一、数学建模在现代行为金融研究领域的应用(论文文献综述)
王敏蘅[1](2021)在《基于随机森林算法和分析师推荐的选股策略研究》文中指出本文将随机森林方法与传统因子模型相结合,以预测分析师目标价是否能够在未来的一段期限内达成,根据预测结果,选择研究报告中上升概率最高的股票目标,建立有效的投资组合并获得高于市场平均水平的超额收益。首先获取2015至2019年全部带有目标价,且评级为买入或增持的研报,之后通过整理分析相关文献,选择行情因子、公司基本面因子、投资者行为因子、研报特征因子、股票市场风格因子、研究机构特征因子六大类总计81个因子作为预选因子。数据的选取时间为2015至2019年。利用动态建模的方法,以3个月作为滑动窗口,将3、6、12个月的研报数据作为训练样本用于预测研报发出日之后3、6、12个月的研报目标价达成情况。之后进行超参数调优并根据不同窗口下的预测结果选择最佳的训练时长。对每一期的预测结果提取结果为正的概率最高的前10支股票作为股票池并持有3、6、12个月,发现可取得高于沪深300的正收益,之后使用三种方法对模型进行优化,首先在权重选择上,由于原模型采用平均持股的方法,第一次优化过程引入了无限制资金的假设来观察模型绩效的最大潜力,之后扩展了调仓周期和标签长度并再次进行建模回测,最后使用因子轮动的方法选取每一期的最佳因子再次回测。本文首次使用机器学习方法来研究分析师的准确性,并在现有文献的基础上扩展了相关的影响因素,提高了模型的可行性。模型取得的最佳总收益率为323.32%,年化收益率为35.5%,以沪深300作为基准的年化超额收益率为30.75%,最大回撤率为26.36%,大幅领先市场基准,可以认为本模型具有比较好的选股性能。在对模型进行持股方法改进、改变标签长度和因子轮动的方法中,每一种方法都能让模型的效果进一步提升,提高原模型的投资绩效。
陶文竹[2](2020)在《基于LSTM-LightGBM的场内期权量化交易策略》文中指出随着沪深300股指期权合约——我国资本市场第一个上市的指数期权产品在中国金融期货交易所正式上市交易,未来会有更多个股期权陆续出现在我国的资本市场。同时,近年来机器学习运用于投资的渠道越来越多,量化投资的发展越来越迅速。因此,如何帮助投资者利用量化投资手段在动荡的股票场内期权市场获取稳定的收益成为了资本市场即将面对的问题。相关文献和历史经验表明,利用个股期权获利的重要基础是对其标的股票波动趋势的精准判断。然而,采用非线性的基于简单统计和传统股价技术分析的预测方法来预测股价,预测结果大都存在滞后性且预测效果不理想。小波分析对于股票价格这种波动过于剧烈,趋势性不够明显的金融时间序列的分解非常有效,学术界前辈通过对原始股价序列进行小波分解去噪,运用ARIMA模型对低频系数进行拟合预测,同时运用动态灰色预测或者SVR模型对高频系数进行拟合预测,最后重构系数得到预测的股价这一方法提高了股价预测的精度。本文首先提出一种基于小波变换、LSTM和Light GBM的预测方法来预测期权标的资产价格。以上证50ETF期权交易为例,用“db4”小波函数对代表市场的沪深300和上证50进行三层分解后得到高频数据和低频数据,对高频系数软阈值去噪之后,分别运用Light GBM对高频数据和LSTM对低频数据进行滚动预测,二者预测值重构的结果是模型最终预测结果,即期权标的资产价格的预测值。本文对上证50和沪深300进行实证分析来验证本文所提出模型的可行性,同时比较行业主流模型与本文所提出的模型的预测效果,以验证本文所提出模型的有效性。以上证50的预测结果为例,本文对上证50未来7天的预测准确率是82%,比主流模型高1%;对未来15天的预测准确率是78%,比主流模型高16%;对未来30天的预测准确率是74%,比主流模型高20%。因此本文在预测方法上的改进是有效的。本文以沪深300的波动趋势划分市场,根据不同市场选择不同的场内期权交易策略并构建相应的期权组合。具体划分如下:2013年12月1日至2015年6月25日为牛市,2015年6月25日至2015年12月31为熊市,2016年1月1日至2018年1月29日为震荡市,2018年1月29日至2019年12月为熊市。具体策略如下:震荡市场的策略:卖出当天价格最高的看跌期权,一直持有到行权日,到期日执行,每天滚动交易;牛市的策略:买开一份第一档实值认购期权,同时卖开两份第一档虚值认购期权;熊市的策略:买开一份第一档实值认沽期权,同时卖开一份第一档虚值认沽期权。策略的结果如下:震荡市的年化收益为8.92%;牛市的年化收益为47.96%;熊市的年化收益的最优表现为7.08%。
李文[3](2020)在《基于PJD过程的DC型养老基金投资组合模型研究》文中研究说明缴费确定(Defined Contribution,DC)型养老基金投资组合问题始终是投资组合领域研究的重要问题之一。在现代金融市场中,DC型养老基金管理者在进行投资组合选择时,常常要面对三个主要的影响因素:通胀、随机利率和卖空约束。因而,基金管理者必须要合理地在这些因素约束下进行投资组合选择。现代金融实践经验表明,风险资产价格剧烈变动发生地越来越频繁,给现实中以DC型养老基金为主的经济体带来巨大损失。因此,在当前DC型养老基金投资组合问题研究中,考虑风险资产价格剧烈变动对投资组合的影响便显得愈加重要。基于此,本文在现有研究的基础上,以DC型养老基金投资组合为研究对象,在影响投资者投资组合选择的通胀、随机利率和卖空约束三大主要影响因素约束下,借助泊松跳扩散(Possion Jump Diffusion,PJD)过程对风险资产价格过程进行建模分析。利用金融随机分析理论、随机控制理论及模糊随机理论,深入探讨在通胀、随机利率及市场卖空约束三种现实中典型金融市场约束条件下,基于PJD过程的DC型养老基金投资组合问题。首先,针对现代金融市场中通胀影响投资者投资行为这一重要特征,假定通胀服从几何布朗运动,以终端财富通胀折现的期望效用最大化为目标,利用随机控制理论和模糊随机理论,得到DC型养老基金管理者在考虑通胀条件下的最优投资组合。