资顾问的相关研究工作 |
| 2.4.2 智能投顾的相关研究工作 |
| 2.4.3 投资组合的相关研究工作 |
| 2.4.4 价格竞争的相关研究工作 |
| 2.5 本章小结 |
| 第3章 智能投顾服务运作机制的案例研究 |
| 3.1 研究背景分析 |
| 3.1.1 我国智能投顾服务的发展背景分析 |
| 3.1.2 我国初创型与成熟型智能投顾公司(平台)的差异分析 |
| 3.1.3 我国智能投顾服务的运作流程分析 |
| 3.2 研究设计 |
| 3.2.1 案例选择 |
| 3.2.2 数据收集 |
| 3.2.3 分析步骤 |
| 3.2.4 案例变量编码及模型构建 |
| 3.3 影响因素与作用机理分析 |
| 3.3.1 基础资产所属机构属性作用分析 |
| 3.3.2 基础资产属性作用分析 |
| 3.3.3 基础资产运作人属性作用分析 |
| 3.4 案例研究结果讨论 |
| 3.5 本章小结 |
| 第4章 智能投顾服务对基础资产的选择倾向性研究 |
| 4.1 智能投顾基础资产库构建模式 |
| 4.2 研究假设 |
| 4.2.1 基金特征与智能投顾选择行为 |
| 4.2.2 基金经理特征与智能投顾选择行为 |
| 4.2.3 基金经理特征的调节作用 |
| 4.3 研究设计 |
| 4.3.1 研究样本选取 |
| 4.3.2 变量描述 |
| 4.3.3 数据分析 |
| 4.3.4 模型的构建 |
| 4.4 实证结果及分析 |
| 4.5 实证研究结果讨论 |
| 4.5.1 对于智能投顾公司的借鉴意义 |
| 4.5.2 对于基金管理公司的借鉴意义 |
| 4.6 本章小结 |
| 第5章 智能投顾服务市场中的价格竞争机制研究 |
| 5.1 研究背景 |
| 5.2 研究挑战 |
| 5.3 智能投顾产品的价格竞争环境 |
| 5.4 集中优化方法对个体的非有效性验证 |
| 5.5 智能投顾服务市场价格竞争模型构建及验证 |
| 5.5.1 智能投顾服务市场价格竞争模型构建 |
| 5.5.2 智能投顾服务市场价格竞争问题复杂度研究 |
| 5.5.3 模型仿真 |
| 5.5.4 结果分析 |
| 5.6 智能投顾服务市场的价格竞争研究 |
| 5.6.1 拥挤效应的应用 |
| 5.6.2 假设条件 |
| 5.6.3 考虑拥挤效应的需求模型构建 |
| 5.6.4 智能投顾服务市场价格竞争均衡研究 |
| 5.7 仿真分析 |
| 5.7.1 算例基本假设条件 |
| 5.7.2 模型构建及求解 |
| 5.7.3 算例结果分析 |
| 5.8 定价策略研究结果讨论 |
| 5.8.1 对于基金管理公司的借鉴作用 |
| 5.8.2 对于智能投顾公司的借鉴作用 |
| 5.8.3 对于行业监管的借鉴作用 |
| 5.9 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（4）基于非对称中国A股市场的Black-Litterman投资组合研究（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 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究思路及方法 |
| 1.2.1 研究思路 |
| 1.2.2 研究方法 |
| 1.3 论文整体结构 |
| 1.4 主要创新点 |
| 第二章 市场非对称性及资产组合理论简介 |
| 2.1 市场非对称相关文献综述 |
| 2.2 资产组合理论简介 |
| 2.2.1 均值方差等传统资产组合理论 |
| 2.2.2 Black-Litterman资产组合理论 |
| 2.3 小结 |
| 第三章 中国A股市场非对称性的实证分析 |
| 3.1 非对称CAPM模型 |
| 3.2 数据的统计性描述 |
| 3.3 市场非对称性的实证检验 |
| 3.4 结果分析 |
| 第四章 基于非对称市场的Black—Litterman模型构建 |
| 4.1 Black-Litterman模型的理论建模 |
| 4.2 基于非对称市场的Black-Litterman模型构建 |
| 第五章 基于非对称市场的Black—Litterman模型的有效性检验 |
| 5.1 研究数据的选择及描述分析 |
| 5.2 设定模型参量值 |
| 5.3 基于非对称市场的Black-Litterman模型的实证分析 |
