基于混合遗传算法的投资组合优化改进模型研究
遗传算法在金融投资组合优化中的应用
遗传算法在金融投资组合优化中的应用随着金融市场的发展和投资者对风险管理的需求不断增加，金融投资组合优化成为了一个备受关注的问题。
在众多的优化方法中，遗传算法因其强大的优化能力和灵活性而备受瞩目。
本文将探讨遗传算法在金融投资组合优化中的应用，并介绍其原理和实际案例。
一、遗传算法的原理遗传算法是一种模拟自然进化过程的优化算法。
它通过模拟遗传、突变和选择等过程，逐步优化问题的解。
遗传算法的基本流程包括初始化种群、选择、交叉、变异和适应度评估等步骤。
通过不断迭代，遗传算法能够找到问题的最优解或近似最优解。
二、金融投资组合优化问题金融投资组合优化问题是指在给定的一组可选资产中，如何分配资金以最大化投资组合的收益或最小化投资组合的风险。
这是一个复杂的组合优化问题，需要考虑多个因素，如资产收益率、风险、相关性等。
三、遗传算法在金融投资组合优化中的应用1. 初始化种群在应用遗传算法解决金融投资组合优化问题时，首先需要初始化一个种群。
每个个体表示一个可能的投资组合，包括资产的权重分配。
2. 适应度评估接下来，需要对每个个体进行适应度评估。
适应度函数通常由投资者根据自身的投资目标和风险偏好来定义。
常见的适应度函数包括收益率、风险、夏普比率等。
3. 选择选择操作是根据适应度函数的值选择优秀的个体。
常见的选择方法包括轮盘赌选择、锦标赛选择等。
选择操作可以保留优秀的个体，同时也给予较差的个体一定的机会。
4. 交叉交叉操作模拟基因的交换，通过交换个体的染色体片段来产生新的个体。
交叉操作可以增加种群的多样性，有助于避免陷入局部最优解。
5. 变异变异操作模拟基因的突变，通过改变个体的染色体中的一部分基因来产生新的个体。
变异操作可以引入新的解，有助于搜索更广的解空间。
6. 迭代优化通过不断地进行选择、交叉和变异操作，遗传算法能够逐步优化投资组合。
迭代次数越多，算法越有可能找到更优的解。
四、实际案例遗传算法在金融投资组合优化中已经得到了广泛的应用。
投资组合优化的算法和应用
投资组合优化的算法和应用随着金融市场不断发展，投资组合优化越来越成为了一种重要的理论和实践方法。
投资组合优化可以帮助投资者在可控的风险下同时获得更高的收益。
本文将介绍投资组合优化的算法和应用。
首先，我们将介绍投资组合优化的基础知识和相关概念。
然后，我们将介绍几个著名的投资组合优化算法。
最后，我们将讨论投资组合优化的具体应用。
一、投资组合优化的基础知识和相关概念投资组合是指投资者将不同的资产按照一定的比例组合起来，以达到一定的收益和风险控制的目的。
投资组合优化是指通过优化组合的投资比例来最大程度地实现预期的收益和最小化风险。
Markowitz于1952年提出的Modern portfolio theory（现代投资组合理论）建立了投资组合优化的基础，并提出了“有效边界”和“切线组合”等重要概念。
“有效边界”是指在给定的市场条件下，所有可能的投资组合组合构成的曲线中，收益率达到某一水平下组合方差最小的投资组合构成的曲线。
在有效边界上的任意一点都是最优的投资组合。
“切线组合”是指有效边界曲线与某一个点的切线相交于投资组合，这个投资组合既满足给定的目标收益率，同时又使投资者承担的风险最小。
二、优化算法1.最大化收益率最小化风险这个问题可以通过线性规划来解决。
将不同的投资组合看作向量，收益率和风险都可以看作向量的函数。
这个问题可以转化为：找到一组最小向量长度的权重向量，使得期望收益最大且方差最小。
2.最小化风险最大化收益率投资者有时候对风险比收益更敏感，这种情况下，最小化风险可能是首要目标。
这个问题可以通过二次规划来解决。
首先确定最小化风险的目标函数，其次约束期望收益的上限。
这个问题称为 Mean-Variance Optimization，是投资组合优化中最常见的问题之一。
3.支持向量机支持向量机（SVM）是一种基于统计学习的算法，SVM将分类问题的分割线尽可能地分离出两个分类，从而使得分类的误差率最小化。
遗传算法在投资组合模型中的应用
遗 传算法 （ ｅｅｉＡｌ ｒｈ 简 称 Ｇ … 起 源 Ｇ ｎｔ ｇ ｉ ｍ， ｃ ｏｔ Ａ） 于对生 物系统所 进 行 的计 算 机模 拟 研究 ， 是模 仿 自 然界生 物进化 机制发 展起来 的随机 全局搜 索和优 化
方法 。它能在 搜索 过程 中 自动获取 和积 累有关搜 索
允许卖空）其 中 Ｊ＝ （ ，， ，） 。 ， １１… １Ｔ 记各种证券 的 收益 率向量 为 Ｒ ＝ （ １ｒ， ， ） ， 尺 ｒ，２… ｒ Ｔ设 为投资
一
、
引 言
过程导致 种群 中个 体 的进 化 ， 到 的新个 体 比原 来 得 的个 体更 能适 应环境 。因此 ， 群整 体 的性能将 不 种 断改善 ， 经过若 干代 繁 衍进 化 后 就可 使群 体 性能 趋
于最佳 ， 从而 可获得 最优解 。
自 Ｍａｋ ｗｉ 在 １ ５ ｒｏ ｔ ｚ ９ ２年创 立 投 资 组合 理 论 以
用 的效 用 函数 ， 明投资者 是风险厌恶 的 ， 这也是 说 而 投资组合 理论 的基本 假 设 条件 之 一 。 风 险度量 函 记 数为 Ｑ（ ， 叫）则有 等价 的最 优投 资组合选择模 型 ：
ｆ ｎ 叫） ｍｉＯ（
案。在遗传算法 的每一代中 ， 根据个体（ 染色体） 在
问题域 中 的适应 度值 和从 自然遗传 学 中借 鉴来 的再 造方法进 行个 体选 择 ， 生 一个 新 的近似 解 。这 个 产