通过对数值模拟结果的分析,考虑到金融市场突发事件对投资组合的影响后,跳跃强度将成为影响风险资产最优投资的影响因素之一。在考虑随机通胀约束情形下,风险资产最优投资随着通胀波动率的增加,呈现出先增加,后减少的趋势。并且利用模糊随机理论,将金融市场突发事件发生的跳跃强度模糊化,形成一个向右偏的三角模糊数,在对数效用函数下,得到DC型养老基金管理者的最优投资区间。随着DC型养老基金管理者主观判断信度的不断提高,基金管理者在风险资产和无风险资产的投资区间会逐渐变窄,直至风险资产的最优投资和无风险资产的最优投资成为一个确定的实数,丧失模糊性。其次,针对现代金融市场中无风险利率的随机特征,将无风险利率随机化,以终端财富期望效用最大化为目标,利用随机控制技术和模糊随机分析,得到DC型养老基金在随机利率条件下的投资组合。通过对数值模拟结果的分析,考虑随机利率情形后,在股票价格发生跳跃的情形下,在考虑投资者风险厌恶程度对最优投资的影响后,股票投资会随着投资者风险厌恶系数的增大而减少,债券投资将随着的逐渐增大而增大,银行存款投资将随着的逐渐增大而减少。考虑投资期限对最优投资的影响时发现,随着投资期限的增加,股票投资不变,而债券会呈现出斜率逐渐减小的增加趋势,银行存款投资趋势正好与债券投资趋势相反。在考虑股票市场跳跃强度对最优投资的影响时发现,随着跳跃强度的不断变大,债券投资不发生变化,股票投资则呈现出递减的趋势,银行存款投资趋势则与股票投资趋势正好相反。并且,利用模糊随机理论,将金融市场突发事件发生的跳跃强度模糊化,形成一个向右偏的三角模糊数,在对数效用函数下,得到DC型养老基金管理者的最优投资区间。基金管理者的主观判断信度决定着投资品种的投资区间。当基金管理者的主观判断信度不断提高的时候,管理者在银行存款、债券和股票的投资区间会逐渐变窄,直到基金管理者的主观判断信度达到1时,银行存款、债券和股票的最优投资区间完全失去模糊性,它们的最优投资成为一个确定的数值。最后,针对现代金融市场中存在的卖空约束特征,将金融市场的卖空约束考虑在内,在经典的连续时间均值‐方差最优资产投资组合分析框架下,利用LQ方法构建均值‐方差模型。然后,将初始的均值‐方差模型资产投资组合问题转换为辅助均值‐方差模型问题。由于考虑卖空约束的存在,传统的极大值方法及鞅方法都不能直接应用。考虑到粘性解理论在具有非负约束随机LQ问题中的有效性,于是可以利用粘性解的理论方法来刻画最优资产投资组合问题,进而可以得到最优投资的有效解及有效前沿。结果表明,考虑风险资产价格发生跳跃情形后,风险资产价格跳跃现象对有效最优投资和有效前沿都将产生影响。并且,在与以往不考虑风险资产价格跳跃只考虑扩散问题的研究相似的是,如果DC型养老基金财富足够大,则基金管理者在风险资产的投资额由于卖空约束将保持为零,全部资产投资于无风险资产。总之,本文在DC型养老基金投资组合管理问题中,在考虑金融市场中影响投资者投资组合选择的三大主要因素:通胀、随机利率和卖空约束的影响下,充分考虑风险资产价格的跳跃特征,研究DC型养老基金的投资组合问题。本文的研究更符合当前金融市场DC型养老基金进行的投资组合选择过程,也为市场相关养老基金管理者进行投资管理提供了可供参考的模型和方法,具有较高的理论价值和现实意义。同时,随着我国养老基金逐渐地进入资本市场,本文的研究成果可为我国养老基金入市投资决策制定提供一定的参考。
朱雯彦[4](2019)在《深度分层策略下的多源驱动量化投资模型的研究》文中提出近年来,监督学习和强化学习先后应用到股票量化投资的研究上,使用这类深度学习技术实现海量数据分析,使得量化投资从单纯的CTA/alpha等策略逐渐过渡到人工智能实现的交易策略。人工智能应用于量化投资取得成绩的同时也存在诸多问题,主要体现在:1.过多地将关注点放在了模型结构和算法层面,投资行为因素分析不够;2.过度依赖于网络的特征提取能力,缺少对市场规律先验知识的应用;3.大多数策略模型缺少针对交易行为的风险控制,单纯的买卖操作容易导致严重风险。针对目前存在的这些问题,本文从金融投资策略形成的思维逻辑出发,采用多源驱动的方法进行分析,将股指买卖操作这一大任务分解为相互关联、依次递进的分层策略问题。依次由趋势预判、特征选取、操作决策三个层面入手,对每部分进行深入研究,根据三个层面各自的任务搭建组成模块,并逐个进行思想策划、数据算法和操作流程等方面的分析与设计,最终搭建了深度分层策略下的多源驱动量化投资模型。其中指数趋势预判模块基于WGAN(Wasserstein Generative Adversarial Networks)原理和价格时序分布特性,构建了具有回归约束的RC(Regression constraint)-WGAN网络进行涨跌趋势预测;多源特征提取模块依据时间序列、技术面指标、行为学等金融相关理论,提出了一个基于先验知识的多源特征组合用以描述股票市场;仓位调整决策模块基于强化学习的深度确定性策略梯度DDPG(Deep Deterministic Policy Gradient)算法,设计了风险控制网络,执行具体交易持仓策略。测试时,先使用道琼斯工业指数和上海证券交易所指数作为数据源进行了虚拟盘训练和测试,并分别对各个模块和模型整体进行了有效性和可行性的验证。再作为交易人,使用国泰君安账户,参考自己所建模模型得出的辅助策略进行了为期一年的股票实盘试验,对模型在实际场景中的应用情况进行评估。模拟盘和实盘实验结果表明,本文方法在投资回报率和稳健性方面表现良好,能够为投资者提供有价值的参考。
