⑴ 投資者如何尋找最優證券組合
最優證券組合是指投資者所要找的最優組合，即就是某投資者的無差異曲線與有效集的切點。將各投資者的無差異曲線和有效邊界結合在一起就可以定出各個投資者的最優組合。
什麼是最優投資組合？
最優投資組合是一種投資組合形式，在這種形式下，投資者可以在選定的可能投資組合中獲得最大收益。一般來說，它是指在證券，股票和基金市場聚集各種證券的過程中，根據每個證券的風險、收益和未來發展趨勢，選擇能夠產生積極效果的投資產品和形式。最優組合的唯一性由有效集的上凸性和無差異曲線的下凹性決定。
投資組合的目的是分散風險。投資組合可以看作是一個多層次的投資組合，可以根據自己的需要和實際情況綜合考慮。它具有安全與效益、效益與靈活性、靈活性與有效性的雙重考慮。
最優投資組合不一定限制投資組合的數量。例如，一些基金條款規定投資組合不得少於20個品種，而其他條款沒有明確規定，投資組合超過兩個就可以了。投資組合模型可以是積極的、適度的和保守的。至於最終決定採用哪種投資組合，投資者有不同的意見。
最優證券組合是指投資者所要找的最優組合，即就是某投資者的無差異曲線與有效集的切點。將各投資者的無差異曲線和有效邊界結合在一起就可以定出各個投資者的最優組合。
投資者共同偏好規則可以確定哪些組合是有效的（即投資價值相對較高），哪些是無效的（即投資價值相對較低）。
特定投資者可以在有效組合中選擇自己最滿意的組合，這種選擇依賴於他的偏好。投資者的偏好通過無差異曲線來反映。無差異曲線位置越靠上其滿意程度越高。
⑵ 根據馬科維茨的證券投資組合理論，投資者應如何決定其最優的資產組合
這個裡面有一個重要的因素叫做：風險承受能力，
這個能力的決定因素有兩個，第一個叫做：心理承受能力 第二個叫做：資金承受能力
只有在考慮了這兩個因素之後，才能決定資產組合方案。
在資本市場當中，每個個案都需要量身定製，沒有一套可以放之四海而皆準的投資組合方案。
最優方案並不是所有人的最優方案，而是某個人的最優方案。
⑶ 如何用python實現Markowitz投資組合優化
多股票策略回測時常常遇到問題。
倉位如何分配？
你以為基金經理都是一拍腦袋就等分倉位了嗎？
或者玩點玄乎的斐波拉契數列？
OMG，誰說的黃金比例，讓我看到你的腦袋（不削才怪）！！
其實，這個問題，好多好多年前馬科維茨（Markowitz）我喜愛的小馬哥就給出答案——投資組合理論。
根據這個理論，我們可以對多資產的組合配置進行三方面的優化。
1.找到有效前沿。在既定的收益率下使組合的方差最小。
2.找到sharpe最優的組合（收益-風險均衡點）
3.找到風險最小的組合
跟著我，一步兩步，輕松實現。
該理論基於用均值和方差來表述組合的優劣的前提。將選取幾只股票，用蒙特卡洛模擬初步探究組合的有效前沿。
通過最大Sharpe和最小方差兩種優化來找到最優的資產組合配置權重參數。
最後，刻畫出可能的分布，兩種最優以及組合的有效前沿。
註：
文中的數據API來自量化平台聚寬，在此表示感謝。
原文見【組合管理】——投資組合理論（有效前沿）（包含正態檢驗部分）
0.導入需要的包
import pandas as pd
import numpy as np
import statsmodels.api as sm #統計運算
import scipy.stats as scs #科學計算
import matplotlib.pyplot as plt #繪圖
1.選取幾只感興趣的股票
000413 東旭光電，000063 中興通訊，002007 華蘭生物，000001 平安銀行，000002 萬科A
並比較一下數據（2015-01-01至2015-12-31）
In[1]:
stock_set = ['000413.XSHE','000063.XSHE','002007.XSHE','000001.XSHE','000002.XSHE']
noa = len(stock_set)
df = get_price(stock_set, start_date = '2015-01-01', end_date ='2015-12-31', 'daily', ['close'])
data = df['close']
#規范化後時序數據
(data/data.ix[0]*100).plot(figsize = (8,5))
Out[1]:
2.計算不同證券的均值、協方差
每年252個交易日，用每日收益得到年化收益。計算投資資產的協方差是構建資產組合過程的核心部分。運用pandas內置方法生產協方差矩陣。
In [2]:
returns = np.log(data / data.shift(1))
returns.mean()*252
Out[2]:
000413.XSHE 0.184516
000063.XSHE 0.176790
002007.XSHE 0.309077
000001.XSHE -0.102059
000002.XSHE 0.547441
In [3]:
returns.cov()*252
Out[3]:
3.給不同資產隨機分配初始權重
由於A股不允許建立空頭頭寸，所有的權重系數均在0-1之間
In [4]:
weights = np.random.random(noa)
weights /= np.sum(weights)
weights
Out[4]:
array([ 0.37505798, 0.21652754, 0.31590981, 0.06087709, 0.03162758])
4.計算預期組合年化收益、組合方差和組合標准差
In [5]:
np.sum(returns.mean()*weights)*252
Out[5]:
0.21622558669017816
In [6]:
np.dot(weights.T, np.dot(returns.cov()*252,weights))
