一、主成分分析在证券组合投资中的应用（论文文献综述）
任健平[1]（2021）在《多因子选股模型与基于情绪指数的投资策略对模型的改进》文中研究指明迄今为止中国证券市场已经发展30余年,随着法律法规及相关制度的完善,中国证券市场显示出强劲活力,普通民众投资热情高涨,市场参与度不断上升,个人投资者比例常年居高已成为中国证券市场一大特点,对投资的专业技术要求也日益增大。量化投资作为一门将数学、计算机科学与金融学相结合的投资方法,通过计算机及编程语言完成数据挖掘,通过数学及金融学完成数据处理及投资策略制定,因此量化投资对个人投资者是一项非常好的投资工具。目前中国量化投资整体情况与国外对比起来仍处于刚刚起步的阶段,并且目前学者或者研究机构对于量化投资的研究重点在于基于基本面分析的有效因子挖掘或者基于技术面分析的高频交易上,只有很少的研究会同行为金融学相结合。本文考虑到目前中国个人投资者占比较高,投资者的心理和行为已经成为影响中国股市不容小觑的因素,因此将投资者的情绪拟合为一个综合指标,并与多因子量化选股结合起来,从基本面选股的角度出发,依据情绪指标制定投资策略,以研究基于情绪指数的策略在中国股市的有效性和适用性。本文实证分为两个部分,首先是构建多因子选股模型,本文以2007年1月至2020年8月上证综指全部成分股作为研究对象,其中采用2007年1月至2011年12月股票数据作为多因子选股模型建立的样本数据,选择73个候选因子,利用MAD中位数绝对偏差等统计学方法完成因子筛选,利用前向逐步回归算法等方法,利用选出的因子建立了选股模型。在情绪指数方面,选择7个代理指标,利用主成分分析法,首先解决其滞后性问题,在利用当期和上一期指标数据构建第一代情绪指数e1后,将指标分别对e1进行回归,保留与e1相关性高的一期数据。在完成指标时期筛选后构建情绪指数e2,并与次月收益率对比发现情绪冲击即两期情绪指数之差与收益率关系更为明显,并通过了 Granger因果检验,接着利用LR准测、相关性分析等得出滞后一阶和滞后二阶的情绪冲击均能对收益率产生影响,以此得出基于情绪指数的投资策略。接着将多因子选股模型与投资策略结合起来,并比较加入投资策略前后的测试结果,发现加入投资策略的多因子选股模型表现更加优秀,证明了基于情绪指数的投资策略对多因子选股模型的优化效果。
李林[2]（2021）在《投资者情绪对股票市场收益率的不对称性影响》文中研究说明我国资本市场经过30年的发展,逐渐形成了较为完备的多层次资本市场体系。证券市场的建立和发展,使得投资者的闲置资金更加便利的流向实体经济,提高了社会资本配置的效率。但是,我国证券市场中依然存在着一些内幕交易、投机行为、盲目跟风等诸多不成熟的问题,投资者情绪的急剧波动严重影响了投资者的证券交易活动,相比于西方的较为成熟的证券市场,我国证券市场急需改进和完善。在行为金融学理论下,研究了投资者情绪对股票收益的不对称影响,首先量化分析和测度了投资者情绪这一要素,然后对投资者情绪指数与沪深A股股票收益率和总体收益率的相关性开展实证研究。主要有两个研究内容,第一个是投资者情绪指数的构建,在原有变量的基础上加入了新的代理变量,用主成分分析方法（PCA）构了建一个新的情绪指数。第二个研究内容是投资者情绪对股票收益率的不对称性影响,把情绪因子作为解释变量,放入Fama-French多因子模型,研究投资者情绪对股票投资组合收益率的不对称性影响。此外,在市场层面,对股市的牛熊市状态和情绪状态进行了划分,通过虚拟变量回归模型和VAR向量自回归模型,分析了投资者情绪在不同市态中对股市收益的不对称影响和不同的情绪态度对股市收益的不对称性影响。已有的研究较少涉及投资者情绪对股票收益不对称影响的研究,文章丰富了行为金融学中投资者情绪领域的研究内容。在投资者情绪指数构建方面,通过因子分析发现总方差解释值进一步提高,可以证明新构建的投资者情绪指数可以更好更全面地反映股票市场中投资者的情绪变化。研究发现,个股层面,投资者情绪对市值较小、投资能力较低、盈利能力较低的股票组合收益率的负向影响较强,对其他类型股票投资组合收益率的影响程度较弱,因此投资者情绪对不同类型的股票的影响是不对称的。市场层面,积极的投资者情绪对股市收益有负向影响,消极的投资者情绪对股市收益有正向影响,并且消极情绪对股市收益的影响程度较大。区分牛熊市后,投资者情绪对股市收益的影响也是不对称的,牛市趋势为正,熊市趋势为负。最后针对于以上研究问题,对投资者教育、政府职能、监管方信息披露及监管制度等方面提出了一些政策建议。
鹿慧琳[3]（2020）在《基于沪港通、深港通的中国资本市场本土偏好现象及原因研究》文中研究指明根据传统投资组合理论的观点,多元化与分散化是投资者应当践行的理念,当今是经济全球化时代,投资者所持有的投资组合应当具有国际化的特点。然而实际投资中投资者更倾向于将大部分的资金投向本国或本地区资本市场,投资于本国或本地区的权重远远超过了投资组合理论的建议值,这就是本土偏好现象。本文回顾已有文献中对于本土偏好的定义,总结归纳学者们对本土偏好发展趋势、影响因素等问题的研究。本文从理论层面阐述本土偏好的量化方法,并分析引起本土偏好现象的渠道限制、政策限制、信息不对称、宏观经济因素、投资者经验、行为金融因素等。本文重点关注新兴的行为金融学理论,选择投资者情绪作为创新性影响因素进行研究,讨论投资者情绪通过认知偏差影响本土偏好的理论机制。根据新兴的沪港通、深港通交易数据说明中国内地市场进行本土偏好研究的可行性。接下来,本文采集中国内地股票市场和香港股票市场2011年3月-2019年3月的季度数据,利用差值法度量两个市场的本土偏好指数。以中国内地市场为代表,选择中国证券市场投资者信心指数、换手率、市盈率、封闭式基金溢价率、新增投资者开户数五个源指标构建复合投资者情绪指数,建立回归模型,对投资者情绪影响本土偏好进行实证研究。研究结果表明本土偏好指数与投资者情绪指数负相关。投资者情绪同时影响本土偏好计算式中的本国实际投资比重和最优投资比重,市场表现良好、投资者情绪高涨时,投资者倾向于将更高权重的资金投向本国市场,使本国实际投资比重上升,同时,投资者纷纷入市、资金进入股票市场使得股价上升,本国市值占全球总市值上升,且后一种效应强于前一种效应,投资者情绪高涨引起市值占比上升的影响更大,最终使回归结果负相关。而在香港市场中,本土偏好指数的变化量与投资者情绪正相关,该指数本身也受到正向影响,这是由于两地市场市值占比不同和投资渠道、经验差异形成的。中国资本市场上的投资者存在明显的本土偏好现象,且这种现象受到投资者情绪波动的影响,说明资本市场和投资者并未完全成熟。应当合理开放资本市场,创造更多选择不同区域不同资产的机会。投资者自身的投资知识需要继续补充,精进投资策略,构建更为优化的投资组合。
