推荐5篇关于投资组合的计算机专业论文

今天分享的是关于投资组合的5篇计算机毕业论文范文, 如果你的论文涉及到投资组合等主题,本文能够帮助到你

基于用户风险偏好的投资组合推荐研究

这是一篇关于投资组合,推荐系统,模糊综合评价方法,风险偏好,CVaR的论文, 主要内容为随着信息技术的进步以及互联网金融的发展,许多金融财经平台都陆续推出了网上投资理财服务,使投资人可通过互联网进行投资。这一新型投资模式拓展了金融机构的业务量,同时也便捷了投资人的投资行为,使越来越多的潜在投资人可以参与到投资活动中。对于投资人来说,进行投资组合的投资可有效分散风险并取得收益,然而,大多数利用互联网投资的个人投资者难以在众多投资产品中选择出合适的产品进行投资,而且对于小额投资者来说,雇佣专业投资分析师相对来说成本较高,因此个人投资者的决策困难问题,是一个亟待解决的重要问题。为了解决个人投资人的投资产品选择问题,本研究提出并实现了基于用户风险偏好的投资组合推荐系统,该系统能够为用户推荐符合其风险偏好的投资组合。本研究采用基于内容的推荐系统,通过对用户风险偏好和产品特征的衡量,实现针对用户风险偏好的投资产品匹配和推荐。首先,通过用户个人信息衡量用户风险偏好;其次,衡量投资产品的风险水平;最后,将产品风险水平与用户风险偏好相匹配,向目标用户提供投资组合推荐。经过系统开发与案例分析,通过实现对不同风险偏好用户的合理投资推荐,本研究验证了投资组合推荐系统的可用性和有效性。

基于Spark增量聚类的投资组合推荐系统的研究与实现

这是一篇关于增量聚类,投资组合,主成分分析,因子分析,Spark的论文, 主要内容为“互联网+”时代的到来使得互联网金融业千帆竞发,投资大众化热潮兴起,居民的消费和投资观念发生了翻天覆地的变化。近年来,新开户股民数量急剧上升,但中国股市动荡,投资风险高,散户能够获得的有效信息很少。由于股票市场的高复杂性和影响股票市场的因素较多,如何为股民提供可靠的信息,如何判断上市公司的内在投资价值,如何选择出优质股和潜力股,组成投资组合,以降低股民的投资风险,具有巨大的研究价值。本文针对以上问题,深入调研了选股和投资组合方法,将基本面分析选股法和聚类分析选股法相结合,提出自己的投资组合推荐策略。针对本文研究的带有全局变化特征的增量数据,设计实现了一种基于Spark分布式平台的增量聚类算法,并对历年所有上市公司的财务数据进行仿真实验,设计出一款投资组合推荐系统,应用于实际。首先,本文深入调研了选股和投资组合方法,将基本面分析选股法和聚类分析选股法相结合,提出自己的投资组合推荐策略。根据基本面分析法,研究公司财务数据特征和财务报表指标,提取出能反映公司盈利能力、成长能力、运营能力、偿债能力的20个基本指标,作为增量聚类的特征数据。其次,深入分析金融时间序列数据特点,对增量数据的格式进行详细阐述。本课题研究的数据是带有全局变化特征的增量数据,对于全局变化数据的处理,提出增量极差归一化-金字塔时间模型,对于数据点不断增加的处理,提出增量Kmeans算法,并将两种算法结合,在Spark分布式平台实现增量聚类算法模型,实验论证,该增量聚类算法比传统Kmeans的聚类效果更好。最后,运用Java Web设计实现一款投资组合推荐系统。该系统的主要功能包括公司综合能力评估和最优投资组合推荐。在20个基本指标基础上,结合因子分析法,对公司综合能力进行评分;在增量聚类得出的结果之上,每个簇内利用主成分分析法选出主成分再进行排序,选出最好的一支股票作为优质股,将不同簇选出的优质股组成最优投资组合股票池,并对系统推荐的最优投资组合进行86天的股票数据回测,回测结果显示,推荐的股票收益率表现良好,能够为股民投资决策提供重要信息。对该系统进行功能、性能、界面方面的测试,测试结果表明,该系统运行良好。

基于Spark增量聚类的投资组合推荐系统的研究与实现

基于深度强化学习的股票和商业数据分析

这是一篇关于Q学习,布莱克-利特曼模型,深度Q网络,长短期记忆网络,投资组合,推荐系统的论文, 主要内容为社会发展的需求是生产力进步的必要因素,为解决现实问题,一大批新兴领域的研究逐渐进入大众视野,为首的就是量化金融和商业数据分析。它们都基于数学统计和计算机的相关知识,在金融和商业市场领域大放异彩,是多学科交叉应用的典型范例。强化学习作为机器学习模型的一种,同样也是数学统计和计算机结合的产物,其学习过程类似于人类学习新知,通过不断地试错以进行学习,经过一系列反馈后往往能优化结果,从而为现实问题制定出最优的建议或策略,让复杂的金融和商业问题变得迎刃而解。本文主要研究了深度强化学习(Deep Reinforcement Learning)在股票和商业数据分析中的应用,更进一步,研究了Q学习(Q-Learning)在投资组合中的应用以及深度Q网络(Deep Q Network,DQN)在推荐系统中的应用。Q学习在结合非线性的布莱克-利特曼模型(Black-Litterman Model,BLM)之后,利用简单移动平均(Simple Moving Average,SMA)信号和指数加权移动平均(Exponentially Weighted Moving Average,EWMA)信号,可以很好地分析道琼斯工业平均指数(Dow Jones Industrial Average,DJIA)和标准普尔500指数(Standard&Poor’s500,S&P 500)经历完整经济上行和下行周期时的走势,尤其是在利用指数加权移动平均信号分析标准普尔500指数的30组公司的股票市值时,该模型几乎能完美拟合。深度Q网络在结合长短期记忆(Long-Short Term Memory,LSTM)网络之后,利用长短期记忆网络控制信息流的门控优势替换了深度Q网络的卷积神经网络,解决了长序列训练过程中的梯度消失和梯度爆炸问题,也弥补了真实场景中传统推荐系统迭代优化不足的问题。在分析阿里巴巴的用户行为数据时,我们发现该方法不仅可以不断地迭代用户的反馈以获得更准确的推荐,还可以改善用户在网站使用过程中的体验。