基于PSO算法的投资决策模型

论文摘要

1952年,马克维茨（Markowitz）的现代投资组合理论奠定了定量金融分析的里程碑。一方面随着对投资决策模型研究的不断深入,另一方面投资者对投资决策提出了更高的要求,这些都使得投资决策模型变得越来越复杂,这样用传统的数学规划方法解决投资决策问题就变得越来越困难,目前国内和国外,已有人尝试将遗传算法,神经网络等人工智能的方法应用到模型的求解中来。 本论文在Markowitz的均值-方差投资决策模型基础上,提出了更符合实际情况的改进模型。然后用带有交叉算子的混合微粒群算法（HPSO）和遗传算法（GA）分别来求解该模型。通过对2003年上证综指中个股的实证分析,发现HPSO算法的实际效果和收敛速度均优于GA算法。同时,我们通过对不同数量的投资组合相比较,发现数量越多的有效投资组合越能实现收益和风险的均衡管理。 为了能更好地捕捉市场的动态变化,我们根据效用函数,利用多层规划模型来解决多阶段投资决策问题。然后用微粒群算法来求解该模型,通过对2003年上证指数中股票的分析,并与其它投资策略相比较,取得了比较满意的效果。该模型的提出,对解决多市场和多时间段不同资产的风险控制提供了有实际意义的方法。

论文目录

• ABSTRACT
• 摘要
• 第一章 引言
• 1.1 投资组合理论的发展与现状
• 1.2 投资组合与金融优化的研究方向
• 1.3 本论文的研究内容和研究方法
• 第二章 遗传算法和微粒群算法
• 2.1 各种优化方法的简介
• 2.2 遗传算法
• 2.2.1 遗传算法的基本概念
• 2.2.2 基本遗传算法的基本原理和运算过程
• 2.2.3 遗传算法的特点
• 2.2.4 遗传算法的改进
• 2.3 微粒群算法
• 2.3.1 微粒群算法简介
• 2.3.2 基本微粒群算法的过程
• 2.3.3 两种基本的进化模型
• 2.3.4 微粒群算法的改进
• 2.3.5 微粒群算法与遗传算法的比较
• 第三章 单阶段投资决策模型
• 3.1 单阶段投资模型的介绍
• 3.1.1 可行投资组合与有效边缘
• 3.1.2 无差异曲线与最优投资组合
• 3.1.3 单阶段投资决策模型的提出
• 3.1.4 证券市场曲线
• 3.2 求解单阶段投资决策模型的遗传算法设计
• 3.2.1 确定编码方案
• 3.2.2 算子的设计
• 3.2.3 个体适应度的评价
• 3.2.4 遗传算法参数的确定
• 3.3 求解单阶段投资组合模型的混合微粒群算法设计
• 3.4 实证结果
• 3.4.1 原始数据的预处理
• 3.4.2 遗传算法和混合微粒群算法的比较
• 第四章 多阶段投资决策模型及其实现
• 4.1 多阶段投资模型的简介
• 4.2 多阶段投资决策模型的提出
• 4.2.1 多阶段投资决策的二叉树模型
• 4.2.2 多阶段投资决策模型的参数确定
• 4.3 算法的实现
• 4.3.1 约束问题的转化
• 4.3.2 微粒群算法的实现过程
• 4.4 实证结果
• 4.4.1 参数的确定
• 4.4.2 实验结果
• 4.5 结论
• 第五章 总结与展望
• 5.1 研究结论
• 5.2 研究过程中的一些问题
• 5.3 研究展望
• 参考文献
• 致谢
• 硕士期间发表论文清单