魏苗[4]（2020）在《多元时间序列聚类算法及其选股策略应用研究》文中研究表明时间序列数据在生产与生活中普遍存在,已有不少学者对时间序列挖掘技术进行研究。随着研究深入,一元时间序列挖掘技术逐渐成熟,其在金融证券领域也得到广泛应用。例如,利用时间序列分析证券市场的特征,进行交易建议等。金融时间序列分析成为金融研究中的重要方向。多元时间序列数据同时利用多个指标描述对象,其表达的信息,隐藏的知识远远多于一元时间序列。但是由于其高维性和复杂性,目前对于多元时间序列的研究相对不足,在金融应用方面也缺少基于多元数据的分析。本文针对多元时间序列聚类技术从不同角度出发,提出两种新的多元时间序列聚类模型:（1）引入属性权值和模糊隶属度矩阵提出一种属性加权的多元时间序列聚类方法。该方法根据不同维度数据的离散程度赋予相应维度不同权重,并通过距离信息将原始多元时间序列转换为模糊隶属度矩阵。最终,通过模糊均值聚类得到聚类结果。仿真实验证实该方法能够有效提升多元时间序列的聚类质量,适用于指定类簇的多元时间序列聚类。（2）提出一种无参数聚类方法,从复杂网络角度将基于社区发现的一元时间序列聚类拓展到多元时间序列数据中。新方法通过综合考虑多元时间序列数据在各个维度上的多个最近邻居数从而避免聚类过程中的参数选择。新方法能够自适应地确定数据集中的社区数量,实现多元时间序列的无参数聚类。仿真实验中证实,新的聚类方法在减少参数的同时保证了聚类结果的质量及聚类效率,并适用于聚类无先验知识多元时间序列数据集。此外,本文将所提出的两个新聚类模型与金融证券市场结合从而指导投资决策。首先,利用基于社区发现的无参数聚类方法找到多元股票数据集中存在的社区结构,确定适宜的聚类簇数。随后,利用属性加权的聚类方法得到最终聚类结果。依据该聚类结果提出两种不同目标的选股策略,结合马科维兹模型对选股策略进行了有效性检验。实验中证实利用新的聚类模型结合选股策略的投资组合其收益率优于对比算法与市场基准,对投资者具备参考价值。
刘佳[5]（2020）在《CTA量化投资的组合资产配置研究》文中研究指明近几年我国的资产管理规模越来越大,银行、券商、信托的资产管理规模向来都是最大的,在资产管理行业拥有不可超越的优势。但是作为券商的子公司,券商系期货公司的资产管理规模一直没有十足的竞争优势。从2011年11月起,我国18个期货公司获得开展资产管理业务的资格,此项业务的开展,为我国期货公司的发展带来了机遇。然而期货公司的资产管理业务落地至今,公司的资产管理业务一直都是以通道业务为主,资产管理计划也都是“一对一”的形式,这种模式比较单一且发展较慢。2014年12月4日《期货公司资产管理业务管理规则（试行）》发布,期货公司的“一对多”业务模式正式实施,为期货公司的发展又打开了一扇新的大门。随着资管新规的落地,我国的资产管理规模又有了质的飞跃,银行也创办了理财子公司,券商也对期货子公司进行大规模的注资,对于期货公司来说,这是一个很好的机遇。但是,期货公司的资产管理团队依然存在很多不足,甚至与私募机构相比有很大的差距。在期货公司的资产管理业务模式中,虽然进行了很久的去通道化,但是目前仍然是以通道业务为主。其次是FOF产品,FOF产品主要是投资于外部团队,配置在市场上优秀的基金团队。这些业务都属于被动投资,而非期货公司资产管理业务的核心竞争力。中国基金业协会批露了2019年第二季度券商资产管理统计数据及业务排名情况,截至6月30日,证券公司及其子公司私募资产管理业务规模12.53万亿元,大部分券商主动管理规模在逐步提升。因此,在“大资管时代”的背景下,期货公司也应该大力发展资产管理团队,实行主动投资。资产管理团队的培养,需要在各个方面做好配置。目前期货公司的资管团队多以CTA量化投资和传统主观交易为主,其次是套利交易。部分期货公司会有自己的风险管理子公司,为此来对期货公司的风险进行对冲。公司资产管理团队首先要有自己团队的核心交易策略,并且要做好严格的风险控制和合理的仓位调整。本文主要以A公司CTA量化投资产品的110个策略、13个期货品种为研究对象,分析研究CTA量化投资的策略组合优化方案和仓位调整时机。本文以风险平价模型和马科维茨的均值-方差模型为模型基础,并运用时间序列分析方法,通过不同周期的时间窗、不同的时间窗滚动方式,对风险做动态调整,研究仓位调整的最优时机。最后对两个模型以及动态调整风险水平后的收益曲线进行绩效评价,得出预期的结论。
