跳到主要內容

臺灣博碩士論文加值系統

(23.20.20.52) 您好!臺灣時間:2022/01/24 19:09
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:黃証國
研究生(外文):Cheng-Kuo Huang
論文名稱:應用基因演算法於動態投資組合保險中操作策略的最適化
論文名稱(外文):Apply Genetic Model to Strategy Operation of Dynamic Portfolio Insurance
指導教授:陳安斌陳安斌引用關係
指導教授(外文):An-Pin Chen
學位類別:碩士
校院名稱:國立交通大學
系所名稱:資訊管理所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:47
中文關鍵詞:基因演算法投資組合保險夏普比率時間不變性投資組合保護策略
外文關鍵詞:Genetic AlgorithmsPortfolio InsuranceSharpe RatioTIPP
相關次數:
  • 被引用被引用:43
  • 點閱點閱:1287
  • 評分評分:
  • 下載下載:398
  • 收藏至我的研究室書目清單書目收藏:12
投資組合保險的觀念,在國外已風行多年,而今也正逐漸地在國內受到重視。其概念為將資金分配於不同之資產,並將此投資組合所面臨的損失風險控制於一定範圍之內,但卻又能參與市場上漲時的獲利。
市場上目前常用的動態投資組合保險之操作策略通常為CPPI與TIPP兩種,其簡單的參數設定與計算公式,使其在實務上易於使用。但其參數之設定卻常依賴於過去經驗值,並無一定之規則可循。本研究建立一動態投資組合保險之操作模型,以決定股票與債券兩者之間的資金權重比例與調整時機,在考慮實際交易成本之情況下,應用基因演算法於調整其槓桿乘數Multiplier以及最低交易調整門檻Tolerance,依投資者對風險的趨避程度予以最適化以求得單位風險報酬的最大化。
經由本研究的實證,可得以下之結論。以單位風險報酬來比較,無論在多頭或空頭走勢下,TIPP皆優於CPPI,而CPPI又優於大盤表現。而在不同的市場走勢與要保額度下,槓桿乘數以及最低交易調整門檻並無法得到一固定值,故本研究嘗試利用前半年市場資料所得出之最適值,實證於其連續後半年之市場中。結果在一連續的市場趨勢中,可得出較大盤為佳之表現;但在大盤向上反轉之階段,則劣於大盤。
The idea of portfolio insurance has been widely practiced abroad for years; while it is now gradually accepted over the inland. The critical point of the idea is to make capital allocated in various assets as for better risk management in additions to gain profit when economy is on bull market.
The common strategies shown in dynamic portfolio insurance are "CPPI" and "TIPP", which practice is realized out of its simple calculation and parameters to set. On the contrary, for lacking of regulation to follow, the setting of parameter should attach to the figures of past experience. Besides, it makes use of GA to optimize the "Multiplier" and "Tolerance" considering of transaction cost in order to maximize Sharpe ratio according to investor''s risk management plan.
The following conclusions are summarized from the empirical result. Compared by Sharpe ratio, TIPP is superior to CPPI and CPPI outperform benchmark in either bull market or bear market. As the calculation of Multiplier and Tolerance fail to fix in various situation of market trend and desired floor, the experiment hereby tend to pick a best proper figures given by the previous half year of real market data, and testify the theory works in the later half year with real market practice. It shows that the model have better performance in continuous trend, but become worse than benchmark only when in the upside reversal point.