| 5.4 基于非对称市场的Black-Litterman模型与Markowitz模型的对比分析 |
| 5.5 基于非对称市场的Black-Litterman模型稳定性检验 |
| 5.6 小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究不足及展望 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文目录 |
（5）认知能力会影响家庭投资分散化吗 ——基于CFPS数据的实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景与研究意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 研究内容与方法 |
| 一、研究内容 |
| 二、研究方法 |
| 第三节 研究思路与研究的创新和难点 |
| 一、研究思路 |
| 二、研究创新点与难点 |
| 第二章 理论基础和文献综述 |
| 第一节 家庭资产投资组合理论 |
| 第二节 对投资分散化的研究综述 |
| 第三节 认知能力相关研究综述 |
| 第四节 文献述评 |
| 第三章 数据来源、变量选取与模型 |
| 第一节 数据来源 |
| 第二节 变量 |
| 一、核心变量 |
| 二、控制变量 |
| 第三节 模型 |
| 第四章 描述性统计 |
| 第一节 我国家庭参与金融市场的现状 |
| 第二节 综合认知额能力视角下家庭参与金融市场现状 |
| 第三节 综合认知额能力视角下家庭投资分散化现状 |
| 第四节 我国家庭财务决策人认知能力现状 |
| 第五节 其他各变量的描述性统计 |
| 第五章 实证分析 |
| 第一节 简单投资策略假设下的回归 |
| 第二节 复杂投资策略假设下的回归 |
| 第三节 复杂投资策略假设下按细分认知能力的回归 |
| 第四节 认知能力影响投资分散化的机制分析 |
| 第五节 内生性分析和稳健性检验 |
| 第六章 研究结论、政策建议与未来展望 |
| 第一节 研究结论 |
| 第二节 政策建议 |
| 第三节 不足与展望 |
| 参考文献 |
| 在校期间科研成果 |
| 致谢 |
（6）我国家庭金融资产配置的影响因素研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 研究背景及意义 |
| 一 研究背景 |
| 二 研究意义 |
| 第二节 国内外相关文献综述 |
| 一 家庭资产配置理论模型的发展综述 |
| 二 国内外文献综述 |
| 第三节 研究目的与研究方法 |
| 一 研究目的 |
| 二 研究方法 |
| 第四节 研究内容与技术路线 |
| 一 研究内容 |
| 二 技术路线 |
| 第五节 研究的创新点 |
| 第二章 家庭金融资产配置的内涵和机制分析 |
| 第一节 家庭金融资产配置的内涵 |
| 一 家庭金融资产概念界定 |
| 二 家庭金融资产配置的特征和途径 |
| 第二节 家庭金融资产配置的机制分析 |
| 一 家庭金融资产选择行为的决策机制 |
| 二 风险态度对金融资产配置的作用机制 |
| 三 金融素养对金融资产配置的作用机制 |
| 四 信任度对金融资产配置的作用机制 |
| 五 主观幸福感对金融资产配置的作用机制 |
| 六 社会互动对金融资产配置的作用机制 |
| 第三章 家庭金融资产配置的现状分析 |
| 第一节 家庭金融资产规模分析 |
| 第二节 家庭金融资产结构分析 |
| 一 生命周期与金融资产配置 |
| 二 受教育程度与金融资产配置 |
| 三 家庭财富与金融资产配置 |
| 第四章 家庭金融资产配置的实证研究 |
| 第一节 研究假设与模型构建 |
| 一 研究假设 |
| 二 模型构建 |
| 第二节 数据来源与变量选取 |
| 一 数据来源及说明 |
| 二 变量的选取 |
| 三 变量描述性统计 |
| 第三节 家庭金融资产参与度的probit分析 |
| 第四节 家庭金融资产占比的tobit分析 |
| 第五节 家庭金融区位异质性实证分析 |
| 一 家庭金融资产城乡异质性实证分析 |
| 二 家庭金融资产东中西部异质性实证分析 |
| 第六节 模型检验 |
| 一 Heckman两步法内生性检验 |
| 二 稳健性检验 |
| 第五章 结论与展望 |
| 第一节 研究结论 |
| 第二节 政策建议 |
| 第三节 研究展望 |
| 参考文献 |
| 个人简历 |
| 致谢 |