张明明[6]（2020）在《我国集成电路产业上市公司投资价值分析》文中研究指明随着我国经济的不断发展,人民的收入在不断提高,人们越来越希望通过证券投资来规避金融风险、实现资产保值增值,不同投资主体的市场参与度也越来越高。经过几十年的发展,我国的证券市场环境日趋规范,以往非理性的单纯投机炒作的投资方式已不适合于现代证券市场,价值投资的理念日益深入人心。当前证券市场中可供投资者进行投资的投资品种越来越多,如何对上市公司进行合理的投资价值评估,分析其内在价值的波动规律与趋势,让投资者能够在众多的上市公司中选择出真正具有投资价值的公司,规避市场投资风险,进行有效的资产配置显得尤为重要。集成电路作为一种具备战略性、基础性、先导性的产业,是一国信息化发展的根基所在,是全球技术创新竞争的重要领域,更保障着一个国家的安全与稳定。虽然我国的集成电路产业发展相对滞后,但在国家的大力扶持下集成电路产业发展的重大机遇期即将来临。近年来,市场拉动效应明显,政策支持力度较大,我国集成电路产业开始迅速发展,整个产业的发展实力大大提升,产业发展的集聚效应越来越明显,投资价值日益凸显,在证券市场上越来越受到投资者的关注。对集成电路企业投资价值的影响因素进行判断,对产业上市公司的投资价值进行综合评价分析,可以为投资者投资该产业的股票提供决策依据,帮助该产业上市企业了解自身优势与不足,提升投资价值,并为证券市场的监管者制定政策提供借鉴和参考。但目前还未见对集成电路产业上市公司投资价值的研究文献。本文在阅读参考文献和电子资料的基础上,首先阐述了本文研究的背景和意义,其次对上市公司的投资价值研究的理论基础、分析方法进行了阐述,然后以沪深两市24家集成电路产业上市公司为研究样本,基于2018年1-12月份财务数据,选取16个能够综合反映财务能力的指标,构建投资价值指标体系,运用因子分析-主成份分析排序模型确定分析对象的投资价值总量及排名,并运用系统聚类分析法对分析对象进行分层分级,综合评价得出24家上市公司投资价值从高到低依次为长电科技、富瀚微、汇顶科技、圣邦股份、润欣科技、国科微、晶方科技、全志科技、国民技术、北京君正、纳思达、通富微电、太极实业、华天科技、江丰电子、富满电子、综艺股份、中颖电子、欧比特、上海贝岭、紫光国芯、东软载波、晓程科技。接着,以长电科技为例,用市盈率估价方法分析了该公司的投资价值,得出长电科技的投资价值潜力较大。本文最后还对未尽的研究进行了展望。
王宇[7]（2020）在《基于情绪指数的HX公司投资策略研究》文中研究说明HX投资公司是一家从事证券投资及资产管理的公司,目前通过使用基于传统技术面分析的量化投资策略进行二级市场股票投资活动。但是在目前地产板块行情波动的情况下,难以在准确把握股票买入卖出时机,无法实现股票投资的超额收益。因此本文将通过制定基于投资者情绪的量化投资策略,帮助公司获得更好投资收益,并对策略的表现进行对比评价。本文首先通过对投资者情绪和量化投资的相关理论进行系统的梳理和叙述,并对二者在国内外的研究情况进行介绍。其次本文对互联网中的投资者情绪与股票收益率之间的关系进行了理论方面的阐述,对相关的研究成果及相关技术进行陈述。然后本文通过文本挖掘技术从专业股票论坛中的帖子中提取地产板块的投资者情绪倾向,并与另外四个投资者情绪代理变量通过主成分分析法,进行投资者复合情绪指数的构建。最后本文在对HX投资公司现行的投资策略进行回测分析后,重新构建基于投资者情绪的长短期量化投资策略。研究结果发现投资者复合情绪指数对地产板块股价具有预判性。基于投资者复合情绪指数构建的量化投资策略,能够准确的判断股票买入卖出的时机。回测结果显示,通过收益和风险两类六个指标的评判,该量化投资策略能够帮助HX公司在提高收益的同时,有效的降低了投资风险。为公司获得更多的投资利润提供了强有力的保障。
何路[8]（2020）在《多因子量化选股及投资者情绪择时策略的实证检验》文中研究表明量化投资在国外已有40多年的发展历史,而国内的量化投资在21世纪初才开始真正的起步,以大奖章基金为代表的国外量化基金所获得的成功,吸引了众多投资者开始参与研究开发量化投资策略。在2015年中国股市的大幅波动中,量化投资基金以低风险获得投资者的认可,更多的专业人员加入对量化投资策略的研究,从而推动我国量化投资策略的快速发展。虽然国内的量化投资策略得以发展,但是相对于国外量化投资研究水平而言,我国仍处于起步阶段,量化投资策略主要被运用于各量化基金,且量化投资策略以多因子选股模型为主,但该类模型在时效性与择时能力方面仍存在较多的问题,有较大的改进空间。一方面,选股因子存在一定的时效性,其有效性需要在新的市场环境下被进一步验证,另一方面,多因子选股模型在强调改进选股因子的同时缺少对大盘风险的考虑,导致大部分模型虽具备较强的选股能力,但择时能力较弱,因此本文对传统的多因子选股模型进行择时优化。本文首先以沪深300成分股为样本股票池,选择2009年1月1日至2019年12月31日的样本股票月度数据,利用第三方量化交易平台ricequant基于Python的研究模块进行单因子检测,具体包括:引入30个候选因子构建因子库,对样本数据进行数据预处理,即异常值、标准化、市值行业中性化处理,通过IC法、单调性检验与相关性检验筛选有效因子。为提高因子的时效性,本文在此滚动采取调仓期前12个月的因子值进行检验,并预计该因子有效性将维持到下一个季度,进行季度调仓。其次,本文将有效因子通过等权重打分法构建了多因子选股模型,以沪深300指数作为基准组合,在ricequant平台的回测模块对该模型进行回测分析,通过对比分析策略与基准组合的风险收益指标,可见本文的多因子选股模型相较于基准组合能够获得较高的超额收益,但从风险指标来看,多因子选股模型的表现略次于基准组合,模型仍存在较大的优化空间。为进一步优化模型的收益与风险指标,本文尝试构建投资者情绪指数,利用该指数对大盘风险进行预测,并将其作为择时策略引入多因子选股模型。具体步骤包括:参考现有文献选取消费者信心指数、封闭式基金折价率等情绪代理指标;利用主成分分析法构建情绪指数,并分析该指数与沪深300指数次月收益率的关系,数据显示,情绪指数一阶差分即情绪指数的变动量与沪深300指数次月收益率的相关性更为显着,故本文以情绪指数变动量作为择时策略的依据。考虑到投资者对市场下行的反应更为敏感,本文的择时策略具体为:若情绪指数变动量连续3期均为正值,则认为投资者情绪过于高涨,在下一期很有可能出现反转,若情绪指数变动量连续2期均为负值,则认为投资者情绪趋于悲观,市场上行压力较大。因而,在情绪指数变动量出现连续3期正值与连续2期负值后,本文在下一期进行回避投资。回测结果表明,引入投资者情绪指数作为择时策略能够显着优化多因子选股策略的收益与风险指标,策略的超额收益、夏普比率、最大回撤等指标均得到了显着优化。可见,本文对因子进行滚动测试有效提高了多因子模型的选股能力,引入投资者情绪指数对市场风险进行预测也显着提高了模型的择时能力。
