⑴ 投资者如何寻找最优证券组合
最优证券组合是指投资者所要找的最优组合，即就是某投资者的无差异曲线与有效集的切点。将各投资者的无差异曲线和有效边界结合在一起就可以定出各个投资者的最优组合。
什么是最优投资组合？
最优投资组合是一种投资组合形式，在这种形式下，投资者可以在选定的可能投资组合中获得最大收益。一般来说，它是指在证券，股票和基金市场聚集各种证券的过程中，根据每个证券的风险、收益和未来发展趋势，选择能够产生积极效果的投资产品和形式。最优组合的唯一性由有效集的上凸性和无差异曲线的下凹性决定。
投资组合的目的是分散风险。投资组合可以看作是一个多层次的投资组合，可以根据自己的需要和实际情况综合考虑。它具有安全与效益、效益与灵活性、灵活性与有效性的双重考虑。
最优投资组合不一定限制投资组合的数量。例如，一些基金条款规定投资组合不得少于20个品种，而其他条款没有明确规定，投资组合超过两个就可以了。投资组合模型可以是积极的、适度的和保守的。至于最终决定采用哪种投资组合，投资者有不同的意见。
最优证券组合是指投资者所要找的最优组合，即就是某投资者的无差异曲线与有效集的切点。将各投资者的无差异曲线和有效边界结合在一起就可以定出各个投资者的最优组合。
投资者共同偏好规则可以确定哪些组合是有效的（即投资价值相对较高），哪些是无效的（即投资价值相对较低）。
特定投资者可以在有效组合中选择自己最满意的组合，这种选择依赖于他的偏好。投资者的偏好通过无差异曲线来反映。无差异曲线位置越靠上其满意程度越高。
⑵ 根据马科维茨的证券投资组合理论，投资者应如何决定其最优的资产组合
这个里面有一个重要的因素叫做：风险承受能力，
这个能力的决定因素有两个，第一个叫做：心理承受能力 第二个叫做：资金承受能力
只有在考虑了这两个因素之后，才能决定资产组合方案。
在资本市场当中，每个个案都需要量身定制，没有一套可以放之四海而皆准的投资组合方案。
最优方案并不是所有人的最优方案，而是某个人的最优方案。
⑶ 如何用python实现Markowitz投资组合优化
多股票策略回测时常常遇到问题。
仓位如何分配？
你以为基金经理都是一拍脑袋就等分仓位了吗？
或者玩点玄乎的斐波拉契数列？
OMG，谁说的黄金比例，让我看到你的脑袋（不削才怪）！！
其实，这个问题，好多好多年前马科维茨（Markowitz）我喜爱的小马哥就给出答案——投资组合理论。
根据这个理论，我们可以对多资产的组合配置进行三方面的优化。
1.找到有效前沿。在既定的收益率下使组合的方差最小。
2.找到sharpe最优的组合（收益-风险均衡点）
3.找到风险最小的组合
跟着我，一步两步，轻松实现。
该理论基于用均值和方差来表述组合的优劣的前提。将选取几只股票，用蒙特卡洛模拟初步探究组合的有效前沿。
通过最大Sharpe和最小方差两种优化来找到最优的资产组合配置权重参数。
最后，刻画出可能的分布，两种最优以及组合的有效前沿。
注：
文中的数据API来自量化平台聚宽，在此表示感谢。
原文见【组合管理】——投资组合理论（有效前沿）（包含正态检验部分）
0.导入需要的包
import pandas as pd
import numpy as np
import statsmodels.api as sm #统计运算
import scipy.stats as scs #科学计算
import matplotlib.pyplot as plt #绘图
1.选取几只感兴趣的股票
000413 东旭光电，000063 中兴通讯，002007 华兰生物，000001 平安银行，000002 万科A
并比较一下数据（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']
#规范化后时序数据
(data/data.ix[0]*100).plot(figsize = (8,5))
Out[1]:
2.计算不同证券的均值、协方差
每年252个交易日，用每日收益得到年化收益。计算投资资产的协方差是构建资产组合过程的核心部分。运用pandas内置方法生产协方差矩阵。
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.给不同资产随机分配初始权重