来 ， 资组合模 型成 为 金融 投 资 领域 研 究 的热 点 问 投
题之一 。尽 管学者们 先后 提出各 种不 同的投资组 合
模型 ， 各种模 型所要 解决 的 问题 只有一个 ， 但 即选 择 最优资 产配置 比例 。在 各 种 投 资组 合 模 型 中 ， 值 均
组合优化问题中的模型建立与求解方法研究
组合优化问题中的模型建立与求解方法研究随着人工智能技术的不断发展，组合优化问题的建模和求解方法逐渐成为了研究热点。
组合优化问题是指在一定约束条件下，从有限的可选项中选择出最优的组合方案，如工程规划、物流配送、投资组合等问题。
本文将探讨建立组合优化模型及其求解方法的研究进展。
一、组合优化模型建立1. 线性模型线性规划模型是组合优化中最基本的模型之一，通过构造一系列线性约束条件和目标函数，求解出满足约束条件的最大（小）值。
例如，在投资组合问题中，可以将每一项投资的收益和风险以及各项的投资比例表示成线性函数，求解出使预期收益率最大，规避风险风险最小的投资组合。
2. 非线性模型非线性模型相对于线性模型更为复杂，但在实际问题中更为常见。
例如，在旅行商问题中，需要寻找一条路径，使得经过的所有城市只访问一次，并且总路径最短。
这个问题无法用线性模型表示，需要采用非线性优化算法进行求解。
3. 混合整数规划模型在实际问题中，很多变量只能取整数值，而且该问题本身又是一个优化问题，因此需要采用混合整数规划（MIP）模型进行求解。
例如，在运输问题中，货物只能在整数数量上进行运输，此时需要构建MIP模型进行求解。
二、组合优化求解方法研究1. 线性规划法线性规划法是最基本的数学规划方法之一。
该方法通过求解线性规划模型的最优解，来得到组合优化问题的最优解。
线性规划法求解过程中，需要对线性规划模型进行求解，通过单纯形法等算法对模型进行求解，得到最优解。
然而，该方法在遇到非线性模型或超大规模问题时，效率会急剧下降。
2. 分支定界法分支定界法是解决混合整数规划问题的一种有效方法。
这种方法将原问题分解为一系列子问题，并将子问题的可行空间一步步缩小，最终得到最优解。
该方法特别适用于规模较小、分支量少的混合整数规划问题。
3. 遗传算法遗传算法是一种启发式优化算法，具有较好的全局搜索能力和适应性。
该算法模拟遗传和自然选择机制，通过不断选择优秀的个体和产生新的个体，最终寻找到问题的最优解。
基于遗传算法的证券投资组合模型的优化及最优解的测定
能小 的风 险， 而随着收益的增加 ， 证券 的风 险也随之增加 。如何在一定 的风 险水平下 ， 使 证券投 资者获取尽可能高的收益 ， 或者在一定 的收益 水平下 ， 使证 券投 资的风险尽可能小 ， 最明智 的方法 就是把 资金分散投 资在若干 种证券上 ， 构成 投资组合 。如何 确定一种 最适合 的投资组 合， 这便是现代投资组合理论研究的内容。 近年 来， 我国投 资企 业各项 工作取得 了显著 成绩 。但是 ， 由于我 国 投 资业起 步较晚 ， 投资发展较慢 ， 投资技术的落后 制约了我国投 资业 的 发展 ， 严重影响了我 国投资公司的竞争力。在 目前的市场经 济条件下 ， 在投 资业 １ ３益对外开放的环境中 ， 如何 进一步发展我国投资业 务， 提高 投 资效益 ， 是一个迫切需要研究 的课题。
科技信启
基于遗传算法的证券投姿组合旗型硇优化及最优髓晌测定
东华 欠学电工 电子 中心 赵 曙光 东华 大 学信 息 学院 刘 音
［ 摘 要］ 本文基 于遗传算 法， 建 立多 目 标算法的基金投资组合模型 ， 首先要对投 资的 资产进行分析 ， 分析资产产生风险的因素 ， 通过 因素分析 来提取指标 ， 利 用聚类分析的方法对指标进行 筛选 ， 建立股票资产风险指标体 系， 建立指 标的权 重集， 客观地分析各指标对 资产产 生风险的影响程度 ， 建立隶属度 矩阵， 通过隶属度的值 来判断 资产的类别。在 遗传 算法求解投资组合模型的过程 中， 首 先是 建立目 标 函数模 型， 将目 标 函数模 型作 为遗传操作的评估准 则． ． 和现有的 目 标函数模型相比有很 多改进 ， 现 有的投 资模型 中采用了 统计 学中的二次规划模型 ， 只将风 险最小， 或者收益最大作 为评价的 目标 函数 ， 基 于遗 传算法的投资组合模型用风系 数 的 最 优 解Ｉ
投资组合优化的最新研究进展
投资组合优化的最新研究进展随着经济全球化的加速和金融市场的日益开放，越来越多的投资者将资金投向国际市场，投资组合优化问题也成为了大家普遍关注的话题。
投资组合优化的目的是为了在风险控制的前提下，获得最高的收益。
然而，由于金融市场的复杂性和不确定性，投资组合优化问题一直以来都是一个难以解决的难题。
在近年来的研究中，投资组合优化的方法和技术不断地得到了不断的提升和完善。
本文将介绍一些最新的研究进展。
I. 蒙特卡罗模拟蒙特卡罗模拟是一种随机模拟方法，可以用来对投资组合的风险和收益进行预测。
在蒙特卡罗模拟中，会对多个随机变量进行多次模拟，然后利用统计分析方法来分析和预测未来的可能性。
最近，研究人员发现，在投资组合优化中，使用蒙特卡罗模拟可以提高优化结果的精度和可靠性。
通过对多次模拟的结果进行分析和预测，在风险控制的前提下，可以获得更高的收益。
II. 代价敏感的分界面学习代价敏感的分界面学习是一种机器学习技术，可以用来对金融市场进行分类和预测。
在投资组合优化中，使用代价敏感的分界面学习可以对投资机会和风险进行预测。
最近，研究人员发现，在投资组合优化中，使用代价敏感的分界面学习可以提高优化结果的精度和可靠性。
