考虑完整交易费用的组合证券投资求解

针对中国证券市场现存的各种交易费用,建立一个更加符合实际的组合证券投资模型.该模型不仅继承了股票不可拆分、不能卖空等特点,而且完全反映了交易费用的核算情况;最后给出一个遗传算法结合动态罚函数求解的投资实例,计算结果证明了该模型及其求解方法的有效性和可操作性.     

带交易费用的证券组合投资选择的优化模型

本文利用在约束条件中加入证券多样化选择约束的办法来抵减非系统风险 ,就证券组合投资的选择问题 ,建立了带交易费用的综合考虑收益和风险的多目标规划模型 ,然后通过变换将不可微的多目标规划问题转化为一个多目标线性规划问题 ,最后给出了问题的一个算法和算例     

含交易费用的证券组合投资模型的满意解

在证券组合投资过程中,忽略交易费用会导致非有效的证券组合投资,本文提出了一个考虑交易费用的证券组合投资的区间数线性规划模型,通过引入区间数线性规划问题中的目标函数优化水平参数λ和约束条件满足水平参数η将目标函数和约束条件均为区间数的区间数线性规划模型转化为确定型的一般线性规划模型,进而求得相应于优化水平λ和满足水平η的满意解.     

含交易费用的证券组合投资的多目标规划模型

以Ｍａｒｋｏｗ ｉｔｚ证券组合投资理论为基础,采用相对偏好参数,建立了含交易费用的证券组合的多目标规划模型,并给出了它的解法及有效边界的确定方法     

具有交易成本的证券投资组合选择：一种求解方法

本研究一类带交易成本证券投资组合选择的求解,在风险不超过某个阈值的假设下,我们给出一种求解方法,最后本通过实例计算表明该方法是有效的。     

熵—证券投资组合风险的一种新的度量方法

本文在研究马科维茨 ( Markowitz)证券投资组合模型的基础上 ,分析了该模型用方差度量风险的缺陷 ,进而提出用熵作为风险的度量方法 ,改进马科维茨 ( Markowitz)证券投资组合模型 ,并建立新的证券投资组合优化模型     

证券投资组合理论的一种新模型及其应用

马科维茨(Markowitz)以证券收益率的方差作为投资风险的测度建立了组合证券投资模型，本基于熵的概念，在研究马科维茨(Markowitz)证券投资组合模型的基础上，分析了该模型用方差度量风险的不足，进而提出一种新的证券投资组合优化模型，并以实例作了说明。     

一种证券组合选择模型

本文在Ｍａｒｋｏｗｉｔｚ组合证券投资决策模型基础上提出了一种可产生更优组合证券投资策略的证券组合选择模型，研究了它的解的结构、它的有效边界的构成。     

风险限额、交易费用与相依结构:对证券投资组合优化影响的实证研究

本文提出了一个考虑交易费用,允许以无风险利率自由借贷,追求期末财富最大化的投资组合选择优化模型。进一步,通过实证分析,研究了风险(VaR)限额约束、交易费率变动,以及投资组合间相依结构对证券组合优化配置的影响。     

带交易费用的投资组合模型的割平面解法

本文讨论了带交易费用的投资组合模型，因对这一类带二次约束的线性优化问题没有特殊的处理方法，我们利用割平面法使这一非线性优化间题可通过解一系列线性规划问题来求解．     

具有交易费用和马氏调制的均值-方差组合选择

研究了均值-方差准则下,最优投资组合选择问题.投资者为了增加财富它可以在金融市场上投资.金融市场由一个无风险资产和n个带跳的风险资产组成,并假设金融市场具有马氏调制,买卖风险资产时,考虑交易费用.目标是,在终值财富的均值等于d的限制下,使终值财富的方差最小,即均值-方差组合选择问题.应用随机控制的理论解决该问题,获得了最优的投资策略和有效边界.     

