基于鲁棒优化的若干投资组合模型研究
基于鲁棒优化的多级多周期库存管理优化模型研究
一
。
十
一
，
Ｖ ∈ ｌ ， ， 】 １… ｍ
』
（ ．） １１
』
＝ ｆ
一
１
＋ 卜 ， ） 一 ）Ｌ ｍ） ｛ ＋ （ Ｉ ＋ 【 ）
以上 简 单 数 学 模 型 说 明某 级 供 应 链 在 某 周 期 发 生 的 库存 变 化 情 况 ，这 种 变 化 就 是 原 有 库 存 减 去 市 场 需 求 的 差 额 。 当库 存 为 负时 ．表 示 市 场 需 求 没 有 满 足或 者缺 货 。尽 管 缺货 或者 市 场 需 求 没 有 满 足 ，但 是 库 存 在 相 邻 节 点 企 业 间 仍 会 连 续 传 递 ，这 种 情
Ｓ． ｔ
一＋ ｌ ｌ
一
ｊ ，∽
一
— ｊｌ ＋ ，０） 一 ｖ ） Ｖ ∈｛ ， ， 一１ ｊ ㈤， ｊ １…， ， ∈ ｌ… ， ｍ一
＝
Ｉ ＋ 卜
） －ｄ
一
（ ）
≥
ｉ ＞ ０
Ｗ ≥ － ｐＹ
≥ ａ
， ≥
』
｝
（ ）库 存 持 有 成 本 ，在 ｔ 期 的 级 供 应 链 的每 单 位 货 物 的 持有 费用 ，我 们 定 义 为 ； ２ 周 （ ）缺 货 成 本 ，在 ｔ 期 的 级 供 应 链 的每 单 位 货 物 的 缺货 损 失 ，我 们 定 义 为 。 ３ 周
２ 模 型 建 立 及优 化 ２１ 模 型 建 立 及 线 性 规 划 ．
达 的延 迟 ，同 时 令
（ ．） 改造 为 ： ２１
（ ）ｌ ＋ ＋ ｙ 表 示 订 单 从 级 供 应 链 节 点 到 ｊ ｌ 供 应 链 节 点 的延 迟 。通 过 线 性 规 划 ，我 们 可 以把 ： （ １）Ｍ ｊ ＋ 级
自动化控制系统的鲁棒优化设计方法研究现状分析论文素材
自动化控制系统的鲁棒优化设计方法研究现状分析论文素材自动化控制系统的鲁棒优化设计方法研究现状分析自动化控制系统是现代工业生产中不可或缺的一部分。
通过使用控制算法、传感器和执行器，自动化控制系统能够实现生产流程的自动化，并提高生产效率和质量。
在设计自动化控制系统时，鲁棒优化是一个重要的考虑因素。
本文将对自动化控制系统的鲁棒优化设计方法进行研究现状分析。
一、鲁棒优化概述鲁棒优化是指在面对系统不确定性和外部干扰时保持控制系统的稳定性和性能。
传统的优化方法往往是基于系统准确的数学模型，但实际的控制系统常常存在模型不确定性和外部干扰，因此，需要使用鲁棒优化方法来提高控制系统的稳定性和鲁棒性。
二、鲁棒优化设计方法1. 参数整定方法鲁棒参数整定方法是一种基于系统模型的优化方法。
通过对系统模型进行分析和建模，确定系统参数的取值范围，并通过试探法或迭代算法来优化系统参数。
常见的鲁棒参数整定方法有H∞优化、线性矩阵不等式（LMI）方法等。
2. 鲁棒控制设计方法鲁棒控制设计方法是通过引入鲁棒控制器来提高控制系统的性能和鲁棒性。
常见的鲁棒控制器设计方法有H∞控制、μ合成控制等。
这些方法通过对系统模型进行描述，并结合鲁棒控制理论，设计出满足性能指标和鲁棒性要求的控制器。
3. 鲁棒优化方法在非线性系统中的应用非线性系统的优化设计涉及到非线性系统的建模和分析，以及非线性控制器的设计。
鲁棒优化方法在非线性系统中的应用主要是通过引入鲁棒控制理论，将非线性系统转化为具有线性结构的模型，并利用线性控制理论进行设计。
三、鲁棒优化设计方法的应用领域鲁棒优化设计方法在各个领域都具有重要的应用价值。
例如，在工业生产过程中，自动化控制系统的鲁棒优化设计可以提高生产效率和产品质量；在飞行器控制系统中，鲁棒优化设计可以提高系统的稳定性和安全性；在机器人控制系统中，鲁棒优化设计可以提高机器人的灵活性和适应性。
