譜函數(shù)風險測試下的最優(yōu)投資組合決策研究.pdf

1、本文運用譜函數(shù)風險測度(Spectral Risk Measure)度量金融資產(chǎn)面臨的潛在下行風險，建立滿足投資決策的潛在下行風險在一定置信度下不超過給定風險閥值約束條件時，使得投資收益率極大化的最優(yōu)投資組合選擇模型。文章通過構(gòu)建一個類似于夏普比例的指標衡量投資組合的市場表現(xiàn)并將模型的優(yōu)化轉(zhuǎn)化為該指標的優(yōu)化問題，優(yōu)化求解時應(yīng)用遺傳算法有效地克服了優(yōu)化函數(shù)不連續(xù)和多局部極值的難點。文章研究了不同置信度下的風險價值、譜函數(shù)風險測度以及對應(yīng)風

2、險約束下的最優(yōu)投資組合特征，分析了資產(chǎn)收益率分布函數(shù)和下行風險測度方法對最優(yōu)投資組合選擇的影響。
　　文章創(chuàng)新:譜函數(shù)風險測度定義下行風險使模型擺脫了收益率服從正態(tài)分布的假設(shè)，相對于用風險價值、尾部條件期望和期望損失定義下行風險，譜函數(shù)風險測度對越嚴重的下行風險賦予越大的權(quán)重，在充分考慮下行風險的同時也更符合投資者心理特征，并且滿足一致性風險測度的可加性要求，因此能夠更準確的刻畫資產(chǎn)的風險特征?？紤]到資本市場中資產(chǎn)收益率尖峰厚尾性

3、質(zhì)與波動聚類的特征，本文采用基于t分布和GARCH模型的蒙特卡羅模擬產(chǎn)生資產(chǎn)預(yù)期收益率分布進而估算不同置信度下的風險測度大小。應(yīng)用遺傳算法進行模型求解時，相對于隨機設(shè)定算法參數(shù)值，文章中用參數(shù)檢測方法確定適用本文模型的最優(yōu)參數(shù)值，保證算法獲得最優(yōu)解的同時，提高了算法優(yōu)化效率。
　　文章結(jié)論:相同置信度下，譜函數(shù)風險測度大于風險價值，所以譜函數(shù)風險測度約束下的最優(yōu)投資組合中投資于風險資產(chǎn)的比例小于風險價值測度約束下最優(yōu)投資組合中風險