投资组合交互式决策中基于自学习的偏好模型研究
发布时间：2020-07-28 11:27
【摘要】：在经济飞速发展的今天,随着人民生活质量的不断提升,民众受教育程度也不断提高,越来越多的人将注意力集中到如何投资理财的问题上。因此,如何科学理财,将有限的资本投入到理财产品中以较低的风险得到较高的收益是每个投资者都在思考和探索的问题。以投资组合的形式进行投资不仅可以保障收益,而且还能在一定程度上控制风险,因此,投资组合问题成为了投资领域的核心问题。投资组合问题的实质是一个多目标优化问题,在现有对其求解的研究当中,大多只能够求得一组具有非劣性的有效前沿,但由于决策者无法足够理性的从中选出最适合自己的解决方案,所以现有的研究方法并不能从根本上解决投资者进行投资决策时的方案选择问题。为了更好地辅助决策者获取最符合其自身偏好的投资方案,考虑到决策者的有限理性,本文提出了一个交互式多准则决策方法。交互式多准则决策方法包括多目标进化方法,偏好反馈和偏好模型三个主要环节。其中,偏好模型环节应用于对偏好反馈得到的决策者偏好信息进行学习建模,并以决策导向的形式引导后续的求解,使得交互式多准则决策结果可以获得少数几个甚至唯一一个符合决策者个人偏好的决策方案。因此偏好模型的拟合度、灵活性和导向性对交互式多准则决策的有效性和高效性起到了至关重要的作用。然而,当前的偏好模型多采用函数或神经网络的形式,对决策者提供的偏好信息有很高的定量化要求,且固定的函数形式限制了偏好模型的灵活性。因此,本文在已有的多目标进化方法和偏好反馈研究的基础上,对偏好模型部分进行了深入研究。建立了决策树的形式的偏好模型,采用自学习的方式对其进行更新,并使用偏好模型的决策导向机制对交互式多准则决策过程进行引导。在偏好模型理论研究的基础上,将基于偏好模型的交互式多准决策方法应用于实际投资组合问题当中,并对其进行了有效性检验。通过偏好模型的有效性检验,证明了基于自学习的偏好模型的拟合度、灵活性和导向性,以及基于偏好模型的交互式多准则决策可以通过与决策者的交互辅助决策者找到符合其自身偏好的唯一投资方案。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51
【图文】：
迭代频次 gen 5候选解个数 st 54.3.2 交互式多准则决策应用在确定交互式多准则决策方法的参数取值后，可以将交互式多准则决策应用到投资组合问题当中。具体应用步骤如下：（1）求得初始有效前沿。在交互式多准决策过程开始的第一步，需要随机生成一组初始种群，使用 NSGAII 多目标优化方法在初始解的基础上对均值方差模型进 gen 代行求解，得到一组初始的帕累托有效前沿，如图 4-2 所示，此时的帕累托有效前沿上的解决方案是单纯多目标优化方法对均值方差模型求解的结果，不带有任何的决策者偏好信息。然而由于决策者的认知能力有限，他们很难从为数众多的候选解决方案当中准确的选择出真正适合自己的投资方案。所以我们需要与决策者进行交互获取决策者偏好信息，并且对决策者的偏好进行学习和存储，将决策者的偏好信息融入到多目标进化方法在接下来的迭代当中，才能真正帮助决策者找到最符合其真正偏好和需求的投资解决方案。
哈尔滨工业大学管理学硕士学位论文（2）选取候选交互方案。在初始 Pareto 有效前沿中候选解决方案的基础上，交互式多准则决策开始与用户进行第一次偏好反馈的交互。由于决策者是有限理性的，他们无法准确的从众多有效前沿的候选解决方案中做出选择或者比较出哪个方案更好。因此，交互式多准则决策方法需要从有效前沿上选取少数有限个具有代表性的解决方案供决策者进行选择。在交互式多准则决策中采用了对有效前沿上的所有解决方案进行无监督聚类的方式，将有效前沿上的多个方案，聚类为 st 个区域空间，并选取每个区域内的一个方案用于与用于的偏好反馈交互，以初始解决方案为例，图 4-3 为有效前沿上解决方案的聚类结果，图中解决方案所代表点的不同形状表示所属于不同的聚类区域。在同一聚类区域内随机选择一个候选解决方案参与与决策者的反馈交互。
0.99994 0.00006 10.99991 0.0000910.99995 0.00005 30.99998 0.00002 40.99986 0.00014 50.99990 0.00010 50.99993 0.00007 10.99996 0.00004 30.99989 0.00011 50.99989 0.00011 50.99995 0.00005 3如图 4-4 所示，为原决策数据的实值空间与转化后映射数据的样本空间内所有的点对比图。可以明显看出，转换后的样本空间数据同属于 frisk+freturn=1 分布的同分布数据集。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51
【图文】：
迭代频次 gen 5候选解个数 st 54.3.2 交互式多准则决策应用在确定交互式多准则决策方法的参数取值后，可以将交互式多准则决策应用到投资组合问题当中。具体应用步骤如下：（1）求得初始有效前沿。在交互式多准决策过程开始的第一步，需要随机生成一组初始种群，使用 NSGAII 多目标优化方法在初始解的基础上对均值方差模型进 gen 代行求解，得到一组初始的帕累托有效前沿，如图 4-2 所示，此时的帕累托有效前沿上的解决方案是单纯多目标优化方法对均值方差模型求解的结果，不带有任何的决策者偏好信息。然而由于决策者的认知能力有限，他们很难从为数众多的候选解决方案当中准确的选择出真正适合自己的投资方案。所以我们需要与决策者进行交互获取决策者偏好信息，并且对决策者的偏好进行学习和存储，将决策者的偏好信息融入到多目标进化方法在接下来的迭代当中，才能真正帮助决策者找到最符合其真正偏好和需求的投资解决方案。
哈尔滨工业大学管理学硕士学位论文（2）选取候选交互方案。在初始 Pareto 有效前沿中候选解决方案的基础上，交互式多准则决策开始与用户进行第一次偏好反馈的交互。由于决策者是有限理性的，他们无法准确的从众多有效前沿的候选解决方案中做出选择或者比较出哪个方案更好。因此，交互式多准则决策方法需要从有效前沿上选取少数有限个具有代表性的解决方案供决策者进行选择。在交互式多准则决策中采用了对有效前沿上的所有解决方案进行无监督聚类的方式，将有效前沿上的多个方案，聚类为 st 个区域空间，并选取每个区域内的一个方案用于与用于的偏好反馈交互，以初始解决方案为例，图 4-3 为有效前沿上解决方案的聚类结果，图中解决方案所代表点的不同形状表示所属于不同的聚类区域。在同一聚类区域内随机选择一个候选解决方案参与与决策者的反馈交互。
0.99994 0.00006 10.99991 0.0000910.99995 0.00005 30.99998 0.00002 40.99986 0.00014 50.99990 0.00010 50.99993 0.00007 10.99996 0.00004 30.99989 0.00011 50.99989 0.00011 50.99995 0.00005 3如图 4-4 所示，为原决策数据的实值空间与转化后映射数据的样本空间内所有的点对比图。可以明显看出，转换后的样本空间数据同属于 frisk+freturn=1 分布的同分布数据集。
【相似文献】
相关期刊论文 前10条
1 姚s
本文编号：2772814
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/2772814.html
