一、行业投资策略——把握价值主线下的两种策略（论文文献综述）
刘冠东[1]（2020）在《基于文本挖掘的主题投资探索性研究》文中研究说明随着互联网及社交媒体的蓬勃发展,社交平台的文本信息潜移默化地影响着投资者的投资行为,市场舆情直接影响到投资者心理和行为,因此,投资主题风格轮动是市场驱动的重要因素。运用投资者产生的海量互联网文本信息数据,准确地给出主题相关概念股的投资建议,对投资者的投资分析模式理论探索和实践操作均将有极大现实意义。本文通过对股吧文本进行深入分析挖掘,首次在量化投资领域构建了一种基于主题挖掘及情感分析相结合的投资策略模式。方法主要基于隐狄利克雷分布（LDA）算法模型,对东方财富网财经评论吧的文本进行主题挖掘,实现了股市每日舆论热点监测;接着为改进主题挖掘结果的独特性,设计了信息熵指标进一步过滤主题干扰词,该方法有效地降低了主题的困惑度及提升了主题间的差异性;针对主题模型挖掘出的主题是随机的,与金融市场认可的主题不匹配的问题,本文以市场已有概念——新能源汽车主题为例,利用已调优的主题模型抽取该主题的关键词建立主题词库,设计了“主题得分”指标进而实现从股吧舆情中提取出该主题的热度并实施每天自动监测,完成了主题热度的量化工作。接下来本文基于此构建了量化投资策略并进行实证分析:首先针对2019/01/01-2020/02/29期间的股吧舆情挖掘提取出新能源汽车主题得分,将其与新能源汽车指数超额收益波动做了相关性检验,选择了与主题得分显着相关的主题关联股票作为投资股票池。就此对股池的个股爬取同时期的股吧评论,运用文本分类算法进行情感分析后构造了“看涨”情绪指标以辅助策略择时信号的生成;最后利用“主题得分”+“看涨指标”结合均线策略,建立了一种基于股吧文本的“主题+情感”的量化投资新策略模式,在聚宽平台进行历史回测后证实策略有效且表现良好,从而为投资者提供了一种新的投资策略模式参考,同时也证明了股吧文本中的确蕴含对于主题投资决策有价值的信息。
李兴有[2]（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》文中认为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。
易永胜[3]（2019）在《基于变量拆分、模型转换以及复合策略的收益率可预测性研究》文中指出对于股票收益率可预测性的研究已经有了悠久的历史,近年对于这方面的研究依旧热度不减。近年关于提高收益率可预测性的研究主要是从新的预测变量和新的预测方法这两个方面展开。本文从变量层面和模型层面提出了新的预测策略,包括变量拆分策略、模型转换策略和多重复合策略,并分析这三种策略在收益率过程中的作用。具体研究结果如下:（1）基于既有文献,本文的第三章提出了将预测变量分解成两个不同周期的成分变量并将其应用到预测回归模型中的变量拆分策略。具体而言,我们将每个经济预测变量拆分成多个月的移动平均成分序列,以及偏离于该移动平均成分的短周期成分序列。长周期成分变量用于衡量该经济变量的长期变化趋势,而短周期成分变量用于衡量短暂偏离于长期经济趋势的程度。我们将成分变量应用到预测回归模型中并按照组合预测的思想将各成分预测值的算术平均数作为包含单个经济变量完整信息的最终预测值。从该策略下各模型预测表现可以看出,相对于原经济变量的预测表现,当利用拆分变量预测股票收益率时,大多数变量的预测能力都有了明显提升。除了在统计检验中获得良好的预测表现之外,随后的经济价值检验、多变量策略、经济周期、长期收益率、方向正确率检验以及其它参数设定的条件下的检验结果都验证了变量拆分策略的有效性,同时也为收益率的可预测性提供了新的证据。（2）基于既有研究中的模型转换思想,本文第四章从模型层面提出了以实时利率水平为判定标准并进行模型转换的预测策略。该模型转换策略的基本思想是,当某个月的实时利率高于过去某一个历史时期的平均利率水平时,则认为当月的利率水平较高,从而保留回归模型的预测值;当实时利率低于这个水平时,则认为投机行为导致股价的变化不能理性反映经济因素的变化,从而将利用经济变量模型获得的预测值替换为历史均值。实证结果表明,对于大部分预测回归模型而言,在引入新的模型转换策略之后,模型的预测精度有了不同程度的提升。该结果是稳定有效的。首先在10种判定标准下,部分模型的预测能力都稳定显着优于基准模型。其次转换策略在经济价值检验和多变量策略中依然能维持其优越性。再次,复合判定标准、长期收益率以及各经济周期的收益率预测中,模型转换策略的效果依然稳健。（3）本文最后一章将变量拆分策略、模型转换策略以及以往研究中的预测值约束策略“串联”成双重复合策略和三重复合策略,然后检验变量层面、模型层面以及预测值层面的单一策略在被同时应用到收益率预测中时是否能发挥协同作用。实证结果表明,无论是在股票市场还是在原油市场,复合策略的综合表现都要优于单一策略的表现,验证了多策略“串联”时能发挥协同作用。
胡博然[4]（2019）在《基于改进布林线与KDJ指标相结合的量化策略研究》文中研究说明国内金融市场近几年快速发展,如今A股被纳入MSCI指数,中美贸易战不断加剧,使金融机构投资方式的不断改变,从传统的价值投资转向量化投资是未来发展趋势,国内收益率前十的基金机构超过一半以上选用量化投资方式。基本的量化投资是根据技术指标和财务指标相结合的方式,通过统计学中的概率判断市场未来走向,量化投资会避免投资者因情绪造成的风险,计算机判断买卖成交点时机更迅速,避免不必要的滑点成本,对个人投资者而言极具现实指导意义。本课题选择改进的布林线和KDJ指标相结合策略并在模拟和实证中运用量化投资的方法进行分析。在众多技术指标中选择布林线与KDJ指标相结合,KDJ属于判断超买和超卖类技术指标,布林线一般用于分析支撑压力类技术指标,将这两种技术指标相结合能够发挥彼此的优势使指标作用更加准确。研究中针对传统布林线的优缺点进行了阐述,已有的布林线中轨线是由移动平均线构成的,而移动平均线优点是适合判断一个长期趋势的变化,而面对市场波动会出现明显的滞后性,研究中利用卡夫曼自适应均线来代替布林线中轨线,优化传统布林线在面对波动时的不同之处,使用蒙特卡罗方法对比改进前后获得收益的概率。量化策略研究不光是针对买卖成交点的研究,对股票池的选取同样适用,本文选用多因子打分模型,通过财务指标的分析,其中候选因子包括4大类16个因子,涵盖估值、盈利、质量、营运等多个方面考虑,对沪深300股票的10个行业进行打分分析,选择出50只优质股票用作策略回测股票池,随机选择10只股票用作验证策略的广泛适用性,最终价值投资策略和组合策略利用两组股票池做对比收益分析,论证量化投资比价值投资在当前金融环境下更能给投资者带来收益率,而价值投资策略依靠优质的股票池也是具有投资意义的。