葛志鹏[9]（2020）在《股票市场结构性分歧视角下的择时与择股研究》文中研究指明择时和择股是智能金融领域中证券投资的重要组成部分,同时也是金融投资领域中的两大关键问题。文章将机器学习中的聚类、分类、以及深度学习等前沿的技术应用于金融投资中的择时与择股研究,提出了切实可行的择时和择股策略,一方面丰富了智能金融体系,另一方面增加了投资回报,提高了市场的有效性,具有重要的理论和实践意义。主要研究内容和贡献包括:1.文章提出了股票市场结构性分歧概念,探索了股票市场结构性分歧对股票市场收益的影响。区别于前人从投资者视角对个股分歧进行研究,文章从股票市场入手,结合机器学习中的聚类算法和Gini不纯度创新地提出了股票市场结构性分歧的概念,并探究了股票市场结构性分歧对股票市场收益的影响。通过中证100成分股市场的实验发现:在2015年4月到2015年8月期间（我国股票市场局部见顶及急速下跌期）,中证100成分股市场出现了极端的股票聚集现象,中证100成分股市场的结构性分歧异常变小;此外,中证100成分股市场的结构性分歧对市场的收益有显着的影响,股票市场的结构性分歧越大,股票市场未来两周的收益将会显着增加。2.文章分析了我国股票市场的可预测性,探索了结构性分歧对市场可预测性的影响,并从技术因子层面解释了市场结构性分歧的影响因素。考虑到机器学习的优异性能,文章选用机器学习领域经典的且在其他领域有很好表现的五种机器学习分类算法（Linear Regression（LR）、Ada Boost（AB）、Gradient Boosting（GB）、XGBoost（XGB）、Random Forest（RF））,从更严谨的角度分析了我国股票市场的可预测性。通过中证100成分股市场2016年12月26日到2018年7月1日的测试结果发现:我国股票市场呈现出短期不可预测、长期可预测的特征;特别是,文章提出的市场结构性分歧因子能够进一步提高股票市场盈亏的预测准确性（平均提高一个百分点）,准确性达到59%;最后,文章发现我国中证100成分股市场的结构性分歧主要来源于技术因子层面的交易量以及市场资本的净流入。3.文章提出了市场结构性分歧视角下的一种择股策略,从基本面因子层面解释并验证了该策略的有效性。考虑到市场结构性分歧对市场收益的影响,文章提出了市场结构性分歧视角下的一种择股策略,通过中证100指数成分股市场2014年1月3日到2018年8月24日的实验结果发现:文章提出的择股策略累计收益达到1.5左右,而同期的中证100指数仅有0.6,表明文章提出的策略显着优于市场指数;同时,在上证180以及沪深300指数成分股市场上验证了该策略的鲁棒性及有效性;此外,文章基于金融领域常用的CAPM模型、Fama三因子模型、Carhart四因子模型、以及Fama五因子模型对组合的收益进行了分析,发现文章提出策略的收益可以被市场因子、市值因子、账面市值比因子、以及动量因子进行解释,但因子解释后仍存在显着的α收益,进一步证明了策略的有效性。4.文章分析了不同市场状态下维数约减对择股策略的影响,并基于该影响提出了一种新的轮动择股策略。考虑到市场结构分歧视角下择股策略中使用了聚类算法,而维数约减是高维数据聚类分析中不可或缺的过程,且市场行情、维数约减、以及噪声交易间存在复杂的关系,文章进一步探索了不同市场行情下维数约减（主成分分析、堆栈式自编码、受限玻尔兹曼机）对择股策略的影响,通过中证100指数以及日经225指数成分股市场的实验结果发现:维数约减可以显着提高震荡行情下择股策略的表现,但其具体优势体现在上涨行情还是下跌行情依赖于所分析的市场;进一步地,文章基于维数约减在不同市场行情下的影响,提出了维数约减和非维数约减之间轮动的选股策略,通过中证100、上证180、日经225、标普500指数成分股市场的实验发现文章提出的轮动选股策略周度收益率的Sharpe率显着优于同期的市场结构性分歧视角下的择股策略和市场指数。文章基于机器学习中的聚类、分类、以及深度学习技术,深入探讨了金融投资领域的择时和择股两大问题,旨在提出新的择时因子和择股策略,完善智能金融体系,并为投资者和监管者提供投资和监管建议,具有重要的理论和实践价值。
Jun Xiao[10]（2020）在《基于行业轮动策略的多因子投资策略构建》文中研究表明由于量化投资具有及时性、系统性、纪律性和分散化这些特点,越来越多的机构投资者将目光投向该领域。以国外证券市场发展轨迹来看,量化投资无疑是投资者未来的投资手段。我国证券市场,目前也愈来愈重视量化的研究与发展,然而,我国量化投资产品规模小和策略单一等缺点也不容忽视。因此,要发展量化投资需要不断研究新的投资方式,扩展建模思路。本文选取了2005—2019的宏观经济数据,以美林投资时钟为划分依据将15年数据划分为不同的阶段。首先观察A股28个申万一级行业看其是否是周期性行业,其次选取技术面、估值、成长性以及资本结构作为因子进行多因子主成分分析。本文随后建立了行业轮动策略模型并将其与沪深300指数进行对比分析,本文认为将主成分分析多因子模型与行业轮动策略相结合能够获得超越沪深300的超额收益率,同时还可以在提升夏普比率都得到了一定程度的提升。因此,基于行业轮动策略的主成分因子选股模型不管是从年化收益率还是累计收益、夏普比率来看,会比两种策略单独实行和对比基准—沪深300指数都要高。只有在满足3%的最大回撤的情况下,两年的收益率可以达到27.61%。本文根据提前预测的经济周期,配置该经济周期的股票检验该配置的收益率。
二、主成分分析在证券组合投资中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、主成分分析在证券组合投资中的应用（论文提纲范文）
