中大機構典藏-NCU Institutional Repository-提供博碩士論文、考古題、期刊論文、研究計畫等下載:Item 987654321/7705
English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 80990/80990 (100%)
造訪人次 : 41749669      線上人數 : 1770
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/7705


    題名: 資產配置的學習效果與其實證研究;The learning effect of an asset allocation and its empirical study.
    作者: 彭婕妤;Chieh-yu Peng
    貢獻者: 統計研究所
    關鍵詞: 短視近利權重;資產配置;動態規劃;asset allocation;myopic weight;dynamic programming
    日期: 2007-06-08
    上傳時間: 2009-09-22 11:02:40 (UTC+8)
    出版者: 國立中央大學圖書館
    摘要: 本研究旨在探討只有一個風險資產與一個無風險資產所構成的簡單的投資組合,隨著時間的變化,投資在風險資產上的權重(weight)應該如何選擇,才可以使投資者在投資期間做適當的資產配置,使投資者的期末期望效用最大化。在本文中,我們主要是探討投資人除了在期初做資產配置之外,在到期前的各期也可根據所獲得的先驗資訊,重新更改原有的投資組合。此外,我們運用動態規劃(dynamic programming)與貝式模型的觀念來學習投資在風險資產上的短視近利權重(myopic weight)。實證的部分採用臺灣加權指數、日本Nikkei 225指數與美國S&P 500指數的報酬率,觀察後驗分配的平均數、變異數與投資在風險資產上的短視近利權重隨著時間經過所產生的變化。 The purpose of this paper is to investigate a simple portfolio problem with one risky asset and one risk-free asset: how we choose the weight on the risky asset in order to maximize the expected utility.We consider an investor who rebalances his portfolio continually as more and more information is acquired till the end of the investment horizon. In particular,the investor learns about the parameter values via a Bayesian model and determines the portfolio weight by dynamic programming principle.Empirically,we adopt the return of Taiwan Stock Index,Nikkei 225 Index and S&P 500 index to see the mean and variance of the posterior distribution and the weight on the risky asset as time passes.
    顯示於類別:[統計研究所] 博碩士論文

    文件中的檔案:

    檔案 大小格式瀏覽次數


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 隱私權政策聲明