基于GA―ABC均值―方差―偏度多目标投资组合优化.docVIP

基于GA―ABC均值―方差―偏度多目标投资组合优化 　　摘 要：近年来，多目标的投资组合引起各界学者的关注，基于智能混合算法的投资组合优化也得到广泛的研究。本文将在均值-方差-偏度的模型背景下，提出一种GA-ABC混合算法概念，最后通过实例数据验证GA-ABC混合算法的有效性。 　　关键词：GA-ABC；多目标；投资组合 　　一、引言 　　风险和收益，是投资者做决策时需要权衡的两个重要因素。两个决策A和B，预期收益相同，而A的风险要小于B，则B会被舍弃；若承受相同的风险，而A的预期收益要小与B，则A会被舍弃。研究发现，同时选择A和B，比单独选择A或B风险要小。投资组合是把资产分配到不同的投资决策中，分散风险，确保收益。 　　混合优化算法是将两种或者多种的单种智能算法按照某种规则融合在一起或者在单种智能算法中引入其他优化思想。遗传算法（GA）是1967年由Holland教授提出，是一种模拟生物界的自然选择和自然遗传机制的随机搜索算法，应用简单、鲁棒性强，而且易于并行化。人工蜂群算法（ABC）是2005年由Karaboga教授提出的一种基于群体智能的高效能觅食类随机搜索算法，由于其特有的自组织、贪婪选择和协作机制，算法灵活、简单直观。 　　二、均值-方差-偏度投资组合模型 　　1952年，美国的Markowitz首次提出把收益率看做是一个随机变量，创立了均值-方差模型。1963年Sharp在Markowitz研究的基础上提出了资本资产定价模型（CAPM）。1977年Stephen运用证券投资中的无套利原理，将资产定价模型发展成为一种因素模型，即套利定价模型（APT）。1993年Konno和Yamazai提出使用均值绝对偏差代替方差，建立了均值-绝对偏差模型。对于收益率分布不对称的情况，Konno和Suzuki在投资组合中引入偏度这一目标，提出了经典的均值-方差-偏度资产组合优化模型，并且进一步求出了近似模型的有效平面。众多学者对偏度的研究证实了偏度的重要性，考虑偏度可以提高均值-方差模型的有效性。 　　当偏度（skewness）为正时，均值右边部分的值距离均值较左边部分要远，右边尾部的拉长表示好的情况发生的可能性大，这正是投资者所期望的，投资者希望构建的投资组合是在相同方差和预期收益情况下，最大化组合的偏度。 　　三、GA-ABC混合算法 　　遗传算法（GA）是采用生物进化的思想，主要特征是在解的编码上进化，依据生物学的语言，这些编码变成染色体，利用适应度函数对每个染色体好坏进行评价，淘汰适应度较低的个体，选择适应度好的个体遗传，产生下一代个体组成一个新的群体，再不断的对种群进行进化。一般过程包括编码、评价、交叉、变异、解码。 　　人工蜂群算法（ABC）模拟了自然界中蜜蜂选址和采蜜的行为，在蜂巢周围寻找路径最短、食物最丰富的食物源，食物源的位置表示一个可行解，丰富程度代表解的质量，即适应度。将所有采蜜的工蜂分为三组不同的人工蜂群：雇佣蜂、观察蜂、侦查蜂，初始种群中设置雇佣蜂和观察蜂的数量相等，且为种群规模的一半。 　　GA-ABC算法首先利用ABC算法搜索最优解，根据算法收敛速度调整适应度函数，不同角色的蜜蜂采用不同方法产生新解，利用交叉和变异算子寻找最优解，把好的基因传给后代。 　　主要步骤如下： 　　步骤1：初始化，确定蜜蜂数目、变异概率、交叉概率； 　　步骤2：随机生成食物源，评价解的适应度； 　　步骤3：雇佣蜂在当前位置邻域内产生新位置，利用计算选择概率； 　　步骤4：利用贪婪选择算子，在新旧位置中保留一个适应度较高的； 　　步骤5：各雇佣蜂选择跟随一只观察蜂，在其邻域内搜索新位置； 　　步骤6：某只蜜蜂搜索次数达到limit而没有找到更优位置时，产生一只侦查蜂，并随机初始化当前蜜源位置； 　　步骤7：按交叉率选择群体中两个个体进行交叉，新解优于父代则替换，按变异率变异最差个体，更好的替换最差个体； 　　步骤8：计算每个食物源的目标函数值，记录最优适应度及相应参数； 　　步骤9：满足最终条件则输出最优解，不满足循环2-8。 　　四、数值实例 　　从我国沪深证券市场上选取5只股票在2015年5月5日至6月23日区间内收益率作为样本，如下表。模型（2）中参数P选取为样本数据的平均收益率，参数选取为均值-方差模型得到的最优投资组合的方差值。 　　用Matlab语言实现GA-ABC算法，与ABC算法比较，其中群体规模为NP=40，变异算子pm=0.2，交叉算子pc=0.8，每次释放一只侦查蜂，最大迭代次数为3000，limit=100。比较结果如下图所示。 　　由图可以看出，当迭代次数越来越大时，GA-ABC算法与ABC算法均有较好的收敛性，但GA-ABC算法找到的最优函数值比