Out[6]:
0.23595133640121463
In [7]:
np.sqrt(np.dot(weights.T, np.dot(returns.cov()* 252,weights)))
Out[7]:
0.4857482232609962
5.用蒙特卡洛模擬產生大量隨機組合
進行到此，我們最想知道的是給定的一個股票池（證券組合）如何找到風險和收益平衡的位置。
下面通過一次蒙特卡洛模擬，產生大量隨機的權重向量，並記錄隨機組合的預期收益和方差。
In [8]:
port_returns = []
port_variance = []
for p in range(4000):
weights = np.random.random(noa)
weights /=np.sum(weights)
port_returns.append(np.sum(returns.mean()*252*weights))
port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))
port_returns = np.array(port_returns)
port_variance = np.array(port_variance)
#無風險利率設定為4%
risk_free = 0.04
plt.figure(figsize = (8,4))
plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o')
plt.grid(True)
plt.xlabel('excepted volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[8]:
6.投資組合優化1——sharpe最大
建立statistics函數來記錄重要的投資組合統計數據（收益，方差和夏普比）
通過對約束最優問題的求解，得到最優解。其中約束是權重總和為1。
In [9]:
def statistics(weights):
weights = np.array(weights)
port_returns = np.sum(returns.mean()*weights)*252
port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights)))
return np.array([port_returns, port_variance, port_returns/port_variance])
#最優化投資組合的推導是一個約束最優化問題
import scipy.optimize as sco
#最小化夏普指數的負值
def min_sharpe(weights):
return -statistics(weights)[2]
#約束是所有參數(權重)的總和為1。這可以用minimize函數的約定表達如下
cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
#我們還將參數值(權重)限制在0和1之間。這些值以多個元組組成的一個元組形式提供給最小化函數
bnds = tuple((0,1) for x in range(noa))
#優化函數調用中忽略的唯一輸入是起始參數列表(對權重的初始猜測)。我們簡單的使用平均分布。
opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)
opts
Out[9]:
status: 0
success: True
njev: 4
nfev: 28
fun: -1.1623048291871221
x: array([ -3.60840218e-16, 2.24626781e-16, 1.63619563e-01, -2.27085639e-16, 8.36380437e-01])
message: 'Optimization terminated successfully.'
jac: array([ 1.81575805e-01, 5.40387481e-01, 8.18073750e-05, 1.03137662e+00, -1.60038471e-05, 0.00000000e+00])
nit: 4
得到的最優組合權重向量為：
In [10]:
opts['x'].round(3)
Out[10]:
array([-0. , 0. , 0.164, -0. , 0.836])
sharpe最大的組合3個統計數據分別為：
In [11]:
#預期收益率、預期波動率、最優夏普指數
statistics(opts['x']).round(3)
Out[11]:
array([ 0.508, 0.437, 1.162])
7.投資組合優化2——方差最小
接下來，我們通過方差最小來選出最優投資組合。
In [12]:
#但是我們定義一個函數對 方差進行最小化
def min_variance(weights):
return statistics(weights)[1]
optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
optv
Out[12]:
status: 0
success: True
njev: 7
nfev: 50
fun: 0.38542969450547221
x: array([ 1.14787640e-01, 3.28089742e-17, 2.09584008e-01, 3.53487044e-01, 3.22141307e-01])
message: 'Optimization terminated successfully.'