齐建军[5]（2018）在《养老金入市的投资策略研究》文中研究说明本文首先通过对中国养老金的发展历史调研,发现中国养老金通过制度不断地改善与管理模式的改变,逐步形成了极具特色的养老金保障体系,而在2015年8月份国务院出台的《基本养老保险基金投资管理办法》,又为中国养老基金中基本养老保险基金的入市提供了明确的制度保障,但是《基本养老保险基金投资管理办法》中并没有明确说明应采取何种投资策略进行投资,只是规定了投资比例。之后通过阅读相关文献,发现国内国外关于养老金入市应选取何种策略的建议较多,但是核心观点都是鉴于养老金性质的特殊性,养老金入市应以保值为最重要目标,在保值的基础上,尽可能的提高收益。然后本文通过对马科维兹均值方差理论和投资组合保险策略理论的梳理,了解了这三个模型的优点与局限性,其中投资组合保险策略的首要目标是保值,其次才是考虑获得更大收益,并且对于降低系统性风险有比较明显的作用,这与养老金入市的初衷较为相符。通过对养老金入市现状的分析,我们发现中国养老金存在三点问题:一、存在委托代理风险和资本市场风险。二、养老金收支缺口数额较大。三、当前养老金主要投资于具有稳定收益的银行存款和国有债券,投资收益率偏低,收益率明显低于其他国家养老金平均水平,且2016年养老金年收益率低于当年通胀水平,养老金面临贬值风险。并且由于受托机构本身投资能力有限,与投资管理机构相比专业性更低,由专业性高的投资管理机构管理一部分养老基金投资组合并采取合适的投资策略就变成一个比较关键的问题。之后本文首先通过实证分析样本数据中固定比例投资组合保险策略（CPPI）和时间不变性投资组合保险策略（TIPP）的收益率表现,发现这两种策略虽然可以保证资产规模不低于期初保额,但是由于风险乘数固定不变,在收益率上表现一般,仍有提升空间。因此本文设计基于平滑异动平均指标（MACD）指标预测结果的风险乘数调整模型D-CPPI和D-TIPP策略,按照MACD指标中的“黄金交叉点”和“死亡交叉点”分别对风险乘数M进行放大和缩小,以使风险资产的规模能够适应股市的走势,即在股市上扬期放大风险资产规模,在股市下跌时缩小风险资产规模,据此本文以2005年1月27日—2015年5月27日,2015年6月10日—2015年10月9日、2017年2月10日—2017年6月8日,总共240个交易日的沪深300指数作为样本数据,通过实证,利用matlab计算收益率结果,比较结果验证其有效性,为中国养老基金的入市提出具体的,有针对性的优化投资组合策略建议。
王迎杰[6]（2018）在《资源配置模式对战略联盟协同创新的影响及导向作用研究》文中认为在战略联盟已经成为国家实现自主创新和科技创新资源优化配置的重要载体这一背景下,整体实现和改善创新主体的联盟协同创新效应,立体提升联盟协同创新水平成为一个备受关注的问题。明确资源配置模式及其影响要素对战略联盟协同创新的作用机制,能够更好地解决联盟协同创新过程中资源利用效率低下等问题,推动和促进战略联盟协同创新效应改善,对企业借助联盟实现自身创新发展起到重要的辅助作用。因此,本文基于要素识别理论,构建资源配置模式对战略联盟协同创新影响的概念模型,将资源配置模式的前置影响要素—资源禀赋、组织惯例、技术机会识别、市场定位、竞争程度和社会资本纳入分析框架,提出研究假设并运用多元回归分析进行实证检验。进一步地,考虑到知识资源作为企业发展最重要的核心竞争性资源,其动态的流动性特征可能对资源配置决策结果的变化与波动产生影响,借鉴知识流动理论对企业资源配置模式类型进行划分,以知识流动为情境构建企业不同联盟意图的演化博弈模型,采用数值仿真系统论述企业策略互动变化情况,具体识别和解释不同资源配置模式对战略联盟协同创新的差异化导向作用。根据研究结果,针对战略联盟协同创新效应提升、企业资源配置模式机制设计及创新发展策略制定提出针对性对策和建议,为联盟企业提供借鉴依据和决策参考。研究结果表明:（1）创新要素对资源配置模式,以及联盟协同创新有直接的正向影响。（2）资源禀赋、组织惯例、技术机会识别、市场定位、竞争程度和社会资本要素对资源配置模式具有显着的正向影响。（3）资源配置模式对联盟协同创新具有显着的正向影响,并且资源配置模式在不同的创新要素—资源禀赋、组织惯例、技术机会识别、市场定位、竞争程度和社会资本与联盟协同创新之间发挥部分中介作用。（4）组织沟通在资源禀赋、组织惯例、社会资本以及资源配置模式与联盟协同创新之间起到正向调节作用,在技术机会识别、市场定位及竞争程度与联盟协同创新之间未产生显着的调节作用。（5）不同类型的资源配置模式对战略联盟协同创新具有差异化导向作用。联盟企业选择随机导向型资源配置模式,将导致联盟因企业主导意图的不确定而演化为单纯的技术型联盟或社会关系型联盟,这两种形式的联盟均有益于实现联盟协同创新效应。合作导向型资源配置模式有利于企业通过投入资源参与技术合作的方式,快速进入产品创新周期以提高联盟协同创新收益。关系导向型资源配置模式下,联盟企业社会资本投资的增加可能引发社会关系与联盟协同创新效率的悖论。知识嵌入型资源配置模式下,随战略联盟知识流动的深入,技术合作和社会资本投资策略存在一定的“反哺效应”,且这种资源配置模式立体提升联盟协同创新稳定性。短期内,合作与关系导向型资源配置模式比随机和知识嵌入型资源配置模式促使联盟协同关系形成的效率更高。
