双重SGA算法对股票投资组合优化分析.docVIP

双重SGA算法对股票投资组合优化分析【摘要】 随着证券市场的不断发展而发展起来的，证券投资组合的选择和确定面临大量繁重和复杂的计算，SGA算法在客观和理性的证券投资组合决策中可以起到很好的辅助支持作用。本文通过双重遗传算法模型设计，对证券组合投资中的权重进行智能化的求解，并进行投资组合权重方案的评价，为决策的支持提供很好的参照。 【关键词】 股票投资组合 GA算法 优化分析 一、引言 证券投资的最根本目的在于获取利益。但是，在投资过程中，收益总是伴随着风险。通常，收益越高，风险也就随之而越大；风险越低，由此带来的风险也就越小。为了分散风险，投资者将许多种证券组合在一起来进行投资，即所谓的投资组合，以期获得最大的收益。 目前，风险评估的方法多种多样，以科学计算、数据分析、数据挖掘等为主要手段、以实现定量化管理和辅助决策为目标的数学金融理论在金融领域的应用逐渐形成了潮流。现代金融理论的定量化革命（数理金融学）开始于1952年Markowitz的均值―方差理论。他在这个模型中首次提出了以证券投资收益率方差来计量风险的方法，开创了定量化度量风险的先河，使人类在风险的定量描述和证券组合选择理论方面大大的迈进了一步。 由于历史和体制的原因，我国对现代金融学的研究起步于90年代，证券市场上信息不对称现象是普遍存在的，证券市场并非有效。唐小我、马永开、曾勇、杨桂元，杨德权、胡运权和刘鹏伟研究了不允许卖空时的投资组合的模型、计算方法和有效前沿的性质。在遗传算法应用于证券投资组合方面，李敏强、张俊峰、寇纪淞考虑了遗传算法在股市投资策略（战略）研究中的应用，游桂云、刘菲菲介绍了修正的证券投资组合模型及其遗传算法求解的方法等。总之，使用遗传算法进行证券投资组合领域的研究比较少见，这有待于进一步地加强。在本文中，采用双重SGA算法对股票投资组合进行优化分析，是对证券投资组合领域的一种新的尝试和丰富。 二、SGA算法 对于投资组合优化的问题，如果采用传统的数值优化算法求解，在很多的情况下，它们往往并不是很有效的。传统的数值优化算法（如牛顿法、共扼梯度法等）因为都是局部极值算法，且它们对目标函数要求都很高，算法都比较复杂，收敛较慢，因此，求得全局解的概率较低。近几十年来，随着生命科学与工程科学的相互交叉、渗透和促进，形成了一种用机器模拟自然过程来求解复杂问题的随机搜索算法―进化算法。遗传算法作为进化算法的一种，借鉴达尔文进化论中“适者生存，不适应者淘汰”的自然选择和自然遗传机理，其本质是求解问题的一种高效、并行的全局优化搜索方法，已能在搜索过程中自动获得和积累有关搜索方向的知识，并自适应地控制搜索过程以求得最优解。目前，遗传算法已应用到许多领域，在求解科学研究和工程技术中的各种组合优化问题时，在搜索与优化计算问题方面取得了成功。 Holland遗传算法通常也称为标准遗传算法或简单遗传算法（a simple genetic algorithm，SGA）。SGA的基础理论主要以收敛性分析为主，即群体收敛到优化问题的全局最优解的概率。SGA的核心任务是维持群体的可进化性。它包括如下五个基本要素：解空间的编码与解码；初始种群的设定；适应度函数的设计；遗传过程设计；控制参数设定。 下文介绍遗传算法的一般算法（如图1所示）。 其一，创建一个随机的初始状态。初始种群是从解中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号人工智能系统的情况不一样，在那里问题的初始状态已经给定了。 其二，评估适应度。对每一个解（染色体）指定一个适应度的值，根据问题求解的实际接近程度来指定（以便逼近求解问题的答案）。不要把这些“解”与问题的“答案”混为一谈，可以把它理解成为要得到答案，系统可能需要利用的那些特性。 其三，繁殖（包括子代突变）。带有较高适应度值的那些染色体更可能产生后代（后代产生后也将发生突变）。后代是父母的产物，他们由来自父母的基因结合而成，这个过程被称为“杂交”。 其四，下一代。如果新的一代包含一个解，能产生一个充分接近或等于期望答案的输出，那么问题就已经解决了。如果情况并非如此，新的一代将重复他们父母所进行的繁衍过程，一代一代演化下去，直到达到期望的解为止。 其五，并行计算。非常容易将遗传算法用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。 总之，SGA是一种解决复杂问题的有效方法，这种方法是以达尔文的生物进化论为启