四、研究现状分析目前，国内外学者在自动化控制系统的鲁棒优化设计方法方面做了大量的研究工作。
基于Wasserstein两阶段分布鲁棒的多主体多能微网合作博弈优化调度
基于Wasserstein两阶段分布鲁棒的多主体多能微网合作博弈优化调度目录一、内容概述 (2)1. 研究背景与意义 (3)1.1 微网发展现状及面临的挑战 (3)1.2 多主体多能微网调度问题的复杂性 (4)1.3 Wasserstein两阶段分布鲁棒优化的应用前景 (6)2. 研究目的与内容 (7)2.1 研究目的 (8)2.2 研究内容 (9)2.3 技术路线 (10)二、微网概述及多主体多能微网调度问题分析 (11)1. 微网基本概念与特点 (11)1.1 微网定义及分类 (13)1.2 微网的优势与挑战 (14)2. 多主体多能微网调度问题解析 (14)2.1 多主体概述 (16)2.2 多能微网的能源类型及特点 (17)2.3 调度问题的难点与挑战 (18)三、Wasserstein两阶段分布鲁棒优化理论 (19)1. Wasserstein距离概念及性质 (21)1.1 Wasserstein距离定义 (21)1.2 Wasserstein距离的性质与应用领域 (23)2. 两阶段分布鲁棒优化理论介绍 (24)2.1 分布鲁棒优化的基本概念 (25)2.2 两阶段分布鲁棒优化的原理及步骤 (26)四、基于Wasserstein两阶段分布鲁棒的多主体多能微网合作博弈优化调度模型构建281. 模型假设与符号说明 (29)1.1 模型假设 (30)1.2 符号说明与定义 (31)2. 优化调度模型建立 (32)一、内容概述本文档主要研究了基于Wasserstein两阶段分布鲁棒的多主体多能微网合作博弈优化调度问题。
在这个问题中，我们考虑了一个由多个智能体组成的微网，这些智能体具有不同的能量存储能力和计算能力。
为了实现微网的能量高效利用和优化调度，我们需要设计一个合适的合作博弈策略，使得各个智能体能够在满足自身需求的同时，为整个微网提供稳定的能量供应。
为了解决这个问题，我们首先引入了Wasserstein距离的概念，将微网中各个智能体的能量分布看作是空间中的点，通过Wasserstein距离可以衡量这些点之间的相似性。
鲁棒优化模型和最优解解法毕业论文
鲁棒优化模型和最优解解法毕业论文1.简介装配线就是包括一系列在车间中进行连续操作的生产系统。
零部件依次向下移动直到完工。
它们通常被使用在高效地生产大量地标准件的工业行业之中。
在这方面，建模和解决生产线平衡问题也鉴于工业对于效率的追求变得日益重要。
生产线平衡处理的是分配作业到工作站来优化一些预定义的目标函数。
那些定义操作顺序的优先关系都是要被考虑的，同时也要对能力或基于成本的目标函数进行优化。
就生产（绍尔4999）产品型号的数量来说，装配线可分为三类：单一模型（SALBP），混合模型（MALBP）和多模式（MMALBP）。
在混合模型线和类似的生产流程中的同一产品的几个版本都需要他们。
凡生产流程有明显不同的生产线都需要计划并被称为多模型生产线。
从整体上对单一模型的装配线来说，对于一种均匀的产品的制造，就会有两个基本能力取向的问题：在给定一个所需的周期时间最小化工作站的数量，所有这是由工作站时间的最大值（SALBP1）中所定义；或在给定的工作站数目下最小化周期时间（SALBP2）。
AVORD版木.结合两种构想和优化工作站的数量和周期时间的效率问题(SALBP 2)，也经常被研究。
