超高維稀疏網(wǎng)絡模型及其組合風險管理研究

第一章 緒論
第一節(jié) 研究背景與意義
第二節(jié) 相關文獻研究綜述
第三節(jié) 研究內(nèi)容與結(jié)構(gòu)安排
第四節(jié) 研究思路與方法
第五節(jié) 主要特色和創(chuàng)新點
第二章 高維數(shù)據(jù)降維理論、方法與模型
第一節(jié) 高維數(shù)據(jù)降維的關鍵技術及方法
第二節(jié) 基于人工智能的降維方法
第三節(jié) 本章小結(jié)
第三章 超高維非線性集成降維理論、方法與應用
第一節(jié) 超高維非線性集成降維模型及應用
第二節(jié) 構(gòu)建雙重群組、低秩分塊的多因子核范數(shù)矩陣回歸模型
第三節(jié) 構(gòu)建多源異構(gòu)的多目標、多因子非線性資產(chǎn)定價體系
第四節(jié) 資產(chǎn)組合優(yōu)化及金融市場風險管理應用研究
第五節(jié) 本章小結(jié)
第四章 超高維稀疏低秩的矩陣回歸模型及其組合風險管理策略
第一節(jié) 高維數(shù)據(jù)降維及投資組合研究回顧
第二節(jié) 多目標回歸的投資組合優(yōu)化模型
第三節(jié) 稀疏回歸的組合優(yōu)化
第四節(jié) 實證研究
第五節(jié) 本章小結(jié)
第五章 圖嵌入下稀疏低秩集成預測的多因子資產(chǎn)選擇策略
第一節(jié) 多源融合的集成預測模型
第二節(jié) 量化多因子資產(chǎn)選擇
第三節(jié) 實證研究
第四節(jié) 本章小結(jié)
第六章 超高維環(huán)境下超指數(shù)膨脹的連續(xù)時間組合風險管理
第一節(jié) 超高維風險資產(chǎn)的非線性集成降維策略
第二節(jié) 基于定向循環(huán)支持向量機的多因子資產(chǎn)分類模型
第三節(jié) 超指數(shù)膨脹的連續(xù)時間投資組合優(yōu)化模型
第四節(jié) 實證研究
第五節(jié) 本章小結(jié)
第七章 基于深度學習的超高維連續(xù)時間資產(chǎn)組合管理策略
第一節(jié) 深度融合網(wǎng)絡的多因子資產(chǎn)組合選擇模型
第二節(jié) 均值一方差一熵的連續(xù)時間組合風險管理模型
第三節(jié) BP神經(jīng)網(wǎng)絡的函數(shù)通近算法及二次優(yōu)化
第四節(jié) 實證研究
第五節(jié) 本章小結(jié)
第八章 金融網(wǎng)絡風險下多因子矩陣回歸的資產(chǎn)組合與定價
第一節(jié) 基于最小生成樹的網(wǎng)絡風險疊加模型
第二節(jié) 多因子矩陣回歸的組合優(yōu)化
第三節(jié) 實證研究
第四節(jié) 本章小結(jié)
第九章 超高維稀疏網(wǎng)絡重構(gòu)的資產(chǎn)組合選擇策略
第一節(jié) 基于CNN-RNN-SVM深度學習的多因子資產(chǎn)選擇模型
第二節(jié) 增強型指數(shù)的投資組合優(yōu)化模型
第三節(jié) 實證研究
第四節(jié) 本章小結(jié)
第十章 總結(jié)與展望
參考文獻