基于遗传算法的投资组合模型及实证研究

论文摘要

证券投资是在不确定的环境中进行,任何收益的获得都伴随一定的风险。为了分散较大的风险,获得较稳定的投资收益,可以按照不同的比例在多种证券中进行分散投资,投资组合的关键是依据投资者的偏好,对收益和风险作以权衡,确定各种证券在组合中的比例,从而得到满意的投资组合。遗传算法是一种模拟自然界生物进化的搜索算法,由于它的简单易行、鲁棒性强尤其是其不需要专门领域的知识,而仅用适应度函数作评价来指导搜索过程,从而使它的应用范围极为广泛,并且已在众多领域得到了实际应用,取得了许多令人瞩目的成果,引起了广大学者和工程人员的关注。本文介绍了遗传算法的基本概念和基本理论,对遗传算法的各个组成部分,特别是对选择策略、杂交策略、变异策略以及遗传算法的基础定理—模式作了详细的介绍。本文将遗传算法和投资组合结合起来,提出了基于遗传算法下的投资组合模型,通过对投资组合模型进行了深入研究,并考虑到现代证券投资组合理论在我国的实用性,从而基于卖空限制、交易费用限制和最小交易单位限制提出了具有投资限制的投资组合选择模型,该模型是一个非线性整数规划问题,传统的方法很难对其进行有效求解,从而设计了一种改进的遗传算法用于求解所提出的优化模型。最后,以中国证券市场为实证,说明了所提出的投资组合模型和算法的有效性和可行性。

论文目录

• 摘要
• Abstract
• 第1章 现代投资组合理论综述
• 1.1 研究的背景及意义
• 1.2 投资组合的研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 投资组合模型介绍
• 1.3.1 均值—方差模型
• 1.3.2 均值—绝对偏差模型
• 1.3.3 均值—方差—偏度模型
• 1.3.4 因素模型
• 1.3.5 安全首要模型
• 1.4 论文的主要内容
• 第2章 遗传算法的理论研究
• 2.1 简单遗传算法的基本形式
• 2.1.1 遗传算法的形式描述
• 2.1.2 遗传算法流程图
• 2.2 遗传算法的优点及相关系数
• 2.2.1 遗传算法的特点
• 2.2.2 遗传算法的性能评价
• 2.2.3 遗传算子的相关系数
• 2.3 遗传算法的设计
• 2.3.1 编码方式
• 2.3.2 适应度函数
• 2.3.3 选择算子
• 2.3.4 交叉算子
• 2.3.5 变异算子
• 2.3.6 相关参数
• 2.3.7 收敛标准
• 2.4 遗传算法的模式定理
• 2.4.1 模式定理
• 2.4.2 积木块假设
• 第3章 遗传算法的改进
• 3.1 对选种的改进
• 3.2 TANG算法
• 3.2.1 TANG的交叉、变异和复制操作
• 3.2.2 TNGA的选择策略
• 3.2.3 TANG的特点
• 3.3 GATS混合算法
• 3.3.1 Tabu Search算法
• 3.3.2 GATS算法的步骤
• 3.4 改进的自适应遗传算法
• 3.4.1 自适应遗传算法
• 3.4.2 自适应遗传算法的适应函数
• 3.4.3 混合的自适应遗传算法
• 第4章 遗传算法求解具有投资限制的投资组合模型
• 4.1 具有投资限制的投资组合模型
• 4.1.1 不允许卖空情形
• 4.1.2 考虑交易费用情形
• 4.1.3 带有最小交易单位情形
• 4.1.4 具有投资限制的组合投资模型
• 4.2 求解优化问题的遗传算法设计
• 4.3 应用实例
• 第5章 总结与展望
• 5.1 主要工作总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的论文