由于A股不允许建立空头头寸，所有的权重系数均在0-1之间
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.计算预期组合年化收益、组合方差和组合标准差
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.用蒙特卡洛模拟产生大量随机组合
进行到此，我们最想知道的是给定的一个股票池（证券组合）如何找到风险和收益平衡的位置。
下面通过一次蒙特卡洛模拟，产生大量随机的权重向量，并记录随机组合的预期收益和方差。
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)
#无风险利率设定为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.投资组合优化1——sharpe最大
建立statistics函数来记录重要的投资组合统计数据（收益，方差和夏普比）
通过对约束最优问题的求解，得到最优解。其中约束是权重总和为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])
#最优化投资组合的推导是一个约束最优化问题
import scipy.optimize as sco
#最小化夏普指数的负值
def min_sharpe(weights):
return -statistics(weights)[2]
#约束是所有参数(权重)的总和为1。这可以用minimize函数的约定表达如下
cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
#我们还将参数值(权重)限制在0和1之间。这些值以多个元组组成的一个元组形式提供给最小化函数
bnds = tuple((0,1) for x in range(noa))
#优化函数调用中忽略的唯一输入是起始参数列表(对权重的初始猜测)。我们简单的使用平均分布。
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
得到的最优组合权重向量为：
In [10]:
opts['x'].round(3)
Out[10]:
array([-0. , 0. , 0.164, -0. , 0.836])
sharpe最大的组合3个统计数据分别为：
In [11]:
#预期收益率、预期波动率、最优夏普指数
statistics(opts['x']).round(3)
Out[11]:
array([ 0.508, 0.437, 1.162])
7.投资组合优化2——方差最小
接下来，我们通过方差最小来选出最优投资组合。
In [12]:
#但是我们定义一个函数对 方差进行最小化
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
方差最小的最优组合权重向量及组合的统计数据分别为：
In [13]:
optv['x'].round(3)
Out[13]:
array([ 0.115, 0. , 0.21 , 0.353, 0.322])
In [14]:
#得到的预期收益率、波动率和夏普指数
statistics(optv['x']).round(3)
Out[14]:
array([ 0.226, 0.385, 0.587])
8.组合的有效前沿
有效前沿有既定的目标收益率下方差最小的投资组合构成。
在最优化时采用两个约束，1.给定目标收益率，2.投资组合权重和为1。
In [15]:
def min_variance(weights):
return statistics(weights)[1]
#在不同目标收益率水平（target_returns）循环时，最小化的一个约束条件会变化。
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)
下面是最优化结果的展示。
叉号：构成的曲线是有效前沿（目标收益率下最优的投资组合）
红星：sharpe最大的投资组合
