基于多目标进化算法的投资组合优化研究.pdf

摘 要 近年来，得益于经济与科技的高速发展，我国人民的生活水平在不断提高，金融市 场在经济活动中也逐渐占据重要的地位。然而，普通投资者具有较强的盲目性和从众心 理，抗风险能力较低。因此，研究如何将资产进行有效的组合来寻找到更合理的投资策 略，具有十分重要的意义。 多目标进化算法是解决多目标优化问题的主要方法，可得到使各个目标尽可能达到 最优的一组均衡解。在股票投资过程中，投资者希望在提高收益的同时，也能降低风 险，这是一种典型的多目标投资组合优化问题。本文的研究内容主要集中在以下两点： 一方面，针对均值-方差模型的局限性，利用启发式函数链神经网络预测得到的收益率 替代历史数据，采用基数约束对组合规模进行限制来降低资产管理难度、提高求解效 率，引入偏度刻画实际收益率分布的非对称性，进而构建更具有实际意义的基于预测的 带基数约束的均值-方差-偏度投资组合优化模型。另一方面，针对实际问题模型，在 NSGA-III 算法的基础上，环境选择阶段引入权衡收敛性与多样性的距离函数替代垂直 距离，在配对选择阶段引入基于隶属度的锦标赛选择替代原来的随机选择方法，采用带 资产信息的个体编码方案以及两阶段交叉、变异操作更新组合中的资产种类，利用可行 解修复操作满足约束，降低模型求解复杂度，提出定制化的改进算法 c-NSGA-III 。 本文以上证 A 股中的实际股票数据为基础，进行了大量的对比实验和结果分析，充 分验证了改进模型和改进算法的有效性，且实验结果表明，定制化的 c-NSGA-III 算法 能够优化模型的求解过程，相对于 NSGA-II 、MOEA/D 效果更好，更具有一定的实际应 用价值，为高维目标投资组合优化问题提供了有效方法。 关键词 多目标；进化算法；组合投资；优化 - I - Abstract In recent years, thanks to the rapid development of economy and technology, the living standards of our people have continued to improve, and financial markets have gradually occupied an important position in economic activities. However, with strong blindness and herd mentality, ordinary investors have a lower ability to resist risks. It is of great significance to study how to effectively combine assets to find a more reasonable investment strategy. Multi-objective evolutionary algorithm (MOEA) is the main method to solve multi- objective optimization problem (MOP), It can obtain a set of equilibrium solutions that make each objective as optimal as possible. In the process of stock investment, investors hope to reduce risks while increasing returns, this is a typical multi-objective portfolio optimization problem. The