基于拟蒙特卡罗的多目标投资组合优化

投资组合最优化是定量经济学中一个很重要的问题,主要研究金融资产的优化配置,以实现收益最大化和风险最小化的均衡.近两年,蒙特卡罗模型被应用到一些关于投资组合最优化的实验研究中,但是其稳定性不是很高.该文提出如何在权重超平面上生成低差异权重向量序列的方法,以实现了稳定性更高的基于拟蒙特卡罗的多目标投资组合优化模型.实验结果表明,相比蒙特卡罗模型,拟蒙特卡罗方法平均收益稍大,且更稳定.     

基于OpenCL的隐马尔可夫模型的GPU并行实现

隐马尔可夫模型(HMM)是建立在马尔可夫链的基础上的统计模型.虽然隐马尔可夫模型是一种计算高效的机器学习模型,但是当处理的数据集规模过于庞大时,分析的时间太长.因此,我们有必要研究隐马尔可夫模型的并行化设计,以提高模型的运算速度.近年来,开放计算语言(OpenCL)的出现,使得设计通用的并行程序成为可能.该文,我们分析了隐马尔可夫模型三类算法的并行特性,并设计基于OpenCL的并行实现.实验结果表明,隐马尔可夫模型在GPU上的并行化实现最高获得了640倍的加速比.     

基于Monte Carlo的多目标投资组合优化

金融工程领域中,投资组合优化是一个核心课题.该文说明了如何均匀随机数产生随机权重向量的方法,从而实现了基于蒙特卡罗的多目标投资组合优化模型.实验结果表明,相比均值-方差优化模型,蒙特卡罗方法还可以在一定的收益和方差下,对其它计量指标进行优化.