侯洪超[5](2019)在《卖空机制下投资者过度自信对于股票定价的影响 ——基于计算实验的分析》文中指出2010年后,融资融券制度在我国股市中开始施行,然而2015年股市的崩盘使得人们对这一机制产生质疑。学者们从多方面寻求卖空机制失效的原因。过度自信是行为金融理论取得的一项重要成果,也是全球股市中普遍存在的一种现象,在以个人投资者占据大多数的我国股市中表现的尤为明显。它在卖空机制失效的问题上起到了什么样的作用,与我国股市非理性的暴涨暴跌有什么关系?带着这些疑问,本文尝试从投资者的过度自信视角来探寻卖空机制失效的原因,研究卖空机制下投资者的过度自信会对股票市场的价格形成产生什么样的影响。区别于传统的理论建模、实验以及实证研究的方法,本文采用计算实验的方法来进行投资者过度自信的研究。计算实验方法以复杂适应系统理论为基础,面向个体建模,对投资者的效用函数、风险偏好和心理偏差都可以进行刻画,在研究投资者异质行为上有着区别于传统方法的特有优势。计算实验方法研究的首要任务是建立一个符合研究背景并贴合实际的人工股票市场模型。本文首先基于圣塔菲的研究成果,在Swarm平台上构建一个包含投资者过度自信变量的人工股票市场模型,在该模型中将市场中的投资者分为两类:过度自信投资者和理性套利者,并对他们赋予不同的行为决策。然后在模型初始参数的基础上,构建了包含卖空机制的股票价格系统动力学模型,从理论上得出股票价格会受到投资者过度自信的影响。最后,在保持其他参数不变的情况下,通过控制市场上过度自信投资者的数量以及过度自信程度来研究过度自信对股票市场流动性和波动性的影响。得出如下结论:投资者的过度自信会增加市场波动,但相应地也会增加市场的流动性;一定程度的过度自信会造成卖空机制的失效;投资者过度自信的助涨助跌作用可能是造成我国股市暴涨暴跌的原因之一。
鄢笑玲[6](2019)在《基于海龟交易法则的量化策略研究》文中研究说明中国证券市场历经三十年的发展,从无到有、从小到大,制度不断完善、产品不断创新;2010年股指期货推出及采用T+0的清算制度,市场交易活动变得越来越频繁,伴随计算机技术的飞速发展,近年来量化投资已经成为了市场主流的投资方式。量化投资相对于传统投资具有系统性、规范性、准确性、收益稳定性等投资优势,无论是在2008年的金融危机还是2015年我国的股灾,都较好的弥补了投资者贪婪、恐惧和迟疑等人性的弱点,更少的主观情绪,更多的理性交易,拥有着持续稳定的盈利能力。海龟交易法则是美国八十年代伟大的投资思想,在当时年化收益近80%。本文针对量化投资在我国的发展趋势,以海龟交易法则作为研究对象在Ricequant平台设计量化投资策略,并通过沪深300股指期货进行实证检验和策略优化。量化投资策略的开发包括建模、编译、回测和优化追踪等步骤,海龟交易思想在美国八十年代获得较高收益,本文建立的海龟交易策略在我国沪深300股指期货合约2014年至2018年累计5年回测,年化收益10.7%左右。从账户、持仓以及风险评价等方面分析发现,海龟交易法则仍具有相对的投资优势,只是由于我国的市场环境以及其他方面的一些原因才没有表现出超高收益水平。基于我国市场环境和国情分别对策略入市、加仓、止损等参数进行测试和优化,最后得到了较为稳定的收益曲线,年化收益提高到32%左右。本文借鉴海龟交易思想,从交易模型的选择到程序化策略实现,完整的提供了一套量化投资策略开发与设计的思路框架,对于量化投资策略的研究提供一定的参考与借鉴作用。
刘一苇[7](2017)在《行为金融研究中数学建模应用的价值分析》文中研究表明行为金融实际是一种金融理论,它是建立在传统的金融学基础上的,这种金融体系已经成为与数学息息相关的一门独立学科。与传统上的金融相比,行为金融体系除了在经济和数学方面有进一步的研究,还涉及到了社会学和心理学等科目,它的显着优点便是能够弥补理论上的个体行为分析的不足和缺陷,并且更加重视在决策过程中人的行为和心理的影响因素。随着行为金融的不断发展和进步,数学建模方法也渐渐地被广泛应用在现代金融研究中,很大程度上推动着金融研究的更深发展。本文简单的介绍了行为金融,并浅析了数学建模在其领域的应用。
杨世伟[8](2016)在《中国证券市场波动成因、预测及监管研究》文中研究说明随着近年来金融市场的发展和交易规模的扩大,越来越多的资金投资于证券市场,与此同时证券价格的波动也十分剧烈,使投资者面临较大的风险也给监管者带来新的问题。而自1990年沪深交易所相继成立以来,中国证券市场的发展已历经20多年,截至2015年12月中国A股市值达52.96万亿,约占同期全球股市总市值的10.92%,成为仅次于美国的全球第二大股市,虽然发展十分迅速,但与西方磨练百年的成熟市场相比还存在许多不足。作为国家宏观经济的晴雨表,证券市场的波动会给经济发展和社会稳定带来深刻的影响,因此在证券投资过程中,如不能正确理解、度量市场风险或对风险认识不足,则不仅会降低经济社会活动中的资产配置效率、增大经济运行成本,还会因没有经过科学研究误判市场行情,导致投资者蒙受巨大损失,从而影响社会经济的良性发展甚至诱发恐慌,所以对证券市场波动进行有效的分析、预测和监管显得尤为重要,目前我国也正处于深化金融改革关键阶段,如何合理配置资源、更好控制风险已成为当下的重要课题。本文共分为七章,第一章绪论、第二章文献综述,其他章节的内容如下:第三章探讨了我国证券市场波动的成因,首先将证券市场波动的影响因素分为上市公司、市场投资者、运作机制、国际资本市场和国内经济政策等不同因素,并随后以行业面板模型为基础,将货币供应量M2作为资金的替代变量,检验了市场基本面和资金面对股票波动的不同影响,结果表明当前我国股市仍处于以资金推动为主导的市场;其次对货币供应量进行了分层处理,分析了M0、M1和M2与证券市场波动的关系,研究显示M0和M2与股市波动具有显着关系;最后从微观层面研究了资金账户和流向变动对市场波动的影响,一方面将投资者分为个人和机构投资者,并根据账户市值分为五类并同时归纳了证券、基金、信托等资金账户变动的情况,检验了资金账户变化与股市波动的关系;另一方面在分析成交量和成交额与股市波动关系的基础上,研究了不同资金的净流入量对股价波动的影响。第四章在考虑跳跃行为的基础上对波动率进行了预测。