通过对多个特征进行学习和预测，在风险控制的前提下，可以获得更高的收益。
III. 神经网络模型神经网络模型是一种机器学习技术，可以用来对金融市场进行分类和预测。
在投资组合优化中，使用神经网络模型可以对投资机会和风险进行预测。
最近，研究人员发现，在投资组合优化中，使用神经网络模型可以提高优化结果的精度和可靠性。
通过对多个特征进行学习和预测，在风险控制的前提下，可以获得更高的收益。
IV. 遗传算法遗传算法是一种进化计算技术，可以用来进行全局优化。
在投资组合优化中，使用遗传算法可以对投资机会和风险进行全局优化。
最近，研究人员发现，在投资组合优化中，使用遗传算法可以提高优化结果的精度和可靠性。
通过对多个变量进行进化和优化，在风险控制的前提下，可以获得更高的收益。
基于遗传算法的多目标优化问题求解研究
基于遗传算法的多目标优化问题求解研究概述：多目标优化问题是现实生活中广泛存在的一类问题，对于这类问题求解难度较大，并且往往没有一个唯一的最优解。
基于遗传算法的多目标优化问题求解研究成为了一个研究热点。
本文将研究基于遗传算法的多目标优化问题求解方法。
引言：遗传算法是一种模仿生物进化过程的搜索算法，已经被广泛应用于多目标优化问题的求解中。
多目标优化问题是指在多个冲突的目标函数下，寻求一组最优解来平衡各个目标之间的权衡。
如何有效地利用遗传算法解决多目标优化问题成为了一个研究热点。
方法：基于遗传算法的多目标优化问题求解方法包括以下关键步骤：1. 建立适应度函数：在多目标优化问题中，适应度函数是非常重要的。
适应度函数用于评估每个个体的优劣程度，可通过目标函数的加权求和、Pareto支配关系等方式进行定义。
适应度函数的设计需要兼顾多个目标之间的权衡，并且在求解过程中需要根据具体问题进行调整。
2. 选择操作：选择操作是遗传算法的核心步骤之一，用于选择适应度较好的个体作为父代。
常用的选择算子包括轮盘赌选择、锦标赛选择等。
选择算子的设计需要考虑到多目标优化问题的特性，既要兼顾个体的适应度值，又要保持种群的多样性。
3. 交叉操作：交叉操作是指将已选择的个体进行染色体交叉，产生新的个体。
在多目标优化问题中，交叉操作需要保持新生成个体的性状与父代个体之间的关联，并且需要在多个目标之间进行权衡。
常用的交叉算子包括单点交叉、多点交叉、均匀交叉等。
4. 变异操作：变异操作是指对某些个体进行基因位点的变异，增加种群的多样性。
在多目标优化问题中，变异操作需要兼顾多个目标之间的权衡。
常用的变异算子包括单点变异、多点变异、非一致变异等。
5. 停止准则：停止准则用于判断遗传算法是否达到了终止条件。
在多目标优化问题中，停止准则的设计需要考虑到多个目标之间的权衡以及算法的收敛性。
常用的停止准则包括达到最大迭代次数、满足一定收敛条件等。
应用：基于遗传算法的多目标优化问题求解方法已经被广泛应用于各个领域。
投资组合优化的模型比较及实证分析
投资组合优化的模型比较及实证分析随着金融市场的不断发展和成熟，投资者的投资选择逐渐多样化。
而投资组合优化作为降低风险、提高收益的有效手段，受到了越来越多的关注。
在这篇文章中，我们将对比几种常见的投资组合优化模型，并实证分析其表现。
1. 经典的Markowitz模型Markowitz模型也被称为均值-方差模型，是投资组合优化模型的经典代表之一。
该模型的基本原理是在最小化投资组合的风险的同时，尽可能提高其收益。
因此，该模型需要在投资组合中选择多个资产，并极力实现投资组合的最优化。
具体来说，该模型需要求解出有效前沿的组合（即收益最高、风险最小的组合），以确定投资组合中各资产的权重和比例。
但是，该模型存在一个主要缺陷：其假设了收益率服从正态分布，而实际上收益率存在着长尾分布、异常值等复杂情况，因此该模型可能存在很多的偏差。
2. Black-Litterman模型Black-Litterman模型是基于Markowitz模型而开发的投资组合优化模型。
该模型对Markowitz模型的改进之处在于引入了主观观点（也称为信息预测）和全局最优化。
具体来说，该模型假设投资者不仅仅考虑收益和风险，还需要考虑经济学因素、行业变化等其他情况，而这些情况并不受到Markowitz模型的考虑。
Black-Litterman模型能够将这些信息预测和其他重要因素加入到投资组合选择中，并在保持风险最小化的同时最大化整个投资组合的效益。
3. 贝叶斯模型贝叶斯模型是一种基于贝叶斯统计理论而设计的投资组合优化模型。
贝叶斯理论认为，根据先验知识和新的经验结果，可以不断更新和改变对概率分布的信念和预测。
具体来说，该模型需要分别分析资产的收益率分布和投资者的收益率目标分布，并在这些基础上进行投资组合的优化。
与Markowitz模型的区别在于，贝叶斯模型使用了长期数据作为先验分布，可以在非正态的、短期收益数据的基础上建立更准确的预测。
4. SAA/TAA模型SAA/TAA模型是一种基于战略资产配置（SAA）和战术资产配置（TAA）的模型。
基于遗传算法的最优化问题求解研究
基于遗传算法的最优化问题求解研究随着计算机技术的不断发展和应用领域的不断拓展，最优化问题求解一直是一个备受关注和研究的领域。
在实际应用中，最优化问题求解可以帮助我们提高资源利用率、优化生产流程、提升经济效益等等。
而遗传算法作为一种强大的优化算法，在最优化问题求解中得到了广泛的应用。
一、遗传算法的基本原理和流程在介绍基于遗传算法的最优化问题求解前，我们需要先了解一下遗传算法的基本原理和流程。