刘伟[7]（2017）在《复杂产品研发联盟收益分配与投资策略研究》文中提出复杂产品的合作研发是我国面临的一个重要问题。目前对于研发联盟管理的研究方法主要集中在定性分析方面,有部分工作虽然使用定量分析方法,但是缺乏考虑市场情况对研发收益的影响,同时对产业化风险问题缺乏足够的认识。本文结合复杂产品研发的长周期特性,使用投资收益率作为衡量指标,深入研究不同联盟结构和不同产业化风险情景下的复杂产品研发联盟内部投资与收益协调机制问题。本文首先综述了前人关于复杂产品研发联盟的相关研究成果,吸取其研究思路,为本文的工作提出有效的研究方案。在此基础上,考虑市场影响构建研发联盟成员的收益函数,分析了单个牵头企业和单个合作企业的研发联盟内部投资与收益协调机制问题,得出在新产品的市场规模和产品对价格的敏感性不同的情景下的协调策略。而后,研究具有产业化风险的单个牵头企业和单个合作企业的研发联盟内部投资与收益协调机制问题。研究表明当参与者发现发生风险以后需要额外付出的成本较高和发生产业化风险的概率较高时,参与者将加大研发投入,提高产品质量,从而尽量扩大市场规模,提高投资收益率;反之则促使参与者减少研发投入,降低产品质量,此时参与者的最优策略与整个联盟的最优策略相反,需要进行协调。本文的第五部分内容深入研究了一家牵头企业和两家合作企业组成的复杂产品研发联盟投资和收益分配机制问题,通过构建不同的博弈模型,详细分析了研发产品的紧密程度和利润分配方式对合作企业收益协调策略的影响。在此基础上,研究产业化风险对复杂产品研发团队的投资与收益分配机制设计的影响。对比可知,不考虑风险的合作企业最优投资策略和考虑风险的最优投资策略最优相似,均存在需要协调和不需要协调的情况。最后,本文以某光谱扫描仪研发项目为例,对复杂产品研发联盟投资和收益分配机制问题进行实证研究。本文在市场和产业化风险的基础上为研发联盟收益分配与投资策略构建了研究框架,也展现了企业合作形成研发联盟对复杂产品研发的重要性。
干鹤鸣[8]（2017）在《我国基本养老保险基金投资配置策略分析》文中指出养老保险基金是支付给退休人员的退休金,用来保障退休人员的基本生活需求,它是由国家立法强制性征收的社会保险费用,是社会保障制度的重要组成部分。在我国,养老保险基金广义上可分为三个部分:基本养老保险基金,企业年金（补充养老保险）和个人商业性养老保险基金。换句话说,伴随着我国老龄化社会高峰的到来,国家、企业、个人将共同承担这些养老支出。本文接下来研究的养老保险基金是指基本养老保险基金。目前,养老基金面临如投资渠道有限、回报率低等诸多挑战。出于对养老金的安全考虑,国家规定除了预留少数几个月的日常支出以外,基金的所有结余只可购买国债或者银行存款,但是这样无法规避利率风险和通胀危机。为了应对这一挑战,2015年8月国务院颁布了《基本养老保险投资管理办法》（简称投资管理办法）,鼓励多元化投资基金,然而,根据国家社保基金投资管理暂行办法提供的社保基金的经验,实施过程相对缓慢。与此同时,允许投资股票市场的基金比例受到法规的严格限制。基本养老保险入市的配套政策出台还需要些时间,很可能套用社会保障基金的模式,存在极大的不确定性。目前我国处于负利率时期,即使是在实际利率为正的时期,基本养老金所获得的银行利率和国债利率也属于管制利率,往往低于同期市场利率,无法获得合理的投资收益。整体养老金的保值增值受到严重挑战。本文围绕基本养老保险基金投资配置策略,利用比较分析及实证分析等方法,对基本养老保险投资的现状进行评估,分析总结了基金组合资产的风险与收益,并通过对投资组合保险策略CPPI与TIPP在多头时期,空头时期,盘整时期的表现分析,在此基础上,设计出一种基于TIPP策略优化的ROC-TIPP投资组合保险策略,并通过实证、效果检验证明了其有效性,对我国基本养老保险基金入市提出具体、有针对性的优化投资组合策略,同时为企业年金、商业养老保险等其他养老基金的投资管理提供参考依据。
白伊贝[9]（2016）在《不同投资策略的有效性分析 ——基于P2P平台的实证分析》文中研究指明随着金融市场的不断发展,金融创新也是层出不穷,互联网金融成为时下金融界最炙手可热的话题,P2P借贷平台就是互联网金融大趋势下的一种产物,它是随着互联网的发展和民间借贷的兴起而发展起来的一种新的金融模式,避开银行贷款这一传统的间接融资模式设置的较高门槛,为小微企业融资以及个人信用卡还款提供了便利,同时又利用蓬勃发展的互联网技术,将原有的民间借贷网络平台化,个人信息公开化,使得借贷双方在一个相对透明的平台上完成借贷交易。因其能解决小微企业融资困境,研究大多从融资端端出发,随着P2P违约事件的频发,从投资者角度研究显得更加重要,文章以此为切入点探究两种投资策略的有效性:从众投资策略、自我判断策略。对美国最大的P2P借贷平台Prosper数据进行实证分析,以期为中国投资者带来启示。文章的实证回归分为两个部分,一为针对所有投标进行实证分析,具体分为以每条投标记录为单位（Logistic回归模型）和以每个投资者为单位两个部分,二为对成功中标的投标记录进行实证分析,为避免样本选择偏误带来的影响,此处选择Heckman两阶段模型分析。结果表明:两种投资策略对投资有效性均有正面显着影响,在以每条投标记录为单位的研究中从众投资策略与自我判断投资策略还具有协同效应。
陈王[10]（2015）在《分形市场下金融传染的定量测度及应用研究》文中提出20世纪80年代以来,经济全球化给世界金融体系带来的一个重要变化就是：某一国家或地区的局部金融动荡往往会迅速地扩散到其它国家的金融市场,导致全球大范围的资产价格巨幅波动,人们把这一现象形象地称为“金融传染”。金融传染的测度问题对政府监管政策的制定以及大型基金的投资组合配置工作意义重大。然而,主流金融学对该问题的研究还存在诸多明显的方法缺陷,因此本文从复杂科学的新视角,基于分形市场假说理论,采用“分形市场分析”方法剔除单个市场的条件波动,再运用动态Copula工具建立金融传染的定量测度方法,并进一步用于对投资组合的优化之中,从而为我国金融监管当局和投资者提供更加切实可行的风险管理依据。首先,提出了一个研究金融传染的新方法：Copula-MFV。在该方法的基础上从定性的角度检验了2007年由次贷危机引发的金融危机是否对中国股市具有显着的传染效应。