项目名称: Forward-Looking与Backward-Looking相结合的投资组合管理

项目编号: No.71471180

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 管理科学

项目作者: 朱书尚

作者单位: 中山大学

项目金额: 60万元

中文摘要: 投资组合管理的研究从优化决策的角度来说,已经得到了很好的发展。然而,资产收益预测作为决策的基础,与投资组合优化贯穿一体的研究却未得到很好的探索。本项目拟研究1)Forward-Looking和Backward-Looking相结合的方法生成对资产收益的预测,考虑到Forward-Looking方法对应的逆问题具有多解的不确定性,将构建稳健投资组合优化问题;2)基于有用信息稀缺性和信息来源的多样想,建立基于混合分布模型的学习型预测方法并融入投资者观点,在此基础上构建稳健的投资组合问题。3)考虑崩溃风险指标下的非线性对冲组合模型和优化方法,为避免系统风险发生时造成巨大损失提供决策模型和方法。

中文关键词: 投资组合;期权隐含波动率;混合模型;崩溃风险

英文摘要: In portfolio management, the optimization (decision) methodologies are well developed up to date. However, there are very limited literatures considering the integration of prediction into portfolio decision. The aims of this project are to investigate the following issues: 1) Combining Forward-Looking and Backward-Looking methods in portfolio selection. Notice that the inverse problems according to the Looking-Forward methods are always have multiple solutions, we try to construct robust portfolio selection models to overcome this type of uncertainty. 2) Portfolio selection based on leaning approaches via mixture model. The mixture model will be used to deal with the informations from different channels, including the Backward-Looking information, Forward-Looking information and investor's subjective views. 3) Nonlinear portfolio selection based on crash down risk measure. We will consider the portfolio selection problem involving nolinear assets such as options to hedge the crash down risk while systematic risk occuring.

英文关键词: Portfolio selection;Option implied volatility;Mixture model;Crash down risk

成为VIP会员查看完整内容
1

相关内容

专知会员服务
54+阅读 · 2021年9月18日
专知会员服务
57+阅读 · 2021年6月1日
【经典书】机器学习导论,234页pdf
专知会员服务
74+阅读 · 2021年4月20日
深度学习组合优化,30页ppt,阿姆斯特丹Wouter Kool讲授
专知会员服务
25+阅读 · 2021年2月27日
【经典书】机器学习高斯过程,266页pdf
专知会员服务
228+阅读 · 2020年5月2日
创业5年,给想创业的人提个醒
创业邦杂志
0+阅读 · 2022年3月8日
是时候开始关注Rust了|QCon
InfoQ
0+阅读 · 2022年2月22日
一派讨论·你在超市最爱逛哪个区?
少数派
0+阅读 · 2022年1月18日
NeurIPS 2021 | 微软亚洲研究院机器学习领域最新研究一览
微软研究院AI头条
0+阅读 · 2021年12月8日
两概率分布交叉熵的最小值是多少?
PaperWeekly
0+阅读 · 2021年11月6日
用狄拉克函数来构造非光滑函数的光滑近似
PaperWeekly
0+阅读 · 2021年10月23日
R-Drop:填补Dropout缺陷,简单又有效的正则方法
微软研究院AI头条
0+阅读 · 2021年7月21日
交通评价指标概略
智能交通技术
15+阅读 · 2019年7月21日
从信息论的角度来理解损失函数
深度学习每日摘要
17+阅读 · 2019年4月7日
Markowitz有效边界和投资组合优化基于Python(附代码)
量化投资与机器学习
32+阅读 · 2018年11月15日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
15+阅读 · 2021年2月19日
小贴士
相关主题
相关资讯
创业5年,给想创业的人提个醒
创业邦杂志
0+阅读 · 2022年3月8日
是时候开始关注Rust了|QCon
InfoQ
0+阅读 · 2022年2月22日
一派讨论·你在超市最爱逛哪个区?
少数派
0+阅读 · 2022年1月18日
NeurIPS 2021 | 微软亚洲研究院机器学习领域最新研究一览
微软研究院AI头条
0+阅读 · 2021年12月8日
两概率分布交叉熵的最小值是多少?
PaperWeekly
0+阅读 · 2021年11月6日
用狄拉克函数来构造非光滑函数的光滑近似
PaperWeekly
0+阅读 · 2021年10月23日
R-Drop:填补Dropout缺陷,简单又有效的正则方法
微软研究院AI头条
0+阅读 · 2021年7月21日
交通评价指标概略
智能交通技术
15+阅读 · 2019年7月21日
从信息论的角度来理解损失函数
深度学习每日摘要
17+阅读 · 2019年4月7日
Markowitz有效边界和投资组合优化基于Python(附代码)
量化投资与机器学习
32+阅读 · 2018年11月15日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员