基于微分進化和粒子群算法的投資組合優(yōu)化研究.pdf

1、馬克維茨(Markowitz)提出的現(xiàn)代投資組合理論奠定了定量金融分析的里程碑。隨后由于經(jīng)濟的飛速發(fā)展和投資決策模型研究的不斷深入，以及經(jīng)濟環(huán)境的復(fù)雜多變，投資者對投資決策提出的要求越來越高，這些都使得投資決策模型變得越來越復(fù)雜。用傳統(tǒng)的數(shù)學(xué)規(guī)劃方法解決投資決策問題已經(jīng)越來越困難，目前國內(nèi)和國外，已有人嘗試將遺傳算法，神經(jīng)網(wǎng)絡(luò)等一系列人工智能方法應(yīng)用于解決投資決策問題。 本論文首先研究單階段單目標(biāo)投資組合優(yōu)化，分別用改進的微粒群

2、算法(IPSO)和基于量子行為的微粒群算法(QPSO)求解單階段單目標(biāo)投資組合問題并比較兩種算法的結(jié)果。其次研究單階段多目標(biāo)投資組合優(yōu)化，分別用混合遺傳算法(HGA)和QPSO算法求解單階段多目標(biāo)投資組合問題并比較兩種算法的結(jié)果。通過對2004年至2006年的美國標(biāo)準(zhǔn)普爾指數(shù)100的不同股票和有價證券以及上海證券交易所1999年5月-2000年10月之間的各種股票的實證分析，發(fā)現(xiàn)在求解單階段單目標(biāo)投資組合問題和求解單階段多目標(biāo)投資組合問

3、題中QPSO算法的實際搜索效果、收斂速度和穩(wěn)定性等均優(yōu)于傳統(tǒng)的PSO算法和HGA算法。與此同時，本文通過對不同數(shù)量的投資組合進行比較，發(fā)現(xiàn)數(shù)量越多的有效投資組合越能實現(xiàn)收益和風(fēng)險的多樣化以及均衡管理。 為了能更好地捕捉市場的動態(tài)變化，本文根據(jù)效用函數(shù)，利用多層規(guī)劃模型來解決多階段投資決策問題。然后分別用QPSO算法、HGA算法、DEA算法來求解該模型并比較各算法結(jié)果，通過對2004年至2006年的美國標(biāo)準(zhǔn)普爾指數(shù)100的不同股票