采用负相关学习的SVM集成算法

为了平衡集成学习中多样性与准确性之间的关系,并提高决策分类器的泛化能力,提出一种基于负相关学习和AdaBoost算法的支持向量机(SVM)集成学习方法.将负相关学习理论融合到AdaBoost-SVM的训练过程中,利用负相关学习理论计算基分类器间的相关性,并根据相关性的值自适应调整基分类器的权重,进而得到加权后的决策分类器.在UCI数据集中进行仿真,结果表明:相较于传统的负相关集成学习算法和AdaBoost-SVM算法,所提出的方法分类准确率更高,泛化能力更好.

基于AdaBoost的投资组合优化

文章利用AdaBoost集成学习技术提升均值-方差(MV)策略的表现.首先,文章对二次期望效用损失函数进行了分歧分解,从理论上表明集成学习技术有助于提升投资组合策略的表现.其次,文章将收益率均值和协方差压缩估计量中的压缩强度设定为样本外绩效驱动,并利用迭代有效集法和梯度下降法最大化效用的值函数,从而构建了参数化的MV策略作为文章策略AdaBoost.PT的弱学习器.在实证方面,文章利用A股近25年和美股近40年的全股票样本数据,考察了集成投资组合策略在夏普率、标准差、换手率和最大回撤方面的样本外表现,并利用假设检验对夏普率差异的显著性进行验证.基于因子组合数据集的实证结果显示,基于收益率均值压缩估计量的集成策略在4个评估指标下和差异性统计检验中能够取得优于基准策略的结果,此外,使用行业组合数据集的稳健性检验同样显示出一致的结果.

基于集成学习的加权投资组合优化

文章将机器学习中的分歧分解框架引入投资组合优化问题中,利用将多个子策略权重进行组合的思想,在全局最小方差(GMV)策略的基础上提出了全局最小方差集成(EGMV)策略.具体地,文章利用机器学习领域中对二次损失函数所进行的常见分解方式-分歧分解,对GMV策略的优化问题进行了修改,在其基础上引入了两个额外的参数,即子策略个数和多样化系数,从而构成了新的EGMV投资组合策略.当多样化系数大于1时,EGMV策略能够输出具有多样化权重的多个子策略,从而对冲各资产权重的估计误差,提高加权策略的样本外绩效表现.为了验证EGMV策略的有效性,文章在A股和美股市场上对EGMV策略,GMV策略和其他多个常见策略进行了实证比较.结果显示,在A股市场中,EGMV策略能够在夏普率和换手率上取得平均意义上优于GMV策略的绩效表现,且这一结论在160个不同参数组合下同样成立,这表明EGMV策略具有较好的稳健性.

Explicit Solutions and Bifurcations for a Class of Generalized Boussinesq Wave Equation

In this paper,the generalized Boussinesq wave equation u tt-uxx+a(um) xx+buxxxx=0 is investigated by using the bifurcation theory and the method of phase portraits analysis.Under the different parameter conditions,the exact explicit parametric representations for solitary wave solutions and periodic wave solutions are obtained.