（1）多因子选股模型与基于情绪指数的投资策略对模型的改进（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 前言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 量化投资文献综述 |
| 1.2.1 国外文献综述 |
| 1.2.2 国内文献综述 |
| 1.3 投资者情绪文献综述 |
| 1.3.1 国外文献综述 |
| 1.3.2 国内文献综述 |
| 1.4 研究框架与研究方法 |
| 1.4.1 研究框架 |
| 1.4.2 研究方法 |
| 1.5 创新点与不足 |
| 1.5.1 本文创新点 |
| 1.5.2 本文不足 |
| 第2章 量化投资相关理论及国内外发展现状 |
| 2.1 量化投资相关理论 |
| 2.1.1 量化投资简介 |
| 2.1.2 量化投资理论基础 |
| 2.2 量化投资发展历程 |
| 2.2.1 国外发展历程 |
| 2.2.2 国内发展现状 |
| 第3章 多因子选股模型的建立及实证 |
| 3.1 多因子选股理论基础 |
| 3.2 因子处理 |
| 3.2.1 样本数据选取及处理 |
| 3.2.2 建立因子库 |
| 3.2.3 单因子有效性检验及初步筛选 |
| 3.2.4 因子再筛选 |
| 3.3 多因子选股模型 |
| 3.3.1 多因子选股模型建立 |
| 3.3.2 模型测试 |
| 第4章 投资者情绪指数 |
| 4.1 理论基础 |
| 4.2 情绪指数构建 |
| 4.2.1 主成分因子的选取 |
| 4.2.2 对数据的主成分分析 |
| 4.2.3 情绪指数与股市收益率 |
| 4.3 基于情绪指数的投资策略 |
| 4.4 策略有效性检验 |
| 第5章 总结与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（2）投资者情绪对股票市场收益率的不对称性影响（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 投资者情绪的发展 |
| 1.2.2 投资者情绪的代理指标 |
| 1.2.3 投资者情绪指数的构建方法 |
| 1.2.4 投资者情绪与股票收益的相关性 |
| 1.3 研究思路与研究框架 |
| 1.3.1 研究思路 |
| 1.3.2 研究框架 |
| 1.4 研究内容与研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.5 创新之处 |
| 第二章 投资者情绪与股票收益理论基础 |
| 2.1 有效市场假说理论 |
| 2.2 行为金融学理论 |
| 2.3 Fama—French多因子资产定价模型理论 |
| 第三章 投资者情绪综合指数构建 |
| 3.1 投资者情绪指数构建研究设计 |
| 3.2 主成分分析方法 |
| 3.3 投资者情绪指数构建 |
| 3.3.1 最优变量的选择 |
| 3.3.2 KMO和巴特利特检验 |
| 3.3.3 投资者情绪指数构建 |
| 第四章 投资者情绪对股票市场收益率的影响 |
| 4.1 投资者情绪对不同类型股票收益率的不对称性影响 |
| 4.1.1 股票类型的划分 |
| 4.1.2 变量选择和描述性统计 |
| 4.1.3 实证分析 |
| 4.1.4 GRS检验 |
| 4.2 不同状态下投资者情绪对股市收益的不对称性影响 |
| 4.2.1 投资者情绪状态划分 |
| 4.2.2 变量选择和描述性统计 |
| 4.2.3 实证分析 |
| 4.3 不同市态下投资者情绪对股市收益的不对称影响 |
| 4.3.1 牛熊市划分 |
| 4.3.2 变量选择和描述性统计 |
| 4.3.3 实证分析 |
| 第五章 结论和政策建议 |
| 5.1 结论 |
| 5.2 政策建议 |
| 5.2.1 政府加强投资者教育 |
| 5.2.2 监管部门强化信息披露及监管制度 |
| 5.2.3 投资者要学会价值投资和长期投资 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录一 规模——账面市值比25分组六因子模型多元线性回归结果 |
| 附录二 规模——投资25分组六因子模型多元线性回归结果 |
| 附录三 规模——盈利25分组六因子模型多元线性回归结果 |
（3）基于沪港通、深港通的中国资本市场本土偏好现象及原因研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究框架 |
| 1.4 研究方法 |
| 1.5 本论文创新点及不足 |
| 1.5.1 本论文创新点 |
| 1.5.2 本论文不足 |
| 第二章 文献综述 |
| 2.1 本土偏好概述 |
| 2.2 本土偏好发展的趋势 |
| 2.3 引起本土偏好的原因 |
| 2.3.1 宏观经济因素 |
| 2.3.2 信息不对称 |
| 2.3.3 投资者个体特性 |
| 2.3.4 行为心理因素 |
| 2.4 行为金融学在资本市场研究中的应用 |
| 2.5 文献总结与评述 |
| 第三章 理论分析 |
| 3.1 本土偏好的衡量 |
| 3.2 本土偏好原因分析 |
| 3.3 行为金融学的解释 |
| 3.3.1 传统金融理论及其受到的挑战 |
| 3.3.2 行为金融学理论 |
| 3.4 投资者情绪 |
| 3.4.1 投资者情绪定义 |
| 3.4.2 投资者情绪影响本土偏好的机制 |
| 3.4.3 投资者情绪的度量 |
| 3.5 中国内地市场与香港市场本土偏好研究的可行性 |
| 第四章 中国内地市场与香港市场本土偏好的实证研究 |
| 4.1 中国内地市场的本土偏好 |
| 4.2 中国香港市场的本土偏好 |
| 4.3 投资者情绪指数的构建 |
