证券组合投资选择模型的模糊优化

以证券组合的期望收益率及风险损失率为目标函数，研究了在这两个目标下证券投资组合的模糊模型及其优化问题，并利用S型隶属函数将模型转化为普通线性规划模型进行求解，最后给出了一个具体的例子来阐述方法的有效性．     

模糊证券投资组合的期望值模型

讨论了当投资的预期收益率和风险损失率为模糊变量时,证券投资组合模型的优化问题.建立了证券投资组合决策系统的期望值模型,并设计了基于模糊模拟的遗传算法进行求解.该方法有效地解决了模糊证券投资组合问题.     

证券投资组合的模糊M-V模型

假设证券的收益率为模糊随机变量 ,在考虑不存在无风险收益证券 ,且允许卖空时 ,提出了证券投资组合的模糊M V模型 .进一步 ,在α水平下 ,给出了模糊M V模型的一个解析解 ,并且讨论了证券组合的有效边缘随机水平α改变时的变化情况 ,Markowitz的M v模型为本模型的特殊情况     

证券投资组合的模糊Ｍ—Ｖ模型

假设证券的收益率为模糊随机变量，在考虑不存在无风险收益证券，且允许卖空时，提出了证券投资组合的模糊Ｍ—Ｖ模型．进一步，在α水平下，给出了模糊Ｍ—Ｖ模型的一个解析解，并且讨论了证券组合的有效边缘随机水平α改变时的变化情况，Ｍａｒｋｏｗｉｔｚ的Ｍ—ｖ模型为本模型的特殊情况。     

一类模糊证券组合投资的最优模型

为了体现投资者对期望水平的满意度,以最小风险对应的最大方差系数为目标,期望临界收益率为约束,建立一类新的模糊证券组合投资的最优模型。运用模糊优化和进化规划方法,研究新风险概念下的模糊证券组合选择,并给出了其相应算法。     

模糊期望值证券投资组合模型研究和实证分析

本文着眼于研究不确定环境下的投资组合问题,主要讨论了模糊期望值模型,创新点是把协方差引入到风险度量里面,建立一个群投资组合选择模型。并选取"上证50指数"中的19支成份股进行实证分析,结合遗传算法,通过运用MATLAB软件编程得到了三种投资者各自应该采取的最优投资组合。     

基于遗传算法的VaR约束下证券组合模型仿真

在经典的Markowitz证券投资模型的基础上,加入目前在投资领域中广泛应用的风险价值VaR,建立一个以投资回报收益率标准差为目标,以VaR和收益为约束条件的投资组合模型.在正态分布的假设下,将目标函数中非线性约束进行简化.利用遗传算法对该模型进行计算机仿真,取得了良好的效果,解的结果既满足了VaR约束条件,又满足了不同投资者不同收益需求.     

模糊数证券组合投资选择模型与求解

针对预期收益率与风险损失率为模糊数时,建立了一种具有模糊系数的证券组合投资选择模型.利用一种对模糊数排序的方法,将模型转化为传统的线性规划问题求解.     

基于加速遗传算法的组合证券投资决策

应用加速遗传算法解决组合证券投资决策问题，可以克服传统遗传算法的缺点：对搜索空间（优化变量空间）的大小变化适应能力差，计算量大，易出现早熟收敛，控制参数的设置技术无明确准则指导等，与已有结果相比，对协方差矩阵无正定性要求，目标函数可以推广到规模庞大，提高预测精度等优点。     

基于模糊遗传算法的机组组合问题的求解

为求解机组组合问题,提出一种模糊优化与遗传算法紧密结合的新的模糊遗传算法.通过建立模糊推理规则,对交叉率和变异率进行模糊控制,从而提高了收敛速度,避免了不成熟收敛.将该模糊遗传算法应用于一工程算例中求解机组组合问题,与传统遗传算法相比,在同样的种群规模和终止准则下,采用该算法的收敛迭代次数减少,减幅最大达122次,而每次迭代计算时间最多仅增加约0.01 s;优化组合的发电成本减小,减幅最大时达总发电成本的0.73%.     