第一阶段基于多分形谱分析计算出两个市场的多分形波动率,通过对标准化收益率的一系列统计检验表明,多分形波动率是本文所考察的波动率模型中精度最高的,为接下来进一步的研究提供了实证上的支持。第二阶段通过多种静态和动态Copula方法分析了中美两个市场之间的相依关系及其变化规律。进一步的统计检验表明金融危机之后,美国与中国股市之间的相依关系显着增强,根据金融传染的定义和相关前提假设可知,金融危机对中国市场存在显着的传染效应。其次,在定性检验的基础上进一步对金融传染进行了定量的测度。由于下尾相依关系才是金融风险管理中重点关注的问题,因此进一步分析了两个市场之间的下尾相依关系。为了避免在选择“危机期”和“非危机期”两个子样本区间时的主观性和随意性,因而运用马尔科夫机制转换模型来描述在不同状态下两个市场的动态下尾秩相关系数的变化,从中精确地选出两个子样本的时期。经过仔细研究和分析发现,中美两个市场之间的下尾秩相关系数在“危机期”和“非危机期”具有显着的差异性。总的来说,在金融危机期两个市场之间的下尾秩相关系数是非危机期间的1.87倍,即在金融危机期间金融传染效应平均增加了87.39%。最后,进一步将上述结果用于对投资组合进行优化。第一,在借鉴期货市场避险模型的基础上,以降低投资组合的方差为优化目标,对由两种资产组成的投资组合进行优化,分别计算出投资于每种资产的比例；第二,将对两种资产的优化拓展为对多种资产的优化,且在效用最大化的原则下进行优化。实证结果表明,结合了非线性领域的多分形波动率和Copula理论的新方法在对投资组合的风险管理应用中取得了比较理想的实证效果。
二、行业投资策略——把握价值主线下的两种策略（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、行业投资策略——把握价值主线下的两种策略（论文提纲范文）
（1）基于文本挖掘的主题投资探索性研究（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 国内外研究现状 |
| 1.2.1 文本挖掘相关研究 |
| 1.2.2 主题模型相关研究 |
| 1.2.3 文本挖掘在股市中的应用研究 |
| 1.2.4 主题投资量化策略研究综述 |
| 1.3 本文主要工作和研究亮点 |
| 1.3.1 研究内容 |
| 1.3.2 本文亮点 |
| 1.3.3 章节安排 |
| 1.4 本章小结 |
| 第二章 预备知识 |
| 2.1 主题挖掘相关理论 |
| 2.1.1 获取文本数据 |
| 2.1.2 文本预处理 |
| 2.1.3 主题挖掘 |
| 2.2 情感分析相关理论 |
| 2.2.1 基于情感词典的方法 |
| 2.2.2 基于机器学习的方法 |
| 2.2.3 基于深度学习的方法 |
| 2.2.4 情感分类算法 |
| 2.2.5 分类评估 |
| 2.3 量化投资相关知识 |
| 2.3.1 均线策略简介 |
| 2.3.2 投资策略评价指标 |
| 2.4 本章小结 |
| 第三章 基于股吧文本的主题挖掘 |
| 3.1 股吧文本数据获取 |
| 3.1.1 金融文本数据源选择 |
| 3.1.2 文本数据爬取 |
| 3.1.3 数据保存 |
| 3.2 数据预处理 |
| 3.2.1 中文分词 |
| 3.2.2 过滤停用词 |
| 3.2.3 特征提取 |
| 3.3 主题挖掘 |
| 3.3.1 LDA主题模型训练与调参 |
| 3.3.2 文本聚类算法 |
| 3.3.3 基于信息熵的主题挖掘结果优化 |
| 3.4 本章小结 |
| 第四章 主题投资策略构建 |
| 4.1 主题得分的构建 |
| 4.1.1 主题词库的建立 |
| 4.1.2 主题得分的计算 |
| 4.2 主题得分与指数的相关性检验 |
| 4.2.1 主题关联指数的超额收益波动的计算 |
| 4.2.2 主题得分与指数超额收益波动的相关性检验 |
| 4.3 情感分析 |
| 4.3.1 股评情感分析 |
| 4.3.2 构造情绪指标 |
| 4.4 基于主题演化过程中的情感分析构建策略 |
| 4.4.1 止损 |
| 4.4.2 策略构建 |
| 4.4.3 添加主题得分前后策略效果对比 |
| 4.5 本章小结 |
| 第五章 策略实证分析 |
| 5.1 主题得分的构建 |
| 5.1.1 文本数据获取 |
| 5.1.2 数据预处理 |
| 5.1.3 主题挖掘 |
| 5.1.4 建立主题词库 |
| 5.1.5 利用主题词库生成主题得分 |
| 5.2 主题得分与指数相关性检验 |
| 5.2.1 主题关联指数相对大盘指数的超额收益波动 |
| 5.2.2 主题得分与指数超额收益波动的相关性检验 |
| 5.3 个股情感分析并构造情绪指数 |
| 5.3.1 股评情感分析 |
| 5.3.2 构造看涨指标 |
| 5.4 策略历史回测及对比分析结果 |
| 5.4.1 交易规则假设: |
| 5.4.2 交易策略收益统计对比 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（2）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 |
（3）基于变量拆分、模型转换以及复合策略的收益率可预测性研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1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 论文的结构安排及各章主要内容 |
| 1.3 论文的创新点 |
| 1.4 本章小结 |
| 第2章 研究现状及文献述评 |
| 2.1 预测变量的形成与发展 |
| 2.2 收益率的样本外可预测性检验 |
| 2.3 改进的收益率预测模型和策略 |
| 2.4 文献述评 |
| 2.5 本章小结 |
| 第3章 基于变量拆分的收益率可预测性研究 |
| 3.1 引言 |
