近年來(lái),得益于經(jīng)濟(jì)與科技的高速發(fā)展,我國(guó)人民的生活水平在不斷提高,金融市場(chǎng)在經(jīng)濟(jì)活動(dòng)中也逐漸占據(jù)重要的地位。然而,普通投資者具有較強(qiáng)的盲目性和從眾心理,抗風(fēng)險(xiǎn)能力較低。因此,研究如何將資產(chǎn)進(jìn)行有效的組合來(lái)尋找到更合理的投資策略,具有十分重要的意義。多目標(biāo)進(jìn)化算法是解決多目標(biāo)優(yōu)化問(wèn)題的主要方法,可得到使各個(gè)目標(biāo)盡可能達(dá)到最優(yōu)的一組均衡解。在股票投資過(guò)程中,投資者希望在提高收益的同時(shí),也能降低風(fēng)險(xiǎn),這是一種典型的多目標(biāo)投資組合優(yōu)化問(wèn)題。本文的研究?jī)?nèi)容主要集中在以下兩點(diǎn):一方面,針對(duì)均值-方差模型的局限性,利用啟發(fā)式函數(shù)鏈神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的收益率替代歷史數(shù)據(jù),采用基數(shù)約束對(duì)組合規(guī)模進(jìn)行限制來(lái)降低資產(chǎn)管理難度、提高求解效率,引入偏度刻畫(huà)實(shí)際收益率分布的非對(duì)稱性,進(jìn)而構(gòu)建更具有實(shí)際意義的基于預(yù)測(cè)的帶基數(shù)約束的均值-方差-偏度投資組合優(yōu)化模型。另一方面,針對(duì)實(shí)際問(wèn)題模型,在NSGA-III算法的基礎(chǔ)上,環(huán)境選擇階段引入權(quán)衡收斂性與多樣性的距離函數(shù)替代垂直距離,在配對(duì)選擇階段引入基于隸屬度的錦標(biāo)賽選擇替代原來(lái)的隨機(jī)選擇方法,采用帶資產(chǎn)信息的個(gè)體編碼方案以及兩階段交叉、變異操作更新組合中的資產(chǎn)種類,利... 

【文章來(lái)源】：哈爾濱商業(yè)大學(xué)黑龍江省

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

參考點(diǎn)分布

關(guān)聯(lián)操作

-19-圖4-1FLNN網(wǎng)絡(luò)結(jié)構(gòu)輸入樣本向量U中有e個(gè)元素，經(jīng)過(guò)Z次切比雪夫非線性展開(kāi)形成Q點(diǎn)向量。包括偏置后，拓展后的元素總數(shù)Q=Z×e+1。第k次迭代，設(shè)該向量的第q個(gè)元素表示為qs，對(duì)應(yīng)的權(quán)重向量表示為()1qqwk，≤≤Q，瞬時(shí)輸出1()()Qqqqykswk==，誤差項(xiàng)e(k)=d(k)y(k)，其中d(k)是從歷史數(shù)據(jù)中獲取的期望值，通過(guò)迭代更新權(quán)重來(lái)學(xué)習(xí)FLNN模型進(jìn)而減少誤差。（2）利用粒子群算法訓(xùn)練FLNNFLNN的學(xué)習(xí)算法大致分為兩類：（1）基于梯度的算法；（2）無(wú)梯度的算法。本文采用無(wú)梯度的PSO算法。優(yōu)化權(quán)重時(shí)，粒子的位置向量為FLNN的權(quán)重向量，初始值為0到1之間的隨機(jī)數(shù)，誤差函數(shù)為均方誤差MSE，粒子的速度和位置利用更新方程進(jìn)行修改。基于PSO的FLNN模型預(yù)測(cè)股票周收益的基本步驟為：①收集并標(biāo)準(zhǔn)化特定股票的每周收益數(shù)據(jù)。FLNN結(jié)構(gòu)的輸入為該股票特定周的收益的標(biāo)準(zhǔn)化值對(duì)應(yīng)的D個(gè)統(tǒng)計(jì)特征，例如前10周收益的眾數(shù)，中位數(shù)和移動(dòng)平均值，以上所有特征被視為一項(xiàng)。利用該方式從該股票的周收益向量中生成M項(xiàng)，N個(gè)用于訓(xùn)練，M-N個(gè)用于測(cè)試模型。第n項(xiàng)表示為[]T12,,...,nnnnDX=xxx。②輸入項(xiàng)的特征數(shù)為D。在D個(gè)變量上使用切比雪夫非線性擴(kuò)展5次，[]T125,,...,nnnnDX=xxx。③粒子i的位置是由5D個(gè)隨機(jī)權(quán)重組成，表示為[]T125,,...,,...,iiiidiDW=wwww，對(duì)應(yīng)的速度矢量表示為[]T12,,...,,...,iiiidiDV=vvvv。最初，第i個(gè)粒子的初始最佳權(quán)重向量與iW的初始值相同，表示為[]T125,,...,,...,ilililildilDW=wwww，種群粒子初始化后，在搜索空間移動(dòng)以尋找最佳位置。④計(jì)算FLNN結(jié)構(gòu)的輸出T()iniyn=XW，將該輸出與對(duì)應(yīng)的期望收益進(jìn)行比較以產(chǎn)生誤差()()()iien=dnyn。⑤得到N個(gè)樣本的誤差后，計(jì)算所有粒子的適應(yīng)度函數(shù)，即均方誤差MSE，?

【參考文獻(xiàn)】：
期刊論文
[1]動(dòng)態(tài)種群規(guī)模協(xié)同進(jìn)化算法求解多目標(biāo)投資組合優(yōu)化問(wèn)題[J]. 嚴(yán)麗娜,吳軍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(19)
[2]投資組合優(yōu)化的新方法:Mean-CoVaR模型[J]. 張保帥,姜婷,周孝華,段俊.  統(tǒng)計(jì)與決策. 2019(11)
[3]基于引力搜索和粒子群混合優(yōu)化算法的證券投資組合問(wèn)題研究[J]. 陳國(guó)福,陳小山,張瑞.  運(yùn)籌與管理. 2018(09)
[4]基于重新匹配策略的ε約束多目標(biāo)分解優(yōu)化算法[J]. 張磊,畢曉君,王艷嬌.  電子學(xué)報(bào). 2018(05)
[5]一種增強(qiáng)型多目標(biāo)煙花爆炸優(yōu)化算法[J]. 謝承旺,許雷,汪慎文,肖馳,夏學(xué)文.  電子學(xué)報(bào). 2017(10)
[6]分組分解的多目標(biāo)粒子群進(jìn)化算法研究[J]. 邱飛岳,胡烜,王麗萍,周歡.  小型微型計(jì)算機(jī)系統(tǒng). 2017(08)
[7]多目標(biāo)差分進(jìn)化算法在投資組合中的應(yīng)用[J]. 任雪婷,卞京紅,張迷.  哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[8]求解均值-CVaR投資組合模型的改進(jìn)粒子群算法[J]. 李鋒剛,駱林,陳亞波,蔣祥飛.  計(jì)算機(jī)工程與科學(xué). 2016(09)
[9]基于CVaR兩步核估計(jì)量的投資組合管理[J]. 黃金波,李仲飛,姚海祥.  管理科學(xué)學(xué)報(bào). 2016(05)
[10]一種基于反向?qū)W習(xí)的約束差分進(jìn)化算法[J]. 魏文紅,周建龍,陶銘,袁華強(qiáng).  電子學(xué)報(bào). 2016(02)



本文編號(hào)：3467861