基于自适应均匀变异人工鱼群投资组合优化算法的研究

投资市场具有一定的风险,影响因素包括经济、政治、市场自身规律等,根据市场机制构建合适的投资组合模型,可以有效降低市场风险,提高投资回报率.人工鱼群算法是模仿自然界鱼类的一种人工智能优化算法,具有较好的优化能力,但有时会陷入局部最优解.首先将人工鱼群算法与均匀变异相结合,加入均匀变异随机数,使算法能够跳出局部最优解,得到全局最优,从而提高算法精度.然后采用改进人工鱼群算法对投资组合模型进行优化求解.实验表明,改进人工鱼群算法具有较好的收敛精度和收敛速度,对投资组合模型的求解效果更好,风险下降,收益增加、     

模糊投资组合选择问题的改进帝企鹅优化算法

模糊投资组合选择问题是在基本投资组合模型中引入模糊集理论,使所建立的模型与实际市场更加吻合,但同时也增加了模型求解难度.因此,本文针对两种不同的模糊投资组合模型,提出一种改进帝企鹅优化算法.算法首先引入可行性准则,处理模糊投资组合模型中的约束.其次,算法中加入变异机制,平衡算法的开发和探索能力,引导种群向最优个体收敛.通过对CEC 2006中的13个标准测试问题及两个模糊投资组合问题实例进行数值实验,并与其他群智能优化算法进行结果比较,发现本文所提出的算法具有较好的优化性能,并且对于求解模糊投资组合选择问题是有效的.     

一类规划模型的算法研究

提出了投资问题的一种数学模型并对其算法进入了深入研究．     

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

本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。     

Hopfield神经网络的稳定性及其在投资组合中的应用

在取消了神经元之间的连接权系数对称限制的基础上 ,讨论了 Hopfield神经网络的稳定性 ,得到了一些有益结论 .并将其应用于 Hopfield神经网络算法的改进上 .进而依据改进的算法以有价证券的选择为例进行了随机模拟 ,取得了令人满意的结果 .     

一类教育最优投资模型的快速瓶颈消除算法

本提出了一类教育最优投资模型的快速瓶颈消除算法，给出了算法的思想和具体迭代过程，对算法的最优性进行了证明。最后通过实例给出了算法直观的表上作业法。该算法迭代次数非常少，是一种实用的好算法。     

基于PSO-AFSA混合算法的模糊投资组合问题的研究

针对模糊不确定的证券市场,用可能性均值、下可能性方差和协方差分别替换了投资组合模型中概率均值、方差和协方差,构建了双目标均值-方差投资组合模型。然后采用线性加权法将双目标模型转化为单目标模型,进而提出了一个PSO-AFSA混合算法对其求解。该混合算法中,将粒子群算法搜索的结果作为人工鱼群算法初始鱼群,进一步搜索,这样能有效的避免粒子群算法陷入局部最优。同时,将人工鱼群中的最好位置反馈到粒子群算法的速度更新公式中,指引粒子运动,加快算法收敛。最后,进行实例分析,结果表明:PSO-AFSA混合算法是有效的,混合算法搜索到的全局最优值好于基本粒子群算法搜索到的全局最优值。     

约束粒子群算法求解自融资投资组合模型研究

在马克维茨投资组合的均值-方差模型框架下,给出限制投资数量的自融资投资组合优化模型.在金融市场上有广泛应用,为了有效地求解此类问题的最优解,采用一种基于广义学习策略的约束粒子群算法(CPSO).CPSO算法具有广义的学习策略,极大地提升了种群的多样性,进而提升种群跳出局部最优解的能力.在基准函数测试中,结果显示CPSO算法有较好的运行结果.在自融资投资组合优化模型上,优化结果表明CPSO算法是可行的,有效的,并有较好的优化结果.     

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

为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.     

基于免疫记忆克隆算法的指数化投资组合优化构建策略

本文基于克隆选择学说及基于克隆选择学说及生物免疫响应过程的相关机理,提出用于指数化投资的免疫记忆克隆算法,并将其应用于指数化投资组合优化构建模型的求解,旨在探索指数化投资的优化构建策略。文章首先提出多目标的指数化投资组合构建模型。其次,分别设计了适用于指数化投资组合构建策略的抗原、抗体、亲和度函数、克隆选择算子、免疫记忆算子和相应的进化算法。该算法有效避免了传统遗传算法所存在的计算后期解的多样性差、易早熟以及收敛速度慢等缺点。同时,提出了限制投资组合中股票数量的启发式算法。最后,使用包括上证180指数在内的6组世界主要股票市场指数及其成份股的历史数据对模型及算法进行测算,结果表明算法具有良好的求解能力和收敛速度,所建模型的合理性和有效性亦被论证,模型和算法均具有很强的实践价值;     

