多目标投资组合模型探究.docxVIP

多目标投资组合模型探究 一、引言 Markowitz双目标模型理论提出后，后期很多专家学者 基于此理论提出的模型，在计算上都具有一定的复杂性，利 用普通的类似单纯形法等求解复杂同时效果差。随着启发式 算法的产生及发展，很多中外学者大多尝试用启发式算法来 求解多目标投资组合模型。而其中使用最多的是具有良好全 局搜索能力的遗传算法，也有其他如人工神经网络、禁忌算 法、蚁群算法等。Change Meade和Beasley (2000)分别设 计出遗传算法、模拟退火算法以及禁忌算法来求解具有非线 性约束条件的投资组合模型，并通过证券市场上的真实数据 进行验证，得出对于他们提出的投资组合模型用模拟退火算 法和遗传算法求解更有效。G订li和Kellezi (2000)研究 通过门槛接受法求解投资组合模型。Fernandez (2005)等 研究了运用神经网络算法来求解投资组合模型。在我国，对 于求解投资组合模型的算法研究得最多的启发式算法是遗 传算法，如林丹、李小明和王萍(2005)通过遗传算法来求 解改进的投资组合模型。也有些学者专家通过结合两种以上 算法来互补性求解组合模型，如霍建军(2009)的基于灰色 系统和神经网络两种算法的股指预测。 综上所述，由于大多数投资组合模型都是风险最小、收 益最大的双目标优化模型，故目前许多学者都是通过转化成 单目标或是通过引进其他变量来求解，这样做的方式会使得 模型的精度下降，并且可能丢失最好的解。而在多目标优化 模型求解中，最近几年出现了多目标进化算法(MOGA)、NSGA、 NSGAII等，其具有较好的多目标搜索效率，但在结果的分布 度和搜索限制上存在较大缺点，适用性有局限。NSGA和 NSGAII是最近发展起来的非支配排序遗传算法，其具有较好 的运行效率，且解集具有良好的分布性，尤其是在低维问题 的优化上，并且在实际运用中，对求解目标函数少的多目标 具有最好效果。本文在已有文献和研究成果的基础上，设计 出了求解多目标投资组合模型的改进NSGAII算法，并运用 实例对此算法验证了其有效性。 二、NSGAII算法的设计 (-)NSGAII算法多目标优化模型是要构造非支配集, 同时希望非支配集不断逼近最优解集，最终得到pareto最 优解集。即对于一些解不可能进一步优化某个或是某几个目 标但其他目标不至于劣化，因此pareto最优解集也称为非 劣最优解集。 NSGAII算法实际上是在NSGA基础上，改进了 NSGA的三 点不足，即：使用快速非支配排序法，使得计算的复杂度降 维；拥挤度计算替代共享参数，解决了共享参数设置困难，, 使得解分布均匀；引进精英策略，防止优良解的丢失。 要评价求解多目标优化问题的遗传算法是否有效，目前 大都从三方面进行评估：pareto最优解是否最靠近前沿； pareto最优解集数量是否够多；pareto最优解集中的解分 布是否均匀。 NSGAII算法具有运行效率高，pareto最优解集分布较 均匀的优良特点。特别在处理低维的多目标优化问题上，具 有非常有效的效果。令N为种群规模，T为最大遗传代数， Nds （Non-dominated solutions）为非支配集。NSGAII 的主 要算法流程表示如图1所示： （二）改进的NSGAII算法本文结合证券投资组合模型 的特点，同时在阅读各大学者研究的总结下，设计了如下改 进的NSGAII算法: 第一步，编码。本文使用整数编码。编码方式有二进制、 浮实数、格雷码、混合以及动态编码。在NSGAII算法中使 用最多的是二进制、实数编码和整数编码方式。因投资组合 模型的变量一般指投资资产的（100股）手数，故要求为整 数，于是本文选取具有实数编码方式优势的同时又能保证变 量为整数的整数编码。整数编码中，染色体对应的每个基因 位就代表了 1种投资资产，其具体数字代表了投资在此资产 上的投资手数，可以用表1形象表示： 第二步，随机产生初始种群。个体数目设置为，令代数 为0,即gen=0o本文使用的是整数编码。在产生初始种群 时，目前使用最多的是产生随机数rand函数和zero函数。 本文选取了遗传工具箱里用来产生随机数的randint函数， 用来产生给定范围的随机整数。 第三步，对种群pt （初始为pO）进行非支配排序。设 种群pl （初始为pO）中两个任意个体m和n,则非支配排序 算法可大致表述如下： a、初始化参数，对任意mWP1,有Sm=??,Pm=0。 如果ID 第六步，变异操作。本文采用遗传工具箱的高 级变异算子。在选取变异算子的时候，基于整数编码的特征, 选取了遗传工具箱里的高级变异算子mutate函数。 第七步，精英策略。通过第一步到第六步产生了新种群, 设为Qt。在NSGAII算法中采取精英策略，为了丢失父代中 的优秀