基于多目标进化算法的投资组合优化研究
发布时间：2021-10-31 09:14
近年来,得益于经济与科技的高速发展,我国人民的生活水平在不断提高,金融市场在经济活动中也逐渐占据重要的地位。然而,普通投资者具有较强的盲目性和从众心理,抗风险能力较低。因此,研究如何将资产进行有效的组合来寻找到更合理的投资策略,具有十分重要的意义。多目标进化算法是解决多目标优化问题的主要方法,可得到使各个目标尽可能达到最优的一组均衡解。在股票投资过程中,投资者希望在提高收益的同时,也能降低风险,这是一种典型的多目标投资组合优化问题。本文的研究内容主要集中在以下两点:一方面,针对均值-方差模型的局限性,利用启发式函数链神经网络预测得到的收益率替代历史数据,采用基数约束对组合规模进行限制来降低资产管理难度、提高求解效率,引入偏度刻画实际收益率分布的非对称性,进而构建更具有实际意义的基于预测的带基数约束的均值-方差-偏度投资组合优化模型。另一方面,针对实际问题模型,在NSGA-III算法的基础上,环境选择阶段引入权衡收敛性与多样性的距离函数替代垂直距离,在配对选择阶段引入基于隶属度的锦标赛选择替代原来的随机选择方法,采用带资产信息的个体编码方案以及两阶段交叉、变异操作更新组合中的资产种类,利...
【文章来源】：哈尔滨商业大学黑龙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
参考点分布
关联操作
-19-图4-1FLNN网络结构输入样本向量U中有e个元素，经过Z次切比雪夫非线性展开形成Q点向量。包括偏置后，拓展后的元素总数Q=Z×e+1。第k次迭代，设该向量的第q个元素表示为qs，对应的权重向量表示为()1qqwk，≤≤Q，瞬时输出1()()Qqqqykswk==，误差项e(k)=d(k)y(k)，其中d(k)是从历史数据中获取的期望值，通过迭代更新权重来学习FLNN模型进而减少误差。（2）利用粒子群算法训练FLNNFLNN的学习算法大致分为两类：（1）基于梯度的算法；（2）无梯度的算法。本文采用无梯度的PSO算法。优化权重时，粒子的位置向量为FLNN的权重向量，初始值为0到1之间的随机数，误差函数为均方误差MSE，粒子的速度和位置利用更新方程进行修改。基于PSO的FLNN模型预测股票周收益的基本步骤为：①收集并标准化特定股票的每周收益数据。FLNN结构的输入为该股票特定周的收益的标准化值对应的D个统计特征，例如前10周收益的众数，中位数和移动平均值，以上所有特征被视为一项。利用该方式从该股票的周收益向量中生成M项，N个用于训练，M-N个用于测试模型。第n项表示为[]T12,,...,nnnnDX=xxx。②输入项的特征数为D。在D个变量上使用切比雪夫非线性扩展5次，[]T125,,...,nnnnDX=xxx。③粒子i的位置是由5D个随机权重组成，表示为[]T125,,...,,...,iiiidiDW=wwww，对应的速度矢量表示为[]T12,,...,,...,iiiidiDV=vvvv。最初，第i个粒子的初始最佳权重向量与iW的初始值相同，表示为[]T125,,...,,...,ilililildilDW=wwww，种群粒子初始化后，在搜索空间移动以寻找最佳位置。④计算FLNN结构的输出T()iniyn=XW，将该输出与对应的期望收益进行比较以产生误差()()()iien=dnyn。⑤得到N个样本的误差后，计算所有粒子的适应度函数，即均方误差MSE，?