| 4.3.1 代理变量的选择 |
| 4.3.2 样本描述性统计 |
| 4.3.3 主成分分析法构建投资者情绪指数 |
| 4.4 内地市场的回归分析 |
| 4.4.1 图像分析 |
| 4.4.2 回归分析 |
| 4.5 香港市场的回归分析 |
| 第五章 研究结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（4）多元时间序列聚类算法及其选股策略应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究综述 |
| 1.2.1 表示性聚类方法 |
| 1.2.2 结合相似性度量的聚类方法 |
| 1.2.3 改进流程的聚类方法 |
| 1.2.4 时间序列聚类在证券领域的应用 |
| 1.2.5 现有研究的不足 |
| 1.3 主要内容与论文结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 技术路线 |
| 第2章 相关理论基础 |
| 2.1 多元时间序列的概念 |
| 2.2 多元时间序列的特性 |
| 2.3 聚类算法 |
| 2.3.1 模糊C均值聚类 |
| 2.3.2 基于密度峰值的聚类 |
| 第3章 属性加权的多元时间序列聚类方法 |
| 3.1 基于形状的时间序列相似性度量 |
| 3.2 加权聚类方法 |
| 3.2.1 属性权值计算 |
| 3.2.2 模糊隶属度矩阵的构建 |
| 3.2.3 聚类流程 |
| 3.2.4 时间复杂度 |
| 3.3 .实验结果与分析 |
| 3.3.1 有效性验证 |
| 3.3.2 对比实验 |
| 3.3.3 时间消耗 |
| 3.4 本章小结 |
| 第4章 基于社区发现的多元时间序列聚类方法 |
| 4.1 理论方法 |
| 4.1.1 K近邻分类方法 |
| 4.1.2 SDTW距离度量方法 |
| 4.2 无参数聚类方法 |
| 4.2.1 邻居矩阵 |
| 4.2.2 复杂网络构建 |
| 4.2.3 聚类流程 |
| 4.2.4 时间复杂度分析 |
| 4.3 实验结果与分析 |
| 4.3.1 参数对比实验 |
| 4.3.2 聚类结果 |
| 4.3.3 时间消耗 |
| 4.4 本章小结 |
| 第5章 基于多元时间聚类的类簇分析及选股策略 |
| 5.1 马科维兹模型 |
| 5.1.1 马科维兹投资组合模型的基本假设 |
| 5.1.2 马科维兹均值方差模型 |
| 5.2 股票数据选取 |
| 5.2.1 股票交易数据的属性 |
| 5.2.2 样本选择 |
| 5.3 基于聚类的股票分析流程 |
| 5.4 多元股票数据的社区构建 |
| 5.5 聚类结果分析 |
| 5.5.1 类簇行业股票统计分析 |
| 5.5.2 类簇股票收盘价波动可视化分析 |
| 5.6 基于聚类的选股策略 |
| 5.6.1 夏普最大选股策略 |
| 5.6.2 风险分散选股策略 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 攻读硕士学位期间科研成果 |
（5）CTA量化投资的组合资产配置研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与思路 |
| 1.2.1 研究内容 |
| 1.2.2 研究思路 |
| 1.3 研究的难点与创新 |
| 1.3.1 研究的难点 |
| 1.3.2 创新点 |
| 第2章 国内外量化投资相关文献综述 |
| 2.1 量化投资发展研究 |
| 2.2 期货流动性风险度量 |
| 2.3 投资组合资产配置模型研究 |
| 2.4 文献评述 |
| 第3章 A公司资产管理业务及产品介绍 |
| 3.1 A公司介绍 |
| 3.2 A公司资产管理业务现状 |
| 3.2.1 A公司FOF产品介绍 |
| 3.2.2 A公司通道业务介绍 |
| 3.2.3 A公司CTA量化产品介绍 |
| 3.3 A公司CTA量化产品组合策略类型 |
| 3.3.1 趋势型策略 |
| 3.3.2 震荡型策略 |
| 3.3.3 套利策略 |
| 3.4 A公司CTA量化产品面临的问题 |
| 第4章 A公司量化投资策略组合资产配置分析 |
| 4.1 策略相关性分析 |
| 4.1.1 主成分分析 |
| 4.1.2 聚类分析 |
| 4.1.3 距离度量 |
| 4.2 投资组合资产配置理论模型 |
| 4.2.1 均值-方差模型 |
| 4.2.2 最小方差模型 |
| 4.2.3 风险平价模型 |
| 4.3 时间序列分析 |
| 4.4 基金绩效评价的主要指标 |
| 4.4.1 收益风险比 |
| 4.4.2 夏普比率 |
| 4.4.3 索提诺比率 |
| 4.5 研究结果分析 |
| 4.5.1 基于时间序列分析对策略组合的影响分析 |
| 4.5.2 基于资产配置模型对策略组合的影响分析 |
| 4.5.3 权重分配方式分析 |
| 4.6 本章小结 |
| 第5章 研究不足与结论 |
| 5.1 研究不足 |
| 5.2 结论 |
| 参考文献 |
| 学位论文数据集 |
（6）我国集成电路产业上市公司投资价值分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景与研究意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 文献综述 |
| 一、国外文献综述 |
| 二、国内文献综述 |
| 三、研究述评 |
| 第三节 研究内容与研究方法 |
| 一、研究内容 |
| 二、研究方法 |
| 第四节 研究的创新和不足 |
| 一、可能的创新 |
| 二、不足之处 |
| 第二章 上市公司投资价值分析的理论基础与分析方法 |