| 3.2 数据介绍以及描述性统计 |
| 3.3 预测模型和评价标准 |
| 3.3.1 模型介绍 |
| 3.3.2 预测评价 |
| 3.4 实证结果 |
| 3.4.1 基于单个经济变量预测模型的统计检验结果 |
| 3.4.2 基于多变量策略的样本外预测 |
| 3.4.3 预测模型的经济价值 |
| 3.5 实证拓展和稳健性检验 |
| 3.5.1 不同经济周期的可预测性 |
| 3.5.2 其它拆分周期 |
| 3.5.3 长期(long horizon)收益率预测表现 |
| 3.5.4 其它参数设定条件下的投资组合价值 |
| 3.5.5 预测方向成功率 |
| 3.5.6 变量拆分策略在中国股票市场的应用 |
| 3.6 本章小结 |
| 第4章 模型转换策略在收益率预测中的作用 |
| 4.1 引言 |
| 4.2 实证分析 |
| 4.2.1 统计检验结果 |
| 4.2.2 经济价值检验 |
| 4.3 研究拓展及稳健性分析 |
| 4.3.1 多变量策略 |
| 4.3.2 其它利率判定标准 |
| 4.3.3 混合判定标准 |
| 4.3.4 长期(long horizon)收益率以及不同经济周期的收益率预测 |
| 4.3.5 预测效率的发展变化 |
| 4.3.6 IRDMS策略在中国股票市场的表现 |
| 4.4 本章小结 |
| 第5章 收益率预测过程中各策略的协同作用 |
| 5.1 引言 |
| 5.2 复合策略在股票收益率预测中的作用 |
| 5.2.1 复合预测策略介绍 |
| 5.2.2 实证结果与分析 |
| 5.3 预测策略在油价收益率预测中的作用 |
| 5.4 进一步分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 1. 研究工作总结和主要结论 |
| 2. 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
（4）基于改进布林线与KDJ指标相结合的量化策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究背景和意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景和意义 |
| 1.2 相关文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评析 |
| 1.3 本文主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究的理论基础 |
| 2.1 布林线指标理论 |
| 2.1.1 布林线的组成 |
| 2.1.2 布林线参数设定 |
| 2.2 KDJ指标理论 |
| 2.2.1 KDJ指标的计算方式 |
| 2.2.2 KDJ指标的应用 |
| 2.3 卡夫曼自适应移动均线理论 |
| 2.4 蒙特卡罗方法 |
| 2.5 本章小结 |
| 第3章 改进传统布林线和KDJ结合的量化策略研究 |
| 3.1 改进传统布林线方法设计 |
| 3.2 传统布林线与改进布林线之后对比 |
| 3.2.1 传统布林线优势与不足 |
| 3.2.2 布林线改进之后优势对比 |
| 3.3 改进布林线与传统布林线实证对比分析 |
| 3.3.1 沪深300 实证对比分析 |
| 3.3.2 期货市场实证对比分析 |
| 3.4 改进布林线与KDJ相结合的组合策略 |
| 3.4.1 策略设计 |
| 3.4.2 组合策略针对国内股市情况优势分析 |
| 3.5 改进布林线组合策略与传统布林线组合策略实证对比分析 |
| 3.5.1 传统布林线组合策略回测沪深300 研究 |
| 3.5.2 改进布林线组合策略回测沪深300 研究 |
| 3.5.3 组合策略改进前后实证对比总结 |
| 3.6 本章小结 |
| 第4章 量化交易中股票池筛选 |
| 4.1 多因子选股打分模型 |
| 4.2 候选财务因子 |
| 4.3 因子测试 |
| 4.4 模型构建 |
| 4.5 本章小结 |
| 第5章 组合策略实证对比研究 |
| 5.1 组合策略与长期持有型策略对比实证分析 |
| 5.1.1 应用50 只股票池股票实证分析 |
| 5.1.2 随机选取10 只股票实证分析 |
| 5.2 组合策略参数优化 |
| 5.3 组合策略应用建议 |
| 5.4 组合策略不足 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 附录 |
（5）养老金入市的投资策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 文献综述 |
| 1.2.1 国内文献综述 |
| 1.2.2 国外文献综述 |
| 1.3 研究的篇章结构 |
| 1.4 研究的方法 |
| 1.5 技术路线图 |
| 1.6 本文的创新之处 |
| 第二章 理论基础 |
| 2.1 养老保险体系理论 |
| 2.2 相关概念 |
| 2.2.1 养老保险基金 |
| 2.2.2 基本养老保险基金 |
| 2.2.3 社会保障基金 |
| 2.3 马科维茨均值投资组合理论 |
| 2.4 CPPI和TIPP投资组合策略 |
| 2.4.1 CPPI投资组合策略 |
| 2.4.2 TIPP投资组合策略 |
| 2.5 平滑异动平均指标(MACD) |
| 2.5.1 MACD指标介绍 |
| 2.5.2 MACD应用规则 |
| 第三章 中国养老金入市现状分析 |
| 3.1 中国养老金投资运营现状 |
| 3.1.1 财政兜底养老金缺口 |
| 3.1.2 个人账户空账运行 |
| 3.1.3 投资收益率偏低 |
| 3.2 中国养老金入市风险分析 |
| 3.2.1 委托代理风险 |
| 3.2.2 资本市场风险 |
| 3.3 中国养老金投资策略现状分析 |
| 3.4 中国养老金的委托投资现状分析 |