遗传算法是一种模拟自然选择和自然遗传机制进行优化的算法。
其基本流程如下：1. 初始化种群：随机生成一定数量的初始个体，使用随机数生成器产生一组随机数来设置初始基因型。
2. 个体评价：将每个个体的基因型转换成表现型，并通过评价函数获得每个个体的适应度值。
3. 选择操作：根据适应度值选择优秀的个体，并对其进行遗传操作，如交叉、变异等。
4. 交叉操作：按一定的概率对被选择的个体进行交叉操作，将其基因片段互换。
5. 变异操作：按一定的概率对交叉后的个体进行变异操作，将其基因中的某些位点进行改变。
6. 新种群生成：经过一定数量的选择、交叉和变异操作后，产生新的一代种群。
7. 结束判断：对新种群的适应度进行评价，判断是否满足结束条件。
如果不满足，则回到第三步，继续进行选择、交叉和变异操作。
二、最优化问题求解的应用基于遗传算法的最优化问题求解可以应用于众多领域，如工程优化设计、金融投资决策、物流优化、人工智能等等。
工程优化设计方面，可以通过遗传算法对设计参数进行搜索和优化，降低成本并提高生产效率。
比如在某个水力发电站的设计中，可以使用遗传算法对机组的优化性能进行设计，提高电能利用率，降低发电成本。
金融投资决策方面，可以利用遗传算法对投资组合进行优化，并选择合适的投资策略。
在股票投资中，可以利用遗传算法对市场行情进行预测和分析，帮助投资者制定正确的投资策略。
物流优化方面，可以通过遗传算法对运输路径进行优化调整，减少成本，并提高运输效率。
投资组合优化的多目标决策算法研究
投资组合优化的多目标决策算法研究在当今复杂多变的金融市场中，投资者们都渴望找到一种能够实现风险最小化和收益最大化的理想投资组合策略。
投资组合优化作为金融领域的重要研究课题，旨在通过合理配置资产，达到投资者的特定目标。
而多目标决策算法的引入，则为解决这一复杂问题提供了新的思路和方法。
要理解投资组合优化的多目标决策算法，首先得明白投资组合的基本概念。
简单来说，投资组合就是投资者将资金分配到不同的资产类别，如股票、债券、基金、房地产等，以实现一定的投资目标。
而优化投资组合，则是在考虑各种因素，如资产的预期收益、风险水平、相关性等基础上，找到一种最优的资产配置方案。
传统的投资组合理论主要基于均值方差模型，由马科维茨提出。
这个模型主要关注投资组合的预期收益和风险（用方差来衡量），通过求解一定的数学方程，得到最优的投资组合。
然而，现实中的投资组合优化问题往往更加复杂，投资者可能不仅关心收益和风险，还会关注其他因素，比如流动性、投资期限、资产的社会责任等。
这就引出了多目标决策的概念。
多目标决策问题的特点是存在多个相互冲突的目标，无法同时达到最优，只能在这些目标之间进行权衡和折衷。
在投资组合优化中，常见的目标包括最大化收益、最小化风险、最大化流动性、最小化交易成本等。
为了解决这些多目标优化问题，研究人员提出了各种各样的算法。
其中，一种常见的算法是基于进化算法的方法。
进化算法是一类模拟生物进化过程的随机搜索算法，如遗传算法、粒子群优化算法等。
以遗传算法为例，它通过模拟自然界的遗传和变异过程，对投资组合的配置方案进行不断的迭代和优化。
在每一代中，通过评估每个个体（即投资组合方案）的适应度（根据多个目标函数计算得出），选择优秀的个体进行交叉和变异，产生新的个体，逐步逼近最优的投资组合。
另一种重要的算法是基于模拟退火算法的方法。
模拟退火算法的灵感来源于固体退火过程，它在搜索最优解的过程中，不仅接受使目标函数变好的解，还以一定的概率接受使目标函数变差的解，从而避免陷入局部最优解。
基于遗传算法的量化投资策略的优化与决策
发 展 最 为 迅 速 ， 主 要 是 指 依 据 于 一 个 混 合 的 数 它 量 模 型 或 技 术 指 标 产 生 的 交 易 信 号 来 进 行 一 揽 子
证 券 的买 卖 。 对 于 金 融 市 场 上 交 易 策 略 ， 同 学 者 从 多 种 不
位 风 险 收 益 率 最 大 和 有 风 险 偏 好 系 数 两 种 情 况 下 的 组 合 证 券 投 资 决 策 模 型 。 刘 善 存 、 寿 阳 提 出 汪
了 一 种 证 券 组 合 投 资 分 析 的 对 策 论 方 法 。 阳 建 伟
研 究 了 行 为 金 融 及 其 投 资 策 略 ， 重 对 反 向 投 资 着
酉 。 己
但 是 ， 数 学 者 的 研 究 都 是 基 于 某 些 具 体 的 多 交 易 策 略 展 开 ， 少 涉 及 不 同 交 易 策 略 之 间 的对 很 比研 究 ； 次 对 于交 易 策 略 的优 化 ， 往 是 只是 针 其 往 对 单 一 策 略 ， 者 只是 从 理 论 上 给 出其 求 解 方 法 ， 或 在 实 践 上 却 很 难 实 施 。 我 们 知 道 基 于 数 量 化 模 型
策 略 、 量 交 易 策 略 以 及 成 本 平 均 和 时 间 分 散 化 动 策 略 进 行 了 深 入 探 讨 。 宋 德 章 系 统 研 究 了 中 国 股 票 市 场 投 资 策 略 ， 提 出 了 一 套 财 务 分 析 方 法 和 并 投 资 策 略 组 合 。 姜 国 华 阐 述 了 基 于 会 计 信 息 进 行 证 券 投 资 策 略 研 究 的 问 题 。 高 培 旺 、 艺 讨 论 了 周 证 券 组 合 投 资 决 策 的 新 方 法 ， 方 法 可 以 动 态 调 该 整 证 券 组 合 的 期 望 收 益 率 、 险 和 组 合 的 投 资 分 风
投资组合优化模型及算法研究
