一种求解基数约束投资组合优化的混合粒子群算法

如何有效求解基数约束投资组合优化问题,已成为金融学界近年来一直研究的热点。文章介绍了一种融合极值优化理论的混合粒子群优化算法(简称eo-PSO),利用极值优化方法(EO)以增强混合算法对搜索空间的挖掘能力,引入混沌变异算子提高粒子群(PSO)的探索能力。通过和其他一些智能计算方法对Markow-itz基数约束投资组合优化目标函数的测试,以及应用风险范围理论的比较分析,结果显示混合粒子群算法具有良好的计算性能,其优化解也更具有效性。

基数约束的投资组合优化问题的遗传算法及实证分析

研究带有基数约束的投资组合优化问题的均值方差模型,给出了基于优先权编码的遗传算法及求解步骤.基于沪深股市20种股票的实际交易数据进行实证分析,结果表明,本文给出的遗传算法是成功的、有效的.

基数约束下基于CVaR度量的投资组合优化模型

文章基于条件风险价值CVaR风险计量技术,在整数规划意义下,建立了以最小化风险为目标,带有基数约束的投资组合优化模型。针对该模型运用差分进化法进行求解,利用罚函数方法处理模型中的不等式约束,并选取沪市和深市的十六种股票作为备选股票进行实证分析,数值结果表明了模型的合理性和算法的可行性。

基于风险约束的智能投资组合优化

智能投资组合优化旨在通过有效的资产配置来最大化投资回报,同时控制风险。本文研究了基于风险约束的智能投资组合优化策略,比较了遗传算法、模拟退火算法、粒子群算法和蚁群算法在实际市场数据中的应用。实验结果表明,蚁群算法在处理复杂投资组合优化问题时表现出色,尤其在高波动市场中。基于不同市场条件和投资者需求的比较分析,本文提供了优化选择建议,以提升投资组合管理效率。这一研究不仅丰富了智能投资组合优化的理论基础,还为实际投资决策提供了实用的指导。Intelligent portfolio optimization aims to maximize investment returns through effective asset allocation while controlling risks. This paper investigates risk-constrained intelligent portfolio optimization strategies, comparing the applications of genetic algorithms, simulated annealing algorithms, particle swarm algorithms, and ant colony algorithms using actual market data. Experimental results demonstrate that the ant colony algorithm excels in handling complex portfolio optimization problems, particularly in high-volatility markets. Based on a comparative analysis of different market conditions and investor needs, this paper provides optimization recommendations to enhance portfolio management efficiency. This research not only enriches the theoretical foundation of intelligent portfolio optimization but also offers practical guidance for actual investment decision-making.

具有基数约束的多阶段均值-方差投资组合优化

考虑交易成本、阀值约束和借贷约束,提出了具有基数约束的多阶段均值-方差投资组合模型.该模型是一个具有路径依赖性的混合整数动态优化问题.提出了离散近似迭代法求解,并证明了算法的收敛性.最后,以一个具体的算例比较了不同基数约束的投资组合最优投资策略,并验证了模型和算法的有效性.

基数约束投资组合问题的一种混合元启发式算法求解

针对资产数目和投资资金比例受约束的投资组合选择这一NP难问题,基于混沌搜索、粒子群优化和引力搜索算法提出了一种新的混合元启发式搜索算法。该算法能很好地平衡开发能力和勘探能力,有效抑制了算法早熟收敛现象。标准测试函数的测试结果表明混合算法与标准的粒子群优化和引力搜索算法相比具有更好的寻优效率;实证分析进一步对混合算法与遗传算法及粒子群优化算法在求解这类投资组合选择问题的性能进行了比较。数值结果表明,混合算法在搜索具有高预期回报的非支配投资组合方面表现更好,取得了更为满意的结果。

具有基数约束的多阶段均值-半方差可信性投资组合优化

文章探讨了一个多阶段模糊收益的投资组合优化问题。考虑交易成本、借贷约束、阈值约束和基数约束等现实约束,提出了一种新的多阶段均值-半方差可信性投资组合模型。在该模型中,本文分别运用可信性期望值和半方差来度量投资组合收益和风险。基于可信性理论,将该模型转化为一个动态优化问题。由于存在交易成本和基数约束,该模型是具有路径依赖性的混合整数动态优化问题。本文提出了一种新的离散近似迭代方法进行求解,并证明其线性收敛性。最后,文章运用了具体的算例以验证算法和模型的有效性。