（7）基于心理账户的资产配置选择研究（论文提纲范文）
| 内容摘要 |
| Abstract |
| 第1章 导论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容、研究思路与研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究思路 |
| 1.2.3 研究方法 |
| 1.3 分析框架及结构 |
| 1.4 可能的创新之处 |
| 第2章 资产组合选择理论回顾与评述 |
| 2.1 从证券投资组合到资产组合选择 |
| 2.1.1 证券投资组合模型的假设基础 |
| 2.1.2 证券投资组合模型 |
| 2.1.3 含无风险资产的投资组合模型 |
| 2.1.4 证券投资组合理论的发展 |
| 2.2 金融市场异象与行为金融解释 |
| 2.2.1 Friedman-Savage之谜 |
| 2.2.2 股权溢价之谜 |
| 2.2.3 动量效应和长期反转 |
| 2.3 行为资产组合理论与模型 |
| 2.3.1 心理账户理论 |
| 2.3.2 “安全第一”资产组合理论 |
| 2.3.3 SP/A资产组合理论 |
| 2.3.4 行为资产组合模型 |
| 2.4 资产配置模型的对比分析 |
| 第3章 心理账户与行为分层结构资产组合模型 |
| 3.1 从行为资产组合模型到行为分层结构资产组合模型 |
| 3.2 安全账户与安全资产选择 |
| 3.2.1 无次序的一般分析 |
| 3.2.2 “安全第一”的投资选择 |
| 3.3 收益账户资产选择 |
| 3.4 收益账户资产最优持仓比 |
| 3.4.1 基于VaR的分析 |
| 3.4.2 基于期权定价模型的分析 |
| 第4章 杠杆率异质性与资产配置策略选择 |
| 4.1 不同杠杆率资产的统计与分类 |
| 4.2 基于资产池不同组合方式的策略构建 |
| 4.3 资产配置策略投资效果度量 |
| 4.3.1 大盘策略和托宾资产配置策略 |
| 4.3.2 杠杆率异质性下的行为分层结构资产配置策略 |
| 4.3.3 对比分析 |
| 第5章 经验证据 |
| 5.1 大类资产选择及数据说明 |
| 5.1.1 大类金融资产的选择 |
| 5.1.2 数据说明 |
| 5.2 “分层”策略下的财富增值率度量 |
| 5.2.1 投资者家庭安全需求与投资者家庭财富 |
| 5.2.2 “分层”策略收益、投资者财富与风险资产死亡风险 |
| 5.3 中产阶级样本家庭“分层”策略有效性分析 |
| 5.3.1 中产阶级的界定 |
| 5.3.2 中产家庭“分层”策略有效性验证 |
| 5.3.3 不同死亡风险下的中产家庭财富增值率度量 |
| 5.3.4 不同财富状况下的中产家庭收益账户配比 |
| 5.4 “分层”策略与托宾资产配置策略的静态比较 |
| 5.4.1 托宾资产配置策略 |
| 5.4.2 行为分层结构资产配置策略 |
| 5.4.3 两种资产配置策略比较 |
| 5.5 “分层”策略与大盘收益的动态比较 |
| 第6章 结论与建议 |
| 6.1 结论 |
| 6.2 建议 |
| 参考文献 |
| 后记 |
（8）考虑高阶矩属性风险传染的碳金融资产定价研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景、目的与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.1.3 研究意义 |
| 1.2 相关文献综述 |
| 1.2.1 基于矩属性风险传染的金融资产定价研究 |
| 1.2.2 碳金融资产价格波动特征研究 |
| 1.2.3 碳金融资产定价方法研究 |
| 1.2.4 研究述评 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.5 研究创新点 |
| 1.6 本章小结 |
| 第二章 考虑高阶矩属性风险传染的碳金融资产定价理论框架构建 |
| 2.1 碳金融资产定价相关概念 |
| 2.1.1 碳金融资产的基本内涵 |
| 2.1.2 碳金融资产阶矩属性内涵 |
| 2.1.3 基于高阶矩属性的碳金融资产风险传染内涵 |
| 2.2 金融资产定价相关理论基础 |
| 2.2.1 投资者理性预期的金融资产定价理论 |
| 2.2.2 投资者有限理性的金融资产定价理论 |
| 2.3 矩属性视角下碳金融市场风险传染理论 |