在现实生活中，装配过程中受到各种不确定性来源的影响，如操作时间的可变性、资源使用或可用性。
这些变化威胁到装配目标和避免它们造成的损失是至关重要的。
在这些资源中，操作时间的变化是重要的，特别是对于包含手动操作的生产线。
在大量变化的情况下，生产管理是昂贵的(生产线停工，工人的再分配，加班、短缺，等等)。
在这方面，本研究着重于预防这些成本的产生。
为此，我们制定了鲁棒SALBP-2。
在这个问题中，工作站被认为是预先确定的数量，因此变化影响生产周期和生产率。
开发一个算法来分配操作工作站，使其有可能在定义的最小周期完成。
因此，即使面对突发事件也能表现良好的更可靠的装配系统将会被设计出来。
我们强调，这项研究既有助于装配线设计的理论也有助于其实践。
数学建模中实际问题的鲁棒性分析与模型优化
数学建模中实际问题的鲁棒性分析与模型优化数学建模是一种将实际问题抽象化为数学模型，并通过数学方法求解的过程。
然而，在实际应用中，数学模型的鲁棒性往往是一个重要的考量因素。
本文将围绕数学建模中实际问题的鲁棒性分析与模型优化展开讨论。
一、实际问题的鲁棒性分析在数学建模中，我们常常需要将实际问题转化为数学模型。
然而，实际问题往往伴随着一些不确定性因素，如参数的不确定性、数据的噪声等。
这些不确定性因素会对模型的输出结果产生一定的影响，因此需要对模型的鲁棒性进行分析。
鲁棒性分析是指在面对不确定性因素时，模型能够保持良好的性能。
一种常用的鲁棒性分析方法是敏感性分析。
敏感性分析可以通过改变模型中的参数或输入数据，观察模型输出结果的变化情况，从而评估模型对不确定性的响应程度。
另外，对于一些具有随机性质的问题，如金融市场的波动性预测、气候变化的模拟等，我们可以采用蒙特卡洛模拟方法进行鲁棒性分析。
蒙特卡洛模拟通过随机生成大量的参数组合或输入数据，运行模型多次，从而得到模型输出结果的分布情况，进而评估模型的鲁棒性。
二、模型优化在实际应用中，我们常常会面临模型的不准确性和不完善性。
这时，我们需要对模型进行优化，以提高其预测或决策的准确性和可靠性。
模型优化可以从多个方面进行，如参数优化、结构优化、数据优化等。
参数优化是指通过调整模型中的参数，使模型与实际问题更好地拟合。
常用的参数优化方法包括遗传算法、粒子群算法等。
结构优化是指通过改变模型的结构，使其更好地适应实际问题。
结构优化可以涉及模型的变量选择、函数形式的选择等。
例如，在回归分析中，我们可以通过选择适当的自变量和函数形式，来提高模型的拟合效果。
数据优化是指通过改进数据的质量和数量，提高模型的性能。
数据优化可以包括数据清洗、数据平滑、数据插值等。
同时，我们还可以通过采集更多的数据、改进数据采集方法等，来提高模型的预测能力。
三、实例分析为了更好地理解鲁棒性分析与模型优化的意义和方法，下面我们以一个实例进行分析。
鲁棒优化的方法及应用
鲁棒优化的方法及应用杨威在实际的优化中决策过程中，我们经常遇到这样的情形，数据是不确定的或者是非精确的；最优解不易计算，即使计算的非常精确，但是很难准确的实施；对于数据的一个小的扰动可能导致解是不可行。
鲁棒优化是一个建模技术，可以处理数据不确定但属于一个不确定集合的优化问题。
早在19世纪70年代，Soyster 就是最早开始研究鲁棒优化问题的学者之一，他的文章给出了当约束矩阵的列向量属于一个椭球形不确定的集合时的鲁棒线性优化问题。
几年以后Falk 沿着这条思路做了非精确的线性规划。
在以后的很长的一段时间里，鲁棒优化方面都没有新的成果出现。