摩擦市场中最优证券组合选择的极大极小法

在考虑交易成本的基础上,构造最优投资组合选择的极大极小模型,同时允许投资者卖空风险资产.在求解过程中,针对出现的非光滑函数,通过引入极大熵函数用光滑问题来逼近非光滑问题.最后推导出连续可微的方程组,可采用经典牛顿法求解.数值分析验证了该方法的有效性.     

基于最小交易量和交易费用的多阶段模糊投资组合

考虑了在摩擦市场下的多阶段模糊投资组合模型,基于半绝对方差风险函数,建立了带有最小交易量和交易费用限制的收益最大化多阶段模糊投资组合模型.利用绝对值函数的性质,将模型转化为混合整数线性规划形式,并通过实例验证了模型的可行性,最后对模型与基于可能性均值和可能性方差的多阶段模糊投资组合模型进行了对比,分析了模型的优越性,并验证了模型的可行性.     

手数约束和凹交易费下的离散投资组合模型及算法

本文建立带手数约束和凹交易费的离散投资组合模型,给出求解该模型的一种精确算法。该算法是一个基于拉格朗日松弛和次梯度对偶搜索的分枝定界算法。为测试算法的有效性,用随机产生的数据对模型进行数值实验。作为其应用,用沪深300指数的真实数据实证检验该模型,并与不含交易费用的离散投资组合模型进行数值比较分析。数值分析表明算法能在合理的时间内给出模型的投资组合策略, 对解决中小规模的离散投资组合问题是有效的。     

求解带有交易费的CVaR投资组合模型的L-S算法

本文假设投资者是风险厌恶型,用CVaR作为测量投资组合风险的方法.在预算约束的条件下,以最小化CVaR为目标函数,建立了带有交易费用的投资组合模型.将模型转化为两阶段补偿随机优化模型,构造了求解模型的随机L-S算法.为了验证算法的有效性,用中国证券市场中的股票进行数值试验,得到了最优投资组合、VaR和CVaR的值.而且对比分析了有交易费和没有交易费的最优投资组合的不同,给出了相应的有效前沿.     

Portfolio Optimization Model with Transaction Costs

Abstract The purpose of the article is to formulate,under the l_∞ risk measure,a model of portfolio selectionwith transaction costs and then investigate the optimal strategy within the proposed.The characterization of aoptimal strategy and the efficient algorithm for finding the optimal strategy are given.     

带交易费的最优投资组合选择的极大极小方法

研究不允许卖空时不相关资产的最优投资选择问题.在风险资产收益率不能确切知道的情况下,建立了投资组合选择问题的极大极小模型.将交易费引入到极大极小模型中,交易费假定为新旧投资组合之差的V型函数.推导出有效投资组合与有效前沿的解析表达式.     

含有交易成本的均值-方差-偏度资产组合优化模型

提出了含有交易成本的均值 -方差 -偏度资产组合优化模型 ;结合一个非对称性收益分布的具体例子 ,对模型做了灵敏度分析 .     

Optimal Consumption Portfolio and No-Arbitrage with Nonproportional Transaction Costs

In this paper we consider a finite-state financial market with non-proportional transaction cost and bid-ask spreads. The transaction cost consists of two parts: a fixed cost and a proportional cost to the size of transaction. We show that the existence of an optimal consumption policy implies that the market has no strong arbitrage; the opposite, however, is not true, i.e., no strong arbitrage does not imply the existence of an optimal consumption policy. This is in sharp contrast with the case of proportional transaction cost and other cases reported in the literature, where no strong arbitrage is equivalent to the existence of an optimal consumption policy. We also study the relationship between weak arbitrage and strong arbitrage. Different from the market with proportional transaction cost, we find that these two forms of arbitrage are equivalent unless the fixed cost is zero. A necessary and sufficient condition for the existence of an optimal consumption policy is also obtained. Supported by CAS, NSFC, RGC of Hong Kong and NSF under Grant No. DMI-0196084 and DMI-0200306.