jac: array([ 0.3851725 , 0.43591119, 0.3861807 , 0.3849672 , 0.38553924, 0. ])
nit: 7
方差最小的最優組合權重向量及組合的統計數據分別為：
In [13]:
optv['x'].round(3)
Out[13]:
array([ 0.115, 0. , 0.21 , 0.353, 0.322])
In [14]:
#得到的預期收益率、波動率和夏普指數
statistics(optv['x']).round(3)
Out[14]:
array([ 0.226, 0.385, 0.587])
8.組合的有效前沿
有效前沿有既定的目標收益率下方差最小的投資組合構成。
在最優化時採用兩個約束，1.給定目標收益率，2.投資組合權重和為1。
In [15]:
def min_variance(weights):
return statistics(weights)[1]
#在不同目標收益率水平（target_returns）循環時，最小化的一個約束條件會變化。
target_returns = np.linspace(0.0,0.5,50)
target_variance = []
for tar in target_returns:
cons = ({'type':'eq','fun':lambda x:statistics(x)[0]-tar},{'type':'eq','fun':lambda x:np.sum(x)-1})
res = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
target_variance.append(res['fun'])
target_variance = np.array(target_variance)
下面是最優化結果的展示。
叉號：構成的曲線是有效前沿（目標收益率下最優的投資組合）
紅星：sharpe最大的投資組合
黃星：方差最小的投資組合
In [16]:
plt.figure(figsize = (8,4))
#圓圈：蒙特卡洛隨機產生的組合分布
plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')
#叉號：有效前沿
plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')
#紅星：標記最高sharpe組合
plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)
#黃星：標記最小方差組合
plt.plot(statistics(optv['x'])[1], statistics(optv['x'])[0], 'y*', markersize = 15.0)
plt.grid(True)
plt.xlabel('expected volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[16]:
⑷ 證券投資實驗選股心得
股票如何挑選大多人都摸不清門道，尤其是小白這類人群，就更搞不懂了。我這個10年老股民實在坐不住想給大家分享，就拿這4個標准選股是再好不過的了！
選股票就如同在選公司，如何判斷一家公司的好壞，可以從行業前景、經營情況，制度以及受關注度等去分析。根據以上條件，牛股在市場上有哪些？最新資訊可參考這里：【絕密】機構推薦的牛股名單泄露，限時速領！！！
以下四種方法，即使不能讓朋友們做的很精確，不過這大致方向是不會錯的：
一、買龍頭股
買龍頭股就是投資龍頭公司，中國經濟存在了幾十年，已經達到了一定的限度，增長速度有所下降，這也代表著市場資源已經差不多定型。