投资组合优化模型及算法研究在当今的金融领域，投资组合的优化是投资者实现资产增值和风险控制的重要手段。
投资组合优化模型及算法的研究，旨在通过科学的方法和技术，找到最优的投资组合方案，以满足投资者在收益和风险之间的平衡需求。
投资组合优化的核心目标是在给定的风险水平下，实现投资收益的最大化，或者在给定的收益目标下，将风险降至最低。
为了实现这一目标，需要综合考虑多种因素，如不同资产的预期收益、风险水平、资产之间的相关性等。
常见的投资组合优化模型包括均值方差模型、均值绝对偏差模型、均值 CVaR 模型等。
均值方差模型是由马科维茨提出的，它以资产的预期收益均值和收益的方差作为衡量投资组合绩效的指标。
该模型假设资产收益服从正态分布，通过求解二次规划问题来确定最优投资组合。
然而，在实际应用中，资产收益往往不服从正态分布，而且计算方差需要大量的历史数据，这在一定程度上限制了均值方差模型的应用。
均值绝对偏差模型则以资产收益的均值和绝对偏差作为优化目标，避免了方差计算对正态分布假设的依赖。
但绝对偏差的计算相对复杂，增加了模型求解的难度。
均值 CVaR 模型是一种基于风险价值（VaR）的改进模型，它以资产收益的均值和条件风险价值（CVaR）作为优化目标。
CVaR 能够更好地衡量极端情况下的风险，对于风险厌恶型投资者具有一定的吸引力。
在投资组合优化算法方面，传统的算法如线性规划、二次规划等在处理小规模投资组合问题时表现出色，但对于大规模、复杂的投资组合问题，往往计算效率低下。
为了提高算法的效率和求解能力，近年来出现了许多智能优化算法，如遗传算法、粒子群优化算法、模拟退火算法等。
遗传算法是一种基于生物进化原理的优化算法，它通过模拟自然选择和遗传变异的过程，来寻找最优解。
在投资组合优化中，遗传算法可以有效地处理多变量、非线性的问题，并且具有较好的全局搜索能力。
但遗传算法也存在收敛速度慢、容易陷入局部最优等问题。
粒子群优化算法则是通过模拟鸟群的觅食行为来寻找最优解。
投资组合优化的数学模型
投资组合优化的数学模型投资组合优化是指通过对投资资产进行适当配置，以使得投资组合的风险降低，同时收益最大化。
在实际投资中，很多投资者会面临如何合理配置资金的问题，而数学模型可以提供一种科学的方法来解决这个问题。
1. 投资组合优化的基本原理在投资组合优化中，我们首先需要确定一组可选的投资资产，每个资产都有相应的收益和风险。
然后，我们需要选择一个适当的优化目标，例如最小化风险或最大化收益。
接下来，我们需要建立一个数学模型来描述投资组合的收益和风险之间的关系。
2. 投资组合优化的数学模型最经典的投资组合优化模型是马科维茨模型，它是由诺贝尔经济学奖得主哈里·马科维茨提出的。
该模型将投资者的目标定义为最小化投资组合的方差或标准差，并在给定风险水平下，最大化投资组合的预期收益。
马科维茨模型的数学表示如下：假设有n个投资资产，每个资产的收益率为ri，投资组合的权重为wi，投资组合的预期收益率为E(Rp)，协方差矩阵为Σ。
那么，投资组合的方差可以表示为：Var(Rp) = wTΣw其中，w为权重向量，T表示转置。
通过求解上述方程，可以得到最优权重向量w*，使投资组合的方差最小。
3. 投资组合优化的约束条件在实际投资中，我们通常会面临一些约束条件，例如资产分配比例、最大持仓限制、风险控制约束等。
为了使模型更贴近实际情况，我们需要将这些约束条件加入到数学模型中。
通常，这些约束条件可以表示为一个线性约束条件矩阵A和一个约束条件向量b。
例如，最大持仓限制可以表示为：Aw ≤ b通过将约束条件引入数学模型，可以保证得到的最优解符合实际的投资要求。
4. 投资组合优化的计算方法求解投资组合优化模型的一种常用方法是使用数值计算的优化算法，例如线性规划、二次规划、遗传算法等。
线性规划方法适用于线性约束条件的模型，可以通过求解线性方程组来得到最优解。
二次规划方法适用于马科维茨模型等非线性模型，可以通过求解二次规划问题来得到最优解。
投资组合优化模型及算法分析
投资组合优化模型及算法分析投资组合优化是投资者在面对多种投资选择时，通过合理配置资金，以达到最大化收益或最小化风险的目标。
在过去的几十年中，投资组合优化模型和算法得到了广泛的研究和应用。
本文将对投资组合优化模型及其相关算法进行分析。
一、投资组合优化模型1.1 均值-方差模型均值-方差模型是投资组合优化中最经典的模型之一。
该模型基于投资者对资产收益率的期望值和方差的假设，通过最小化方差来寻找最优投资组合。
该模型的优点是简单易懂，但也存在一些问题，如对收益率的假设过于简化，无法处理非正态分布的情况。
1.2 均值-半方差模型均值-半方差模型是对均值-方差模型的改进。
该模型将方差替换为半方差，即只考虑收益率小于预期收益率的风险。
相比于均值-方差模型，均值-半方差模型更加关注投资组合的下行风险，更适用于风险厌恶型投资者。
1.3 风险平价模型风险平价模型是基于风险平价原则构建的投资组合优化模型。
该模型将不同资产的风险权重设置为相等，以实现风险的均衡分配。
风险平价模型适用于投资者对不同资产风险敏感度相同的情况，但对于风险敏感度不同的情况，该模型可能无法提供最优解。
二、投资组合优化算法2.1 最优化算法最优化算法是投资组合优化中常用的算法之一。
最优化算法通过数学优化方法，如线性规划、二次规划等，寻找最优投资组合。
这些算法能够在较短的时间内找到最优解，但对于大规模的投资组合问题，计算复杂度较高。
2.2 蒙特卡洛模拟蒙特卡洛模拟是一种基于随机抽样的方法，通过生成大量样本来近似计算投资组合的风险和收益。
