智能优化算法在证券投资组合中的应用研究

发布时间：2020-05-28 01:22

【摘要】：证券投资组合优化计算问题是人们关注的热点、难点问题。目前对其进行的研究主要集中于遗传算法、二次规划法、蚁群算法等方面,得到的结果也比较多。但这些算法仍有不足之处,并且对其投资组合中出现的数据随机性和波动性没有得到很好地解决。本文主要针对数据处理和算法等方面展开工作。一是利用数据累加和数据累减技术,对证券投资组合问题中选取的数据进行平滑处理,较好地解决了原始数据中随机性和波动性问题。二是分别采用差分进化算法和遗传算法,对证券投资组合问题进行求解。通过对采集到的原始数据累加与累减处理后,在保持组合收益不变的情况下,再进行优化计算。本文结果表明,一方面比较遗传算法和差分进化算法,后者结果更适宜于本文所讨论的投资模型;另一方面将文中计算得到的风险系数与文献[1]中得到的风险系数对比发现,文中的结果更精确。由此可知,对于证券投资组合问题,运用数据累加与累减技术和差分进化算法相结合的方法来解决是比较有优势的。
【图文】：

2 知识准备2 知识准备 证券投资组合模型.1 Markowitz 模型前提条件建立 Markowitz 模型的前提条件[49]是：建立无差异曲线、可行集、最小方差集前沿的基本概念。无差异曲线[49]是指：给定一个投资组合P ，所有与P 有一样效用的组合，在 ,构成的曲线。对于投资者而言，在同一条无差异曲线上的任意两点具有一样的效差异曲线位置越高，投资者对该曲线所对应的证券组合的满意度越高。根据投种不同分类，无差异曲线也分为三类，，平面曲线图如下：

图 3-1 遗传算法流程图算法的参数控制研究对遗传算法基本步骤的介绍可知，其控制参数共有四个：NP 、cP 、制参数设置的合理性，很大程度上影响着算法的性能和收敛速度，根这些控制参数选择的经验规则如下：种群大小NP ：一般取[10,200]之间。大，算法运行的复杂度就比较高； NP 过小，则会影响遗传算法的性交叉概率cP ：取值一般在[0.25,1.00]之间。过大，算法高性能的模式被破坏的可能性就比较高，cP 过小，算法搜弱。变异概率mP ：取值一般在[0.001,0.1]之间。作主要目的是保持种群多样性，mP 取值过大，可能导致算法更倾向于
【学位授予单位】：华北水利水电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;F830.9

【参考文献】

相关期刊论文 前9条

1 黄招娣;;基于改进粒子群算法的神经网络优化证券投资组合方法[J];井冈山大学学报(社会科学版);2014年03期

2 刘法贵;徐捷;;基于预期理论的动态随机价格模型及应用[J];华北水利水电学院学报;2013年01期

3 廖旭威;;我国现代证券投资组合理论应用现状初探[J];商场现代化;2010年09期

4 吕敬辉;许晓兵;宋书强;叶伟;;基于差分进化算法的证券投资组合优化研究[J];中国证券期货;2009年08期

5 刘晓峰;陈通;张连营;;基于微粒群算法的最佳证券投资组合研究[J];系统管理学报;2008年02期

6 杨利;李玉娟;;基于改进模拟退火法的证券投资组合优化[J];消费导刊;2007年07期

7 张飒岚;;现代证券投资组合理论在中国证券市场的应用综述[J];时代金融;2007年06期

8 丁雪梅,伦立军,辛英;基于模拟退火算法的证券投资最优组合理论研究[J];哈尔滨师范大学自然科学学报;2003年05期

9 王凤儒,徐蔚文,王凤林;基于序值编码的遗传算法及其应用[J];电机与控制学报;2001年01期

相关硕士学位论文 前9条

1 翁晴晴;应用自适应差分进化算法优化软件测试数据的研究[D];安徽大学;2018年

2 白卫东;基于区间线性规划的投资组合模型研究[D];华北水利水电大学;2017年

3 姜梦晶;遗传算法模型和二次规划算法在投资组合最优化中的应用[D];兰州大学;2013年

4 谢燕兰;蚁群算法在证券投资组合优化中的应用研究[D];苏州大学;2008年

5 汪炎汝;现代证券投资组合的收益与风险分析[D];湖南农业大学;2004年

6 李群育;免疫优化算法及其在投资组合中的应用研究[D];重庆大学;2004年

7 陈炜;遗传算法研究及其在证券投资组合中的应用[D];宁夏大学;2004年

8 李贺;证券投资组合理论与方法研究[D];河海大学;2004年

9 向祥华;证券投资组合构建的理论与方法研究[D];湖南大学;2001年

本文编号：2684470