上市公司投资价值综合评价指标体系及评价

在构建了上市公司投资价值综合评价指标体系的基础上 ,应用模糊综合评价方法 (Fuzzy Compre-hensive Evaluation,简称 FCE)对通信行业上市公司的投资价值进行分析 ,得到综合评价结果 ,从而为管理者与投资者提供了客观、合理的决策依据     

Enhancement of equity portfolio performance using data envelopment analysis

This paper examines the applicability of data envelopment analysis (DEA) as a basis of selection criteria for equity portfolios. It is the first DEA application for constructing a combined equity investment strategy that aims to integrate the benefits of both value investing and momentum investing. The 3-quantile portfolios are composed of a comprehensive sample of Finnish non-financial stocks based on their DEA efficiency scores that are calculated using three variants of DEA models (the constant returns-to-scale, the super-efficiency, and the cross-efficiency models). The performance of portfolios is evaluated on the basis of the average return and several risk-adjusted performance metrics throughout the 1994–2010 sample period.     

浅析国有资产投资部门结构模型的优化

本在分析资产投资部门结构与GDP的数量关系的基础上,提出 了投资结构优化模型,通过实例证实了模型的合理性与结论的正确性。     

Safety first portfolio choice based on financial and sustainability returns

The aim of this paper is to expand the methodological spectrum of socially responsible investing by introducing stochastic sustainability returns into safety first models for portfolio choice. We provide a foundation of the notion of sustainability in portfolio theory and establish a general model for generalized safety first portfolio management with probabilistic constraints and three specifications of it. Moreover, we prove theorems about conditions for unique optimal solutions and for the constraints of one model being more restrictive than those of another. In an empirical part, we calculate the costs of investing according to our approach in terms of less financial return.     

二层次消费与投资决策优化动态规划模型

在动态多阶段情形,投资者面临的环境不仅只有投资环境,还包括消费环境.投资者关于投资与消费的决策具有层次性.因为消费事关人的生存需要,是优先要考虑的问题,且投资的最终目的还是为了消费,所以使消费最大化应是高一层次的目标,而使投资最大化则应是次一级的目标.因此,试图建立一个二层次消费与投资决策优化动态规划模型,以便更好地模拟现实世界的情况.讨论了该模型的动态决策过程和最优解的性质.     

ARIMA模型在上海市全社会固定资产投资预测中的应用

本文采用自回归求积移动平均(ARIMA)法,对《上海市统计年鉴2002》提供的固定资历产投资额资料进行了分析。结果显示,ARIAM(1,1,10)模型提供较准确的预测效果,可用于未来的预测,并为上海市全社会固定资产投资提供可靠依据。     

一类食饵具有投放率和捕食者具有捕获率的非自治捕食系统的全局分析

研究了一类具有Beddington-DeAngelis类功能反应以及捕食者具有捕获率和食饵具有投放率的非自治系统,用微分方程稳定性理论及构造Liapunov函数获得系统持续生存和全局稳定的充分条件.     

Performance replication of the Spot Energy Index with optimal equity portfolio selection: Evidence from the UK,US and Brazilian markets

This paper reproduces the performance of a geometric average Spot Energy Index by investing only in a subset of stocks from the Dow Jones Composite Average, the FTSE 100 and Bovespa Composite indexes, and in two pools that include only energy-sector stocks from the US and the UK respectively. Daily data are used and the index-tracking problem for passive investment is addressed with two evolutionary algorithms – the differential evolution algorithm and the genetic algorithm. The performance of the suggested investment strategy is tested under three different scenarios: buy-and-hold, quarterly and monthly rebalancing, accounting for transaction costs where necessary.     

A hybrid optimization approach to index tracking

Index tracking consists in reproducing the performance of a stock-market index by investing in a subset of the stocks included in the index. A hybrid strategy that combines an evolutionary algorithm with quadratic programming is designed to solve this NP-hard problem: Given a subset of assets, quadratic programming yields the optimal tracking portfolio that invests only in the selected assets. The combinatorial problem of identifying the appropriate assets is solved by a genetic algorithm that uses the output of the quadratic optimization as fitness function. This hybrid approach allows the identification of quasi-optimal tracking portfolios at a reduced computational cost.