未來的發展趨勢，主要是憑借著在前期競爭力度大、擁有資本實力的大公司，小公司再想崛起已經很難了。龍頭公司在品牌、成本、市場跟技術層面，都很具優勢。
挑選龍頭股是非常有難度，普通股民不是簡單就能做到的。通過整理了各個研究機構給出的龍頭股，我自己出了一份名單，出了一份A股超全的各行業龍頭股一覽表，建議收藏起來：【吐血整理】各大行業龍頭股票一覽表，建議收藏！
二、看研報數量
每類券商所推出的一個研報數量，可以看出社會對公司持有很高的關注度。
時間就是金錢，沒有人願意把時間花在沒有價值的事情上。所以說大量研報的存在，，也側面反映出該公司贏得了大家的信任和好感，對它都有很高的期望。本來自己沒有經驗，尾隨專業人士身後，向來錯不了。
但市面上很多研究分析報告都是要付費才能看，我個人花費不少買到了一部分相對權威的行業研報，大家可以一起來看，只要點進下方的鏈接就能直接看：最新行業研報免費分享
除了上面的亮點外，還要學會看市值和機構持倉~
三、看市值
看市值，一方面就是因為目前的競爭大環境是存量競爭，也就是大公司競爭力更好；另外就是，市值低的股票流動性不是很好，不管是個人還是各大機構，都基本上不會去看市值低的公司，要是市值100億以下的公司，它們的研究值就不是很大了。
四、看機構持倉
看機構的持倉，簡單來說就是用更專業人士的眼光來衡量。因為，如果單純從散戶的眼光出發具備一定的局限性，從這一方面來看，機構和散戶截然不同，機構在專業人才、測算方法等方面顯現更勝一籌，這些機構通過一系列研究測評最終選定的股票，更具備前瞻性和代表性。
應答時間：2021-08-26，最新業務變化以文中鏈接內展示的數據為准，請點擊查看
⑸ 關於單因素模型（single index model）對最優證券投資組合的選擇問題
首先對阿爾法系數的理解有點問題：按照CAPM單因素模型計算的個股收益率稱為「公平收益率」，個股實際預期收益率減去公平收益率的差額稱為阿爾法系數，反映了理論值和預期值的差別，由於理論值的計算和市場有關，因此阿爾法也和市場有關。不同的投資者對預期收益率的判斷不同，因此阿爾法系數因人而異，一般而言，市場對個股定價過低，則預期收益較大，阿爾法為正值，越大表示個股價格被低估的越多。對於問題1，假如市場對每一隻個股定價都合理，那麼阿爾法為0，所以，阿爾法不為0的情況可以看出市場異常的投資回報。對於問題2，投資組合是選取市場中一部分能夠真正降低風險，提高收益的個股形成的組合（僅僅涉及股票的風險和Beta系數，與股票的價格沒有關系），稱為有效投資組合，排除在有效投資組合之外的股票認為沒有投資價值（僅從風險和公平收益率的角度看），在單因素模型中的個股是指所有個股（即包含有效投資組合之外的股票），如果個股的價格被低估，預期收益率將大於公平收益率，仍具有投資價值，這就是阿爾法要表達的含義。
⑹ 證券投資模擬組合方案
自己到股票網站找個股票推薦，選出5支就行了，新浪、和訊等都行
⑺ 在線等一份《證券投資實驗報告》，跪求別復制粘貼，最好是自己實驗報告的底稿。
證券投資分析實驗報告
實驗一
實驗學時：2
實驗日期：3月23日
實驗要求：
第一次實驗要求掌握錢龍軟體的簡單運用，掌握股票交易的流程，了解幾個常用的市場術語。
實驗內容：
老師首先對錢龍軟體的初步介紹，包括金典版和旗艦版的各種不同作用。簡單介紹了交易費的概念，初步說明了錢龍軟體的作用和其智能鍵盤功能以及快捷鍵的介紹。KDJ指標由三條曲線組成，即K線、D線和J線，它完整的能反映價格波動趨勢和情況。最後，了解了內盤和外盤、委比、量比、換手率等概念。還包括股票指數和我國的股票指數。下面是我國的在4月2號的上證指數。技術上看，15分鍾圖顯示，MACD出現頂背離，KDJ形成M走勢，短期有回落風險。
此後，注冊在錢龍軟體內的賬號，進入軟體後對錢龍軟體進行深入了解。
由於對股票只是初步了解，我還不知道如何選股，這周就沒有買股票。
