染色体金融论文范文-浅议基于遗传算法的投资组合在金融领域中的应用论文.docVIP

染色体金融论文范文:浅议基于遗传算法的投资组合在金融领域中的应用论文 基于遗传算法的投资组合在金融领域中的应用论文 【摘 要】 遗传算法是一种模拟自然界生物进化的搜索算法，经典遗传算法采用的都是固定参数，这是对性能的一种局限和束缚。为解决这些理由，在算法中引入自适应遗传算法（AGA），即交叉概率Pc和变异概率Pm能够随适应度自动转变。自适应遗传算法在保持群体多样性的同时，保证遗传算法的收敛性。AGA由于改善了各遗传算子的参数，使算法能够适应于种群进化各个阶段的特征，使算法的优化效率和解的质量得到提高。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，并举例验证。 　　【关键词】 遗传算法 投资组合 AGA算法模型 证券 　　用整数编码，整数编码是指个体的每个基因值用某一范围内的一个整数来表示个???的编码长度等于其决策变量的个数（因为这种编码策略使用的是决策变量的真实值，所以也叫真值编码策略），整数编码是遗传算法中在解决连续参数优化理由时普遍使用的一种编码方式，具有较高的精度。在表示连续渐变理由方面具有优势。应用于此实证则是，一个染色体中含有n个基因位，基因的个数代表该证券在投资组合中的投资股数。 　　在这里，我们分别计算w=0.1、w=0.3、w=0.5、w=0.7、w= 0.9五个不同风险厌恶系数下的最大适应值，这里采用式17作为目标函数。对于给定规模的群体P={}，先计算个体的适应度值，随后选择用轮盘赌选择法来计算适应度值，因为适应函数应为大于或等于零的值。所以，我们将作为适应函数，e为整数对数，B为式17的目标函数值。 　　首先，基因的数值代表证券在投资组合中的投资单位数。然后，随机产生0—1之间的数u，若此基因位于染色体第i个位置，那么此基因值表达式如下： 　　第i个证券=Integer 　　随后进行可行化处理，即需要满足公式13的限制条件，策略是将染色体上的各个基因分别除以，最后，经过有限次的运算，得到可行的染色体。 　　为了进行随后的交叉运算，需为新的种群来选择两个染色体，即第一个父本和第二个父本地选择，从区间[1，N]随机选择一个染色体的适应值f。 　　其整体为：，=， 　　即，所计算适应各个染色体的适应值。判断过程可用下式表示： 　　然后，运用同样策略找到第二个父本。将父本记做 。 　　将我们先前所选择的父代进行随机分对，如（，）（，），…，并对所有的对采用单调交叉操作法。从[1，N]中随机产生整数v，对每对染色体第v位进行交换，得到新的染色体。如果得到的染色体不是可行解，需要进行可行化处理。 　　首先，随机选择一个染色体u，将这个染色体需要变异的基因为选择出来，进行变异处理： 　　第i个证券=Integer 　　同样进行可行化处理，通过选择、交叉和变异产生新的染色体来代替原来的染色体，给定进化迭代数Q，进行Q次的选择、交叉、变异操作，从而产生最优解。 　　Step1输入最大迭代次数Q和参数L;Step2从搜索空间中随机产生L个染色体，并对其进行可行化判断;Step3通过选择、交叉、变异，更新染色体，并记录最好的染色体;Step4计算每个染色体适应值，选择下一代染色体;Step5重复Step3和Step4，共计Q次;Step6记录最好的染色体，作为理由的最优解。 　　分别以2010年3月31日到2012年3月31日8个季度的收益为例，每手股票价格以2012年3月31日的收盘价为准，设定投资者手中有200万资金用于投资证券组合，这里，统一将交易费统一按0.005计算。种群规模设为30，进化代数为500。十五种股票的季收益。 　　每手股票价格及持有单位数（表1和表2）。计算结果（表3）。（单位：万元） 　　我们可以看出：（1）可以对不同投资者的风险厌恶系数来确定不同的投资组合，用以实现让收益尽可能大，风险尽可能小的特性。（2）随着风险厌恶值的不断增加，其需要承受的风险值则相应的减少，同样的，投资者所得到的收益值也逐渐下降。