该方法能够处理非线性和非正态分布的情况，并且可以考虑到不同资产之间的相关性。
但蒙特卡洛模拟也存在一些问题，如计算时间较长和结果的随机性。
2.3 遗传算法遗传算法是一种模拟生物进化的优化算法。
该算法通过模拟自然选择、交叉和变异等过程，逐步优化投资组合。
遗传算法能够处理非线性和非凸优化问题，并且对于大规模投资组合问题具有较好的适应性。
投资组合优化问题研究
投资组合优化问题研究在资本市场中，投资组合优化问题一直是投资者和学者关注的热点。
投资组合在投资过程中起着至关重要的作用，投资组合的构建不仅关系到投资者的收益，还与风险控制密切相关。
因此，如何优化投资组合成为了投资者的关注焦点。
投资组合是指将多种资产按一定的比例组合而成的投资方案。
投资组合中的各种资产有着不同的收益率和风险，投资者在构建投资组合时需要在收益与风险之间取得平衡，以达到最优化的投资效果。
投资组合优化问题是指在确定一定的投资条件和限制条件下，找出收益率最高或风险最小的投资组合。
投资组合优化问题在不同的应用场景下有着不同的形式，但核心问题都是如何求解最优的投资组合。
投资组合优化问题通常涉及到的参数有投资者所持有的资产种类、每个资产的预期收益率、风险、相关系数、权重等。
确定这些参数对于投资组合的构建至关重要，因为不同的参数选择会对投资组合的收益和风险产生不同的影响。
投资组合优化问题可以通过不同的方法来求解。
其中，基于统计学的风险模型研究比较成熟，主要包括马科维茨模型、CVaR模型等等。
除了这些方法外，近年来，基于机器学习的投资组合优化方法也受到了越来越多的关注。
这些方法包括神经网络、遗传算法等，利用机器学习的能力来处理大量的数据，挖掘数据中隐藏的规律，找到最优的投资组合。
马科维茨投资组合优化模型是一个经典的投资组合优化模型，它是通过平衡收益和风险来构建投资组合。
马科维茨提出了一个前沿面的概念，即所有收益与风险比例相同的投资组合构成的前沿面上，每个点都是有效的投资组合，投资者可以从中选择符合自己需要的投资组合。
CVaR模型是一种基于风险度量的投资组合优化方法，它是将VaR与期望损失结合起来，通过求解期望损失的最小值来求解最优的投资组合。
除了传统的投资组合优化方法外，基于机器学习的投资组合优化方法也在近年来逐渐受到了关注。
神经网络是一种被广泛应用于机器学习的模型，它可以通过学习数据中的规律，构建出一个概率模型，用于预测股票的收益率和风险。
一种基于改进免疫遗传算法的证券组合投资策略
Ｚ ｅ ｇＪａ ｇ ｎ Ｗ ａ ｇＸｌｇ ｕ ｈ ｎ ｜ｎ ａ ｇ ｎ ｎ ｙ
（ｃｏｌ ｆｎ ｒ ａｏ ｉ ｃ Ｔｃｎｌ ｙＥ ｓＣ ｉ ｎ ｅｓｙｏ Ｓｉ ｃ Ｓｈｏ ｏ ｆ ｍ ｔ ｎＳ ｅ ｅ＆ ｅｈｏ ｇ ，ａｔ ｈ ａＵ ｉ ｒｔ ｆ ｅ ｅ＆ Ｔ ｈｏ ｇ，Ｓａｇ￣ Ｉｏ ｉ ｃ ｎ ｏ ｎ ｖ ｉ ｎ ｃ ｃ ｅｎ ｌ ｏ ｙ ｈｎｈ
ｗ ｒ ｆｒ ｋ ｒｓ ｅ ｔ ｅｙ ｎ ｄ ｃｅ ｒ ａ ｏ ｔｔｅ ｒｌｔ ｎ ｈｐ ａ ｎ ｅ ａｄ ｏ ｓ ｅ ｐ ｃｉ ｌ 。ａ ｌａｓ ｂ ｕ ａ ｏ ｓ ｍｏ ｔ ｍ．， ｌ ｍｅ ｏ ｆｐｅｅ ｅ ｃ ｄ ｕ ｅｇ ｔｉ ａ ｏ ｔｄ ｔ ａａ ｃ ｉ ｖ ｈ ｅ ｉ ｉ ｇ ｈ Ｉｅ １ ｔ ｄ ｏ ｒｆｒｎ ｍｏ ｕ ｓ ｗ ｉ ｓ ｄ ｐ ｅ ｏ ｂ ｌｎ ｅ ｈ ｅ ｌ ｈ ｈ ｍ．， ｌ ｒｓ ｔｏ ｍｕａ ｏ ｄ ｃ ｔ ａ ｓｌ ｅ ｒｂ ｔ ｅ ｅ ｌ ８ ｏ ｓ ｄ ｔｅ ｒｗ ｒ ｆｒ ｋ ｕ ｏ ｅｗ ｅ ｅ ｌ６ ｆ ｓ ｄ ｔｅ Ｉ ｅ ｅ ｕ ｆ ｌ ｔ ｎ ｉｉ ａｅ ｔ ｔ ｔｉ ｉ ａ ｅｗｅ ｎ ｔ ０ ｆｒ ｋ ａ ｅ ａｄ ｏ ｓ ．ｂ ｔ ｔ ｔ ｅ ｎ ｔ ８ｏ ｋ ａ １ ｌ ｅ ｉ ｎ ｓ ｈ ｉ ｎ ｈ ６ ｉ ｎ ｈ ｉ ｎ ｂ ｈ ０ ｉ ｒ ｎ ｔ ｅｅ ｍｉｇ ，ｅｄ ｏ ｖ ｔ ｎ ．Ｉ ａ ｈｅ ｅ ｏ ｄ ｒｓ ｔ ｈ ａ ｎ ｆ ｌ ｆｉ ｅ ｍｅ ｔ ｔ ｃ ｖ ａｇ ｏ ｅｕ ． ｓ ｉ ｎｓ ｉ ｓ ｌ
基于多目标优化算法的投资组合优化研究
基于多目标优化算法的投资组合优化研究随着金融市场的发展和投资意识的增强，投资组合成为了一种越来越流行的投资方式。
投资组合是指通过将不同的投资品种组合在一起，以期望在风险控制的前提下获取更好的收益。
而在投资组合的构建中，多目标优化算法被广泛应用。
多目标优化算法是指在多个目标函数之间进行权衡和平衡，得到最优解的一类算法。
在投资组合中，多目标优化算法的应用可以使得投资组合既能获得合适的收益，又能在一定程度上规避风险。
在投资组合的构建中，最重要的一步就是确定投资品种的权重。
而多目标优化算法可以根据投资者的需求和风险偏好，自动调整不同的投资品种的权重，从而构建一个最优的投资组合。
多目标优化算法的运用可以提高投资组合构建的效率和准确性，减小人为因素对投资组合的影响。
在多目标优化算法中，最常用的算法包括遗传算法、模拟退火算法、禁忌搜索算法等。
这些算法在搜索空间中寻找最优解的方法不同，但都能够有效地解决多目标优化问题。
以遗传算法为例，其基本思路是模拟生物进化的过程，通过不断的交叉、变异、选择等操作，不断生成新的个体，并逐步进化为最优解。
在投资组合的构建中，遗传算法可以根据投资者的需求来确定不同的目标函数（如最小化风险、最大化收益等），并通过不断迭代得到最优解。
同时，遗传算法还能够避免陷入局部最优解的问题，具有很强的全局搜索能力。
