【摘要】：在經(jīng)濟飛速發(fā)展的今天,隨著人民生活質(zhì)量的不斷提升,民眾受教育程度也不斷提高,越來越多的人將注意力集中到如何投資理財?shù)膯栴}上。因此,如何科學(xué)理財,將有限的資本投入到理財產(chǎn)品中以較低的風(fēng)險得到較高的收益是每個投資者都在思考和探索的問題。以投資組合的形式進行投資不僅可以保障收益,而且還能在一定程度上控制風(fēng)險,因此,投資組合問題成為了投資領(lǐng)域的核心問題。投資組合問題的實質(zhì)是一個多目標(biāo)優(yōu)化問題,在現(xiàn)有對其求解的研究當(dāng)中,大多只能夠求得一組具有非劣性的有效前沿,但由于決策者無法足夠理性的從中選出最適合自己的解決方案,所以現(xiàn)有的研究方法并不能從根本上解決投資者進行投資決策時的方案選擇問題。為了更好地輔助決策者獲取最符合其自身偏好的投資方案,考慮到?jīng)Q策者的有限理性,本文提出了一個交互式多準(zhǔn)則決策方法。交互式多準(zhǔn)則決策方法包括多目標(biāo)進化方法,偏好反饋和偏好模型三個主要環(huán)節(jié)。其中,偏好模型環(huán)節(jié)應(yīng)用于對偏好反饋得到的決策者偏好信息進行學(xué)習(xí)建模,并以決策導(dǎo)向的形式引導(dǎo)后續(xù)的求解,使得交互式多準(zhǔn)則決策結(jié)果可以獲得少數(shù)幾個甚至唯一一個符合決策者個人偏好的決策方案。因此偏好模型的擬合度、靈活性和導(dǎo)向性對交互式多準(zhǔn)則決策的有效性和高效性起到了至關(guān)重要的作用。然而,當(dāng)前的偏好模型多采用函數(shù)或神經(jīng)網(wǎng)絡(luò)的形式,對決策者提供的偏好信息有很高的定量化要求,且固定的函數(shù)形式限制了偏好模型的靈活性。因此,本文在已有的多目標(biāo)進化方法和偏好反饋研究的基礎(chǔ)上,對偏好模型部分進行了深入研究。建立了決策樹的形式的偏好模型,采用自學(xué)習(xí)的方式對其進行更新,并使用偏好模型的決策導(dǎo)向機制對交互式多準(zhǔn)則決策過程進行引導(dǎo)。在偏好模型理論研究的基礎(chǔ)上,將基于偏好模型的交互式多準(zhǔn)決策方法應(yīng)用于實際投資組合問題當(dāng)中,并對其進行了有效性檢驗。通過偏好模型的有效性檢驗,證明了基于自學(xué)習(xí)的偏好模型的擬合度、靈活性和導(dǎo)向性,以及基于偏好模型的交互式多準(zhǔn)則決策可以通過與決策者的交互輔助決策者找到符合其自身偏好的唯一投資方案。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F832.51
【圖文】：

迭代頻次 gen 5候選解個數(shù) st 54.3.2 交互式多準(zhǔn)則決策應(yīng)用在確定交互式多準(zhǔn)則決策方法的參數(shù)取值后，可以將交互式多準(zhǔn)則決策應(yīng)用到投資組合問題當(dāng)中。具體應(yīng)用步驟如下：（1）求得初始有效前沿。在交互式多準(zhǔn)決策過程開始的第一步，需要隨機生成一組初始種群，使用 NSGAII 多目標(biāo)優(yōu)化方法在初始解的基礎(chǔ)上對均值方差模型進 gen 代行求解，得到一組初始的帕累托有效前沿，如圖 4-2 所示，此時的帕累托有效前沿上的解決方案是單純多目標(biāo)優(yōu)化方法對均值方差模型求解的結(jié)果，不帶有任何的決策者偏好信息。然而由于決策者的認知能力有限，他們很難從為數(shù)眾多的候選解決方案當(dāng)中準(zhǔn)確的選擇出真正適合自己的投資方案。所以我們需要與決策者進行交互獲取決策者偏好信息，并且對決策者的偏好進行學(xué)習(xí)和存儲，將決策者的偏好信息融入到多目標(biāo)進化方法在接下來的迭代當(dāng)中，才能真正幫助決策者找到最符合其真正偏好和需求的投資解決方案。

哈爾濱工業(yè)大學(xué)管理學(xué)碩士學(xué)位論文（2）選取候選交互方案。在初始 Pareto 有效前沿中候選解決方案的基礎(chǔ)上，交互式多準(zhǔn)則決策開始與用戶進行第一次偏好反饋的交互。由于決策者是有限理性的，他們無法準(zhǔn)確的從眾多有效前沿的候選解決方案中做出選擇或者比較出哪個方案更好。因此，交互式多準(zhǔn)則決策方法需要從有效前沿上選取少數(shù)有限個具有代表性的解決方案供決策者進行選擇。在交互式多準(zhǔn)則決策中采用了對有效前沿上的所有解決方案進行無監(jiān)督聚類的方式，將有效前沿上的多個方案，聚類為 st 個區(qū)域空間，并選取每個區(qū)域內(nèi)的一個方案用于與用于的偏好反饋交互，以初始解決方案為例，圖 4-3 為有效前沿上解決方案的聚類結(jié)果，圖中解決方案所代表點的不同形狀表示所屬于不同的聚類區(qū)域。在同一聚類區(qū)域內(nèi)隨機選擇一個候選解決方案參與與決策者的反饋交互。

0.99994 0.00006 10.99991 0.0000910.99995 0.00005 30.99998 0.00002 40.99986 0.00014 50.99990 0.00010 50.99993 0.00007 10.99996 0.00004 30.99989 0.00011 50.99989 0.00011 50.99995 0.00005 3如圖 4-4 所示，為原決策數(shù)據(jù)的實值空間與轉(zhuǎn)化后映射數(shù)據(jù)的樣本空間內(nèi)所有的點對比圖�？梢悦黠@看出，轉(zhuǎn)換后的樣本空間數(shù)據(jù)同屬于 frisk+freturn=1 分布的同分布數(shù)據(jù)集。

【相似文獻】

相關(guān)期刊論文 前10條

1 姚s

本文編號：2772814