一方面由于BS公式的推导需市场有效和服从随机分布,期权市场的缺乏等也使得隐含波动率模型的使用受到限制等,另一方面SV和GARCH类等模型多应用于低频和低维数据,由于高频数据包含更多的数据优势而可更好的反映真实波动信息,而已实现波动率构造简单并可结合高频数据扩展到多维变量,因此采用已实现波动率对市场进行分析。本文以2013.1.1-2015.12.31共三年的5分钟高频数据为基础,通过计算得到已实现波动率对我国市场进行研究,首先检验了市场的长记忆性和异质性,然后对隔夜信息的影响进行了分析;其次将已实现波动率分解为连续和跳跃波动率两部分,并根据公式推导出检验金融资产日间跳跃的方法,同时考虑市场微观结构噪声的影响对检验方法进行了修正;最后分析了HAR-RV-CJ模型应用的前提条件,并使用此模型对我国证券市场波动率进行检验,同时检验了不同时间窗口下波动率的预测效果。第五章根据行为金融学研究了投资者行为对市场波动的影响。与国外较为成熟的资本市场相比,我国目前投资者结构中个人投资者占绝大多数而机构较低、投资者整体素质偏低且违规行为较多、金融衍生等工具的缺乏使得投资风格单一不利于市场稳定,这使得以对投资者行为的研究是非常必要的。因此本章根据行为金融理论通过2000.1-2015.12共16年的数据构造了投资者情绪指标,检验了羊群效应和情绪对收益率波动的影响,并建立了含情绪变量的SENT-EGARCH-M模型研究了正负冲击对市场的非对称效应,最后利用向量自回归VAR模型,研究了投资者情绪与股市波动间的长短期均衡关系,并通过支持向量机模型对预测精度进行了对比,结果表明投资者情绪对市场波动的贡献率在10%左右且加入此指标可更好提高预测精度。第六章根据市场波动率等研究了监管政策的有效性。首先考察了目前我国证券市场监管现状,然后通过三个方面对监管政策的有效性进行了研究,一是根据方差比率法对次贷危机前后的市场有效性进行了检验,二是根据事件研究法对所选政策出台前后的市场超额收益率进行分析,三是对政策出台前后市场波动率的变化进行了检验。结果发现虽然市场并没有达到弱式有效,但随着政策的完善市场效率在逐渐提高,另外政策的颁布对市场收益率能够产生显着影响,但由于稳定股市并降低波动也是我国政府监管政策的重要目标,因此监管部门稳定股市的目标可能并没有完全实现。第七章为结论及政策建议。根据文章实证结论可以得到如下启示及建议,一是需完善信息披露机制以保障信息有效性,二是要加强投资者教育和市场风险警示监控机制,三是应完善波动率指数等的构建以实时监测股市风险,最后应构建证监会、交易所、中介机构、新闻媒体和社会公众等协调一致的多层次监管体系,鼓励中介机构和社会公众等检举揭发内幕交易和市场操纵等行为,并加大对这些行为的惩罚力度以建立有效的证券违规惩戒机制,从而使我国金融市场更为健康稳定的向前发展。
马思远[9](2015)在《当前行为金融研究中数学建模应用的价值分析》文中认为行为金融学是在传统金融学基础上建立的一种金融理论,能够在理论上弥补个体行为分析的不足和缺陷,当前已经成为一种独立的学科,与数学专业息息相关。与传统的金融体系相比,行为金融学不仅在经济学和数学方面有更深的研究,还涉及到了心理学、行为学以及社会学等,重视决策过程中的人行为以及心理影响。随着行为金融学的不断发展,数学建模手段被广泛的使用,本文先简单分析了行为金融的相关知识,研究数学建模在金融研究中的应用,并以具体的实体分析行为金融中数学建模的应用。
张海峰[10](2011)在《前景理论、波动不对称与资产定价》文中研究表明实证研究表明波动不对称性现象普遍存在于全球金融市场,而对此现象的探究也一直都是理论和实践所关注的焦点。不对称波动不仅是资产定价、投资组合以及风险管理中的一个重要影响因素,而且还是反映一个国家证券市场发展水平的重要指标,集中体现了证券市场的质量和效率。因此,继续深入探究市场波动不对称现象的内在形成机理无疑是理解和把握金融市场运行规律的一条重要途径,并且具有重大的理论和实践意义。具体地,本文的研究工作主要包括两部分:首先,关于波动不对称现象目前存在两种经典解释:“波动反馈效应”和“杠杆效应”。但是随着对此现象的深入认识和大量研究,人们开始对这两种解释产生极大地质疑,同时开始尝试基于行为金融理论从投资者心理和行为角度探究市场波动不对称性的成因。本文正是沿此思路,引入前景理论对投资者的决策偏好加以刻画从而构造一类依据前景理论为决策框架的投资者,运用对此类研究具有天然优势的计算实验金融方法(ACF),以异质决策偏好投资者的微观交互为研究视角,自底向上地探究市场波动不对称现象的内在形成机理。其次,从本文研究可知前景理论深刻影响着资产价格的形成过程,在市场中发挥着重要的作用。建立科学合理的前景理论资产定价模型对于资产定价效率的提高、投资组合策略的构造、风险管理能力的提升等又都具有重要的指导价值。但是,目前已有基于前景理论的相关资产定价模型并未脱离于传统资产定价研究框架,采用的价值函数也多以分段线性函数表示,无法切实体现投资者的真实决策偏好或投资行为,尤其缺乏在真实市场中的实践指导价值。因此,本文进一步在前述分析的基础上,以我国证券市场为背景,直接从前景理论出发,最终构建了适用于我国市场条件并且具有较高实践指导价值的前景理论资产定价模型,并得到了基于中国市场经验数据的实证支持。总之,本文创新地运用计算实验金融方法从前景理论较好地解释了波动不对称现象,同时在此基础上构建了适用于我国市场条件并且更具实践指导价值的前景理论资产定价模型,从而进一步发展并完善了行为资产定价理论。
二、数学建模在现代行为金融研究领域的应用(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、数学建模在现代行为金融研究领域的应用(论文提纲范文)
(1)基于随机森林算法和分析师推荐的选股策略研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及研究意义 |
1.2 研究思路与方法 |
1.3 研究创新 |
第二章 相关理论与文献综述 |
2.1 文献综述 |
