蚁群算法在多目标优化的证券投资组合中的应用研究

蚁群算法在多目标优化的证券投资组合中的应用研究

论文摘要

多目标优化是指在多个目标上同时进行优化,并且,一般这些目标是相互冲突的。证券投资组合的两个基本度量指标是收益和风险,且收益越大风险越大,收益越小风险越小。然而现实生活中,人们对于投资组合的期望和目标是收益大而风险小。所以证券投资组合优化可以看成是基于风险和收益两个目标的多目标优化问题。蚁群算法是人工智能算法的一种,被广泛地应用于求解组合优化问题中,都达到了预期的结果。然而,目前在证券投资领域基于蚁群算法的研究大部分是单目标优化的。本文使用蚁群算法在多目标优化下求出了证券投资组合的有效边界,即Pareto前沿。这是蚁群算法在多目标优化应用领域上的一次研究、尝试和拓展。本文的主要工作是:1.查阅文献,了解了当前证券投资和蚁群算法的研究现状。2.建立了证券投资组合问题在蚁群算法下的模型。3.基于多目标优化问题的连续域蚁群算法,改进了启发函数、自适应信息素、最大最小信息素范围。4.编码实现了改进的蚁群算法,求出了证券投资组合的有效边界。5.本文同时实现了基于多目标优化的模拟退火算法。在实验章节安排两个算法分别对同样的数据求解有效边界,在相同迭代次数和相同Pareto解集规模两种情况下,使用U-度量对两种算法得到的Pareto前沿的均匀度进行了比较。6.文章最后对蚁群算法中的参数进行了简单分析,明确了参数的作用。证券投资在理论研究和实际应用中都很有意义,而将蚁群算法用于证券投资组合的多目标优化问题,对于拓展蚁群算法的应用也是一次有意义的尝试。本文的研究是有一定的理论意义和实际价值。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 研究背景和意义
  • 1.2 研究现状
  • 1.3 论文的主要工作
  • 1.4 论文的组织与安排
  • 1.5 本章小结
  • 第二章 多目标优化
  • 2.1 多目标优化的定义
  • 2.2 多目标优化问题的一般模型
  • 2.3 决策空间和目标函数空间
  • 2.4 解的 Pareto 关系
  • 2.5 Pareto 前沿
  • 2.6 简单实例分析
  • 2.6.1 实际问题描述
  • 2.6.2 分析问题
  • 2.6.3 决策空间可行域
  • 2.6.4 目标空间上的有效边界
  • 2.7 多目标优化算法的性能度量
  • 2.7.1 U-度量
  • 2.8 本章小结
  • 第三章 证券投资组合
  • 3.1 证券投资组合的定义和基本原理
  • 3.2 证券投资组合的管理
  • 3.3 证券投资组合的数学模型
  • 3.3.1 单一证券的收益和风险
  • 3.3.2 证券投资组合的收益和风险(均值-方差模型)
  • 3.3.2.1 均值-方差模型的提出和定义
  • 3.3.2.2 均值-方差模型的数学语言描述
  • 3.3.2.3 均值-方差模型在实际应用中的局限
  • 3.3.3 证券投资组合的可行域
  • 3.3.4 证券投资组合的有效边界
  • 3.4 本章小结
  • 第四章 蚁群算法
  • 4.1 蚁群算法的基本原理
  • 4.2 基本蚁群算法的数学模型
  • 4.2.1 TSP 问题的数学描述
  • 4.2.2 蚁群算法在 TSP 问题中的数学模型
  • 4.3 基本蚁群算法的优缺点
  • 4.3.1 基本蚁群算法的优点
  • 4.3.2 基本蚁群算法的缺点
  • 4.4 最大最小蚂蚁系统
  • 4.5 本章小结
  • 第五章 应用于证券投资组合问题的蚁群算法
  • 5.1 证券投资组合问题的数学模型
  • 5.2 基于证券投资组合问题改进蚁群算法的思想
  • 5.3 基于证券投资组合问题的蚁群算法的设计
  • 5.3.1 蚂蚁和证券投资组合
  • 5.3.2 证券投资组合的 Pareto 关系
  • 5.3.3 有效投资组合解集
  • 5.3.4 启发函数
  • 5.3.5 转移概率
  • 5.3.6 基于转移概率的寻优方式
  • 5.3.7 基于小生境技术的寻优方式
  • 5.3.8 信息素的更新规则
  • 5.4 算法描述和求解过程
  • 5.4.1 算法实现的主要步骤
  • 5.4.2 算法流程图
  • 5.4.2.1 总流程图
  • 5.4.2.2 基于转移概率的寻优方式的流程图
  • 5.4.2.3 信息素处理的流程图
  • 5.5 本章小结
  • 第六章 实验结果及分析
  • 6.1 应用于证券投资组合问题的模拟退火算法
  • 6.1.1 模拟退火算法的基本原理
  • 6.1.2 模拟退火算法的参数
  • 6.1.2.1 系统初温
  • 6.1.2.2 退火速度
  • 6.1.2.3 系统的低温
  • 6.1.3 多目标优化的证券投资组合问题的模拟退火算法的设计
  • 6.1.4 算法流程图
  • 6.2 蚁群算法与模拟退火算法的比较
  • 6.2.1 实验数据一
  • 6.2.1.1 实验一
  • 6.2.1.2 实验二
  • 6.2.1.3 实验三
  • 6.2.1.4 实验四
  • 6.2.2 实验数据二
  • 6.2.2.1 实验一
  • 6.2.2.2 实验二
  • 6.2.2.3 实验三
  • 6.3 蚁群算法的参数分析
  • 6.3.1 信息素启发式因子α
  • 6.3.2 期望启发式因子β
  • 6.4 本章小节
  • 第七章 总结与展望
  • 7.1 工作总结
  • 7.2 进一步研究工作
  • 参考文献
  • 攻读硕士学位期间取得的研究成果
  • 致谢
  • Ⅳ-2答辩委员会对论文的评定意见
  • 相关论文文献