實驗二
實驗學時：2
實驗日期： 4月6日
實驗要求：
第二次實驗要求掌握股票交易幾個常用的技術指標，市盈率指標(PER)，相對強弱指標(RSI)，乖離率指標(BIAS)。
實驗內容：
在上機過程中老師先介紹了三個常用技術指標基本概念，分別是市盈率指標(PER)，相對強弱指標(RSI)，乖離率指標(BIAS)。再通過舉例來計算市盈率和市凈率以及其對投資者的作用。隨後對相對強弱指標進行介紹，並從RSI的曲線形態上指導我們如何判斷行情，點出其不足之處。隨後簡單介紹了相反理論，最後通過實際演示介紹乖離率指標(BIAS)，其公式和應用方面的知識。
由於還沒學到如何選股，沒有明確的目標，我就憑直覺，而且只看了日K線就買進了在漲的啤酒花，復旦復華，上海飛機，哈飛股份這四支股。下圖是上海機場4月2日的日線圖，下午兩點半後呈現上升趨勢。
實驗三
實驗學時：2
實驗日期： 4月20日
實驗要求：
第三次試驗要求了解k線理論、k線圖的繪制、單根k線的判斷、k先圖的組合及應用。
實驗內容：
首先了解了k線理論，再學習k線圖的繪制以及單根K線的判斷。
n 陽線表明買方力量大於賣方，陰線表明買方力量小於賣方
n 上影線表示交易價格上升受到阻力，下影線表示交易價格得到買方的支撐，阻止價格下跌
這周看在上周買的全部跌了，才意識到我跟大部分的股民一樣，買漲不買跌是不對的。要根據一定的技術指標進行判斷。這次我就主要依據RSI指標進行選股，這次買進了包鋼稀土，上海飛機，浙江陽光，並且再一次以20.7元的價格買進1000股哈飛股份。
上次以18.92的價格買進上海飛機後，從這周看它它的RSI指標低於20，於是委託在15.9元的價格賣出，並且以15，82的價格買進1000股。
實驗四
實驗學時：2
實驗日期： 5月4日
實驗要求：
第四次試驗要求了解移動平均線的應用，包括葛蘭維爾八大法則和交叉性、方向性。
實驗內容：
首先，用實例圖分別介紹移動平均線的葛蘭維爾八大法則，最後聯系總的葛蘭維爾八大法則介紹投資者應該遵循的規則，而後對均線黃金交叉與死亡交叉進行分析，通過移動平均線的不同位置來介紹其代表的意義。最後對平滑異動移動平均線(MACD)初步了解其公式和簡要的應用。
2. 均線黃金交叉與死亡交叉分析（1）黃金交叉:短（中）期均線從下上穿（中）長期均線,為買入信號（2）死亡交叉:短（中）期均線從上下穿（中）長期均線,為賣出信號。
這次進入錢龍一看發現哈飛走勢很不錯。只不過上海機場還在跌，此時上海機場的RSI指數已經低於20，於是我以13、69的價格賣出1000股，並以13.66的價格買進1500股。一直以來，我很看好醫葯行業的版塊，5月初上市的海普瑞引發了我的關注，不過因為是剛上市又上市價頗受爭議，我並沒敢買，准備先先觀望下。
實驗五
實驗學時：2
實驗日期： 5月18日
實驗要求：
第五次試驗要求了解平滑異動移動平均線(MACD)及其應用、從不同方面選股的知識。
實驗內容：
首先，我們了解了平滑異動移動平均線(MACD) 。如果行情見漲，短期移動平均值在長期移動平均值之上，此時DIF為正值。且離差加大，投資者應適當控制買入速度防止追漲而被套牢；如果行情下跌，短期移動平均值在長期移動平均值之下，此時DIF值為負，且離差加大，投資者可適當購入股票；當行情由多頭轉向空頭，或由空頭轉向多頭時，離差值趨近於0，此時，投資者可觀望一段時間，判定走勢後，再決定買賣。如果DIF向上突破MACD和0軸線時，說明買盤大，投資者可適當加入多頭；如果DIF向下跌破MACD和0軸線時，說明賣方多，投資者應適時低價購進股票，待股價上漲後，再賣出。尋找背離信號