| 第四章 中国养老基金投资组合保险策略实证分析 |
| 4.1 投资组合保险策略的选取 |
| 4.2 实证参数设定 |
| 4.3 样本选取 |
| 4.4 实证分析 |
| 4.5 实证结果与分析 |
| 第五章 中国养老基金投资组合保险策略优化分析 |
| 5.1 基于风险乘数调整的CPPI和TIPP策略 |
| 5.1.1 基于风险乘数调整的CPPI策略 |
| 5.1.2 基于风险乘数调整的TIPP策略 |
| 5.2 实证分析 |
| 5.2.1 样本数据及研究假设 |
| 5.2.2 实证结果与分析 |
| 第六章 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（6）资源配置模式对战略联盟协同创新的影响及导向作用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 资源配置模式研究现状 |
| 1.2.2 资源配置模式的影响要素研究现状 |
| 1.2.3 资源配置模式对联盟协同创新影响的研究现状 |
| 1.2.4 资源配置模式的导向作用研究现状 |
| 1.2.5 国内外研究现状评述 |
| 1.3 研究内容及研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文的创新之处 |
| 第2章 相关概念辨析 |
| 2.1 资源配置模式理论分析 |
| 2.1.1 资源的概念与特点 |
| 2.1.2 资源配置的定义 |
| 2.1.3 资源配置模式的内涵 |
| 2.2 战略联盟协同创新理论分析 |
| 2.2.1 战略联盟的概念 |
| 2.2.2 战略联盟协同创新的内涵 |
| 2.3 组织沟通理论分析 |
| 2.3.1 组织沟通的定义 |
| 2.3.2 组织沟通的作用 |
| 2.4 本章小结 |
| 第3章 基于创新要素的资源配置模式对战略联盟协同创新的影响 |
| 3.1 研究假设的提出 |
| 3.1.1 联盟创新要素对联盟协同创新的影响 |
| 3.1.2 联盟创新要素与资源配置模式 |
| 3.1.3 资源配置模式对联盟协同创新的影响 |
| 3.1.4 资源配置模式的中介作用 |
| 3.1.5 组织沟通的调节作用 |
| 3.1.6 被调节的中介效应 |
| 3.2 概念模型的构建 |
| 3.3 问卷设计与变量测量 |
| 3.3.1 问卷设计 |
| 3.3.2 变量测量 |
| 3.4 问卷分析与实证检验 |
| 3.4.1 数据收集与样本描述 |
| 3.4.2 同源偏差检验 |
| 3.4.3 效度及信度检验 |
| 3.4.4 相关性分析 |
| 3.4.5 回归分析 |
| 3.5 结果分析 |
| 3.6 本章小结 |
| 第4章 资源配置模式对战略联盟协同创新的导向作用 |
| 4.1 基于协同创新的企业联盟意图识别 |
| 4.2 基于知识流动理论的资源配置模式划分 |
| 4.2.1 随机导向型资源配置模式 |
| 4.2.2 合作导向型资源配置模式 |
| 4.2.3 关系导向型资源配置模式 |
| 4.2.4 知识嵌入型资源配置模式 |
| 4.3 基于演化博弈理论的资源配置模式导向作用模型构建 |
| 4.3.1 演化博弈理论 |
| 4.3.2 基本假设 |
| 4.3.3 模型构建 |
| 4.4 基于演化博弈理论的资源配置模式导向作用分析与仿真 |
| 4.4.1 稳定性分析 |
| 4.4.2 仿真结果讨论 |
| 4.5 本章小结 |
| 第5章 促进战略联盟协同创新发展的对策建议 |
| 5.1 全面提升战略联盟协同创新产出 |
| 5.1.1 提高资源配置模式的柔性 |
| 5.1.2 完善联盟知识管理体制 |
| 5.1.3 激发联盟协同创新意愿 |
| 5.2 调整企业资源配置模式机制设计 |
| 5.2.1 融合各创新要素的作用关系 |
| 5.2.2 遵循联盟企业总体创新目标 |
| 5.3 优化企业创新发展策略制定 |
| 5.3.1 明确企业自身资源配置偏好 |
| 5.3.2 提升联盟伙伴间关系紧密度 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录 |
（7）复杂产品研发联盟收益分配与投资策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容 |
| 1.3 技术路线 |
| 1.4 主要创新点 |
| 第2章 复杂产品研发联盟文献综述 |
| 2.1 复杂产品研发联盟类型与特点 |
| 2.1.1 复杂产品研发联盟类型 |
| 2.1.2 复杂产品研发联盟特点 |
| 2.2 复杂产品研发联盟收益分配研究现状 |
| 2.2.1 R&D联盟收益分配模式与方法 |
| 2.2.2 博弈论在联盟收益分配中的应用 |
| 2.3 风险影响下的复杂产品研发联盟收益分配研究现状 |
| 2.3.1 复杂产品研发联盟中风险类型分析 |
| 2.3.2 风险对于复杂产品研发联盟收益分配的影响 |
| 2.4 本章小结 |
| 第3章 单个牵头企业与单个合作企业的收益分配与投资策略研究 |
| 3.1 引言 |
| 3.2 收益分配模型 |
| 3.2.1 研发联盟基本模型 |
| 3.2.2 模型分析 |
| 3.2.3 协调策略 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 第4章 考虑产业化风险的单个牵头企业与单个合作企业的收益分配与投资策略研究 |
| 4.1 引言 |
| 4.2 考虑产业化风险的收益分配模型 |
| 4.2.1 联盟模型 |
| 4.2.2 模型分析 |
| 4.2.3 协调策略 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 第5章 单个牵头企业与两个合作企业的收益分配与投资策略研究 |
| 5.1 引言 |
| 5.2 研发联盟收益分配基本模型 |