改进鱼群算法求解基数约束型投资组合问题

运用群智能算法解决投资组合优化时会遇到收敛速度慢、收敛精度不高、鲁棒性弱等问题。鉴于此,对以往算法的不足进行研究,尝试运用规范化、随机选择行为中加入变异因子以及改进觅食行为的搜索策略,通过轮盘赌对整个鱼群进行择优选取并迭代。验证算法性能的数据集来自沪深股市中随机选取的20只股票的实时交易数据,对模型参数以及算法参数进行详细分析,分析结果表明,该算法具有较好性能。

改进β约束的组合投资决策优化模型

本文在研究了组合证券的系统风险与投资收益的内在联系的基础上 ,针对马柯维茨模型与CAPM对风险假定的局限性 ,提出了一种改进风险约束的收益率最大化的组合投资决策模型 。

基数约束投资组合选择问题

投资者在进行投资组合选择时,通常希望得到的投资组合方案中,被选择资产数量可控,风险水平足够小。模型中通常以基数约束来控制投资组合方案中选择的资产数量。基于一类基数约束投资组合选择模型,该模型以最小化风险函数为目标,在不允许卖空前题下,考虑基数约束和预算约束。该模型应用极其广泛,但目前尚无商用软件可以直接精确求解。提出一种全局最优化算法,在分支定界法框架基础上,以一阶算法求解下界松弛问题。通过Fama-French产业投资组合基准测试数据集设计仿真实验,实验结果表明,本文提出的方法能有效解决带基数约束的产业投资组合问题,能够给出任意基数要求的全局最优投资组合方案。

基于动态交易和风险约束的智能投资组合优化

随着消费升级与投资需求的不断增长,投资组合管理受到越来越多的关注。金融大数据的发展对该领域的研究提出了更高的要求。本研究基于强化学习提出了一种基于动态交易的智能投资组合优化方法,该方法考虑了风险因素对投资组合管理过程的影响,能依据市场状态和资产信息自动转换投资组合优化模式以应对市场风格变化,通过投资组合内部资产与外部资产池动态交易的形式来实时调整投资组合资产构成及资产配置。通过中国股票市场数据的实证分析,本研究验证了该投资组合优化方法的可行性和有效性。研究发现,依据市场变化和动态交易方式来选择投资组合的资产构成并考虑风险约束是非常必要的,而且引入更多信息对投资组合的优化有积极作用。此外,在投资组合的优化中,考虑下行风险约束比考虑总体风险更有利于实现既定投资风险下的收益最大化。

利用动态降维差分进化算法解决多约束的投资组合优化问题

投资者在实际投资过程中会有各种各样的偏好,因此在投资组合优化问题的数学模型中,会含有多种约束条件.在这些约束条件下,投资组合问题的复杂程度会随投资规模的增大而急剧增加.采用一种可动态降维的差分进化算法,用于解决含有基本约束、边界约束以及基数约束的多约束投资组合优化问题.这种差分进化算法具有两大优势,由于该算法可以在求解过程中通过逐渐降维来降低求解复杂性,因此能够处理较大规模的投资组合优化问题;此外,通过动态降维的方法,可以处理投资组合优化问题中的基数约束.实验结果表明,动态降维差分进化算法的性能优于粒子群优化算法,同时在处理基数约束方面优于k-means聚类分析算法.

考虑交易成本和基数约束的可能性均值-下半方差多期投资组合模型

目的提出一个改进的差分进化算法,求解在模糊环境下建立的可能性均值-下半方差多期投资组合模型。方法考虑模糊环境下多个摩擦因素,利用交易限制引入资产的基数约束,构建一个可能性均值-下半方差多期投资组合模型。在标准的DE算法中引入levy飞行随机游走策略增强算法寻优能力。结果与结论数值实验和仿真结果表明,利用改进的DE算法得到的投资收益比标准的DE算法高,且风险值比标准的DE算法低,同时也验证了建立的模型的合理性和实用性。