其次，我們學習了選股的一些知識。基本面選股：從行業入手，找出佼佼者、企業經營穩健，主業明確、企業發展前景分析、股本的擴張性。從市場面選股:從市場題材選股、從市場熱點中選股、從「第一」中選股。還有就是智能選股：「智能選股」是一個非常方便的工具，它可以在幾秒內將我們所需要的股票按照所設定的條件在兩市所有股票中選出來，可以提高操作準確率和看盤效率。
這次，我發現海普瑞並沒往上走，它的市盈率波動在50倍與70倍之間，完全沒有的分析的可行性。
實驗總結
學習了證券投資分析，我感覺受益頗多。特別是老師運用理論與模擬實踐相結合的教學方式，讓我深深體會到了炒股存在著較大的，甚至是讓人難以意料的客觀風險，但個人的心理因素也很重要，也領會到了一些基本的投資選股理念。
起初，我們在錢龍注冊了賬號，裡面有一百萬的虛擬貨幣，我們可以進行自由的投資選擇，可以投資股票、基金或者國債。而我們大部分人選擇炒股，這是我們上實踐課的重點所在。每兩周我們都有一次機會進行操作，買進或者賣出。我找了幾支看起來走勢蠻好的股票買進。第2次看時，發現全跌，二其他人也至少有幾支是漲的，由於不服輸的心理，我趕緊開始翻書，看老師的PPT學習股票交易的技巧和手段。
在做證券投資分析的實驗期間，學校組織了1次模擬交易大賽，由於我對此已經深有忌憚，加之上次炒股失利，也沒有再參加。我想玩股票的人都應該有很大的忍耐能力，經得起股市瞬息萬變的波動吧，看來還火候不夠啊。
初學證券投資分析的時候，對於理論知識不屑一顧，感覺它講的太老套了，不進股市實際操作知道再多也是沒用的，可是經歷了網路模擬交易後，我覺得任何事情都不是單獨的，學習了理論知識可以用它來指導實踐，股市肯定不會是單靠運氣來盲目支持的，經驗老道的股民，是通過技巧來賺錢的。剛開始模擬交易時，技術分析一點不懂，雖然看了關於K線圖的理論知識，但還是不懂的如何去運用，也不懂其中的一投資技巧，所以買回來的股票基本都是虧的，到心有戚戚焉，惡補專業理論知識，在逐步的學習中，我慢慢懂得通過陽線及陰線的形態去選擇股票，再結合當天的成交量，相關指數，以及政策多方面的因素來該股是否有升的希望。話說：股市中，什麼都可以騙人，唯獨成交量是不會騙人的。由於時間的局限，所以我都是做短線炒股，下面是我的幾點認識：
1.在形勢不利的時候及時抽身而退，從而使損失最小化，千萬不要猶豫不決。或者抱有僥幸心理。
2.賣出去的股，哪怕第2天又漲了也不要後悔,有的是機會。
3.買進趨勢明朗的股票,不要買趨勢不明的股票,最好是有5日均線支撐的，因為這樣比較有保障，就算虧，也不會虧很多。
4.盡量要買好股，如市場熱點的股票，不要買垃圾股，垃圾股漲的快，但跌起來會更快。買進最近換手率較高的股票，賺得多而快。
5.仔細觀察k線圖，不要心理過急，或者太貪，以防其到達最高價而會落。
6.一次不要把所有的資金用在1個股票上,因為雞蛋在1個籃子里的風險永遠大於分開放的風險，但也不要買太多隻股，以免照應不過來。
在整個模擬炒股的過程中，我的心情都還是比較淡定的，雖然剛開始的時候都是虧的，但在我的不懈努力下，我的虧損漸漸減少了,這已經讓我覺得很欣慰了，畢竟我有在努力，也有了收獲：畢竟今年的行情不好呀。最深的體會是：不要怕跌！只要有跌就有機會，賬面的損失並不可怕，最可怕的就輸了心態，沒了鬥志！要懂得及時自我調整，才能在股市的競爭中存活，才能有下次戰斗的機會。
總之，通過這幾次實驗，我學到了很多，也懂得了很多金融方面的知識，首先對錢龍模擬炒股軟體有了一定得了解和認識，並學會了如何去分析，如何去炒股，如何去投資，並且了解了一些金融界的基本知識、概念和現象。例如：K線理論、委比、量比、換手率和移動平均線等概念以及RSI等指標。雖然這只是個模擬系統但也給我們帶來了無比的好奇和激情，相信對我們將來在金融市場中活動會有一定的基礎作用。再者，我對此軟體的應用有了大概的了解，能夠准備、快速的使用各種快捷鍵操作，對將來炒股上手有一定得幫助和作用。最後，通過這幾次實驗的學習我知道了就算理論知識再豐富也是不夠的，那隻將是紙上談兵，只有經過實踐地磨練才能充分地掌握你所得到的知識並發揮作用，我一直相信只有切身體會了才能夠懂得你所從事工作和知識的真諦。而且，我也認識大如果想要在變化莫測的股市中佔有一席之地，我需要學習的地方還有很多，我需要不斷的積累，不斷的學習。
