遗传算法及其在融预测与金融决策中的应用研究.pdf

中文摘要 摘要 遗传算法是近些年来产生和发展的一种模拟生物进化过程的自适应启发式 全局优化的搜索算法，是计算智能的重要组成部分。对它的理论与应用研究受到 越来越多的学者的高度重视。本文对具有广泛前景，但目前结果尚少的多模态遗 传算法进行了重点研究。在深入研究现行各种算法的基础上，提出了均衡生存空 间的新思路，它完全突破了现行方法的思考模式，克服了现行方法的缺点。同时 在运行机理、收敛性分析以及在金融系统中的应用等方面取得了许多有价值的结 果。(本文的主要内容如下： 1．系统的总结了遗传算法的发展和研究现状。利用马尔柯夫序列为工具， 分析了实数编码的遗传算法的全局收敛性。 2．深入研究了多模态遗传算法。对目前通用的多模态遗传算法从机理上进 行了深入分析，指出了它们的缺点和不足：需要事先对峰的个数有大致的了解， 需要较多的个体，搜索的精度不高。针对这些问题，提出了两种新的多模态遗传 算法：平衡生存空间法和局部分享法。 平衡生存空间法突破了现有算法中用小生境中的个体均分资源，从而使各小 生境中的个体达到平等生存权的模式，而是采用预先均分各小生境的资源，从而 使各小生境中个体都具有平等生存权力的新思路。具体的做法是：用描述峰特征 的“示性函数”将目标函数的不等高峰转换成等高峰，从而使得每个峰的选择力 度相同，这不仅降低了搜索的难度，而且变换后的函数的峰值是已知的。这对搜 索有很重要的指导意义。这种变换是通过适应值函数来实现的。该算法中采用了 的拥挤选择算子来平衡各个峰处个体的数目，保持物种的多样性，另外，在算法 中引入了梯度算子，不仅可以将梯度法和GA很好地融合起来，并且提高了搜索 的速度和精度。梯度算子不需要函数的解析性质，具有很好的通用性。平衡生存 空间方法不需要预先知道峰的距离，也不需要做任何先验假设，因此，具有很高 的实用价值。 局部分享法不对整个种群进行适应值分享，而是从种群中随机地挑选出几个 个体组成临时子群，然后对临时子群进行分享适应值，这样就可以减少计算量， 并且可以维持各个峰处个体的数目，从而达到搜索多峰的目的。 针对现有多模态遗传算法搜索结果不稳定的缺点。提出了“优育子群迁徙” 的新策略：即把已经找到的局部最优值保存到单独的一个子群中并且加以特殊的 培育，这样就能保留已经找到的峰，进而找到所有的峰。 提出了“整体收敛”的概念，利用齐次马尔柯夫链为工具，证明了现有的多 模态遗传算法不能整体收敛，而带有优育子群迁徙的多模态遗传算法能够“整体 堕堑查堂堡主兰壁垒苎 ．—— 收敛”。 实证研究证明了理论分析的正确性。 3．在深入研究遗传算法的基础上，采用模糊系统为工具建立金融预测模型。 提出了三种训练模糊系统的方法。 分阶段训练方法：该方法利用多模态遗传算法同时搜索多个规则。采用二进 制编码，一条规则就是一个染色体，评价函数兼顾了规则本身及规则集整体性能； 在发现规则的基础上，用遗传算法训练模糊系统的参数，通过在评价函数中引入 惩罚项来控制隶属函数的形状。 提出了“动态模糊系统”新模型，该模型可以动态地自学习规则，从而减少 了规则学习的计算量，改进的模糊系统的规则学习是动态完成的。 基于动态模糊系统模型，提出了采用双层遗传算法同时训练模糊系统的结构 和参数的新方法：外层遗传算法训练模糊系统的结构，内层遗传算法是在对应的 系统结构下，训练模糊系统的参数。 第三种方法是采用混合变长染色体编码的遗传算法同时训练模糊系统的结 构和参数。采用了混合变长的编码方式，提出了适用于此编码方式的遗传操作。 理论分析和实证研究表明，上述三种方法虽各有所长，但就其训练结果和预 测精度而言，混合变长染色体编码的遗传算法都是最好的。 4．将多模态遗传算法应用于投资组合决策中。提出了符合国内特点的多风 险偏好的多解投资组合模型。同时给出了用多模态遗传算法求解多风险偏好的投 资组合模型的实现方法，该方法可以得到不同风险偏好的一组优化解。实证研究 结果令人满意。j、 关键词： 多模态遗传算法，模糊系统，模糊规则发现，金融预测，投资组合 —— 鉴兰型些