黄星：方差最小的投资组合
In [16]:
plt.figure(figsize = (8,4))
#圆圈：蒙特卡洛随机产生的组合分布
plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')
#叉号：有效前沿
plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')
#红星：标记最高sharpe组合
plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)
#黄星：标记最小方差组合
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 证券投资实验选股心得
股票如何挑选大多人都摸不清门道，尤其是小白这类人群，就更搞不懂了。我这个10年老股民实在坐不住想给大家分享，就拿这4个标准选股是再好不过的了！
选股票就如同在选公司，如何判断一家公司的好坏，可以从行业前景、经营情况，制度以及受关注度等去分析。根据以上条件，牛股在市场上有哪些？最新资讯可参考这里：【绝密】机构推荐的牛股名单泄露，限时速领！！！
以下四种方法，即使不能让朋友们做的很精确，不过这大致方向是不会错的：
一、买龙头股
买龙头股就是投资龙头公司，中国经济存在了几十年，已经达到了一定的限度，增长速度有所下降，这也代表着市场资源已经差不多定型。
未来的发展趋势，主要是凭借着在前期竞争力度大、拥有资本实力的大公司，小公司再想崛起已经很难了。龙头公司在品牌、成本、市场跟技术层面，都很具优势。
挑选龙头股是非常有难度，普通股民不是简单就能做到的。通过整理了各个研究机构给出的龙头股，我自己出了一份名单，出了一份A股超全的各行业龙头股一览表，建议收藏起来：【吐血整理】各大行业龙头股票一览表，建议收藏！
二、看研报数量
每类券商所推出的一个研报数量，可以看出社会对公司持有很高的关注度。
时间就是金钱，没有人愿意把时间花在没有价值的事情上。所以说大量研报的存在，，也侧面反映出该公司赢得了大家的信任和好感，对它都有很高的期望。本来自己没有经验，尾随专业人士身后，向来错不了。
但市面上很多研究分析报告都是要付费才能看，我个人花费不少买到了一部分相对权威的行业研报，大家可以一起来看，只要点进下方的链接就能直接看：最新行业研报免费分享
除了上面的亮点外，还要学会看市值和机构持仓~
三、看市值
看市值，一方面就是因为目前的竞争大环境是存量竞争，也就是大公司竞争力更好；另外就是，市值低的股票流动性不是很好，不管是个人还是各大机构，都基本上不会去看市值低的公司，要是市值100亿以下的公司，它们的研究值就不是很大了。
四、看机构持仓
看机构的持仓，简单来说就是用更专业人士的眼光来衡量。因为，如果单纯从散户的眼光出发具备一定的局限性，从这一方面来看，机构和散户截然不同，机构在专业人才、测算方法等方面显现更胜一筹，这些机构通过一系列研究测评最终选定的股票，更具备前瞻性和代表性。
应答时间：2021-08-26，最新业务变化以文中链接内展示的数据为准，请点击查看
⑸ 关于单因素模型（single index model）对最优证券投资组合的选择问题
首先对阿尔法系数的理解有点问题：按照CAPM单因素模型计算的个股收益率称为“公平收益率”，个股实际预期收益率减去公平收益率的差额称为阿尔法系数，反映了理论值和预期值的差别，由于理论值的计算和市场有关，因此阿尔法也和市场有关。不同的投资者对预期收益率的判断不同，因此阿尔法系数因人而异，一般而言，市场对个股定价过低，则预期收益较大，阿尔法为正值，越大表示个股价格被低估的越多。对于问题1，假如市场对每一只个股定价都合理，那么阿尔法为0，所以，阿尔法不为0的情况可以看出市场异常的投资回报。对于问题2，投资组合是选取市场中一部分能够真正降低风险，提高收益的个股形成的组合（仅仅涉及股票的风险和Beta系数，与股票的价格没有关系），称为有效投资组合，排除在有效投资组合之外的股票认为没有投资价值（仅从风险和公平收益率的角度看），在单因素模型中的个股是指所有个股（即包含有效投资组合之外的股票），如果个股的价格被低估，预期收益率将大于公平收益率，仍具有投资价值，这就是阿尔法要表达的含义。