    • [1].三目标优化:一种计算Pareto非劣解相对于各优化目标偏向度及其进一步分析的方法[J]. 系统工程理论与实践 2019(12)
    • [2].近10届体操世锦赛中国队成绩“pareto”分析[J]. 安徽体育科技 2020(03)
    • [3].中国财富分布的Pareto拟合与贫富差距变化趋势[J]. 统计与管理 2018(08)
    • [4].历届田径世锦赛中国队成绩“Pareto”分析[J]. 辽宁体育科技 2017(02)
    • [5].用于发酵过程多目标优化的几何支持向量回归Pareto前沿的连续近似方法(英文)[J]. Chinese Journal of Chemical Engineering 2014(10)
    • [6].Pareto严格稳定分布在保险理赔中的应用(英文)[J]. 数学杂志 2015(04)
    • [7].鲁棒优化中的Pareto有效性[J]. 运筹学学报 2018(04)
    • [8].Surrogate-Assisted Particle Swarm Optimization Algorithm With Pareto Active Learning for Expensive Multi-Objective Optimization[J]. IEEE/CAA Journal of Automatica Sinica 2019(03)
    • [9].38例儿童万古霉素不良反应的Pareto最优分析[J]. 儿科药学杂志 2016(12)
    • [10].基于改进Pareto最优算法的海上风电场多目标微观选址规划[J]. 电力建设 2017(04)
    • [11].多目标群体博弈中弱Pareto完美平衡点[J]. 贵州大学学报(自然科学版) 2016(02)
    • [12].一种基于Pareto排序的混合多目标进化算法[J]. 计算机工程与应用 2015(01)
    • [13].Multi-objective optimization of stamping forming process of head using Pareto-based genetic algorithm[J]. Journal of Central South University 2015(09)
    • [14].三参数的Pareto分布顺序统计量的渐近分布[J]. 四川大学学报(自然科学版) 2012(05)
    • [15].基于强度Pareto进化算法的最优潮流[J]. 电测与仪表 2011(09)
    • [16].Multi-objective optimization of membrane structures based on Pareto Genetic Algorithm[J]. Journal of Harbin Institute of Technology 2010(05)
    • [17].Multi-Objective Optimization of Water-Sedimentation-Power in Reservoir Based on Pareto-Optimal Solution[J]. Transactions of Tianjin University 2008(04)
    • [18].Generalized Extreme Value-Pareto Distribution Function and Its Applications in Ocean Engineering[J]. China Ocean Engineering 2019(02)
    • [19].Pareto熵鸡群算法求解多目标柔性作业车间调度问题[J]. 小型微型计算机系统 2017(12)
    • [20].A New Method for Resource Allocation Optimization in Disaster Reduction and Risk Governance[J]. International Journal of Disaster Risk Science 2016(02)
    • [21].多目标拆卸线平衡问题的Pareto人工鱼群算法[J]. 中国机械工程 2017(02)
    • [22].基于Pareto支配法的微电网多目标能量优化短时调度策略研究[J]. 电工技术学报 2016(S2)
    • [23].基于稀疏Pareto搜索的无人机航路规划[J]. 指挥信息系统与技术 2020(05)
    • [24].具有偏序属性的偏爱Pareto占优关系[J]. 计算机学报 2014(09)
    • [25].广义Pareto分布近似广义最小二乘估计[J]. 北京工业大学学报 2012(05)
    • [26].基于财富分布Pareto法则估计我国贫富差距程度——利用随机抽样恢复总体财富Pareto法则[J]. 世界经济文汇 2012(06)
    • [27].逐步增加Ⅱ型截尾下Pareto分布参数的区间估计[J]. 科学技术与工程 2011(11)
    • [28].基于Pareto多目标遗传算法的高压配电网规划[J]. 电气应用 2010(21)
    • [29].混合双参数广义Pareto分布的参数估计[J]. 数学的实践与认识 2009(20)
    • [30].关于Pareto分布的一个综合研究[J]. 河西学院学报 2008(02)

    标签:;  ;  ;  ;  

    蚁群算法在多目标优化的证券投资组合中的应用研究
    下载Doc文档

    猜你喜欢