基于遗传算法的高阶矩投资组合模型研究

金融资产收益数据普遍具有非对称和尖峰厚尾的分布,传统的马克维茨投资组合模型仅仅考虑了均值和方差的约束,这在确定投资组合时是不充分的.考虑了三阶矩偏度和四阶矩峰度对投资组合的影响,假定交易费用为V-型函数,建立了均值-方差-偏度-峰度投资组合模型,鉴于多目标优化求解的复杂性,编写遗传算法程序求解这一高阶矩投资组合,最后给出了一个数值算例.     

概率准则意义下基于VaR的证券组合模型遗传算法优化仿真

提出一种概率准则意义下基于VaR的证券组合模型,采用蒙特卡罗(Monte Carlo)模拟技术和遗传算法(GA)相结合的思想,设计出求解算法.求解算法适用于证券收益率服从任意分布的情况,甚至不考虑证券收益率分布,用实际数据进行模拟和优化.实例证明,该算法有很好的收敛性及较高的计算效率,并且计算结果满足投资者的收益和风险要求.     

用遗传-禁忌搜索混合算法求解组合投资问题

提出了一种基于遗传算法和禁忌搜索的混合算法,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子.遗传算法中变异过程解空间的搜索由禁忌搜索实现,并且用混合算法求解了概率准则意义下的组合证券投资模型.实例证明,遗传/禁忌混合算法有较强的爬山能力,较遗传算法有更高的计算效率,为组合证券投资者提供了一种高效的决策方法.     

模糊期望值证劵投资组合模型研究和实证分析

着眼于研究不确定环境下的投资组合问题,讨论了模糊期望值模型,创新点是把协方差引入到风险度量里面,建立一个群投资组合选择模型;选取"上证50指数"中的19支成份股进行实证分析,结合遗传算法,通过运用MATLAB软件编程得到了3种投资者各自应该采取的最优投资组合。     

多目标投资组合模型的模糊两阶段解法

对多目标证券组合投资模型进行了研究,模型以绝对偏差和代替方差作为投资组合的风险度量.该模型是一个多目标线性优化问题,采用两阶段模糊算法对模型进行求解,最后给出了该模型的一个实例的最优解.     

一种改进的实数型遗传算法在多目标最优投资组合选择中的应用

根据信息论中熵的概念，提出用熵来度量投资组合对风险的分散能力．同时，在兼顾收益和风险的情况下，提出了一个新的多目标投资组合模型，并用改进的经典遗传算法求解该模型．实例分析表明，该模型及算法具有实际可行性。     

M-V证券组合投资决策的风险厌恶模型

引入风险厌恶函数作为投资者对风险厌恶程度的一个度量标准,建立了含该函数的非线性证券组合投资决策模型,求解该模型便得到给定风险厌恶函数下的最佳证券组合,简化了证券组合选择过程.文中给出了该模型的解析解,并通过数值例子检验了该模型的解.结果表明,该模型所确定的最佳证券组合为M-V有效证券组合.     

含无风险投资的证券组合投资线性规划模型

在证券组合投资过程中,为了规避预期风险,投资者会将一部分资金存入银行．提出了一个含无风险投资的证券组合投资的区间数线性规划模型,并确定了其投资比例．该模型使证券组合投资理论更全面、更合理、更有效．     

自适应遗传算法优化模糊小脑模型

首次采用遗传算法（ＧＡ）设计模糊小脑模型神经网络（ＦｕｚｚｙＣＭＡＣ）的隶属函数．提出一个自适应ＧＡ优化算法，并且以优化模糊小脑模型ＦｕｚｙＣＭＡＣ学习正弦曲线．仿真实例表明，采用自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习精度比标准小脑模型ＣＭＡＣ提高大约三个数量级、比标准ＦｕｚｚｙＣＭＡＣ（三角形隶属函数）提高一个数量级．自适应ＧＡ方法优化的ＦｕｚｙＣＭＡＣ学习速度比普通ＧＡ优化的速度快且进化过程的振荡明显减小，仿真证明该方法比普通ＧＡ优化方法稳定，收敛效果好．