风险与收益折衷的证券组合模型神经网络求解

通过分析证券的收益率和风险的关系，为个人或机构投资提供理论指导。根据风险与投资模型的特点，给出了不允许卖空情形下证券投资的风险与收益折衷模型的神经网络算法，找出了可行的证券组合最优决策的方法。     

用遗传算法求解全系数模糊证券投资组合模型

利用模糊数来描述某种证券的期望收益率和风险损失率,从而建立了一种全系数模糊证券投资组合模型,并讨论了利用模糊约束满意度将模型转化为普通规划模型的方法.进一步设计了一种遗传算法对该模型进行求解,最后给出了一个具体的例子来阐述方法的有效性.     

多种运输方式模型优化及求解

对可阶段化运输网络，提出了将路径选择与交通运输方式相结合的组合优化模型．通过虚拟一个运输网络，转化为一个与原问题等价的最短路径问题，并设计了相应的遗传算法对其求解，通过实例计算表明，该算法对该问题是可行和有效的．     

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.     

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.     

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.     

基于随机矩阵理论的Markowitz组合投资模型

通过随机矩阵方法识别、消除极端或非无关抽样样本,提高Markowitz模型的参数估计精度,改进应用Markowitz模型的效果;同时,针对抽样不足的情况,使用Bootstrap方法较好地解决了该问题.     

求解组合优化问题的组合遗传算法

构造了求解组合优化问题的组合遗传算法。这个方法的主要优点是优化效果好 ,计算效率高以及通用性。模拟结果验证了该方法的有效性。它能应用到求解许多组合优化问题。     

证券数目变化时M-V有效前沿的分析

该文在市场存在无风险收益证券且不允许卖空的条件下，讨论证券组合的有效前沿关于证券数目增加或减少的变化情况，并给出了相应的判定条件。     

求解微分方程的一个矩阵模型

给出了利用“矩阵”理论求解微分方程的一种强行为易方法,并加扩展,为进一步更广泛运用矩阵理论,研究常,偏微分方和方程组的一些问题打开了新路。     

基于协方差矩阵的自适应盲分离算法

提出了一种新的线性混叠信号的盲分离算法,该算法利用信号相互独立时其协方差矩阵的对角化特征作为分离准则,采用最速下降法进行分离.该算法对源信号和混叠矩阵没有过多要求且计算量不大,理论分析与仿真结果表明:该算法具有很好的分离效果.     

关于状态转移矩阵的一种简便计算方法

状态转移矩阵的计算是自动控制理论中一个基本而重要的问题。但状态转移矩阵的求解很繁琐,特别是在高阶时。本文介绍了一种计算状态转移矩阵的简便方法,系统的阶次越高,这种方法的简化效果越明显。     

正态总体样本协差阵正定性一新证明

正态总体样本协差阵概率1正定的充要条件是总体样本容量大于总体维数.本文从一个关于L-零测集的引理出发,对这一问题给出一个较之简洁清晰的新证明.     

多元团体方差扰动模型的影响度量

对多元线性回归模型Y=Xβ＋ε,ε～Nn×p(O,V In),笔者讨论了一组或多组数据点对未知参数阵β和v的扰动影响,给出了扰动影响度量准则和化简式及单点扰动下的分布,并建立了多元协方差比扰动影响度量流计理与广义相关系数的联系．     

协方差矩阵扰动约束生长曲线模型的影响分析

本文研究了协方差矩阵发生扰动时,约束生长曲线模型的有关影响分析的问题,建立了扰动模型未知参数矩阵Ｂ 的约束最佳线性无偏估计（ ＲＢＬＵＥ） ＾ＢＲ（ Ｇ） 与原模型的ＲＢＬＵＥ＾Ｂ 的一些关系式,定义了度量扰动影响的距离测度ＤＧ,给出了ＤＧ 的简单计算式     

GPC当前控制的矩阵分解算法

本文用矩阵的三角分解法(LR)求广义预测控制器(GPc)的当前控制u(k),避免了矩阵求逆运算。此方法减少了广义预测自校正控制算法的运算量,有利于该算法在实时控制中的应用。     

增长曲线模型中协差阵的最优估计

在椭球等高分布情形下给出了增长曲线模型中协差阵的最小模估计,并得到了最小模估计成为一致最小方差不变二次无偏估计以及一致最小方差不变二次无偏估计存在的充要条件.     

协方差矩阵为奇异的均值-CVaR模型的研究

在协方差矩阵奇异的条件下,对均值-CVaR模型的有效边界进行了研究;得到资产的有效边界要么等同于它的极大线性无关组的有效边界,要么与它的极大线性无关组与无风险资产的有效边界是相同的结论.     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现协方差矩阵构造的有效前沿组合投资效果更佳。     

用遗传算法求解有理函数模型

传统的有理函数模型(RFM,Rational Function Model)参数的求解方法通常采用最小二乘法,在模型求解过程中,由于法方程病态,使求解结果很不稳定.针对这一问题,提出用具有搜索优秀结果能力的遗传算法求解有理函数模型的思想.实验结果表明,遗传算法可以有效地解决RFM求解过程中遇到的病态问题,并可求得所需的有理函数模型的精确解.