直到19世纪末，Ben-Tal,Nemirovski 的工作以及这时计算技术的发展，尤其是对于半定优化和凸优化内点算法的发展，使得鲁棒优化又成为一个研究的热点。
一个一般的数学规划的形式为0000,min {:(,)0,(,)0,1,...,}ni x R x R x f x x f x i m ξξ∈∈-≤≤=其中x 为设计向量，0f 为目标函数，12,,...,m f f f 是问题的结构元素。
ξ表示属于特定问题的数据。
U 是数据空间中的某个不确定的集合。
对于一个不确定问题的相应的鲁棒问题为0000,min {:(,)0,(,)0,1,...,,}ni x R x R x f x x f x i m U ξξξ∈∈-≤≤=∀∈这个问题的可行解和最优解分别称为不确定问题的鲁棒可行和鲁棒最优解。
这篇文章主要回顾了鲁棒优化的基本算法，目前的最新的研究结果及在经济上的应用。
1 鲁棒优化的基本方法1.1鲁棒线性规划一个不确定线性规划{min{:}(,,)}Tnm nm xc x Ax b c A b U R RR ⨯≥∈⊂⨯⨯所对应的鲁棒优化问题为min{:,,(,,)}Txt t c x Ax b c A b U ≥≥∈，如果不确定的集合是一个计算上易处理的问题，则这个线性规划也是一个计算上易处理的问题。
资产组合鲁棒优化模型及应用研究
（ ｃｏ ｌｆＢ ｓ ｅ ｄ ｎ ｔ ｔ ｎ Ｎ ａ ｅｓ ｒ ｎｖｒｔ， ｈｎａ ｇ １０ ０ ，Ｃ ｉ ） Ｓ ｈｏ ｏ ｕｉ ｓ Ａ ｍｉｉｒ ｉ ， ｏ ｈａｔ ｎＵ ｉ ｓｙ Ｓ ｅｙ ｎ １０ ４ ｈｎ ｎｓ ｓａ ｏ ｅ ｅｉ ａ
Ａｂｓ ｒ ｃ ： ｅ ｔ ｅ ｒ ｆｐ ａ￣ｌｏ ｒ ｂ ｓ ｐ ｉ ｚ ｔｏ ｓ ｓ ｍｍａ ｉｅ ． Ａ ｒｆｌｏ ｒ ｂ ｓ ｐ ｉ ｚ ｔｏ ｄ ｌｉ ｅ — ｔａ ｔ Ｔｈ ｈ ｏ ｙ ｏ ｏ ｉ ｏ ｕ ｔｏ ｔ ｍｉａｉ ｎ ｉ ｕ ｒｚ ｄ ｐｏｔｏｉ ｏ ｕ ｔｏ ｔｍｉａｉｎ ｍｏ ｅ ｓ ｓ
ｔ ｅ ｕｎ ｅ ａｎ ｓ ｔｍｅｈ ｄ．Ｔｈ ｎ．ｔ ｅ ｐ ｒｆｌｏ ｄ ｃｓｏ ｔ ｏｈ ｔ ｅｆ ａ ｉ ｌ ｎ ｈ ｐ ｉ ｌｉ ｅ ｌ ｅ ｙ ｍｅ ｎ ｈ ｃ ｒ ｉ ｅ ｔｏ ｔ ｅ ｈ ｏｔｏ ｉ ｅ ｉｉｎ ｗｉ ｂ ｔ ｈ ｅ ｓｂ ｅａ ｄ ｔ ｅ ｏ ｔｍａ Ｓｒ ａ ｉ ｄ ｂ ａ ｓ ｈ ｚ
Ｒｅ ｅａｒ ｓ ｃｈ ｏｎ Ｐｏｒｆ ｌ ｂｕ ｔＯｐ ｉ ｉａ ｉｎ Ｍｏｄ ｄ Ｉ ｔｏｉ Ｒｏ ｓ ｔ ｚ ｔ ｏ ｍ ｏ ｅｌ ａｎ ｔ Ａｐｐｉａｔ ｓ ｌ ｉ ｃ ｏｎ
ＧＡＯ ｎ Ｙｉ ｇ，Ｓ ＨＡＮＧ Ｓ ｕ ｈ ｏ，Ｈ ＵＡＮＧ ａ －ｕ ｎ Ｘｉ ｏ ｙ ａ
性 ， 立 了相应 的 资产 组 合 鲁 棒 优 化模 型 。对基 金 公 司的 投 资 决策 、 行 卡 网络 资金 分 配 、 ａ 建 银 Ｖ Ｒ约 束 下 的 资 产 组
基于鲁棒二阶随机占优的投资组合优化模型研究
基于鲁棒二阶随机占优的投资组合优化模型研究基于鲁棒二阶随机占优的投资组合优化模型研究摘要：随着金融市场的不稳定性和不确定性的加大，投资组合优化模型成为投资者追求稳定收益的重要工具。
本文基于鲁棒二阶随机占优方法，研究投资组合优化模型，旨在通过构建高效的风险管理模型，提高投资组合的稳定性和收益。
关键词：投资组合优化、鲁棒二阶随机占优、风险管理、收益稳定性一、引言随着金融市场的不断发展，投资者对于投资组合优化模型的需求日益增长。
传统的Markowitz模型虽然被广泛应用，但其对市场波动的敏感性较高，使得投资组合在遇到市场异常波动时容易出现较大亏损。
