基于随机规划动态投资组合中的情景元素生成研究

论文摘要

随机规划模型作为一个强大的工具被广泛地应用到资产配置、资产负债管理以及投资组合管理等金融领域。随机规划需要生成大量的情景元素来模拟未来的不确定性,以此构建情景树作为随机优化模型的输入,得到出模型的全局最优解,并据此给金融规划提供决策建议。因此,不确定性的准确刻画非常重要,其决定了多阶段投资组合决策成败。本文就随机规划中情景生成模型进行了深入研究,主要研究工作及结论如下:1、构建了基于GARCH的情景生成模型。GARCH族模型能很好地刻画金融资产收益的“波动率聚从”,“尖峰厚尾”及“不对称效应”现象。本文利用GARCH模型的突出优点,针对不同类别的资产,建立了相应的AR模型及GARCH模型用于情景生成。主要的研究工作包括四个方面:一元GARCH情景生成模型的研究;多元GARCH情景生成模型的研究;对一元GARCH和多元GARCH模型生成的随机情景质量进行了比较;构建了一个2阶段情景树。数值研究发现:一元和多元GARCH模型生成情景的累计概率分布与历史数据较为接近,这表明GARCH模型用于情景生成是可取的。其次,多元GARCH模型生成的情景的累计概率分布要比一元模型更接近历史分布,这反映了多元GARCH模型更适合于资产组合时情景生成,原因是多元GARCH模型由于能把资产收益之间的相关性纳入考虑范围,更符合实际情形。不足之处是,多元GARCH模型结构复杂,参数估计困难,当组合资产间的相关性较低时,可考虑一元GARCH模型作为其替代。2、单变量的矩匹配情景模型生成研究。Hoyland和Wallace最初提出了矩匹配法生成情景的一般框架,但存在许多缺陷,如局部最优解,存在套利等。本研究改进了其模型,主要做了三方面的工作:单变量的矩匹配情景生成模型研究;套利机会的排除方法研究;历史情景描述性特征的反映;给出了另一种矩匹配情景生成的思路。单变量的矩匹配模型,以情景的概率作为优化模型的决策变量,通过逼近历史收益序列的各阶中心矩,生成单阶段情景树,然后进一步结合向量自回归模型生成多阶段情景生成。优化模型中增加了一个约束可以有效解决生成情景的描述性特征问题。此外,把收益区间适当剖分一般可避免套利的发生。第二种方法的思路是每次只产生一个随机变量的离散边际分布,然后在所有离散边际分布的基础上生成联合分布的结果。然后运用各种变换迭代逼近目标矩和相关矩阵。实证研究表明,该方法不仅可以避免大量的数值计算,而且得到的情景取得和历史数据较为吻合的统计特征。3、基于聚类情景生成的研究及应用K-均值聚类法可以对大量的数据进行剖分,建立一个单水平的类集,可以将样本数据集剖分成K个互相独立的类,可以被用来构建资产收益情景。本部分研究应用此算法,进行情景生成的尝试,并与矩匹配法生成的情景进行统计意义上的对比。研究表明,K均值聚类法尽量从历史数据的角度出发,挖掘不同资产的收益之间的相关关系;并且给出了只要增加一个情景就可以避免套利的简便易行的线性规划方法。该情景生成方法除了具有矩匹配情景生成方法的优点外,还在对统计特征的刻画上有所改进,能以更少的情景更精确地刻画统计特征。这为选取少量的情景以降低问题的规模奠定了基础,更重要的是为多阶段情景生成引入了一种全新的思路。4、向量自回归（VAR）模型的情景生成研究及应用向量自回归模型是金融数据分析中一种常用的模型,常用于预测相互联系的时间序列系统及分析随机扰动对变量系统的动态冲击。本文做了利用VAR模型生成情景的尝试,主要工作如下:构建了包含四个股指收益的VAR模型;基于蒙塔卡罗模拟的情景生成生;多元GARCH模型与VAR模型所生成情景在统计意义上比较;应用VAR建立了一个2阶段的情景树。研究表明:VAR生成情景在统计意义上较多元GARCH更为可靠,其情景的累计概率分布更接近于历史数据。此外,VAR模型结构较多元GARCH简单,除了体现变量间的相关性,还能很好地反映不同决策阶段的相关性,是一种更优良的情景生成技术。5、基于Copula函数的情景生成。Copula函数有三个优点:多元随机变量的联合分布灵活构造,非线性相关性的准确描述及收益非正态分布的支持,这些优点利于构建更准确的情景生成模型。本部分做的工作:给出一个基于Copula函数,GARCH模型及极值理论的一个多资产收益情景生成步骤。将此方法得到情景与VAR,聚类法进行统计意义上的比较工作。研究表明,此方法所生成情景的在统计特征上最接近历史数据,是最为可靠的情景生成方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 随机规划的基本模型
