智能优化算法研究及其在金融领域的应用
发布时间：2021-10-16 06:23
金融行业是现代经济的核心,金融行业的良好运行是经济建设和社会运行的良好保障。现代金融变得越来越技术化,在研究和实践中必须借助复杂的数学工具。作为金融学、数学与计算机的交叉学科,金融数学应用而生,并于新世纪快速发展起来。金融数学领域的经典难题有股票预测、投资组合和风险管理等,这些问题通过金融数学模型和智能算法优化得到有效解决。生物启发式计算是通过模拟自然界的生态系统演化机制而产生的一系列智能优化算法。生物启发式算法同自然生态系统一样,可以通过自身的演化解决复杂的优化问题,在解决NP问题如TSP问题、多目标、高维、约束优化问题等方面有卓越的性能。上世纪80年代开始,大量学者开始研究生物启发式算法,并率先将其应用于求解金融优化问题,包括投资组合、股票预测、风险管理等多个领域。在实际的金融优化应用问题中,遇到往往是多目标优化问题,且同时具有多约束条件,所以金融优化学者们致力于优化多个目标的解决方案。同时,基于生物启发式的人工智能优化方法研究方兴未艾,在多目标算法改进和算法金融优化应用方面都有值得深入了解的地方。因此本论文研究的重点是生物启发式算法及其在金融行业领域的应用。论文的主要研究内容包括...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：124 页
【学位级别】：博士
【部分图文】：
投资2个企业的搜索过程
吉林大学博士学位论文84图4.7投资4个企业的搜索过程图4.8投资9个企业的搜索过程所有的智能算法都分别在投资2、4、9个公司(股票)案例上进行测试。图4.6至图4.8显示不同算法分别在三个案例上30次运行的平均最佳适应度值搜索进度比较。可以看出，在迭代初期，投资风险很高，与PSO、GA、ABC相比，RA的收敛速度更高。表4.5四种算法的仿真结果投资规模PSORAGAABC2Best0.20580.19610.18430.2172Worst0.28820.24830.52570.2570Mean0.23880.22360.22850.2362Std0.01910.01030.06070.0108
吉林大学博士学位论文84图4.7投资4个企业的搜索过程图4.8投资9个企业的搜索过程所有的智能算法都分别在投资2、4、9个公司(股票)案例上进行测试。图4.6至图4.8显示不同算法分别在三个案例上30次运行的平均最佳适应度值搜索进度比较。可以看出，在迭代初期，投资风险很高，与PSO、GA、ABC相比，RA的收敛速度更高。表4.5四种算法的仿真结果投资规模PSORAGAABC2Best0.20580.19610.18430.2172Worst0.28820.24830.52570.2570Mean0.23880.22360.22850.2362Std0.01910.01030.06070.0108
【参考文献】：
期刊论文
[1]改进的粒子群BP神经网络算法在天气预测中的应用[J]. 沈艺高. 计算机时代. 2019(08)
[2]基于BP神经网络的水果识别研究[J]. 于悦洋,王冰,王静,汤乔. 智能计算机与应用. 2019(04)
[3]混合智能算法的多目标无功优化方法[J]. 曹裕捷,张彬桥. 三峡大学学报(自然科学版). 2019(01)
[4]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)
[5]移动机器人生物启发式变结构轨迹跟踪控制[J]. 马晓敏,刘丁,辛菁,张友民. 电机与控制学报. 2018(07)
[6]基于变量分组的大规模多目标优化算法[J]. 林涛,霍丽娜. 郑州大学学报(理学版). 2018(04)
[7]一种新型启发式PSO算法求解市区最优路径规划研究[J]. 方昕. 计算机与数字工程. 2018(02)
[8]改进遗传算法优化BP神经网络的语音情感识别[J]. 陈闯,Ryad Chellali,邢尹. 计算机应用研究. 2019(02)
[9]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[10]高超声速滑翔式飞行器再入轨迹多目标多约束优化[J]. 陈小庆,侯中喜,刘建霞. 国防科技大学学报. 2009(06)
博士论文
[1]基于动态前景效用的Alpha投资组合模型及实证研究[D]. 张弘磊.电子科技大学 2016
[2]基于觅食行为的智能优化算法研究及应用[D]. 梁晓丹.天津工业大学 2015
[3]证券组合投资决策模型研究[D]. 胡支军.西南交通大学 2005