因此，为了增加投资组合的稳定性和收益，鲁棒二阶随机占优方法成为了研究的关键领域之一。
二、投资组合优化模型1.1 Markowitz模型Markowitz模型基于资产的预期收益率和协方差矩阵，通过构建一个有效前沿来实现投资组合的最优化。
其数学形式如下：minimize 1/2 * w^T * Σ * wsubject to r^T * w >= μ, w^T * 1 = 1其中，w为资产权重向量，Σ为协方差矩阵，r为预期收益率向量，μ为投资者对于最低预期收益率的要求。
1.2 缺点然而，Markowitz模型并没有考虑金融市场的实际情况，主要存在以下问题：(1) 对协方差矩阵的估计较为敏感。
在金融市场中，协方差矩阵往往由历史数据估计得到，在数据不充分或者市场结构发生变化时，协方差矩阵的准确性难以保证。
(2) 对于极端事件的敏感性较高。
Markowitz模型没有考虑极端事件对投资组合的影响，一旦市场出现大幅波动，投资组合很容易出现较大亏损。
(3) 权重向量过于集中。
Markowitz模型往往给出少数几个股票的高权重解，这样的解在实际操作中面临较高的交易成本和流动性风险。
三、鲁棒二阶随机占优模型为了解决上述问题，研究者们提出了鲁棒二阶随机占优模型。
该模型以鲁棒性和二阶信息为基础，通过引入惩罚项和约束条件，对投资组合进行有效约束。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于鲁棒优化的若干投资组合模型研究
投资组合通常是指个人或机构所拥有的由股票、债券及衍生金融工具等多种有价证券构成的一个投资集合。
传统上投资组合模型数学规划的经典范例是在输入参数准确可知并且等于某些标称值的假设条件下建立模型,并利用已有的数学规划方法求解模型得出最优解。
然而,这些方法并没有考虑数据的不确定性对建模质量和可行性的影响,本文采用鲁棒优化方法构建投资组合模型解决投资组合模型容易受输入参数影响的问题。
本文一方面试图将鲁棒优化方法在不同投资组合模型中的应用建立一个系统的框架,另一方面弥补了国内目前仅对部分投资组合鲁棒优化模型进行研究,而忽略了交易成本和现实约束对鲁棒优化投资组合模型的影响,丰富了鲁棒优化投资组合模型的应用范围,同时针对其衍生(含交易成本和现实约束)鲁棒优化模型得到以下结论：(1)鲁棒优化投资组合模型相比于传统的投资组合模型(相对应的模型进行比较,即如：鲁棒均值-CVaR投资组合(RCVaR)模型相比于均值-条件风险价值(CVaR)投资组合(MCVaR)模型)更能获得
稳定的回报,投资绩效更高。
(2)交易成本的引入。
对于将交易成本引入投资组合优化模型后鲁棒优化模型进行分析,这类投资组合优化模型是可解的、有效的、具有鲁棒性的,其投资组合收益、投资组合风险和投资组合绩效表现均优于将交易成本直接引入投资组合优化模型,表明引入交易成本后鲁棒优化模型仍是有效的。
同时在基于交易成本的鲁棒优化模型中引入现实约束,则会进一步提升投资组合收益、组合风险和投资组合绩效方面的表现。
(3)现实约束的引入。
对于不含交易成本的鲁棒优化模型引入现实约束后得出：第一,分散化程度对投资组合影响。
在投资组合各项资产权重充分分散之前,随着投资组合分散程度的增加,投资组合收益降低,投资组合风险减小,这与资本市场实际情况相同；在投资组合各项资产权重充分分散之后,随着投资组合分散程度的增加,投资组
合收益同样减小,但是投资组合风险增加。
第二,流动性水平对投资组合影响。
