本书在总结现代投资组合理论的基础上，重点探索了投资机会集中参数不确定性、风险资产收益过程的可预测性、时变性和跳跃性对动态资产组合选择的影响。结合实际的投资环境，综合模糊决策理论、集成预测方法、随机最优控制等技术，对连续的、多期投资组合问题、摩擦市场的多阶段动态投资问题以及含金融衍生品的资产配置问题进行分析和研究，为投资者和金融决策机构提供了新的分析手段和模型。
本书可作为经济管理类高年级本科生和相关专业的研究生教材，也可供从事投资分析和量化投资管理的研究人员阅读参考。
李爱忠，男，汉族，北京航空航天大学金融工程专业管理学博士，研究方向为大数据分析、智能金融、数理经济与风险管理。长期致力于投资组合与风险管理、金融衍生品定价、机器学习及经济预测等方面研究，主持国家社会科学基金1项, 开发了《证券投资组合和基金评价综合集成系统》，曾参与国家自然科学基金项目6项、国家社会科学基金项目1项，在《中国管理科学》、《系统工程理论与实践》等核心期刊发表相关学术论文数十篇，研究成果集中在集成预测、稳健矩阵回归、非线性资产定价、投资组合及风险管理等方面。
第一章 绪 论1
1.1 研究背景及研究意义1
1.1.1 研究的背景1
1.1.2 研究的意义2
1.2 相关文献研究综述6
1.2.1 投资组合的静态模型6
1.2.2 动态投资组合模型7
1.2.3 国内研究综述11
1.3 论文的研究内容和结构安排12
1.3.1 主要研究内容12
1.3.2 结构安排14
1.4 研究思路和方法17
1.5 本书的主要创新点17
第二章 基于集成预测的模糊投资组合选择20
2.1 预测理论及方法20
2.1.1 基于粒子群优化的SVM算法20
2.1.2 基于遗传神经网络的预测模型22
2.1.3 ARIMA时间序列预测模型23
2.1.4 基于熵值法的集成预测24
2.2 基于均值-方差-熵优化的模糊投资组合模型25
2.2.1 预备知识25
2.2.2 含模糊约束的均值-方差-熵优化的模糊投资组合模型26
2.3 实证研究29
2.3.1 预优化30
2.3.2 组合预测31
2.4 均值-方差-熵优化的模糊投资组合结果33
2.5 本章小结35
第三章 摩擦市场下的多阶段动态资产组合配置策略36
3.1 摩擦市场下动态投资组合决策模型37
3.1.1 动态投资组合模型的建立37
3.1.2 基于粒子群优化和神经网络混合智能算法的模型求解39
3.2 基于最小二乘支持向量机预测的参数估计41
3.2.1 最小二乘支持向量机41
3.2.2 资产收益率的影响因子43
3.3 实证研究43
3.3.1 预优化处理44
3.3.2 最小二乘支持向量机预测44
3.3.3 动态投资组合的参数和优化结果45
3.4 本章小结46
第四章 随机环境下的连续时间最优资产组合选择47
4.1 连续时间金融的数学基础47
4.2 问题的提出及模型的建立48
4.2.1 效用的定义49
4.2.2 连续时间的资产组合模型49
4.3 最优投资策略50
4.3.1 模型求解50
4.3.2 结果讨论51
4.3.3 模型的扩展52
4.3.4 模型时变参数的GARCH估计53
4.4 算例54
4.5 本章小结55
第五章 极大极小风险下的跳扩散连续时间资产配置策略57
5.1 连续时间的投资组合决策模型58
5.1.1 跳扩散投资组合模型的建立58
5.1.2 极大极小风险约束60
5.2 基于数值逼近算法的模型求解61
5.2.1 HJB方程61
5.2.2 数值逼近算法62
5.3 基于神经网络预测的参数估计63
5.4 实证研究64
5.4.1 组合中投资标的的选择64
5.4.2 参数估计65
5.4.3 跳扩散的连续时间投资组合的优化结果65
5.5 本章小结67
第六章 含期权的连续时间投资组合最优策略69
6.1 含期权的连续时间投资组合决策模型70
6.1.1 模型的建立70
6.1.2 基于微分方程有限差分法的模型求解72
6.2 套期保值策略74
6.3 算例74
6.4 本章小结78
第七章 随机利率和通货膨胀下的最优资产组合选择79
7.1 考虑通货膨胀等因素的投资组合决策模型80
7.1.1 模型的建立80
7.1.2 改进数值逼近算法的模型求解83
7.2 基于支持向量机的参数估计85
7.3 实证研究85
7.3.1 模型参数估计85
7.3.2 连续时间最优资产组合的优化结果86
7.4 本章小结89
第八章 含股指期货的投资组合套利策略研究90
8.1 基于Alpha套利的投资组合优化模型91
8.1.1 Alpha套利的投资组合构建91
8.1.2 Alpha套利策略93
8.2 遗传神经网络优化算法的实现94
8.2.1 自适应的遗传算法及其混合编码94
8.2.2 混合编码下的遗传神经网络算法96
8.3 实证研究97
8.3.1 数据预处理97
8.3.2 实证研究中的具体约束条件和退火参数98
8.3.3 实证方法和实证结果99
8.4 本章小结101
总结与展望103
研究内容及结论总结103
未来研究思路展望104
参考文献107
附录1 GABP算法主要程序代码117
附录2 粒子群寻优主要程序代码119
书单推荐
