基于遗传算法的股票分类和组合优化.docxVIP

正文目录 引言 3 文章主要内容 3 一、研究背景 3 二、相关工作 3 三、遗传算法的组成部分 7 四、算法详解 11 五、实验结果 18 讨论 26 总结 26 参考文献 27 图表目录 表 1 两公司的现金股利率 8 表 2 每个股票的现金股利率 8 表 3 每组平均现金股利占所有组的比例 8 表 4 例子中使用的股票 13 表 5 股价序列的 12 只股票 14 表 6 2011 年至 2013 年 12 只股票的现金股利 14 表 7：所有归一化的股票序列 15 表 8：十二个代表性的股票序列 15 表 9 所有染色体的组合满意度 15 表 10 染色体的组平衡 16 表 11 所有染色体的序列距离 16 表 12 所有染色体的适应度 16 表 13 参数设定 18 表 14 基于 Proposed Approach(f1)用 SAX 的 GSP 的比较 20 表 15 基于 Proposed Approach(f1)用 ESAX 的 GSP 的比较 20 表 16 此处录入标题 21 表 17 基于 Proposed Approach(f2)的 GSP 与 ESAX 的比较 21 表 18 过去和本文提出的方法得出的 GSP 的SAX 和ESAX 距离 25 表 19 过去和本文提出的方法在一年的训练和测试集上的平均回报 25 表 20 过去和本文提出的方法在两年的训练和测试集上的平均回报 25 引言 在市场上，对于资产、基金的分类一直是大家讨论的话题，根据业绩走势对于基金进行分类我们也曾有相关研究。研究资产的相关性一个重要的应用就是可以利用相似资产找到原资产中不可购买的一部分资产。本期琢璞系列我们推荐 Chen, Chun-Hao, and Chih-Hung Yu（2017）的《A Series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate approximations》，文献利用遗传算法对相似资产进行了归类，便于投资者选择替代资产，可以对于这个问题提供一些理论参考 文章主要内容 一、研究背景 由于金融市场受各种各样因素的影响，投资仍然是个极具吸引力的话题。同时，市场上还有许多衍生品可供投资者选择。换句话来说，投资者可以根据很多方法来创建投资组合。通常，使用两个客观的度量值，即风险价值（VaR）和投资回报率（ROI）来评估投资组合的质量。由于许多因素会影响给定投资组合的收益，因此需要一种更为复杂的方法来获得一个考虑多个因素的投资组合。通过使用均值方差（M-V）模型，人们提出了许多优化算法来挖掘最佳投资组合。 尽管已经有了许多股票投资组合优化方法，但这些方法仅用于得出股票投资组合，不能保证分组后每组的股票价格相似。实际上，这往往是不够的，因为用户可能会由于各种原因无法购买建议的股票，例如建议购买的股票价格太高。这时应建议购买替代股票。因此，在过去的方法中，提出了一种使用分组遗传算法（GGA）来筛选股票投资组合 （GSP）的算法。 二、相关工作 本节介绍与本篇论文具体使用方法相关的研究。首先，在 2.1 节中介绍了投资组合优化 的相关方法，在第 2.2 节中提供了相关背景知识。 投资组合优化的相关方法 迄今为止，许多投资组合优化方法已经被提出，譬如使用单目标和多目标遗传算法来推导最优投资组合。 Chang 提出了一种使用遗传算法（GA）进行组合优化的启蒙方法，该算法使用了半方差，平均绝对偏差和偏度方差，同时提出了一种根据利润和风险找到投资组合的优化方法。 Chen 设计了一种基于领域驱动数据挖掘概念的方法，根据投资者的需求，优化可行的股票投资组合。Guo 提出了一种称为“基于模糊模拟遗传算法” （FSGA）的方法，该方法基于可信度理论框架内的公式化均值-方差模型来解决带有 V形交易成本的模糊多期投资组合选择问题。Bevilacqua 提出了一种使用多目标 GA 的 ROI 和 VaR 进行投资组合优化的算法，其中使用的 PONSGA 模型考虑了五种不同的风险度量，可以最小化风险并最大化投资组合收益。 Saborido 将均值-下行风险偏度 （MDRS）模型视为约束的三目标优化问题。设计了三个新的遗传操作，包括突变，交叉和倒位，并将它们合并到现有的多目标进化算法（如NSGAII 和 MOEA / D）中，以更有效地分析投资组合。 此外，学者还提出了几种混合算法，这些算法结合了不同类型的数据挖掘技术。 Ha