| 5.3 合作企业研发工作关联度较小的研发联盟 |
| 5.3.1 平均分配模型建立及分析 |
| 5.3.2 平均分配模型协调策略 |
| 5.3.3 按投入比分配模型的建立及分析 |
| 5.3.4 按投入比分配模型协调策略 |
| 5.4 合作企业研发工作关联度较大的研发联盟 |
| 5.4.1 平均分配模型建立及分析 |
| 5.4.2 平均分配模型协调策略 |
| 5.4.3 按投入多少分配模型建立及分析 |
| 5.4.4 按投入多少分配模型协调策略 |
| 5.5 算例分析 |
| 5.6 本章小结 |
| 第6章 考虑产业化风险的单个牵头企业与两个合作企业的收益分配与投资策略研究 |
| 6.1 引言 |
| 6.2 考虑产业化风险的研发联盟收益分配模型 |
| 6.3 产业化风险下合作企业研发工作关联度较小的研发联盟 |
| 6.3.1 平均分配模型建立及分析 |
| 6.3.2 平均分配模型协调策略 |
| 6.3.3 按投入比分配模型建立及分析 |
| 6.3.4 按投入比例分配协调模型 |
| 6.4 产业化风险下合作企业研发工作关联度较大的研发联盟 |
| 6.4.1 平均分配模型建立及分析 |
| 6.4.2 平均分配模型协调策略 |
| 6.4.3 按投入多少分配模型建立及分析 |
| 6.4.4 按投入多少分配模型协调策略 |
| 6.5 算例分析 |
| 6.6 本章小结 |
| 第7章 案例分析 |
| 7.1 光谱扫描仪研发项目介绍 |
| 7.2 扫描仪研发项目组织结构分析 |
| 7.3 研发联盟最优收益分配与投资策略 |
| 7.3.1 平均分配模型建立及协调策略 |
| 7.3.2 按投入多少分配模型建立及协调策略 |
| 7.4 考虑产业化风险的扫描仪研发联盟最优收益分配与投资策略 |
| 7.4.1 平均分配模型建立及协调策略 |
| 7.4.2 按投入多少分配模型的建立及协调策略 |
| 7.5 本章小结 |
| 第8章 总结与研究展望 |
| 8.1 本文研究结论 |
| 8.2 本文研究展望 |
| 参考文献 |
| 攻读博士学位期间完成的论文及参与课题 |
| 致谢 |
（8）我国基本养老保险基金投资配置策略分析（论文提纲范文）
| 内容摘要 |
| Abstract |
| 1 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 文献综述 |
| 1.2.1 基金投资资产配置综述 |
| 1.2.2 基金投资策略综述 |
| 1.3 研究内容与方法 |
| 1.4 研究架构与框架 |
| 2 养老保险基金投资相关理论依据 |
| 2.1 基金投资的理论基础 |
| 2.1.1 Markowitz证券投资组合理论 |
| 2.1.2 资本资产定价模型(CAPM) |
| 2.1.3 期权定价模型(B-S模型) |
| 2.2 基金投资策略的类型 |
| 2.2.1 消极型投资策略 |
| 2.2.2 积极型投资策略 |
| 2.2.3 混合型投资策略 |
| 2.2.4 套利策略 |
| 2.3 投资基金的绩效评价 |
| 2.3.1 夏普指数(Sharpe) |
| 2.3.2 特雷纳指数(Treynor) |
| 2.3.3 詹森指数(Jensen) |
| 3 我国基本养老保险基金的投资发展现状 |
| 3.1 我国基本养老保险基金规模 |
| 3.2 我国基本养老保险基金投资运营的现状 |
| 3.3 我国基本养老保险基金投资资产的风险与收益 |
| 3.3.1 基本养老保险基金无风险资产 |
| 3.3.2 基本养老保险基金风险资产 |
| 3.3.3 基本养老保险基金资产的配置比例 |
| 4 我国基本养老保险基金的配置现效率-实证研究 |
| 4.1 实证研究设计 |
| 4.1.1 投资组合保险策略的选取 |
| 4.1.2 实证参数的设定 |
| 4.1.3 样本的选取 |
| 4.1.4 具体的计算步骤 |
| 4.2 实证结果与分析 |
| 4.3 资产配置效率不高的原因 |
| 5 我国基本养老保险基金投资优化设计策略 |
| 5.1 基于TIPP调整策略的优化思路 |
| 5.1.1 风险乘数M的优化 |
| 5.1.2 要保额度F的优化 |
| 5.2 ROC-TIPP动态调整模型 |
| 5.3 优化策略的效果检验 |
| 5.3.1 基本假设及参数设定 |
| 5.3.2 研究样本 |
| 5.3.3 实证结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 7 致谢 |
| 8 参考文献 |
（9）不同投资策略的有效性分析 ——基于P2P平台的实证分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 研究内容与章节安排 |
| 第二章 文献综述 |
| 2.1 基于P2P借贷平台本身的研究综述 |
| 2.2 基于P2P借贷平台融资端的研究综述 |
| 2.2.1 “硬信息”对于借款成功率的影响研究 |
| 2.2.2 “软信息”对于借款成功率的影响研究 |
| 2.3 基于P2P借贷平台投资端的研究综述 |
| 2.4 研究评述 |
| 2.5 本章小结 |
| 第三章 研究理论及假设提出 |
| 3.1 P2P借贷平台的现状及特征 |
| 3.1.1 国内外P2P借贷平台的发展现状 |
| 3.1.2 以Prosper为例的中介式P2P借贷平台的特征 |
| 3.2 相关经济学理论分析 |
| 3.2.1 信息不对称与信号理论 |
| 3.2.2 从众效应 |
| 3.2.3 风险与收益理论 |
| 3.3 假设提出 |
| 3.4 本章小结 |
| 第四章 投资策略有效性的实证分析 |
| 4.1 数据来源及变量设置 |
| 4.2 以每条投标记录为单位的实证回归 |
| 4.2.1 描述性统计分析 |
| 4.2.2 Logistic回归原理 |
| 4.2.3 Logistics回归实证结果 |