| 第一节 上市公司投资价值分析的理论基础 |
| 一、公司价值的定义 |
| 二、价值投资理论 |
| 三、公司内在价值的估算方法 |
| 第二节 上市公司投资价值分析方法 |
| 一、主成分分析法 |
| 二、因子分析法 |
| 三、系统聚类分析法 |
| 第三章 我国集成电路产业上市公司投资价值影响因素分析 |
| 第一节 我国集成电路产业的发展现状 |
| 一、集成电路产业链分析 |
| 二、我国集成电路产业发展现状 |
| 第二节 我国集成电路产业SWOT分析 |
| 一、优势(strengths) |
| 二、劣势(weaknesses) |
| 三、机遇(opportunities) |
| 四、威胁(threats) |
| 第三节 我国集成电路产业投资价值的影响因素分析 |
| 一、宏观影响因素分析 |
| 二、中观影响因素分析 |
| 三、微观影响因素分析 |
| 第四章 我国集成电路产业上市公司投资价值实证分析 |
| 第一节 评价指标体系构建 |
| 一、评级指标体系构建的原则 |
| 二、评价指标体系的构建 |
| 第二节 数据的来源及指标选取 |
| 第三节 实证分析 |
| 一、适应性检验 |
| 二、因子分析 |
| 三、主成分分析 |
| 四、投资价值排序 |
| 五、系统聚类分析 |
| 六、结果分析 |
| 第四节 应用研究——以长电科技为例 |
| 一、长电科技概况 |
| 二、长电科技经营状况 |
| 三、长电科技内在价值估值 |
| 第五章 结论与展望 |
| 第一节 结论 |
| 第二节 展望 |
| 参考文献 |
| 在读期间研究成果 |
| 致谢 |
（7）基于情绪指数的HX公司投资策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪言 |
| 1.1 选题的背景和意义 |
| 1.2 研究思路和方法 |
| 1.3 研究内容和框架 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架 |
| 1.4 论文创新之处 |
| 第2章 文献综述 |
| 2.1 投资者情绪理论简介 |
| 2.1.1 投资者情绪理论 |
| 2.1.2 投资者情绪国外研究现状 |
| 2.1.3 投资者情绪国内研究现状 |
| 2.2 投资者情绪指数分类 |
| 2.2.1 直接投资者情绪指标 |
| 2.2.2 间接投资者情绪指标 |
| 2.2.3 综合投资者情绪指标 |
| 2.3 量化投资策略理论及主要内容简介 |
| 2.3.1 量化投资策略理论前提条件与要点 |
| 2.3.2 量化选股和量化择时投资策略 |
| 2.3.3 国外研究现状 |
| 2.3.4 国内研究现状 |
| 2.4 本章小结 |
| 第3章 投资者情绪对量化投资影响分析 |
| 3.1 互联网中的投资者情绪 |
| 3.2 投资者情绪与股票收益率的关系 |
| 3.3 基于投资者情绪的量化投资策略 |
| 3.4 本章小结 |
| 第4章 复合投资者情绪指数的构建 |
| 4.1 文本数据的取得清洗去噪 |
| 4.1.1 文本数据源及获取方式的比较和选择 |
| 4.1.2 网络爬虫的工作原理 |
| 4.1.3 文本数据的取得 |
| 4.1.4 文本数据清洗与去噪 |
| 4.2 投资者情绪测度 |
| 4.2.1 文本中的情绪倾向分析方法 |
| 4.2.2 情绪词典构建 |
| 4.2.3 情感倾向分析 |
| 4.2.4 投资者情绪测度结果 |
| 4.3 投资者情绪指标代理变量的选取 |
| 4.4 复合投资者情绪指数的构建 |
| 4.4.1 投资者情绪代理变量描述性统计分析 |
| 4.4.2 使用主成分分析法构建投资者情绪指数 |
| 4.5 复合情绪指数与地产板块股票价格相关性研究 |
| 4.6 本章小结 |
| 第5章 HX投资公司的量化择时策略实证分析 |
| 5.1 房地产板块回测股票的选择 |
| 5.2 投资策略环境及评判指标介绍 |
| 5.3 HX投资公司基本情况概述及现有投资策略分析 |
| 5.3.1 HX投资公司基本情况概述 |
| 5.3.2 HX公司现有投资策略分析 |
| 5.4 基于地产板块复合情绪指数短线择时策略构建 |
| 5.5 基于地产板块复合情绪指数长线择时策略构建 |
| 5.6 投资策略回测对比结果及建议 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 本文的研究不足与展望 |
| 参考文献 |
| 致谢 |
（8）多因子量化选股及投资者情绪择时策略的实证检验（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 导论 |
| 第一节 选题背景与研究意义 |
| 第二节 文献综述 |
| 第三节 研究思路、研究内容与研究方法 |
| 第四节 可能的创新与不足 |
| 第二章 量化投资相关概念及其运用 |
| 第一节 量化投资相关概念 |
| 第二节 国内外量化投资的运用 |
| 第三章 量化投资多因子选股策略的实证检验 |
| 第一节 选股策略的数据准备 |
| 第二节 选股策略的单因子测试 |
| 第三节 多因子选股策略及其回测分析 |
| 第四章 投资者情绪指数择时策略的实证检验 |
| 第一节 主成分分析法理论基础 |
| 第二节 投资者情绪指数的构建 |
| 第三节 基于投资者情绪指数的择时策略 |
| 第五章 本文结论与展望 |
| 第一节 本文结论 |
| 第二节 展望 |
| 参考文献 |
| 致谢 |
（9）股票市场结构性分歧视角下的择时与择股研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究思路与框架 |
| 1.3 研究的主要内容 |