【参考文献】：
期刊论文
[1]动态种群规模协同进化算法求解多目标投资组合优化问题[J]. 严丽娜,吴军. 数学的实践与认识. 2019(19)
[2]投资组合优化的新方法:Mean-CoVaR模型[J]. 张保帅,姜婷,周孝华,段俊. 统计与决策. 2019(11)
[3]基于引力搜索和粒子群混合优化算法的证券投资组合问题研究[J]. 陈国福,陈小山,张瑞. 运筹与管理. 2018(09)
[4]基于重新匹配策略的ε约束多目标分解优化算法[J]. 张磊,毕晓君,王艳娇. 电子学报. 2018(05)
[5]一种增强型多目标烟花爆炸优化算法[J]. 谢承旺,许雷,汪慎文,肖驰,夏学文. 电子学报. 2017(10)
[6]分组分解的多目标粒子群进化算法研究[J]. 邱飞岳,胡烜,王丽萍,周欢. 小型微型计算机系统. 2017(08)
[7]多目标差分进化算法在投资组合中的应用[J]. 任雪婷,卞京红,张迷. 哈尔滨商业大学学报(自然科学版). 2017(03)
[8]求解均值-CVaR投资组合模型的改进粒子群算法[J]. 李锋刚,骆林,陈亚波,蒋祥飞. 计算机工程与科学. 2016(09)
[9]基于CVaR两步核估计量的投资组合管理[J]. 黄金波,李仲飞,姚海祥. 管理科学学报. 2016(05)
[10]一种基于反向学习的约束差分进化算法[J]. 魏文红,周建龙,陶铭,袁华强. 电子学报. 2016(02)
本文编号：3467861
【文章来源】：哈尔滨商业大学黑龙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
参考点分布
关联操作
-19-图4-1FLNN网络结构输入样本向量U中有e个元素，经过Z次切比雪夫非线性展开形成Q点向量。包括偏置后，拓展后的元素总数Q=Z×e+1。第k次迭代，设该向量的第q个元素表示为qs，对应的权重向量表示为()1qqwk，≤≤Q，瞬时输出1()()Qqqqykswk==，误差项e(k)=d(k)y(k)，其中d(k)是从历史数据中获取的期望值，通过迭代更新权重来学习FLNN模型进而减少误差。（2）利用粒子群算法训练FLNNFLNN的学习算法大致分为两类：（1）基于梯度的算法；（2）无梯度的算法。本文采用无梯度的PSO算法。优化权重时，粒子的位置向量为FLNN的权重向量，初始值为0到1之间的随机数，误差函数为均方误差MSE，粒子的速度和位置利用更新方程进行修改。基于PSO的FLNN模型预测股票周收益的基本步骤为：①收集并标准化特定股票的每周收益数据。FLNN结构的输入为该股票特定周的收益的标准化值对应的D个统计特征，例如前10周收益的众数，中位数和移动平均值，以上所有特征被视为一项。利用该方式从该股票的周收益向量中生成M项，N个用于训练，M-N个用于测试模型。第n项表示为[]T12,,...,nnnnDX=xxx。②输入项的特征数为D。在D个变量上使用切比雪夫非线性扩展5次，[]T125,,...,nnnnDX=xxx。③粒子i的位置是由5D个随机权重组成，表示为[]T125,,...,,...,iiiidiDW=wwww，对应的速度矢量表示为[]T12,,...,,...,iiiidiDV=vvvv。最初，第i个粒子的初始最佳权重向量与iW的初始值相同，表示为[]T125,,...,,...,ilililildilDW=wwww，种群粒子初始化后，在搜索空间移动以寻找最佳位置。④计算FLNN结构的输出T()iniyn=XW，将该输出与对应的期望收益进行比较以产生误差()()()iien=dnyn。⑤得到N个样本的误差后，计算所有粒子的适应度函数，即均方误差MSE，?
【参考文献】：
期刊论文
[1]动态种群规模协同进化算法求解多目标投资组合优化问题[J]. 严丽娜,吴军. 数学的实践与认识. 2019(19)
[2]投资组合优化的新方法:Mean-CoVaR模型[J]. 张保帅,姜婷,周孝华,段俊. 统计与决策. 2019(11)
[3]基于引力搜索和粒子群混合优化算法的证券投资组合问题研究[J]. 陈国福,陈小山,张瑞. 运筹与管理. 2018(09)
[4]基于重新匹配策略的ε约束多目标分解优化算法[J]. 张磊,毕晓君,王艳娇. 电子学报. 2018(05)
[5]一种增强型多目标烟花爆炸优化算法[J]. 谢承旺,许雷,汪慎文,肖驰,夏学文. 电子学报. 2017(10)
[6]分组分解的多目标粒子群进化算法研究[J]. 邱飞岳,胡烜,王丽萍,周欢. 小型微型计算机系统. 2017(08)
[7]多目标差分进化算法在投资组合中的应用[J]. 任雪婷,卞京红,张迷. 哈尔滨商业大学学报(自然科学版). 2017(03)
[8]求解均值-CVaR投资组合模型的改进粒子群算法[J]. 李锋刚,骆林,陈亚波,蒋祥飞. 计算机工程与科学. 2016(09)
[9]基于CVaR两步核估计量的投资组合管理[J]. 黄金波,李仲飞,姚海祥. 管理科学学报. 2016(05)
[10]一种基于反向学习的约束差分进化算法[J]. 魏文红,周建龙,陶铭,袁华强. 电子学报. 2016(02)
本文编号：3467861
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3467861.html
