概率并行规划在股票指数模拟和家庭财务规划中的应用

发布时间：2020-07-24 06:33

【摘要】：股票指数模拟(Stock Index Simulation,SIS)和家庭财务规划(Family Financial Planning,FFP)是日常的金融应用。然而,一方面,目前它们大多数都是由专业的规划分析师来完成,非专业人士难以解决。另一方面,现有的基于数学规划方法和其他分析方法具有人工干预多、可解释性差和不确定性等缺点。因此,本课题针对SIS问题和FFP问题构建了智能规划领域模型,并使用规划模拟器自动求解。这项研究旨在提高非专业投资者对金融领域的理解与应用。本文提出一种对这两个问题领域建模的一般框架。该框架基于概率并行规划(Probabilistic Parallel Planning,PPP)能解决现实的规划问题,并能够实现多个决策目标和自动化求解。研究方法的核心思想是将SIS和FFP问题转化为智能规划问题。本文考虑了各种因素的参数化变量、状态/动作约束、可能事件以及相互关联等特征。同时,本文构建的规划模型是由针对PPP的规划语言RDDL(Relational Dynamic Influence Diagram Language)描述的,并基于模拟器rddlsim求解。实验分为两个方面:一方面,SIS实验数据使用两种股票数据集(上证50指数和上证100指数)。实验从某个时间点开始,求解未来一年股指的变化趋势。通过运用不完全随机布尔策略(IRBP_(RDDL))对模拟股指与真实股指作对比,并将求解效果与线性回归方法、SVM方法和LSTM方法的三种模拟效果作对比。结果对比分别使用交叉熵、最小二乘法和皮尔森相关系数作为损失函数。另一方面,FFP实验数据来自2018年7月Money Tree软件的财务规划实验报告和2013年9月的综合财务规划实验报告,运用启发式策略(HP_(RDDL))求解多阶段和动态离散时间结构的总财富变化。求解质量既对模拟的FFP数据的最小、最大和平均值与已有的实验报告数据作对比,又将运行时间与其他求解策略结果作对比。研究结果表明,股票指数模拟效果比较贴近于真实股票指数变化趋势。在大多数情况下,本文的SIS规划方法优于线性回归方法和SVM方法,且与LSTM方法的性能相当。此外,家庭财务规划的模拟效果基本上与其对比的两个实验报告的总财富变化趋势一样。但FFP运用启发式策略的执行效率优于其他策略,速度与随机策略和SPUDDP相当。然而,相对于其对比方法,本文方法具有较强的可解释性等优点,且求解过程中无人工干预和参数调节。可解释性主要在于采用规划领域的形式化描述。它不仅能够展示在SIS领域和FFP领域的各种影响因素之间的关系,而且得到的规划解给出了模拟结果的状态变化轨迹。总的来说,本文工作是智能规划方法在金融应用领域的一次较有意义的新尝试。
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F830
【图文】：

组成要素

定任何算术表达式，可以评估/采当前状态数值。如果指定了报酬努利函数[58]）。tate-action Constraints）：定义规范用的语句组成，可以在任何非流、 false。请注意，中间变量不能在（部分）结果，而不是其前提条非流的实例化，例如：生命游戏领数化非流的对象域。只需定义用作指定其他对象域。非流模块可包模块中定义的非流变量、初始状态、非流文字（non-fluents）、对象（量 (max-nondef-actions)和折扣因

交易活动,内部资产,不确定性,财务规划

一个好的规划应该提供：更全面的解决方案，更高的预期回报，更低的波动性，更多的选择。而且，现实主义和计算易处理性始终是实施中的主要影响因素。理想情况下，多期规划的过程如图 2-4 和现实模型应包括以下基本特征：（1）捕捉问题动态方面的多周期性，包括随时间推移的资产收益波动以及交易活动与内部资产收益，负债和预期的外部现金流量的平衡；（2）充分处理重要参数的不确定性，包括任何外部现金流和不确定性回报，以确保随着时间推移满足预算和流动性要求，并适当评估各种经济条件下的机会成本；（3）考虑决策者的风险承担态度；（4）考虑反映佣金费用和交易活动产生的其他交易费用；（5）单一的综合模型中考虑资产和负债，解决财务规划问题并遵守会计惯例；（6）可理解性，能够使模型真正地向最终应用的需求人员解释；（7）能够捕捉实际决策中涉及的其他因素，包括增长和预算要求，以及与投资者问题相关的法律，制度或政策规定。

执行流,状态

和 FFP 模拟都是运用 RDDL 语言描述，其问两者公共领域问题的形式化定义进行描述。决策过程（Markov Decision Processes，MD随机变化的过程。在每个阶段中，根据这个的任何动作。该过程在下个过程中随机到达奖励，。其执行过程如图 2-5 所示。程是由一个五元组，，{ }，，组成，限的状态；一组动作（或者，是从状态可用的有限动状态时，采用动作的概率；状态过渡到下一个状态，得到的 reward（或子（或惩罚因子），表示未来的奖励值与现在

【相似文献】