| 2.3.1 基于市场联动的碳金融市场低阶矩风险传染 |
| 2.3.2 基于投资者有限理性的碳金融市场“净传染”理论 |
| 2.4 考虑高阶矩属性风险传染的碳金融资产定价框架研究 |
| 2.4.1 基于有限理性的碳金融市场效率理论 |
| 2.4.2 多元框架下碳金融资产拓展高阶矩CAPM定价理论研究 |
| 2.4.3 高阶矩资产定价框架下的碳金融市场风险传染研究 |
| 2.4.4 高阶矩属性风险传染的碳金融资产多因子定价框架构建 |
| 2.5 本章小结 |
| 第三章 考虑高阶矩属性风险传染的碳金融资产定价模型设计 |
| 3.1 碳金融资产高阶矩属性风险传染测度模型 |
| 3.1.1 碳金融市场波动趋势异质性分析 |
| 3.1.2 基于波动趋势异质性的碳金融资产风险传染模型构建 |
| 3.2 考虑高阶矩属性风险传染的碳金融资产定价模型设计 |
| 3.2.1 二元框架CAPM碳金融资产定价模型构建 |
| 3.2.2 基于风险传染关系的碳金融资产多因子定价模型设计 |
| 3.3 基于Multi-LSTM模型的碳金融资产定价框架拟合 |
| 3.3.1 LSTM模型的碳价拟合优势 |
| 3.3.2 基于LSTM的碳金融资产定价模型结构与训练 |
| 3.3.3 基于LSTM模型的碳金融资产定价效果评价标准 |
| 3.4 本章小结 |
| 第四章 考虑高阶矩属性风险传染的碳金融资产定价的实证研究 |
| 4.1 研究样本与基础统计分析 |
| 4.1.1 研究样本 |
| 4.1.2 基本统计分析与数据预处理 |
| 4.2 碳金融资产高阶矩属性风险传染的测度与分析 |
| 4.2.1 碳金融市场波动趋势分析 |
| 4.2.2 基于波动趋势异质性的碳金融资产协高阶矩统计分析 |
| 4.2.3 基于波动趋势异质性的碳金融资产高阶矩属性风险传染分析 |
| 4.3 基于Multi-LSTM模型的碳金融资产定价测度 |
| 4.3.1 基于高阶矩属性风险传染的碳金融资产定价模型重构 |
| 4.3.2 基于Multi-LSTM模型的碳价拟合结构优化 |
| 4.3.3 基于Multi-LSTM模型的碳金融资产定价模型效果分析 |
| 4.4 本章小结 |
| 第五章 研究结论与展望 |
| 5.1 研究结论 |
| 5.2 管理启示 |
| 5.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（9）基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 选题背景及研究意义 |
| 一、选题背景 |
| 二、研究意义 |
| 第二节 研究内容和方法 |
| 一、研究内容 |
| 二、研究方法 |
| 三、研究创新点 |
| 第二章 研究综述 |
| 第一节 从投资理论的历史中认识量化 |
| 第二节 现代资产组合理论及其发展 |
| 一、现代资产组合理论 |
| 二、现代资产组合理论之后的发展及完善 |
| 第二节 CAPM理论及其发展 |
| 一、CAPM理论的基本内涵 |
| 二、CAPM理论的发展和完善 |
| 第三节 多因子模型理论及其发展 |
| 一、Fama-French因子模型 |
| 二、因子模型中因子的研究 |
| 三、基于因子模型的Alpha策略与Beta策略 |
| 第四节 人工智能的内涵与发展 |
| 一、人工智能的基本定义与内涵 |
| 二、人工智能在金融领域的应用 |
| 第五节 有关量化投资的研究方法 |
| 第六节 对当前研究的总结评析 |
| 第三章 量化投资的Alpha策略 |
| 第一节 引言 |
| 第二节 量化投资策略理论及其实践 |
| 一、量化多因子模型以及其具体实践 |
| 二、因子选股在中国股市的有效性实践 |
| 第三节 利用神经网络探寻新的Alpha因子 |
| 一、人工神经网络 |
| 二、Elman神经网络预测Alpha因子未来的值 |
| 第四节 基本结论 |
| 第四章 宏观经济Alpha因子 |
| 第一节 引言 |
| 第二节 传统的宏观因子有效性检测方法 |
| 一、传统的回归方式检测因子的有效性 |
| 二、Fama-MacBeth回归 |
| 第三节 Fama-MacBeth回归的实践 |
| 第四节 基于神经网络模型检测宏观因子有效性 |
| 第五节 分析与结论 |
| 第五章 量化投资中的Beta策略 |
| 第一节 前言 |
| 第二节 量化投资中的Beta策略 |
