简介:投资者进行投资实践时无不面临着背景风险。绝大多数以均值方差为框架的投资组合并没有考虑背景风险,其效用在实际应用中容易受到背景风险的影响。本文在含有交易费用的双目标函数模型中引入背景风险,从是否含有背景风险和背景风险偏好度大小两方面对投资组合问题展开研究,并使用智能算法得到模型的最优解,对模型进行实证分析。实证结果表明:1)当背景风险收益为0时,含有背景风险的投资组合比不含有背景风险的投资组合更能反映真实的投资环境。2)当背景风险收益不为0时,含有背景风险的投资组合比不含有背景风险的投资组合得到更高的收益。因此,考虑背景风险后投资组合的构建优于不考虑背景风险投资组合的构建。
简介:众多B2C网站已建立起会员等级制度,并据此向买家提供价格折扣。但会员等级制模型仅考虑买家交易金额,无法全面反映买家在线购买历史(onlinepurchasehistory),故不能准确提供差异化折扣。针对上述问题,提出了一种面向B2C电子商务的差异化折扣模型,该模型包含能体现买家在线购买历史的交易、退单、推荐购买、晒单等四个指标,将买家在线购买历史聚合为一个综合值,进而通过min-max标准化方法进行线性转换,将转换后的聚合值与会员等级基准折扣结合得到最终的差异化折扣,从而使得B2C网站可向同级别会员实施更精准的一对一营销和价格歧视策略。以京东商城为背景的仿真实验结果证明了本文新模型的有效性。