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究架構 3
第二章 文獻探討 5
2.1 基因演算法相關文獻 5
2.1.1 基因演算法之演化流程 5
2.1.2 基因運算子 7
2.1.3 基因運算法之特性 10
2.2 投資組合保險相關文獻 11
2.2.1 固定比率投資組合保險策略(CPPI) 12
2.2.2 時間不變性投資組合保護策略(TIPP) 13
2.2.3 投資組合保險策略中交易成本的的考量 14
2.2.4 投資組合保險策略的相對績效 16
第三章 研究設計 18
3.1 研究假設與限制 18
3.1.1 無風險利率具有浮動性 18
3.1.2 交易成本之衡量 18
3.1.3 漲跌幅限制 18
3.1.4 融資與融券 19
3.2 研究流程 19
3.3 研究架構 21
3.3.1 動態投資組合保險操作模型介紹 21
3.3.2 以指數為基礎建立投資組合 22
3.3.3 績效評估 23
3.4 基因演算法應用於動態投資組合模型之設計 25
3.4.1 編碼 25
3.4.2 參數設定 25
3.4.3 適應函數 26
第四章 研究成果 27
4.1 CPPI與TIPP之實證模擬與比較 27
4.1.1 資料期間:1996/1/4(5146)∼1997/12/30(8146) 27
4.1.2 資料期間:1997/1/4(6820)∼1998/12/30(6462) 29
4.1.3 資料期間:1998/1/3(8159)∼1999/12/28(8449) 30
4.1.4 資料期間:1999/1/5(6152)∼2000/12/30(4739) 31
4.1.5 資料期間:2000/1/4(8756)∼2001/12/18(5329) 33
4.1.6 小結 34
4.2 TIPP之實證模擬與大盤績效之比較 35
4.2.1 實證期間: 1996/7 ~ 1996/12 35
4.2.2 實證期間: 1997/1 ~ 1997/6 36
4.2.3 實證期間: 1997/7 ~ 1997/12 37
4.2.4 實證期間: 1998/1 ~ 1998/6 38
4.2.5 實證期間: 1998/7 ~ 1998/12 38
4.2.6 實證期間: 1999/1 ~ 1999/6 39
4.2.7 實證期間: 1999/7 ~ 1999/12 40
4.2.8 實證期間: 2000/1 ~ 2000/6 40
4.2.9 實證期間: 2000/7 ~ 2000/12 41
4.2.10 實證期間: 2001/1 ~ 2001/6 42
4.2.11 實證期間: 2001/7 ~ 2001/12 43
4.2.12 小結 43
第五章 結論與建議 46
5.1 結論 46
5.2 後續研究建議 47
參考文獻 48
1.Black, Fisher and Rober Jones, “Simplifying Portfolio Insurance”, The Journal of Portfolio Management, Fall 1987,pp.48-51.
2.Black, Fisher and Perold, Andre F., “Theory of Constant Proportion Portfolio Insurance”, Journal of Economic Dynamics & Control, Jul/Oct 1992,pp.403-426.
3.Brennan, Michael J. and Eduardo S.Schwartz, ”Time-Invariant Portfolio Insurance Strategies”, Journal of Finance, June 1998,p283-299.
4.Estep, Tony and Mark Kritzman, 1988, “TIPP: Insurance without Complexity, ” Journal of Portfolio Management 14, summer p.38-42.
5.G. B. Garuca and F. J. Gould, “An Empirical Study of Portfolio Insurance”, Financial Analysts Journal, Jul/Aug 1987, pp.44-54.
6.Goldberg D.E. “Genetic Algorithms in search, optimization and machine learning”, Addison-Wesley Publishing Company, 1989.
7.J.H.Holland, “Adaption in Natural and Artificial Systems”, University of Michingan Press, Ann Arbor, 1975
8.K. S. Choie and E. J. Seff, “TIPP: Insurance Without Complexity: Comment”, Journal of Portfolio Management, Fall 1989, pp.107-108.
9.Perd, Andre F. and William F. Sharpe, “Dynamic Strategies for Asset Allocation”, Financial Analysts Journal, Jan-Feb 1988
10.Stephen M. Omohundro. Geometric learning algorithms. Technical Report TR-89-041,International Computer Science Institute, 1989
11.卞志祥,”台灣加權股價指數投資組合之基因演算法建構模型”,國立交通大學資訊管理研究所碩士論文,1996
12.劭光耀,”投資組合保險策略之績效─台灣股市之實證研究”,國立台灣大學商學研究所碩士論文,1991
13.邱瑜明,”投資組合保險策略─在台灣股市之相關研究”,國大政治大學金融學研究所碩士論文,1999
14.陳安斌,”財務金融資訊管理與投資決策”,國立交通大學金融投資決策教學研究中心用書,2002
15.郭洪生,”資產配置全球化之投資策略實證研究”,國立交通大學資訊管理研究所碩士論文,2000
16.詹俊炫,”投資組合保險之應用─國內保本基金之設計”,國立中山大學財務管理學研究所碩士論文,1998
17.楊昌博,“投資組合保險策略在台灣股市之實證研究─七種保險策略績效之比較”,成功大學企業管理研究所碩士論文,1995
18.劉懋楠,“投資組合保險策略之整合─台灣股票市場之實證研究”,國立台灣大學商學研究所碩士論文,1993
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top