另一个重要的问题是如何确定目标函数。
在投资组合中，目标函数一般包括风险和收益两个方面。
在确定目标函数时，需要根据投资者的风险偏好和收益预期来进行权衡和平衡。
一般来说，风险和收益之间存在一定的权衡关系。
即风险越高，收益也可能越高，反之亦然。
因此，如何选择合适的风险指标和收益指标至关重要。
风险指标包括标准差、变异系数等，而收益指标包括年化收益率、累积收益率等。
除了风险和收益，还有一些其他的目标函数，如流动性、投资期限等。
在构建投资组合时，需要根据投资者的需求来选择不同的目标函数，并综合考虑它们之间的关系来确定最终的投资组合。
组合优化问题与算法研究进展
组合优化问题与算法研究进展在当今数字化和信息化的时代，组合优化问题在各个领域中扮演着至关重要的角色。
从物流运输的路径规划，到生产制造中的资源分配，再到通信网络的频谱分配，组合优化问题无处不在。
这些问题的解决不仅影响着企业的运营效率和成本，也关系到社会资源的合理利用和可持续发展。
因此，对组合优化问题及其算法的研究具有重要的理论意义和实际应用价值。
组合优化问题是一类在给定的有限集合中寻找最优解的问题。
其特点是可行解的数量通常是有限的，但可能非常庞大，以至于无法通过穷举法来找到最优解。
例如，旅行商问题（Travelling Salesman Problem，TSP）就是一个经典的组合优化问题，要求找到一个推销员在给定的城市集合中旅行的最短路径，且每个城市只能访问一次。
这个问题的可行解数量随着城市数量的增加呈指数增长，对于较大规模的问题，直接求解几乎是不可能的。
为了解决组合优化问题，人们提出了各种各样的算法。
这些算法大致可以分为精确算法和启发式算法两大类。
精确算法能够保证找到问题的最优解，但通常只适用于规模较小的问题。
常见的精确算法包括分支定界法、动态规划法等。
以分支定界法为例，它通过将问题的解空间逐步分解为子空间，并对每个子空间进行评估和剪枝，从而缩小搜索范围，最终找到最优解。
然而，当问题规模较大时，精确算法的计算时间和空间复杂度往往会急剧增加，使其在实际应用中受到很大限制。
相比之下，启发式算法虽然不能保证找到最优解，但能够在合理的时间内给出一个较好的近似解。
启发式算法通常基于问题的特征和经验知识，通过一定的策略来搜索解空间。
常见的启发式算法包括贪心算法、局部搜索算法、模拟退火算法、遗传算法等。
贪心算法在每一步都选择当前看起来最优的决策，虽然简单高效，但容易陷入局部最优解。
局部搜索算法则从一个初始解出发，通过在其邻域中搜索来逐步改进解的质量。
模拟退火算法借鉴了物理中固体退火的过程，在搜索过程中以一定的概率接受较差的解，从而有可能跳出局部最优。
投资组合优化的演化算法研究
投资组合优化的演化算法研究一、引言投资组合优化是金融领域的经典问题之一，目的是通过优化资产分配达到最大化收益或最小化风险的目标。
传统的投资组合优化方法主要是基于数学模型和统计分析来进行选股和配置资产，然而这种方法存在一定的限制，比如无法考虑到投资者的个人喜好和市场实际情况等因素。
为了解决这些问题，演化算法被引入到投资组合优化领域，成为一个非常有前途的研究方向。
二、演化算法简介演化算法是一种基于生物演化过程的最优化算法，它通过模拟自然选择、遗传变异和遗传交叉等机制来搜索最优解。
演化算法具有高度的鲁棒性和适应性，能够在复杂、多峰和非线性问题上获得良好的解，并且具有全局收敛性。
三、演化算法在投资组合优化中的应用1.标准粒子群优化算法标准粒子群优化算法是一种基于群体智能思想的优化算法，它采用一组粒子来代表潜在解，每个粒子都有位置和速度属性，并且通过多次迭代来寻找最优解。
该算法通过对每个粒子对应的投资组合权重进行调整，最终得到一个满足收益和风险限制的投资组合。
2.遗传算法遗传算法是一种基于遗传学和进化生物学的优化算法，它通过模拟自然界的遗传操作来进行搜索。
在投资组合优化中，遗传算法可以构造适应度函数来评价每个个体的投资组合效果，并通过遗传方法来生成下一代，最终得到一个最优的投资组合。
3.蚁群算法蚁群算法是一种基于蚁群行为的优化算法，它通过模拟蚂蚁在寻找食物过程中的信息共享和个体行为来进行搜索。
在投资组合优化中，蚁群算法可以用来寻找最大化收益和最小化风险的投资组合，并且可以模拟市场波动和交易成本等实际情况。
四、演化算法在投资组合优化中的优势和不足演化算法在投资组合优化中具有以下优势：1.考虑到投资者个人喜好和实际情况，提高了优化效果。
2.具有高度的鲁棒性和适应性，能够在复杂、多峰和非线性问题上获得良好的解。
3.具有全局收敛性，能够保证搜索到全局最优解。
演化算法在投资组合优化中也存在以下不足：1.搜索速度较慢，需要多次迭代才能收敛。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基 于混合 遗传 算 法 的投 资组 合 优 化 改进 模 型 研 究
李 云 飞 ，李 鹏雁
（ ． 尔滨工业大学 管理学院，黑龙江 哈 尔滨 １ ００ ； ． 尔滨工业大学 人文学院，黑龙江 哈 尔滨 １０ ０ ） １哈 ５０ １２ 哈 ５０１
摘 要 ： 证券 投 资 组 合优 化 问题 的 实质 就 是 有 限 的 资产 在 具 有不 同风 险 收 益特 性 的证 券 之 间 的优 化 配 置 问题 。
维普资讯
第３ ２卷 第 ｌ期
燕 山大 学 学报
Ｊ ｕ ｎａ ｆＹａ ｈａ ｎｖｅ ｓｔ ｏ ｒ ｌｏ ｎｓ ｎＵ ｉ ｒｉｙ
ＶＯ１ ３ ｏ． １ ． ２Ｎ Ｊ ｎ． ２０ ａ ０８
２０ 年 １ ０８ 月