具有限额约束的投资组合优化问题的量子进化算法

将量子进化算法应用到投资组合优化问题中,设计了一种具有限额约束的投资组合优化问题的量子进化算法.首先,考虑收益与风险的均衡性,提出了一种新的收益风险评判准则,并以该准则为目标优化投资配置;其次,改进了初始种群生成方式,给出了量子染色体的编码、解码技巧及自适应量子门旋转策略;设计检查修复算子将染色体简单解码得到的解修复为问题的可行解.实证分析检验了量子进化算法的可行性和有效性,结果显示,量子进化算法能够有效消除算法早熟问题;设置的风险水平越低,收益率增长越明显;收益率随着风险水平的上升而增大,最后逐渐趋于稳定;算法具有较好的稳定性和可靠性.

具有机会约束的多阶段可信性M-AD投资组合优化

基于可信性理论,考虑交易成本、借贷约束、阈值约束和基数约束等现实约束,提出了一种新的具有机会约束的多阶段可信性均值—绝对偏差(M-AD)投资组合优化模型,运用可信性均值和绝对偏差度量资产的收益和风险;基于可信性理论,将该模型转化为确定型的动态优化问题;提出一种新的前向动态规划方法,以获得最优投资组合策略;最后,通过实证研究验证了该模型和算法的有效性.研究结果表明:基于机会约束理论,该模型在给定的置信水平下,收益率不会低于某个预先给定的值.

离散约束条件下的实用投资组合选择模型

鉴于现实证券市场中的投资会受到很多类型的约束的限制,本文在同时综合反映多种市场摩擦与恰当度量投资风险的原则下,构建了两种分别以CVaR和双边一致性度量为风险度量的离散型多重约束实用投资组合选择模型。基于深圳证券交易所A股的日交易数据,我们从实证角度着重考虑了交易费用约束与逻辑约束对最优投资策略选择及其性能的影响,并给出了一些实用的投资建议。实证结果表明:新模型不仅可行、有效,而且能合理反映不同市场摩擦的作用。

基于改进粒子群算法的复杂现实约束投资组合研究

基于可能性理论,假设各资产的未来收益率均为梯形模糊数,本文构建了带有V-型交易费用、投资比例上下限和基数约束限制的均值-方差-Yager熵模型。本文采用了带有宽容量的逐步宽容法使构建的三目标模型转化为单目标模型,通过调整宽容量的大小来控制收益和风险的大小,从而使得投资者根据自己的偏好选择适合自己的投资决策。此外,本文通过非线性惯性权重来刻画搜索速度,通过对个体最优适应度值较差的部分粒子进行初始化处理,提出了改进的粒子群算法,从而降低了陷入局部最优的可能性;同时通过0-1矩阵和放缩因子处理了基数约束和上下限约束,使得模型的求解更加有效。最后,通过实例说明了算法的可行性和有效性,给出了投资模型的有效前沿,分析了收益/风险宽容量不变时,风险/收益宽容量变化的作用,从而给投资者提供了更多的决策方案。

约束多目标投资组合模型及其求解算法研究

研究有效的增强投资的效益,针对风险资产的最大和最小投资比率给予限制,使投资风险进行量化。为了提高投资效益,提出设计一种约束多目标免疫优化算法,并将用于约束多目标投资组合模型求解。算法设计中,亲和力由抗体浓度及被控程度决定,增强算法的约束处理能力,初始群通过混沌机制获取,有效地加速算法的收敛速度,每个抗体克隆数目根据亲和力动态变化,增强算法的开采和探索能力。通过实际数据将设计的算法与著名的多目标进化算法NSGAII比较,结果表明,所设计的算法比NSGAII在新的模型下获得更好的收敛性及更高的投资效益。

下偏矩方法在行为投资组合优化中的应用

在行为投资组合优化过程中,机会约束的转化是一个关键问题。本文运用下偏矩的方法将机会约束转化为线性约束,并将证券的未来期望收益率表示为区间数,建立了一个行为投资组合优化模型,并运用中国证券市场的实际数据进行了实证分析。通过区间数的设置,投资者的认知状态和专家的知识被有机地融入到模型中,并且下偏矩中的收益率参考水平通过样本由模型内生,因此本文所构建的行为投资组合优化模型具有很强的包容性和实用性。