⑹ 证券投资模拟组合方案
自己到股票网站找个股票推荐，选出5支就行了，新浪、和讯等都行
⑺ 在线等一份《证券投资实验报告》，跪求别复制粘贴，最好是自己实验报告的底稿。
证券投资分析实验报告
实验一
实验学时：2
实验日期：3月23日
实验要求：
第一次实验要求掌握钱龙软件的简单运用，掌握股票交易的流程，了解几个常用的市场术语。
实验内容：
老师首先对钱龙软件的初步介绍，包括金典版和旗舰版的各种不同作用。简单介绍了交易费的概念，初步说明了钱龙软件的作用和其智能键盘功能以及快捷键的介绍。KDJ指标由三条曲线组成，即K线、D线和J线，它完整的能反映价格波动趋势和情况。最后，了解了内盘和外盘、委比、量比、换手率等概念。还包括股票指数和我国的股票指数。下面是我国的在4月2号的上证指数。技术上看，15分钟图显示，MACD出现顶背离，KDJ形成M走势，短期有回落风险。
此后，注册在钱龙软件内的账号，进入软件后对钱龙软件进行深入了解。
由于对股票只是初步了解，我还不知道如何选股，这周就没有买股票。
实验二
实验学时：2
实验日期： 4月6日
实验要求：
第二次实验要求掌握股票交易几个常用的技术指标，市盈率指标(PER)，相对强弱指标(RSI)，乖离率指标(BIAS)。
实验内容：
在上机过程中老师先介绍了三个常用技术指标基本概念，分别是市盈率指标(PER)，相对强弱指标(RSI)，乖离率指标(BIAS)。再通过举例来计算市盈率和市净率以及其对投资者的作用。随后对相对强弱指标进行介绍，并从RSI的曲线形态上指导我们如何判断行情，点出其不足之处。随后简单介绍了相反理论，最后通过实际演示介绍乖离率指标(BIAS)，其公式和应用方面的知识。
由于还没学到如何选股，没有明确的目标，我就凭直觉，而且只看了日K线就买进了在涨的啤酒花，复旦复华，上海飞机，哈飞股份这四支股。下图是上海机场4月2日的日线图，下午两点半后呈现上升趋势。
实验三
实验学时：2
实验日期： 4月20日
实验要求：
第三次试验要求了解k线理论、k线图的绘制、单根k线的判断、k先图的组合及应用。
实验内容：
首先了解了k线理论，再学习k线图的绘制以及单根K线的判断。
n 阳线表明买方力量大于卖方，阴线表明买方力量小于卖方
n 上影线表示交易价格上升受到阻力，下影线表示交易价格得到买方的支撑，阻止价格下跌
这周看在上周买的全部跌了，才意识到我跟大部分的股民一样，买涨不买跌是不对的。要根据一定的技术指标进行判断。这次我就主要依据RSI指标进行选股，这次买进了包钢稀土，上海飞机，浙江阳光，并且再一次以20.7元的价格买进1000股哈飞股份。
上次以18.92的价格买进上海飞机后，从这周看它它的RSI指标低于20，于是委托在15.9元的价格卖出，并且以15，82的价格买进1000股。
实验四
实验学时：2
实验日期： 5月4日
实验要求：
第四次试验要求了解移动平均线的应用，包括葛兰维尔八大法则和交叉性、方向性。
实验内容：
首先，用实例图分别介绍移动平均线的葛兰维尔八大法则，最后联系总的葛兰维尔八大法则介绍投资者应该遵循的规则，而后对均线黄金交叉与死亡交叉进行分析，通过移动平均线的不同位置来介绍其代表的意义。最后对平滑异动移动平均线(MACD)初步了解其公式和简要的应用。
2. 均线黄金交叉与死亡交叉分析（1）黄金交叉:短（中）期均线从下上穿（中）长期均线,为买入信号（2）死亡交叉:短（中）期均线从上下穿（中）长期均线,为卖出信号。
这次进入钱龙一看发现哈飞走势很不错。只不过上海机场还在跌，此时上海机场的RSI指数已经低于20，于是我以13、69的价格卖出1000股，并以13.66的价格买进1500股。一直以来，我很看好医药行业的版块，5月初上市的海普瑞引发了我的关注，不过因为是刚上市又上市价颇受争议，我并没敢买，准备先先观望下。
实验五
实验学时：2
实验日期： 5月18日
实验要求：
第五次试验要求了解平滑异动移动平均线(MACD)及其应用、从不同方面选股的知识。
实验内容：