• 1.3 基于随机规划投资决策模型中的情景生成
• 1.3.1 情景元素的生成模型分类
• 1.3.1.1 因素分析模型
• 1.3.1.2 随机情景生成中的参数估计
• 1.3.1.3 结构分析模型
• 1.3.2 情景树的构造
• 1.4 随机情景生成方法的文献回顾
• 1.5 论文的选题、研究内容和主要结果
• 第二章 基于GARCH模型的情景生成
• 2.0 前言
• 2.1 ARCH/GARCH模型
• 2.1.1 GARCH模型的残差分布假设
• 2.1.2 非对称的GARCH模型
• 2.1.3 ARCH效应的检验
• 2.1.4 一元GARCH模型的参数估计
• 2.1.4.1 BHHH算法
• 2.1.4.2 模拟退火算法
• 2.2 基于一元GARCH模型的情景生成
• 2.2.1 一元GARCH模型的构建
• 2.2.1.1 样本的基本统计特征及序列平稳性检验
• 2.2.1.2 收益序列的一元GARCH分析
• 2.2.1.3 模型建立
• 2.2.2 基于蒙特卡罗模拟的情景生成
• 2.2.2.1 蒙特卡罗模拟原理及步骤
• 2.2.2.2 资产收益情景的蒙特卡罗模拟
• 2.2.3 情景树的构建
• 2.2.3.1 随机取样
• 2.2.3.2 情景剖分及矩匹配法
• 2.3 基于多元GARCH模型情景生成
• 2.3.1 多元GARCH模型
• 2.3.2 多元GARCH模型的参数估计
• 2.3.3 多元GARCH模型构建
• 2.3.4 情景生成及情景树的构建
• 2.4 一个例子
• 2.5 小结
• 第三章 矩匹配法在情景生成中的应用
• 3.0 引言
• 3.1 基于矩匹配的情景生成
• 3.1.1 矩匹配情景生成的框架
• 3.1.2 矩匹配情景生成的两种模型
• 3.1.2.1 顺序生成
• 3.1.2.2 整体生成
• 3.1.3 小结
• 3.2 对Hoyland&Wallace模型的改进
• 3.2.1 单变量矩匹配模型
• 3.2.2 描述性特征的刻画
• 3.2.3 情景的无套利判别
• 3.2.4 基于矩匹配的多阶段情景生成
• 3.3 基于立方变换及矩阵转换的矩匹配法
• 3.3.1 对相关矩阵的假设
• 3.3.2 符号表示
• 3.3.3 关键变换
• 3.3.4 核心算法
• 3.4 总结和讨论
• 第四章 基于聚类分析的情景生成
• 4.1 引言
• 4.2 聚类分析
• 4.2.1 聚类分析简介
• 4.2.2 聚类分析中的相似性度量
• 4.2.2.1 样本的相似性度量
• 4.2.2.2 变量的相似性度量
• 4.2.3 常用的两种聚类方法
• 4.2.3.1 系统聚类法
• 4.2.3.2 K均值聚类法
• 4.2.3.3 两种常用聚类方法的比较
• 4.3 基于聚类方法的情景生成
• 4.3.1 基于K-均值聚类方法的单阶段情景生成
• 4.3.2 情景的无套利判别和排除
• 4.3.3 基于聚类分析的多阶段情景生成
• 4.4 小结
• 第五章 基于VAR法的情景生成
• 5.0 引言
• 5.1 向量自回归（VAR）
• 5.1.2 VAR模型的一般表示
• 5.1.3 VAR模型的分类
• 5.1.4 VAR模型的建立
• 5.1.4.1 滞后阶数p的确定
• 5.1.4.2 VAR模型的Granger因果检验
• 5.2 基于VAR模型的情景生成
• 5.2.1 VAR模型的建立
• 5.2.2 随机情景向量的生成
• 5.2.3 单阶段情景树的构建
• 5.2.4 基于VAR模型的多阶段随机情景的生成
• 5.2.5 应用实例
• 5.3 小结
• 第六章 一种情景生成的新方法—基于Copula函数
• 6.0 引言
• 6.1 Copula函数简介
• 6.1.1 Copula函数理论基础
• 6.1.2 Copula函数的分类
• 6.2 基于Copula的随机模拟和相关性
• 6.3 基于Copula函数的情景生成
• 6.3.1 资产组合中各资产收益率随机扰动项边缘分布函数的构建
• 6.3.2 选择合适的Copula函数构建金融资产收益率相关性的联合分布函数
• 6.3.3 Copula函数参数估计
• 6.3.4 用蒙特卡罗方法模拟资产组合资产的收益率
• 6.3.5 应用实例
• 6.4 小结
• 第七章 总结与展望
• 7.1 论文的主要结论
• 7.2 本论文的主要创新点
• 7.3 有待进一步研究的问题
• 参考文献
• 致谢
• 个人简历及论文发表