硕士论文
[1]并行多目标智能优化算法及其应用的研究[D]. 赵鹏.南京邮电大学 2017
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[3]基于改进遗传算法的证券投资组合研究[D]. 钱立炜.东南大学 2017
[4]改进人工鱼群算法在基于基数约束的投资组合中的应用研究[D]. 陈亚波.合肥工业大学 2016
[5]仿生优化算法的研究与应用[D]. 王茂海.江南大学 2011
本文编号：3439323
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：124 页
【学位级别】：博士
【部分图文】：
投资2个企业的搜索过程
吉林大学博士学位论文84图4.7投资4个企业的搜索过程图4.8投资9个企业的搜索过程所有的智能算法都分别在投资2、4、9个公司(股票)案例上进行测试。图4.6至图4.8显示不同算法分别在三个案例上30次运行的平均最佳适应度值搜索进度比较。可以看出，在迭代初期，投资风险很高，与PSO、GA、ABC相比，RA的收敛速度更高。表4.5四种算法的仿真结果投资规模PSORAGAABC2Best0.20580.19610.18430.2172Worst0.28820.24830.52570.2570Mean0.23880.22360.22850.2362Std0.01910.01030.06070.0108
吉林大学博士学位论文84图4.7投资4个企业的搜索过程图4.8投资9个企业的搜索过程所有的智能算法都分别在投资2、4、9个公司(股票)案例上进行测试。图4.6至图4.8显示不同算法分别在三个案例上30次运行的平均最佳适应度值搜索进度比较。可以看出，在迭代初期，投资风险很高，与PSO、GA、ABC相比，RA的收敛速度更高。表4.5四种算法的仿真结果投资规模PSORAGAABC2Best0.20580.19610.18430.2172Worst0.28820.24830.52570.2570Mean0.23880.22360.22850.2362Std0.01910.01030.06070.0108
【参考文献】：
期刊论文
[1]改进的粒子群BP神经网络算法在天气预测中的应用[J]. 沈艺高. 计算机时代. 2019(08)
[2]基于BP神经网络的水果识别研究[J]. 于悦洋,王冰,王静,汤乔. 智能计算机与应用. 2019(04)
[3]混合智能算法的多目标无功优化方法[J]. 曹裕捷,张彬桥. 三峡大学学报(自然科学版). 2019(01)
[4]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)
[5]移动机器人生物启发式变结构轨迹跟踪控制[J]. 马晓敏,刘丁,辛菁,张友民. 电机与控制学报. 2018(07)
[6]基于变量分组的大规模多目标优化算法[J]. 林涛,霍丽娜. 郑州大学学报(理学版). 2018(04)
[7]一种新型启发式PSO算法求解市区最优路径规划研究[J]. 方昕. 计算机与数字工程. 2018(02)
[8]改进遗传算法优化BP神经网络的语音情感识别[J]. 陈闯,Ryad Chellali,邢尹. 计算机应用研究. 2019(02)
[9]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[10]高超声速滑翔式飞行器再入轨迹多目标多约束优化[J]. 陈小庆,侯中喜,刘建霞. 国防科技大学学报. 2009(06)
博士论文
[1]基于动态前景效用的Alpha投资组合模型及实证研究[D]. 张弘磊.电子科技大学 2016
[2]基于觅食行为的智能优化算法研究及应用[D]. 梁晓丹.天津工业大学 2015
[3]证券组合投资决策模型研究[D]. 胡支军.西南交通大学 2005
硕士论文
[1]并行多目标智能优化算法及其应用的研究[D]. 赵鹏.南京邮电大学 2017
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[3]基于改进遗传算法的证券投资组合研究[D]. 钱立炜.东南大学 2017
[4]改进人工鱼群算法在基于基数约束的投资组合中的应用研究[D]. 陈亚波.合肥工业大学 2016
[5]仿生优化算法的研究与应用[D]. 王茂海.江南大学 2011
本文编号：3439323
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3439323.html
