求解稀疏高阶矩投资组合问题的混合启发式算法

本文旨在针对带有基数约束的高阶矩投资组合优化模型,设计一种高效的混合启发式求解算法.具体地,首先构建一个带有l_(2)正则化的均值-方差-偏度模型,并且提出了一个具有全局收敛性的Cubic-Newton算法.然后,进一步考虑基数约束下的模型求解,提出了一种改进的混合启发式算法,其中适应值的计算嵌入了Cubic-Newton算法,以改善迭代种群的质量.最后,利用OR-Library的6个标准数据集进行实证分析,并以样本外夏普比率,样本内外一致性为评价指标.实验结果表明本文提出方法普遍优于等权重投资策略,均值-方差(MV)投资组合策略以及稀疏均值-方差(SMV)投资组合策略.

不确定和随机环境下绿色投资组合问题的稀疏高次模型求解

本文在不确定随机的混合市场环境中,针对绿色投资组合优化问题,建立了具有高阶矩的多目标稀疏模型,提出了一种绿色和非绿色资产混合配置的投资策略.具体地,本文把最近上市且缺乏足够样本信息的绿色资产作为不确定变量,而其他具有足够历史数据的资产作为随机变量进行统一建模.在这样一个混合资产环境下,建立了一个具有基数约束的均值-平均绝对下半偏差-偏度的投资组合优化模型,并采用快速非支配排序遗传算法对模型进行求解.最后,针对提出的模型与算法,对中国沪深股市的实际数据集进行了样本外分析.实证结果表明了本文提出的混合配置策略在Sharpe Ratio方面的优越性.

基于分布式鲁棒优化的增强型指数追踪问题研究

增强型指数追踪是近十年来机构投资者一直使用的指数型基金管理策略,主要通过围绕标的指数的头寸建立追踪组合,并增加对特定风格或个股的倾斜来增加超额收益,兼顾了消极型和积极型管理策略的投资优点.本文针对该问题构建了基于三类矩信息不确定集合上的分布式鲁棒优化模型,并利用半无限对偶理论推导了模型的分布式鲁棒对等式,最终转化成半定规划的形式.最后,利用OR-Library的4个标准数据集进行实证分析.实验结果表明:本文提出的模型不仅可以获得稳定的样本外超额收益,而且具有更强的鲁棒性.