2.1.1 分析师预测准确性影响因素研究 |
2.1.2 采用分析师目标价构建股票策略的相关研究 |
2.1.3 采用机器学习方法构建股票策略的相关研究 |
2.1.4 对现有文献的简要评述 |
2.2 相关理论 |
2.2.1 有效市场假说 |
2.2.2 机器学习、信息科学与行为金融 |
第三章 理论模型、数据预处理与因子筛选 |
3.1 理论模型构建 |
3.2 数据预处理 |
3.2.1 数据获取 |
3.2.2 因子选取 |
3.2.3 数据预处理 |
3.3 因子筛选 |
第四章 基于随机森林的分析师预测准确性模型构建 |
4.1 超参数优化 |
4.2 选取最佳训练窗口 |
4.3 模型结果分析 |
4.4 本章小结 |
第五章 模型改进与优化 |
5.1 调整组合构建方法 |
5.2 调整调仓周期 |
5.3 因子重要性筛选与轮动 |
第六章 结论 |
6.1 研究总结 |
6.2 研究不足与展望 |
参考文献 |
附录 |
(2)基于LSTM-LightGBM的场内期权量化交易策略(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究的目的和意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 研究的内容、方法和技术路线 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 研究框架和技术路线图 |
1.4 本文的主要特点 |
第2章 相关理论回顾与文献综述 |
2.1 相关理论回顾 |
2.1.1 投资组合理论 |
2.1.2 行为金融理论 |
2.1.3 期权定价理论 |
2.2 相关文献综述 |
2.2.1 小波变换在股价预测中的应用 |
2.2.2 机器学习在股价预测中的应用 |
2.2.3 量化交易策略的设计与评价 |
2.2.4 文献综述小结 |
第3章 基于LSTM-LightGBM的场内期权交易的问题分析与策略构思 |
3.1 场内期权量化交易的问题提出 |
3.1.1 期权标的价格预测方法的选择 |
3.1.2 期权策略投资组合的设计 |
3.2 场内期权交易策略设计的理论框架 |
3.3 场内期权交易策略设计的思路 |
第4章 基于LSTM-LightGBM的场内期权交易策略的设计方案 |
4.1 期权标的资产价格的小波系数变换 |
4.1.1 数据获取与描述性统计 |
4.1.2 期权标的资产价格的小波分解 |
4.1.3 高频系数的软阈值去噪 |
4.2 高低频系数预测和期权标的资产价格重构 |
4.3 不同市场下的场内期权交易策略设计 |
4.3.1 市场状态划分 |
4.3.2 不同市场状态下的期权策略 |
第5章 场内期权交易策略设计方案的有效性评价 |
5.1 场内期权交易策略方案的有效性评价 |
5.1.1 不同模型下期权标的资产价格预测的对比 |
5.1.2 场内期权交易策略的回测与评价 |
5.2 交易策略方案的风险提示 |
第6章 结论 |
6.1 本文主要结论 |
6.2 本文存在的不足及展望 |
参考文献 |
附录 |
附录1 股价预测的部分代码展示 |
附录2 期权策略的部分代码展示 |
致谢 |
(3)基于PJD过程的DC型养老基金投资组合模型研究(论文提纲范文)
摘要 |
Abstract |
主要缩略词、符号变量注释表 |
第1章 绪论 |
1.1 本文研究的背景及意义 |
1.2 国内外相关研究综述 |
1.2.1 通胀约束相关的DC型养老基金投资组合问题研究 |
1.2.2 随机利率约束相关的DC型养老基金投资组合问题研究 |
1.2.3 其它约束条件相关的DC型养老基金投资组合问题研究 |
1.2.4 基于PJD过程及其在DC型养老基金投资组合问题中的相关研究 |
1.2.5 述评 |
1.3 本文主要研究内容、研究方法和框架体系 |
1.3.1 本文主要的研究内容 |
1.3.2 本文的研究方法 |
1.3.3 本文研究的技术路线与章节安排 |
1.4 本文的创新之处 |
第2章 相关理论及方法回顾 |
2.1 DC型养老基金投资组合相关理论内涵 |
2.1.1 DC型养老基金投资组合相关基础理论 |
2.1.2 不同约束条件下DC型养老基金投资组合理论内涵 |
2.2 基于PJD过程的DC型养老基金投资组合中风险资产价格建模的基本方法 |
2.2.1 DC型养老基金投资组合中风险资产价格跳跃的Poisson过程 |
2.2.2 DC型养老基金投资组合中风险资产价格跳过程的It?-Doeblin公式 |
2.3 基于PJD过程的DC型养老基金投资组合目标建模的基本方法 |
2.3.1 DC型养老基金投资组合目标建模的随机最优控制基本方法 |
2.3.2 基于PJD过程的DC型养老基金投资组合目标建模的基本方法 |
第3章 通胀约束下基于PJD过程的DC型养老基金投资组合模型研究 |
3.1 通胀约束下基于PJD过程的DC型养老基金投资组合建模分析 |
3.1.1 通胀约束下基于PJD过程的DC型养老基金投资组合建模原则 |
3.1.2 通胀约束下基于PJD过程的DC型养老基金投资组合建模要素分析 |
3.2 通胀约束下基于PJD过程的DC型养老基金投资组合模型构建 |
3.3 通胀约束下基于PJD过程的DC型养老基金投资组合模型求解 |
3.4 通胀约束下基于PJD过程的DC型养老基金投资组合的模糊性拓展分析 |
3.4.1 模糊随机分析 |
3.4.2 基于对数效用函数的投资组合模糊性拓展分析 |
3.5 通胀约束下基于PJD过程的DC型养老基金投资组合模型仿真验证分析 |
3.6 通胀约束下基于PJD过程的DC型养老基金投资组合模型应用策略 |
3.7 本章小结 |
第4章 随机利率约束下基于PJD过程的DC型养老基金投资组合模型研究 |
4.1 随机利率约束下基于PJD过程的DC型养老基金投资组合建模分析 |