| 1.4 研究创新性尝试 |
| 1.5 各章节内容安排 |
| 1.6 本章小结 |
| 第二章 相关研究综述 |
| 2.1 股票市场分歧 |
| 2.2 股票市场择时 |
| 2.2.1 技术因子择时 |
| 2.2.2 时间序列择时 |
| 2.3 股票市场择股 |
| 2.3.1 异象因子择股 |
| 2.3.2 时间序列择股 |
| 2.4 本章小结 |
| 第三章 股票市场的结构性分歧及其对市场收益的影响 |
| 3.1 引言 |
| 3.2 市场结构性分歧的度量 |
| 3.2.1 结构性分歧计算 |
| 3.2.2 结构性分歧描述性统计 |
| 3.3 市场结构分歧与市场收益间的关系研究 |
| 3.3.1 数据说明 |
| 3.3.2 格兰杰因果检验 |
| 3.3.3 市场结构性分歧、交易量与收益率间的关系(不考虑当期影响) |
| 3.3.4 市场结构性分歧、交易量与收益率影响的持续性(不考虑当期影响) |
| 3.3.5 市场结构性分歧、交易量与收益率间的关系(考虑当期影响) |
| 3.3.6 市场结构性分歧、交易量与收益率关系间的鲁棒性分析 |
| 3.4 本章小结 |
| 第四章 市场结构性分歧视角下指数收益的可预测性 |
| 4.1 引言 |
| 4.2 方法模型 |
| 4.3 实证分析 |
| 4.3.1 数据说明 |
| 4.3.2 模型评估 |
| 4.3.3 实验结果 |
| 4.3.4 鲁棒性检验 |
| 4.4 市场结构性分歧的影响因素分析 |
| 4.5 本章小结 |
| 第五章 市场结构性分歧视角下的一种选股策略 |
| 5.1 引言 |
| 5.2 方法模型 |
| 5.3 实证分析 |
| 5.3.1 数据说明 |
| 5.3.2 模型评估 |
| 5.3.3 实验结果 |
| 5.3.4 鲁棒性检验 |
| 5.4 选股策略收益的可解释性分析 |
| 5.4.1 因子模型 |
| 5.4.2 因子计算 |
| 5.4.3 因子分析 |
| 5.5 本章小结 |
| 第六章 不同市场行情下维数约减对选股策略的影响 |
| 6.1 引言 |
| 6.2 方法模型 |
| 6.2.1 主成分分析 |
| 6.2.2 堆栈式自编码 |
| 6.2.3 堆栈式受限玻尔兹曼机 |
| 6.3 实证分析 |
| 6.3.1 数据说明 |
| 6.3.2 模型评估 |
| 6.3.3 实验结果 |
| 6.4 一种轮动的股票选择策略 |
| 6.4.1 策略介绍 |
| 6.4.2 实证分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在校期间发表的研究成果 |
（10）基于行业轮动策略的多因子投资策略构建（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 研究目的与意义 |
| 1.3 研究内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文主要创新点 |
| 第二章 文献综述及基础理论概述 |
| 2.1 国外研究 |
| 2.2 国内研究 |
| 2.3 文献评述 |
| 第三章 基础理论概述 |
| 3.1 行业轮动 |
| 3.1.1 行业轮动现象 |
| 3.1.2 行业轮动出现的原因 |
| 3.2 多因子模型理论基础 |
| 3.2.1 基本概念 |
| 3.2.2 候选因子的选取 |
| 3.3 多因子选股模型分类 |
| 3.3.1 资本资产定价理论CAPM |
| 3.3.2 APT模型 |
| 3.3.3 Fama-French三因素模型 |
| 3.4 候选因子的评价方法 |
| 3.5 利用多因子模型筛选股票 |
| 3.6 本章小结 |
| 第四章 实证分析 |
| 4.1 行业轮动效应 |
| 4.1.1 行业周期性划分 |
| 4.1.2 行业轮动有效性检验 |
| 4.2 有效因子筛选 |
| 4.2.1 选股模型候因子 |
| 4.2.2 衡量因子有效性筛选 |
| 4.2.3 选股模型的构建 |
| 4.3 基于行业轮动策略的多因子选股模型构建 |
| 4.4 基于经济周期预测的行业轮动配置 |
| 4.5 本章小结 |
| 第五章 研究结论与政策建议 |
| 5.1 研究结论 |
| 5.2 策政与投资者建议 |
| 5.2.1 加强股票市场知识学习和行业板块的分析 |
| 5.2.2 增加A股市场的投资种类 |
| 5.2.3 提高投资组合的有效性 |
| 5.2.4 加大打击A股市场违法行为力度 |
| 参考文献 |
| 致谢 |
四、主成分分析在证券组合投资中的应用（论文参考文献）
- [1]多因子选股模型与基于情绪指数的投资策略对模型的改进[D]. 任健平. 山东大学, 2021(02)
- [2]投资者情绪对股票市场收益率的不对称性影响[D]. 李林. 河北大学, 2021(02)
- [3]基于沪港通、深港通的中国资本市场本土偏好现象及原因研究[D]. 鹿慧琳. 山东大学, 2020(12)
- [4]多元时间序列聚类算法及其选股策略应用研究[D]. 魏苗. 华侨大学, 2020(01)
- [5]CTA量化投资的组合资产配置研究[D]. 刘佳. 北京交通大学, 2020(04)
- [6]我国集成电路产业上市公司投资价值分析[D]. 张明明. 安徽财经大学, 2020(10)
- [7]基于情绪指数的HX公司投资策略研究[D]. 王宇. 北京工业大学, 2020(06)
- [8]多因子量化选股及投资者情绪择时策略的实证检验[D]. 何路. 南京大学, 2020(02)
- [9]股票市场结构性分歧视角下的择时与择股研究[D]. 葛志鹏. 上海财经大学, 2020(04)
- [10]基于行业轮动策略的多因子投资策略构建[D]. Jun Xiao. 上海交通大学, 2020(01)