文章提出了一种基于长短期记忆网络(Long-short Term Memory network,LSTM)的两阶段均值-CVaR投资组合模型(LSTM+CVaR)。该模型在第一阶段采用LSTM预测股票收益并对股票进行选择;在第二阶段运用均值-CVaR模型来确定所选股票的投资比例。最后,以沪深300指数股为样本数据,在考虑交易成本和上界约束的情况下,比较LSTM+CVaR模型、LSTM预测选股的等比例模型、随机选股的CVaR模型、随机选股的等比例模型和沪深300指数的风险收益特征、累计收益率和夏普比率。实证结果表明:LSTM+CVaR模型能够实现比传统的投资组合模型更高的平均收益率、收益风险比、累计收益率和夏普比率;减少交易成本和放宽上界约束能提升投资组合模型的表现。
以同被期刊引用报告(Journal Citation Reports)和Scimago期刊排名(Scimago Journal Rank)收录的,来源于开放存取期刊目录(Directory of Open Access Journals)的医学开放存取期刊为数据源,构建84种医学开放存取期刊引文矩阵,利用社会网络分析法中的核心—边缘结构理论对84种医学开放存取期刊进行分析。使用Ucinet软件计算各期刊的核心度,并构建其核心—边缘结构模型以划分出核心、半核心和非核心期刊。研究结果表明,核心度不可单独用于评价开放存取期刊,但是,核心—边缘结构分析对开放存取核心期刊选取具有一定的参考价值。