| 4.3 以每个投资者为单位的实证回归 |
| 4.3.1 描述性统计分析 |
| 4.3.2 实证回归模型及结果 |
| 4.4 本章小结 |
| 第五章 成功中标的投资有效性分析-HECKMAN两阶段模型 |
| 5.1 样本选择偏误 |
| 5.2 Heckman模式实证回归分析 |
| 5.3 Heckman两阶段模型的实证分析 |
| 5.4 本章小结 |
| 第六章 结束语 |
| 6.1 研究总结 |
| 6.1.1 主要工作 |
| 6.1.2 研究启示 |
| 6.2 创新点及不足 |
| 6.2.1 创新点 |
| 6.2.2 本文不足之处 |
| 6.3 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（10）分形市场下金融传染的定量测度及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 问题提出 |
| 1.2 国内外研究现状 |
| 1.2.1 用相关性方法的早期研究 |
| 1.2.2 相关性方法的进一步发展 |
| 1.2.3 Granger-causality检验方法 |
| 1.2.4 传统方法面临的挑战 |
| 1.2.5 “金融传染”研究的新方法 |
| 1.3 对现有研究的分析 |
| 1.4 研究目标 |
| 1.5 研究内容 |
| 1.6 研究方法 |
| 1.7 技术路线与可行性分析 |
| 1.7.1 技术路线 |
| 1.7.2 可行性分析 |
| 1.8 研究的创新性 |
| 第2章 金融传染研究的理论框架 |
| 2.1 相关概念界定 |
| 2.2 金融传染机理分析 |
| 2.3 分形市场假说与分析方法 |
| 2.3.1 分形理论简介 |
| 2.3.2 分形市场假说 |
| 2.3.3 分形市场分析方法 |
| 2.4 Copula方法与金融传染 |
| 第3章 基于Copula-MFV的金融传染定性检验 |
| 3.1 传染性再检验：一种新方法Copula-MFV的提出 |
| 3.2 数据选取与分析 |
| 3.2.1 样本选取与数据处理 |
| 3.2.2 日收益率的描述性统计与分析 |
| 3.2.3 基于多分形谱分析计算多分形波动率 |
| 3.2.4 去趋势互相关分析 |
| 3.3 静态Copula与相依结构建模 |
| 3.3.1 Copula函数简介 |
| 3.3.2 实证结果与统计检验 |
| 3.4 时变参数的动态Copula与传染效应 |
| 3.4.1 时变参数的动态Copula方法与估计结果 |
| 3.4.2 “危机期”和“非危机期”样本的选择与传染效应的检验 |
| 3.5 本章小结 |
| 第4章 基于动态Copula-MFV的金融传染定量测度 |
| 4.1 金融传染定量测度的方法 |
| 4.2 数据样本与描述性统计 |
| 4.3 改进的动态Clayton-copula模型及其检验 |
| 4.3.1 改进的动态Clayton-copula模型 |
| 4.3.2 对改进的时变Clayton模型的拟合效果检验 |
| 4.4 传染效应强度的定量测度 |
| 4.4.1 “危机期”和“非危机期”样本区间的选择 |
| 4.4.2 对传染效应强度的静态定量测度 |
| 4.4.3 对传染强度的动态测度 |
| 4.5 本章小结 |
| 第5章 Copula-MFV在两种资产配置优化中的应用 |
| 5.1 两种资产的投资权重计算方法 |
| 5.1.1 相关问题与理论回顾 |
| 5.1.2 风险最小化原则下资产配置比例的计算 |
| 5.2 资产配置优化方法 |
| 5.2.1 优化效率的计算 |
| 5.2.2 投资策略的选择 |
| 5.3 实证研究结果 |
| 5.3.1 静态投资策略的实证结果及分析 |
| 5.3.2 半动态投资策略的实证结果及分析 |
| 5.3.3 动态投资策略的实证结果及分析 |
| 5.4 本章小结 |
| 第6章 Copula-MFV的多元拓展及在多资产投资组合优化中的应用 |
| 6.1 Copula的多元拓展：Regular-vine(R-藤) |
| 6.2 基于效用最大化的多种资产投资组合优化 |
| 6.3 实证研究结果与分析 |
| 6.3.1 风险厌恶系数的估计 |
| 6.3.2 多种资产配置的样本内优化结果 |
| 6.3.3 多种资产配置优化的样本外预测结果 |
| 6.4 稳健性检验 |
| 6.4.1 数据选择 |
| 6.4.2 实证结果与分析 |
| 6.5 本章小节 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读博士期间发表的论文 |
四、行业投资策略——把握价值主线下的两种策略（论文参考文献）
- [1]基于文本挖掘的主题投资探索性研究[D]. 刘冠东. 华南理工大学, 2020(02)
- [2]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)
- [3]基于变量拆分、模型转换以及复合策略的收益率可预测性研究[D]. 易永胜. 西南交通大学, 2019(06)
- [4]基于改进布林线与KDJ指标相结合的量化策略研究[D]. 胡博然. 哈尔滨工业大学, 2019(02)
- [5]养老金入市的投资策略研究[D]. 齐建军. 济南大学, 2018(02)
- [6]资源配置模式对战略联盟协同创新的影响及导向作用研究[D]. 王迎杰. 哈尔滨工程大学, 2018(01)
- [7]复杂产品研发联盟收益分配与投资策略研究[D]. 刘伟. 天津大学, 2017(08)
- [8]我国基本养老保险基金投资配置策略分析[D]. 干鹤鸣. 华东师范大学, 2017(01)
- [9]不同投资策略的有效性分析 ——基于P2P平台的实证分析[D]. 白伊贝. 上海交通大学, 2016(03)
- [10]分形市场下金融传染的定量测度及应用研究[D]. 陈王. 西南交通大学, 2015(08)