4.1.1 随机利率约束下基于PJD过程的DC型养老基金投资组合建模原则 |
4.1.2 随机利率约束下基于PJD过程的DC型养老基金投资组合建模要素分析 |
4.2 随机利率约束下基于PJD过程的DC型养老基金投资组合模型构建 |
4.3 随机利率约束下基于PJD过程的DC型养老基金投资组合模型求解 |
4.4 随机利率约束下基于PJD过程的DC型养老基金投资组合的模糊性拓展分析 |
4.4.1 模糊随机分析 |
4.4.2 基于对数效用函数的投资组合模糊性拓展分析 |
4.5 随机利率约束下基于PJD过程的DC型养老基金投资组合模型仿真验证分析 |
4.6 随机利率约束下基于PJD过程的DC型养老基金投资组合模型应用策略 |
4.7 本章小结 |
第5章 卖空约束下基于PJD过程的DC型养老基金投资组合模型研究 |
5.1 卖空约束下基于PJD过程的DC型养老基金投资组合建模分析 |
5.1.1 卖空约束下基于PJD过程的DC型养老基金投资组合建模原则 |
5.1.2 卖空约束下基于PJD过程的DC型养老基金投资组合建模要素分析 |
5.2 卖空约束下基于PJD过程的DC型养老基金投资组合模型构建 |
5.3 卖空约束下基于PJD过程的DC型养老基金投资组合模型求解 |
5.4 卖空约束下基于PJD过程的DC型养老基金投资组合模型应用策略 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读博士学位期间发表的论文及参加的科研项目 |
(4)深度分层策略下的多源驱动量化投资模型的研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文研究目的与内容 |
1.3.1 研究目的 |
1.3.2 研究内容 |
1.4 本文框架与结构 |
第二章 人工智能与量化投资理论基础 |
2.1 深度学习基础网络结构 |
2.1.1 卷积神经网络CNN |
2.1.2 循环神经网络RNN |
2.2 生成对抗网络GAN |
2.2.1 生成对抗网络概述 |
2.2.2 Wasserstein GAN算法 |
2.3 深度强化学习DRL |
2.3.1 深度强化学习概述 |
2.3.2 深度确定性策略梯度DDPG算法 |
2.4 金融序列与量化分析 |
2.4.1 金融时间序列分析 |
2.4.2 技术面量化分析 |
2.4.3 基本面量化分析 |
2.5 行为金融学与投资策略 |
2.5.1 行为金融学基础理论 |
2.5.2 行为金融学投资行为模型 |
2.5.3 量化投资决策 |
2.6 本章小结 |
第三章 深度分层策略下的多源驱动量化投资模型的设计 |
3.1 模型总体架构设计 |
3.2 指数趋势预判模块 |
3.2.1 模块结构设计 |
3.2.2 RC-WGAN算法 |
3.3 多源特征提取模块 |
3.3.1 多源特征因子设定 |
3.3.2 外围环境因子的ζ参数计算 |
3.4 仓位调整决策模块 |
3.4.1 强化学习环境与规则设定 |
3.4.2 网络结构设计 |
3.5 本章小结 |
第四章 实验结果与分析 |
4.1 实验数据集 |
4.2 指数趋势预判模块 |
4.3 多源特征提取模块 |
4.4 仓位调整策略模块 |
4.5 深度分层量化投资决策模型 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士期间发表的论文和取得的科研成果 |
致谢 |
(5)卖空机制下投资者过度自信对于股票定价的影响 ——基于计算实验的分析(论文提纲范文)
摘要 |
abstract |
主要符号说明 |
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 文献综述 |
1.2.1 卖空机制与股票定价的研究 |
1.2.2 过度自信与股票定价的研究概况 |
1.2.3 基于计算实验方法的股票市场研究概况 |
1.2.4 基于计算实验方法的行为金融学研究概况 |
1.2.5 研究述评 |
1.3 研究内容 |
1.4 论文特点和创新 |
第2章 相关理论基础 |
2.1 过度自信理论概述 |
2.1.1 过度自信的定义与度量 |
2.1.2 投资者过度自信对股票定价的理论分析 |
2.2 计算实验方法的相关理论基础 |
2.2.1 计算实验金融学的产生背景 |
2.2.2 计算实验金融学的思想基础与优势 |
2.2.3 计算实验模型 |
2.2.4 Swarm平台 |
2.3 本章小结 |
第3章 计算实验模型的建立 |
3.1 股票价格设置 |
3.2 投资者Agent决策规则设置 |
3.2.1 投资者类型和价格预期模型 |
3.2.2 Agent效用函数设置 |
3.2.3 股票价格动力学模型 |
3.3 交易机制设置 |
3.4 模型中事件顺序与程序运行流程 |
3.5 本章小结 |
第4章 实验结果与分析 |
4.1 模型中一些重要参数的设置 |
4.2 实验运行界面 |
4.3 模型有效性的检验 |
4.4 投资者过度自信对股票定价影响的计算实验分析 |
4.4.1 投资者过度自信对市场波动性的影响 |
4.4.2 投资者过度自信对市场流动性的影响 |
4.4.3 不同市场类型下的投资者过度自信对股票市场的影响 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 结论 |
5.2 政策建议 |
5.3 本文的不足之处与进一步的研究方向 |
参考文献 |
附录1 订单簿的算法流程 |
附录2 部分程序代码 |
个人简历 攻读学位期间发表的学术论文 |
致谢 |
(6)基于海龟交易法则的量化策略研究(论文提纲范文)
摘要 |
ABSTRACT |
1 导论 |
1.1 研究背景及意义 |
1.1.1 选题背景 |
1.1.2 研究目的及意义 |
1.2 文献综述 |
1.3 论文的内容与结构 |