首先，我们了解了平滑异动移动平均线(MACD) 。如果行情见涨，短期移动平均值在长期移动平均值之上，此时DIF为正值。且离差加大，投资者应适当控制买入速度防止追涨而被套牢；如果行情下跌，短期移动平均值在长期移动平均值之下，此时DIF值为负，且离差加大，投资者可适当购入股票；当行情由多头转向空头，或由空头转向多头时，离差值趋近于0，此时，投资者可观望一段时间，判定走势后，再决定买卖。如果DIF向上突破MACD和0轴线时，说明买盘大，投资者可适当加入多头；如果DIF向下跌破MACD和0轴线时，说明卖方多，投资者应适时低价购进股票，待股价上涨后，再卖出。寻找背离信号
其次，我们学习了选股的一些知识。基本面选股：从行业入手，找出佼佼者、企业经营稳健，主业明确、企业发展前景分析、股本的扩张性。从市场面选股:从市场题材选股、从市场热点中选股、从“第一”中选股。还有就是智能选股：“智能选股”是一个非常方便的工具，它可以在几秒内将我们所需要的股票按照所设定的条件在两市所有股票中选出来，可以提高操作准确率和看盘效率。
这次，我发现海普瑞并没往上走，它的市盈率波动在50倍与70倍之间，完全没有的分析的可行性。
实验总结
学习了证券投资分析，我感觉受益颇多。特别是老师运用理论与模拟实践相结合的教学方式，让我深深体会到了炒股存在着较大的，甚至是让人难以意料的客观风险，但个人的心理因素也很重要，也领会到了一些基本的投资选股理念。
起初，我们在钱龙注册了账号，里面有一百万的虚拟货币，我们可以进行自由的投资选择，可以投资股票、基金或者国债。而我们大部分人选择炒股，这是我们上实践课的重点所在。每两周我们都有一次机会进行操作，买进或者卖出。我找了几支看起来走势蛮好的股票买进。第2次看时，发现全跌，二其他人也至少有几支是涨的，由于不服输的心理，我赶紧开始翻书，看老师的PPT学习股票交易的技巧和手段。
在做证券投资分析的实验期间，学校组织了1次模拟交易大赛，由于我对此已经深有忌惮，加之上次炒股失利，也没有再参加。我想玩股票的人都应该有很大的忍耐能力，经得起股市瞬息万变的波动吧，看来还火候不够啊。
初学证券投资分析的时候，对于理论知识不屑一顾，感觉它讲的太老套了，不进股市实际操作知道再多也是没用的，可是经历了网络模拟交易后，我觉得任何事情都不是单独的，学习了理论知识可以用它来指导实践，股市肯定不会是单靠运气来盲目支持的，经验老道的股民，是通过技巧来赚钱的。刚开始模拟交易时，技术分析一点不懂，虽然看了关于K线图的理论知识，但还是不懂的如何去运用，也不懂其中的一投资技巧，所以买回来的股票基本都是亏的，到心有戚戚焉，恶补专业理论知识，在逐步的学习中，我慢慢懂得通过阳线及阴线的形态去选择股票，再结合当天的成交量，相关指数，以及政策多方面的因素来该股是否有升的希望。话说：股市中，什么都可以骗人，唯独成交量是不会骗人的。由于时间的局限，所以我都是做短线炒股，下面是我的几点认识：
1.在形势不利的时候及时抽身而退，从而使损失最小化，千万不要犹豫不决。或者抱有侥幸心理。
2.卖出去的股，哪怕第2天又涨了也不要后悔,有的是机会。
3.买进趋势明朗的股票,不要买趋势不明的股票,最好是有5日均线支撑的，因为这样比较有保障，就算亏，也不会亏很多。
4.尽量要买好股，如市场热点的股票，不要买垃圾股，垃圾股涨的快，但跌起来会更快。买进最近换手率较高的股票，赚得多而快。
5.仔细观察k线图，不要心理过急，或者太贪，以防其到达最高价而会落。
6.一次不要把所有的资金用在1个股票上,因为鸡蛋在1个篮子里的风险永远大于分开放的风险，但也不要买太多只股，以免照应不过来。
在整个模拟炒股的过程中，我的心情都还是比较淡定的，虽然刚开始的时候都是亏的，但在我的不懈努力下，我的亏损渐渐减少了,这已经让我觉得很欣慰了，毕竟我有在努力，也有了收获：毕竟今年的行情不好呀。最深的体会是：不要怕跌！只要有跌就有机会，账面的损失并不可怕，最可怕的就输了心态，没了斗志！要懂得及时自我调整，才能在股市的竞争中存活，才能有下次战斗的机会。