| 一、Beta策略的内涵和发展 |
| 二、Smart Beta策略以及其内涵 |
| 第三节 Smart Beta策略实践 |
| 一、数据和指数权重 |
| 二、人工智能算法的训练数据要求和指数的设定 |
| 第四节 基于人工智能的Smart Beta权重策略 |
| 一、线性层和BP神经网络的基本内涵和数学实现 |
| 二、基于BP神经网络的数据实验 |
| 三、实验结果分析 |
| 第五节 分析与结论 |
| 第六章 研究结论与展望 |
| 第一节 主要研究总结 |
| 第二节 研究的主要发现和结论 |
| 第三节 新技术带来新挑战及政策含义 |
| 第四节 研究不足和展望 |
| 参考文献 |
| 英文参考文献 |
| 中文参考文献 |
| 后记 |
| 攻读博士学位期间取得的研究成果 |
（10）多因子资产定价模型在A股市场的实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 导论 |
| 1.1.研究背景与目的 |
| 1.2.研究思路和主要内容 |
| 1.3.全文结构 |
| 1.4.主要创新 |
| 第2章 资产定价理论回顾和文献综述 |
| 2.1.资产定价理论回顾 |
| 2.2.资产定价主要方法 |
| 2.3.资产定价文献综述 |
| 2.4.基于行为金融学的资产定价回顾 |
| 2.5.本章小结 |
| 第3章 上市公司股票收益率和多因子资产定价 |
| 3.1.FF多因子定价模型中的股票收益率 |
| 3.2.公司股票收益率的成因分析 |
| 3.3.公司股票收益率公式推导 |
| 3.4.基于公司股票收益率的多因子定价模型 |
| 3.5.本章小结 |
| 第4章 多因子定价模型中经营基本面因素研究 |
| 4.1. “投资异象”的经营基本面因素分析 |
| 4.2.A股经营基本面因素的对经济“晴雨表”的分析 |
| 4.3.经营基本面因素与股票收益率横截面研究 |
| 4.4.本章小结 |
| 第5章 多因子定价模型中投资者情绪因素研究 |
| 5.1.投资者情绪表现形式和度量指标 |
| 5.2.A股市场整体投资者情绪指数研究 |
| 5.3.个股投资者情绪因素研究 |
| 5.4.本章小结 |
| 第6章 多因子定价模型在A股市场的实证检验 |
| 6.1.A股市场发展及数据样本 |
| 6.2.定价因子构建与分析 |
| 6.3.定价因子比较与选择 |
| 6.4.不同多因子定价模型在A股市场比较和分析 |
| 6.5.稳健性检验 |
| 6.6.本章小结 |
| 第7章 多因子定价模型在配对交易中的应用 |
| 7.1.配对交易现状 |
| 7.2.多因子模型在配对交易中的应用 |
| 7.3.实证分析 |
| 7.4.本章小结 |
| 第8章 论文总结 |
| 8.1.结论与启示 |
| 8.2.研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文 |
| 攻读博士学位期间参加学术会议情况 |
四、Markowitz有效资产组合理论与我国资本市场资产组合有效性的实证分析（论文参考文献）
- [1]基于Mean-ES模型的社保基金投资组合研究[D]. 邱蓉. 浙江大学, 2021(10)
- [2]资管新规下H银行客户的资产配置优化策略研究[D]. 张晓晨. 天津师范大学, 2020(05)
- [3]智能投顾服务的资产选择及价格竞争机制研究[D]. 王雨. 中国科学技术大学, 2020(01)
- [4]基于非对称中国A股市场的Black-Litterman投资组合研究[D]. 张维洋. 广西大学, 2020(07)
- [5]认知能力会影响家庭投资分散化吗 ——基于CFPS数据的实证研究[D]. 刘庆昇. 安徽财经大学, 2020(08)
- [6]我国家庭金融资产配置的影响因素研究[D]. 崔珂婧. 郑州大学, 2020(03)
- [7]基于心理账户的资产配置选择研究[D]. 李军帅. 天津财经大学, 2020(07)
- [8]考虑高阶矩属性风险传染的碳金融资产定价研究[D]. 云坡. 合肥工业大学, 2020(01)
- [9]基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用[D]. 李兴有. 中国社会科学院研究生院, 2020(12)
- [10]多因子资产定价模型在A股市场的实证研究[D]. 干伟明. 南京大学, 2020(09)