当投资组合管理者对资产组合的最低流动性水平要求越高时,投资组合的风险越大、投资组合的收益增加、投资组合的绩效降低,反之亦然,这与现实证券市场中的投资决策完全一致。
第三,资产上下界约束对投资组合影响。
从投资组合收益与绩效角度而言,
通过调整投资组合中各项资产上下界约束可以达到与调整投资组合管理者期望投资组合的最低收益、投资组合分散化程度和流动性水平相同的效果。
本文的主要研究内容有：第1章是导论。
第2章是现代投资组合优化理论发展综述。
第3章是对数鲁棒优化投资组合模型。
基于资产价格服从对数正态分布假设的基础上引入最坏情景(即风险价值),考虑各资产之间的关联性提出三种资产关系对数鲁棒优化投资组合模型：最坏情景下独立资产对数鲁棒优化投资组合(WCIALRO)模型、最坏情景下特殊关联资产对数鲁棒优化(WCCASCLRO)模型和最坏情景下一般关联资产对数鲁棒优化(WCCAGCLRO)模型；同时给出了具有上界约束的最坏情景下独立资产对数鲁棒优化投资组合(WCIALRO)模型即ACWCIALRO模型和具有上界约束的最坏情景下一般关联资产对数鲁棒优化(WCCAGCLRO)模型即ACWCCAGCLRO模型；基于最坏情景下独立资产对数鲁棒优化投资组合模型引入交易成本,构建了含交易成本最坏情景下独立资产对数鲁棒优化投资组合(TCWCIALRO)模型。
第4章是鲁棒优化CVaR投资组合模型。
基于对称不确定集和非对称不确定集下分析CVaR投资组合模型的鲁棒优化策略,构建了期望收益属于矩形对称不确定集模型：鲁棒均值-CVaR投资组合(RCVaR)模型及其衍生模型含交易成本的鲁棒均值-CVaR投资组合(RTCCVaR)模型和基于现实约束的鲁棒均值-CVaR投资组合(RCRCVaR)模型,期望收益属于不对称集模型：非对称不确定集鲁棒条件风险-价值投资组合(RACVaR)模型及其衍生模型基于交易成本的非对称不确定集鲁棒条件风险价值投资组合(RTCACVaR)模型和基于现实约束条件下非对称不确定集鲁棒条件风险-价值投资组合(RCRACVaR)模型。
第5章是鲁棒优化均值-半绝对偏差模型。
在均值-半绝对偏差模型(MSAD)基础上,构建了含交易成本的交易成本均值-半绝对偏差投资组合(TCMSAD)模型；同时基于交易成本均值-半绝对偏差投资组合(TCMSAD)模型运用鲁棒优化方法构建了鲁棒交易成本均值-半绝对偏差投资组合模型(RTCMSAD)和基于现实约束的鲁棒交易成本均值-半绝对偏差投资组合模型(RCRTCMSAD),丰富了MSAD模型和RMASD模型的应用。
第6章是鲁棒优化均值-绝对偏差模型。
在鲁棒均值-绝对偏差(RMAD)模型基础上,结合我国证券市场的实际情况,提出了适合我国投资组合管理的简化RMAD模型。
同时,运用相同数据将RMAD模型的最优解与其他学者投资组合模型的结果
进行绩效分析,证明简化RMAD模型从收益、风险与投资绩效角度而言优于所选的比较模型。
第7章是鲁棒优化目标规划多目标投资组合模型。
基于目标规划多目标投资组合(MGM)模型,运用鲁棒目标规划单目标(RSGM)模型建模的方法,提出了鲁棒目标规划多目标投资组合(RMGM)模型,拓展了鲁棒优化方法在目标规划投资组合模型中的应用。
第8章是鲁棒优化跟踪误差投资组合模型。
基于跟踪误差投资组合优化(TE)模型和跟踪误差投资组合鲁棒优化(RTE)模型建立了含交易成本的跟踪误差投资组合鲁棒优化(TCRTE)模型,并且同时给出一个数值算例,通过数值算例发现,引入交易成本后会影响投资决策,甚至会得到截然相反的结论,这对于投资组合实践是有借鉴的。
第9章是研究的结论与展望。