总之，通过这几次实验，我学到了很多，也懂得了很多金融方面的知识，首先对钱龙模拟炒股软件有了一定得了解和认识，并学会了如何去分析，如何去炒股，如何去投资，并且了解了一些金融界的基本知识、概念和现象。例如：K线理论、委比、量比、换手率和移动平均线等概念以及RSI等指标。虽然这只是个模拟系统但也给我们带来了无比的好奇和激情，相信对我们将来在金融市场中活动会有一定的基础作用。再者，我对此软件的应用有了大概的了解，能够准备、快速的使用各种快捷键操作，对将来炒股上手有一定得帮助和作用。最后，通过这几次实验的学习我知道了就算理论知识再丰富也是不够的，那只将是纸上谈兵，只有经过实践地磨练才能充分地掌握你所得到的知识并发挥作用，我一直相信只有切身体会了才能够懂得你所从事工作和知识的真谛。而且，我也认识大如果想要在变化莫测的股市中占有一席之地，我需要学习的地方还有很多，我需要不断的积累，不断的学习。
http://ishare.iask.sina.com.cn/f/9657086.html?from=like
⑻ 股票投资组合是什么
股票投资组合，是指投资者在进行股票投资时，根据各种股票的风险程度、获利能力等方面的因素，按照一定的规律和原则进行股票的选择、搭配以降低投资风险的一种方法。其理论依据就是股市内各类股票的涨跌一般不是同步的，总是有涨有跌，此起彼伏。因此，当在一种股票上的投资可能因其价格的暂时跌落而不能盈利时，还可以在另外一些有涨势的股票上获得一定的收益，从而可以达到回避风险的目的。应当明确的是，这一种方法只适用于资金投入量较大的投资者。
股票投资管理是资产管理的重要组成部分之一。股票投资组合管理的目标就是实现效用最大化，即使股票投资组合的风险和收益特征能够给投资者带来最大的满足。因此，构建股票投资组合的原因有二：一是为降低证券投资风险；二是为实现证券投资收益最大化。
组合管理是一种区别于个别资产管理的投资管理理念。组合管理理论最早由马柯威茨于1952年系统地提出，他开创了对投资进行整体管理的先河。目前，在西方国家大约有1/3的投资管理者利用数量化方法进行组合管理。构建投资组合并分析其特性是职业投资组合经理的基本活动。在构建投资组合过程中，就是要通过证券的多样化，使由少量证券造成的不利影响最小化。
一、分散风险
股票与其他任何金融产品一样，都是有风险的。所谓风险就是指预期投资收益的不确定性。我们常常会用篮子装鸡蛋的例子来说明分散风险的重要性。如果我们把鸡蛋放在一个篮子里，万一这个篮子不小心掉在地上，那么所有的鸡蛋都可能被摔碎；而如果我们把鸡蛋分散在不同的篮子里，那么一个篮子掉了不会影响其他篮子里的鸡蛋。资产组合理论表明，证券组合的风险随着组合所包含的证券数量的增加而降低，资产间关联性低的多元化证券组合可以有效地降低个别风险。
我们一般用股票投资收益的方差或者股票的p值来衡量一只股票或股票组合的风险。通常股票投资组合的方差是由组合中各股票的方差和股票之间的协方差两部分组成，组合的期望收益率是各股票的期望收益率的加权平均。除去各股票完全正相关的情况，组合资产的标准差将小于各股票标准差的加权平均。当组合中的股票数目N增加时，单只股票的投资比例减少，方差项对组合资产风险的影响下降；当N趋向无穷大时，方差项将档近0，组合资产的风险仅由各股票之间的协方差所决定。也就是说，通过组合投资，能够减少直至消除各股票自身特征所产生的风险(非系统性风险)，而只承担影响所有股票收益率的因素所产生的风险(系统性风险)。
二、实现收益最大化
股票投资组合管理的目标之一就是在投资者可接受的风险水平内，通过多样化的股票投资使投资者获得最大收益。从市场经验来看，单只股票受行业政策和基本面的影响较大，相应的收益波动往往也很大。在公司业绩快速增长时期可能给投资者带来可观的收益，但是如果因投资者未观察到的信息而导致股票价格大幅下跌，则可能给投资者造成很大的损失。因此，在给定的风险水平下，通过多样化的股票选择，可以在一定程度上减轻股票价格的过度波动，从而在一个较长的时期内获得最大收益。
⑼ 证券投资组合理论的基本内容是什么
证券组合收益率、证券组合风险、双证券组合风险、系统性风险。
投资组合理论有狭义和广义之分。狭义的投资组合理论指的是马柯维茨投资组合理论；而广义的投资组合理论除了经典的投资组合理论以及该理论的各种替代投资组合理论外，还包括由资本资产定价模型和证券市场有效理论构成的资本市场理论。同时,由于传统的EMH不能解释市场异常现象，在投资组合理论又受到行为金融理论的挑战。