http://ishare.iask.sina.com.cn/f/9657086.html?from=like
⑻ 股票投資組合是什麼
股票投資組合，是指投資者在進行股票投資時，根據各種股票的風險程度、獲利能力等方面的因素，按照一定的規律和原則進行股票的選擇、搭配以降低投資風險的一種方法。其理論依據就是股市內各類股票的漲跌一般不是同步的，總是有漲有跌，此起彼伏。因此，當在一種股票上的投資可能因其價格的暫時跌落而不能盈利時，還可以在另外一些有漲勢的股票上獲得一定的收益，從而可以達到迴避風險的目的。應當明確的是，這一種方法只適用於資金投入量較大的投資者。
股票投資管理是資產管理的重要組成部分之一。股票投資組合管理的目標就是實現效用最大化，即使股票投資組合的風險和收益特徵能夠給投資者帶來最大的滿足。因此，構建股票投資組合的原因有二：一是為降低證券投資風險；二是為實現證券投資收益最大化。
組合管理是一種區別於個別資產管理的投資管理理念。組合管理理論最早由馬柯威茨於1952年系統地提出，他開創了對投資進行整體管理的先河。目前，在西方國家大約有1/3的投資管理者利用數量化方法進行組合管理。構建投資組合並分析其特性是職業投資組合經理的基本活動。在構建投資組合過程中，就是要通過證券的多樣化，使由少量證券造成的不利影響最小化。
一、分散風險
股票與其他任何金融產品一樣，都是有風險的。所謂風險就是指預期投資收益的不確定性。我們常常會用籃子裝雞蛋的例子來說明分散風險的重要性。如果我們把雞蛋放在一個籃子里，萬一這個籃子不小心掉在地上，那麼所有的雞蛋都可能被摔碎；而如果我們把雞蛋分散在不同的籃子里，那麼一個籃子掉了不會影響其他籃子里的雞蛋。資產組合理論表明，證券組合的風險隨著組合所包含的證券數量的增加而降低，資產間關聯性低的多元化證券組合可以有效地降低個別風險。
我們一般用股票投資收益的方差或者股票的p值來衡量一隻股票或股票組合的風險。通常股票投資組合的方差是由組合中各股票的方差和股票之間的協方差兩部分組成，組合的期望收益率是各股票的期望收益率的加權平均。除去各股票完全正相關的情況，組合資產的標准差將小於各股票標准差的加權平均。當組合中的股票數目N增加時，單只股票的投資比例減少，方差項對組合資產風險的影響下降；當N趨向無窮大時，方差項將檔近0，組合資產的風險僅由各股票之間的協方差所決定。也就是說，通過組合投資，能夠減少直至消除各股票自身特徵所產生的風險(非系統性風險)，而只承擔影響所有股票收益率的因素所產生的風險(系統性風險)。
二、實現收益最大化
股票投資組合管理的目標之一就是在投資者可接受的風險水平內，通過多樣化的股票投資使投資者獲得最大收益。從市場經驗來看，單只股票受行業政策和基本面的影響較大，相應的收益波動往往也很大。在公司業績快速增長時期可能給投資者帶來可觀的收益，但是如果因投資者未觀察到的信息而導致股票價格大幅下跌，則可能給投資者造成很大的損失。因此，在給定的風險水平下，通過多樣化的股票選擇，可以在一定程度上減輕股票價格的過度波動，從而在一個較長的時期內獲得最大收益。
⑼ 證券投資組合理論的基本內容是什麼
證券組合收益率、證券組合風險、雙證券組合風險、系統性風險。
投資組合理論有狹義和廣義之分。狹義的投資組合理論指的是馬柯維茨投資組合理論；而廣義的投資組合理論除了經典的投資組合理論以及該理論的各種替代投資組合理論外，還包括由資本資產定價模型和證券市場有效理論構成的資本市場理論。同時,由於傳統的EMH不能解釋市場異常現象，在投資組合理論又受到行為金融理論的挑戰。