文 章 编 号 ： １ ０ —９ Ｘ （０ ８ １０ ６ —５ ０ ７７ １ ２ ０ ）０ —０ ５０
立 了证 券投 资组 合决策 系统 的期 望值 模型及 机会 约束规划模 型 ， 最后设计 了基 于随机模 拟的遗传算
法， 该方法有 效地解决 了证券投 资组 合模型的优化
问题 。 上述研 究的缺 陷在于仅 在风 险度量方法上 作 了改进 ，如采用方差 、绝对 离差、半离差 、Ｖ Ｒ Ａ 等度量风 险， 然而 未能提 出一个恰 当的风 险与收益 相 匹配 的 目标优 化 函数 ，而且 在模 型 的求 解算 法
晓虹和 曹军梅 （ ９ ９年 ）设计 出 了一个 比较理想 １９
的有效证券组合选取策 略， 并把遗传算法 （ ｎ ｔ Ｇｅｅｉ ｃ Ａ ｇ ｒｈ ｌｏｉ ｍ） 引入证券 组合理论 ，有效解决 了 Ｍａ ｔ — ｒｏ ｔ 模型 中协方差 矩阵不可逆时 的求解 问题 ０。 ｋ ｗｉ ｚ 庄新路 、庄新 田和黄 小原 （０ ３年 ）在二 目标有 ２０ 价证券选择基础 上，引入风险指标 Ｖ Ｒ，以收益 Ａ 率与风 险损 失为 目标 ，提 出新 的投 资组 合优化 模
型， 并依据深圳股票市场 ９只股票 收益率 数据作 了 实证研 究 口。任建芳、赵瑞清和鲍 兰平 （０ ０年） ２０ 讨 论 了当投 资的预 期收益 率和 风险损 失率 为 随机
变量时 ， 证券投资组合模 型的优化 问题 ， 分别 建 并
收稿 日期 ：２０ —２１ ０７ １—８
基 金项 目： 国 家 自然 科 学 基 金 资助 项 目 （０７ ０ ０ ７ ５３ ３ ）
期李云飞等基于混合遗传算法的投资组合优化改进模型研究结论张璞白晓虹曹军梅最优证券组合的选取及算法研究延安大学学报自然科学版理论上讲以作为风险度量工具和以作为目标优化函数的投资组合优化模型庄新路庄新田黄小原基于风险指标的投资组合模糊优化数学的实践与认识能够将投资决策的风险和收益二重目标约束整合任建芳赵瑞清鲍兰平随机最优证券投资组合模型系为的单目标约束该目标函数能够更好地统工程理论与实践反映投资组合的风险收益特性并能够为投资决策张晖吴斌余张国引入模拟退火机制的新型遗传算法提供可靠的依据实证研究的结果也为该理论模型电子科技大学学报的科学性和有效性提供了佐证
决策 ， 即投 资者的效用是 投资期望收益和 风险的函
数 ；二是投 资者 坚持 “ 最大化 原则” ，即投 资者将
是上下 波动 的 ，我们 把 收益率 为负 的记作损 失样 本 ，把收 益率为正的记作收益样本 ，期望收益 （ 的概 率密 度函数位于纵轴右侧 ， 期望损失 ） 的概
率密 度函数位于纵轴左侧 。 于单只股票来讲 ， 对 只
上， 遗传算法先天存 在着局部寻优 能力差和 早熟 问
性条件 下理 性投 资者进行 资产 组合投 资 的理论 和
方法 ， 第一 次用精确 的数理模型证 明了分散投资的
优点， 该模 型是 目前投资理论和投 资实践 的主流方
法。
题 ，其 自身无法 克服 。
针对上述 问题 ， 本文提 出 了以 Ｒ Ｏ 为 目标 ＡＲ Ｃ
选择 能够 以较低 的风 险代价 换取较 高收益 水平 的 投资组合 。该模型可用数学语 言表 示为
ｍａ ｔ 心 Ｘ ｆ Ｒ
有 收益率为负才能被视为风 险。 因此可 以用单个股
１ 基 于 Ｒ ＯＣ投 资组 合 模型 建 立 Ａａｋ ｗｉ ．１ １ ｒｏ ｔ ｚ的均值 一方 差模 型 按照 Ｍａｋ ｗｉ ｒｏ ｔ ｚ的理论 ， 市场上 的投 资者都是 理性 的，即偏好收益厌恶风 险，并存 在一个 可 以用 均值和方差表示 的投 资效用 函数 。 理性投 资者的投 资决策遵循 以下原 则： 一是投资者按照其对投 资对
中图分 类号 ：Ｆ ３ ．１ ８ ０９ 文 献 标 识码 ：Ａ
０ 引言
１５ ２年 ，Ｍａｋ ｗｉ 在 《 ９ ｒｏ ｔ ｚ 金融杂志》上发表 的 里程碑性 的论文 《 证券 组合选择》奠定 了证券组合 理论 的基础 ，标志着现代证券 组合理论 的开端 。 Ｍａｋ ｗｉ 提 出的均值 一方差模型 开创 了在不确定 ｒｏ ｔ ｚ
本文在马克维茨投资组合 的均值一方差模型框架下 ， 出改进的证券投资组合优化模型，即 以 Ｖ Ｒ作为风险度 提 Ａ
量 工 具 和 以 Ｒ Ｒ Ｃ 作 为 目标 优 化 函数 的投 资 组合 优 化 模 型 。 从理 论 上 讲 该模 型 更 符 合投 资工 具 的 风 险 收益 规 Ａ Ｏ 律 ，同 时采 用 遗 传算 法 求 解 也 保证 了该 模 型在 投 资 实 践 中应 用 的有 效 性 。 该模 型 和 求 解 方法 的有 效 性在 上 证 Ａ 股 市 场 的实 证 研 究 中得 到 了验证 。 关 键 词 ：投 资 组 合 ；混 合 遗传 算 法 ； 风 险价 值 ；风 险 调整 资本 收 益
在 现代 金融领 域 中有关 投 资组合 理论 的研 究
主 要集 中在 以 Ｍａｋ ｗｉ ｒｏ ｔ ｚ均值 一方 差模型 为蓝 本 的模 型改进研 究和模型求解算法研究上 。张璞、白
优化 函数的股票投 资组 合改进模型 ， 并将模拟退火 算法 引入基本遗传 算法 中， 模拟退火混合遗传算 用 法对 模型求解具有全局 收敛、求解速度 快、避免过 早熟 等优 点 。
作者简介：李云飞 （９ ９ ） １７一 ，男，辽宁锦州人 博士研究生 主要研究方向为金融理论和方法应用。
维普资讯
６ ６
燕 山大学 学 报
２ ０ ０８
象 所具 有 的期望收 益和 风险程 度 的估 计作 出投 资
假 定在投资组合持有期 内， 每支股票 的收益都