1.4 主要创新点 |
2 市场有效性与投资者行为分析 |
2.1 证券市场的有效性分析 |
2.1.1 市场有效性假说分类 |
2.1.2 我国证券市场的有效性 |
2.1.3 市场有效性与量化投资的发展 |
2.2 投资者的行为金融分析 |
2.2.1 交易过程中的行为金融 |
2.2.2 行为金融与量化投资的关系 |
3 量化投资策略及其开发平台 |
3.1 量化投资策略的主要内容 |
3.1.1 选股策略 |
3.1.2 择时策略 |
3.1.3 统计套利 |
3.2 基于PYTHON语言的量化交易平台 |
3.2.1 米框(Ricequant)量化交易平台 |
3.2.2 聚宽(JoinQuant)量化交易平台 |
3.2.3 优矿(Uqer)量化交易平台 |
3.3 量化投资策略的实现步骤 |
4 量化海龟交易策略的设计与编译 |
4.1 海龟交易法则介绍 |
4.2 海龟交易策略的框架 |
4.2.1 市场选择 |
4.2.2 资金管理 |
4.2.3 入市信号 |
4.2.4 加仓和止损 |
4.2.5 止盈退出 |
4.3 Ricequant平台下海龟交易策略编译 |
4.3.1 策略执行逻辑 |
4.3.2 策略注意事项 |
5 海龟交易策略在沪深300 股指期货下实证检验 |
5.1 基于沪深300 股指期货样本内回测分析 |
5.1.1 回测收益概览 |
5.1.2 账户净值分析 |
5.1.3 策略持仓分析 |
5.2 海龟交易策略的收益风险评价 |
5.2.1 策略风险分析 |
5.2.2 收益平稳性检验 |
5.3 海龟交易策略基于中美市场下的差异分析 |
5.4 海龟交易策略的优化 |
5.4.1 入市与退出策略优化 |
5.4.2 周期参数选取优化 |
5.5 策略样本外检验 |
6 结论 |
6.1 策略的测试谎言 |
6.2 总结与展望 |
参考文献 |
附录1 海龟交易策略源代码 |
附录2 海龟交易策略历史回测交易数据 |
致谢 |
(7)行为金融研究中数学建模应用的价值分析(论文提纲范文)
一、行为金融学概述 |
二、期望理论 (prospect theory) |
三、BSV模型 |
四、DHS模型研究 |
五、在行为金融研究中数学建模的应用 |
六、结语 |
(8)中国证券市场波动成因、预测及监管研究(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 研究内容与方法 |
1.2.1 研究内容 |
1.2.2 研究方法 |
1.3 研究思路与路线 |
1.3.1 研究思路 |
1.3.2 技术路线 |
1.4 研究创新及贡献 |
第2章 文献综述 |
2.1 市场波动成因文献综述 |
2.1.1 国外相关文献综述 |
2.1.2 国内相关文献综述 |
2.1.3 国内外研究评述 |
2.2 波动率预测文献综述 |
2.2.1 国外相关文献综述 |
2.2.2 国内相关文献综述 |
2.2.3 国内外研究现状评述 |
2.3 监管有效性文献综述 |
2.4 总结及研究分析 |
第3章 我国证券市场波动成因分析 |
3.1 我国证券市场概况 |
3.2 我国证券市场波动影响因素分析 |
3.3 基本面、资金面对中国股市波动的影响 |
3.3.1 基本面与资金面分析 |
3.3.2 模型构建与数据说明 |
3.3.3 变量及实证检验 |
3.3.4 研究结论与总结 |
3.4 货币供给量对市场波动的影响 |
3.4.1 指标选取及模型构建 |
3.4.2 实证分析及检验 |
3.4.3 研究结论与总结 |
3.5 资金账户及流向变化对市场波动的影响 |
3.5.1 资金账户变化对股市波动的影响 |
3.5.2 资金流向变化对股市波动的影响 |
3.6 结论及政策建议 |
第4章 市场波动率预测及其建模 |
4.1 波动率定义及其特征 |
4.2 波动率预测模型的对比及相关理论 |
4.2.1 波动率预测模型的对比 |
4.2.2 已实现波动率的优势 |
4.2.3 市场微观结构噪声 |
4.2.4 异质市场假说 |
4.3 已实现波动率建模 |
4.3.1 已实现波动率的动态依赖性 |
4.3.2 跳跃行为的估计与高频数据 |
4.3.3 已实现波动率的度量及最优抽样频率 |
4.4 沪深300指数及其已实现波动率的统计性描述 |
4.4.1 沪深300指数的统计特征 |
4.4.2 已实现波动率的统计性描述 |
4.5 中国股市长记忆性分析 |
4.6 理论模型的构建 |
4.6.1 HAR-RV理论构建及参数估计 |
4.6.2 二次变差理论及微观结构噪声和跳跃对波动率的影响 |
4.7 数据整理与跳跃的估计 |
4.7.1 样本数据的整理及统计分析 |
4.7.2 考虑市场微观结构和跳跃的修正Z统计量检验 |
4.8 实证检验与分析 |
4.8.1 中国股市异质性检验 |
4.8.2 隔夜信息的影响及检验 |
4.8.3 已实现波动率预测 |
4.8.4 最佳时间窗口的测试 |
4.9 研究结论与对策 |
第5章 市场波动预测与行为金融理论 |
5.1 标准金融学和行为金融学对比 |
5.1.1 研究内容的比较 |
5.1.2 研究思路的比较 |
5.1.3 研究体系的比较 |
5.2 市场异象发现及投资者心理效应 |
5.2.1 市场异象的发现 |
5.2.2 投资者的心理效应 |
5.3 羊群效应检验及前景理论分析 |
5.3.1 羊群效应的检验 |
5.3.2 前景理论分析 |
5.4 投资者行为的度量及模型构建 |
5.4.1 投资者情绪的度量方法 |
5.4.2 投资者情绪指标的选取 |
5.4.3 主成分分析(Principal Components Analysis) |
5.4.4 主成分分析的实证结果 |
5.4.5 投资者情绪指标分析 |
5.5 情绪指数与市场波动的非对称建模 |
5.5.1 投资者情绪对收益率波动的影响 |
5.5.2 含情绪变量的收益率波动预测模型 |
5.6 向量自回归模型与投资者情绪分析 |
5.6.1 情绪与市场波动的长期关系测度 |
5.6.2 情绪与市场波动的短期关系测度 |
5.7 支持向量机(SVM)的建立与预测 |
5.7.1 SVM支持向量机理论 |
5.7.2 SVM模型的实证分析 |
5.8 结论与政策建议 |
第6章 市场波动率与监管有效性 |
6.1 我国证券市场监管现状 |
6.2 次贷危机前后市场有效性检验 |
6.3 事件研究与波动率对比 |
6.3.1 事件研究法(Event Study) |
6.3.2 GARCH模型 |
6.4 实证结果分析 |
6.4.1 事件研究分析 |
6.4.2 政策出台前后波动率对比 |
6.5 研究结果与对策 |
第7章 结论、展望及建议 |
7.1 结论及展望 |
7.2 政策建议 |
参考文献 |
附录A:中国、美国、欧洲证券市场波动关系检验结果 |
附录B:投资者情绪主成分分析检验结果 |
附录C:支持向量机的matlab程序 |
附录D:四个事件GARCH(1,1)模型的波动率对比 |
致谢 |
个人简历 在读期间发表的学术论文与研究成果 |
(9)当前行为金融研究中数学建模应用的价值分析(论文提纲范文)
一、行为金融研究概述 |
二、期望理论研究 |
三、BSV模型研究 |
四、DHS模型研究 |
五、HS模型、BCAPM模型和BHS模型研究 |
六、数学建模在行为金融研究中的应用 |
(一)行为金融体系的建构 |
(二)股指预测模型的建立 |
七、结束语 |
(10)前景理论、波动不对称与资产定价(论文提纲范文)
中文摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及研究问题的提出 |
1.1.1 研究背景 |
1.1.2 研究问题的提炼 |
1.2 研究目的和意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 研究思路、技术路线及研究方法 |
1.3.1 研究思路 |
1.3.2 技术路线 |
1.3.3 研究方法 |
1.4 研究结构 |
1.5 本章小结 |
第二章 文献综述 |
2.1 市场波动不对称现象研究综述 |
2.1.1 波动不对称现象的界定 |
2.1.2 市场波动不对称现象的检验综述 |
2.1.3 市场波动不对称形成机理研究综述 |
2.2 计算实验金融方法及其相关研究 |
2.2.1 计算实验金融方法 |
2.2.2 计算实验金融的相关研究综述 |
2.3 资本资产定价理论的研究现状 |
2.3.1 基于理性人假设的传统资产定价研究现状 |
2.3.2 基于非理性人假设的行为资产定价研究现状 |
2.3.3 基于前景理论的资产定价研究现状 |
2.4 本章小结 |
第三章 波动不对称现象和投资者前景理论特征的实证检验 |
3.1 中国股票市场波动不对称现象的实证检验 |
3.2 中国股票市场投资者前景理论偏好特征的存在性检验 |
3.2.1 随机占优准则 |
3.2.2 基于随机占优准则的中国市场前景理论检验 |
3.3 价值函数在中国股票市场中的具体表现形式 |
3.3.1 前景理论中价值函数的新发展 |
3.3.2 价值函数在中国市场中的实证检验 |
3.4 本章小结 |
第四章 基于前景理论的波动不对称计算实验研究 |
4.1 计算实验金融模型 |
4.1.1 市场描述 |
4.1.2 投资者类型 |
4.1.3 参数设置 |
4.2 基于前景理论的市场波动不对称性形成机理探究 |
4.2.1 计算实验模型的实验校准 |
4.2.2 波动不对称现象的计算实验观察 |
4.2.3 市场制度对波动不对称现象的影响分析 |
4.2.4 波动不对称现象的作用机理分析 |
4.3 投资者前景理论特征对市场的影响研究 |
4.4 前景理论投资者与传统决策偏好的比较分析 |
4.5 本章小结 |
第五章 以中国市场为背景的前景理论资产定价模型 |
5.1 建模思路和特色 |
5.2 中国市场条件下的前景理论资产定价模型(PTCAPM) |
5.2.1 PTCAPM建模和推导 |
5.2.2 PTCAPM模型的内涵 |
5.3 PTCAPM与传统CAPM在中国股票市场的实证比较 |
5.3.1 数据处理和研究方法 |
5.3.2 PTCAPM与传统CAPM的比较分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 创新点总结 |
6.2 展望 |
参考文献 |
发表论文和科研情况说明 |
发表的论文 |
参与的科研项目 |
致谢 |
四、数学建模在现代行为金融研究领域的应用(论文参考文献)
- [1]基于随机森林算法和分析师推荐的选股策略研究[D]. 王敏蘅. 上海外国语大学, 2021(11)
- [2]基于LSTM-LightGBM的场内期权量化交易策略[D]. 陶文竹. 上海师范大学, 2020(07)
- [3]基于PJD过程的DC型养老基金投资组合模型研究[D]. 李文. 东南大学, 2020(01)
- [4]深度分层策略下的多源驱动量化投资模型的研究[D]. 朱雯彦. 天津工业大学, 2019(02)
- [5]卖空机制下投资者过度自信对于股票定价的影响 ——基于计算实验的分析[D]. 侯洪超. 华东交通大学, 2019(04)
- [6]基于海龟交易法则的量化策略研究[D]. 鄢笑玲. 广东财经大学, 2019(07)
- [7]行为金融研究中数学建模应用的价值分析[J]. 刘一苇. 山西青年, 2017(20)
- [8]中国证券市场波动成因、预测及监管研究[D]. 杨世伟. 对外经济贸易大学, 2016(06)
- [9]当前行为金融研究中数学建模应用的价值分析[J]. 马思远. 财经界, 2015(02)
- [10]前景理论、波动不对称与资产定价[D]. 张海峰. 天津大学, 2011(05)