期权定价中最优投资问题与算法

最优投资是期权定价中投资者面对的关键问题,投资者如何选择合适的执行价格和期权的有效期限,以使期权到期日的价格最高,是一个复杂的非线性连续优化问题;文章引入进化计算中的粒子群算法来解决这一问题,提出了一种基于粒子群的期权定价最优投资算法,为投资者提供有效的决策支持;针对Black-Scholes模型进行了算法的设计和实现,并以一个典型算例说明了该算法的有效性。     

一种基于进化的自适应卡尔曼修正粒子群优化算法

提出了一种新的基于达尔文进化的自适应卡尔曼修正粒子群优化算法(AK-DPSO,Adaptive Kalman correction Darwin Particle Swarm Optimization)。卡尔曼修正机制能够利用种群粒子位置更新过程的相关性信息提高算法搜索速度。使用了一种基于子梯度计算的方法来自适应地调整算法的系数,在每次迭代后算法根据卡尔曼修正机制调整全局最优点的位置,这样的调整能够显著地提升算法在搜索空间中的搜索效率和收敛率。同时,为了克服早熟收敛的问题,AK-DPSO采取了基于自然选择的达尔文进化机制,通过多个子群的自然进化增强粒子群的多样性,从而减小算法陷入局部最优点的可能性。进行了一系列的实验,实验结果证明本文算法能够在多个性能指标上达到或者超过现有粒子群优化算法的水平。     

基于改进粒子群优化算法的弹道求解方法

为了提高火控系统实时性,提出了基于粒子群优化算法的弹道解算方法,该方法提高了系统响应速度,并为更好地与多核平台下的并行计算相结合提供了基础.首先在预估计瞄准角附近生成并初始化粒子群,然后通过由弹道微分方程等组成的适应度函数对每个粒子的好坏进行评价,最后对粒子群的速度和位置进行更新.为了加快算法的收敛速度,将周氏迭代修正公式计算得到的全局最优粒子的修正角度代替全局最优位置引导粒子群更新.采用实际算例对该方法的可行性与有效性进行了验证.实验结果表明较传统的迭代修正方法其解算速度中提高了约2倍;较传统粒子群算法其粒子群收敛速度加快了约1.5倍.此外该方法最大的优点便是可以与并行计算很好地结合,在多核计算机平台下计算时间还可以进一步缩短.     

约束优化问题的改进粒子群优化算法

提出一种求解约束优化问题的改进粒子群优化算法.该算法更多地考虑了当前全局最优粒子和个体最优粒子对粒子群搜索能力的影响,对速度更新公式做了改进;然后利用修正的可行基规则来更新个体极值和全局极值,从而引导不可行粒子尽可能到达可行的区域,以增加种群的多样性和提高全局搜索能力.数值实验表明,该算法是有效、稳定且计算精度高的全局...     

变系数Black-Scholes模型有红利支付下的欧式期权定价估计

主要研究变系数Black-Scholes模型有红利支付下的欧式期权定价的估计问题.首先,构造了波动率函数的估计量,并讨论了所得估计的强收敛性、渐近正态性和收敛速度.然后,基于波动率函数的估计,利用期权定价公式得到了变系数Black-Scholes模型有红利支付下的欧式期权价格的估计.最后,证明了所得估计量是期权价格的强相合估计.     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

分数布朗运动下带交易费和红利的欧式期权定价

主要讨论了有交易费和红利支付情况下欧式看涨期权定价问题,通过无套利和对冲原理分析得出了修正波动率及其最小值,给出了分数布朗运动环境中的期权定价公式,并讨论了交易费和红利对修正波动率的影响,波动率和Hurst指数对期权价格的影响.     

基于择优对称粒子群优化的 Otsu肺实质分割算法

为了提高肺实质分割算法的运行效率,提出了一种基于择优对称粒子群优化的Otsu肺实质分割算法.首先在传统粒子群优化的Otsu算法基础上,引入自然选择机制,保留适应度较好的优秀粒子,其次对适应度较差的粒子采用对称分布的方式进行修正,从而优化粒子群的空间分布状态,使算法能够更高效地收敛到全局最优解,最后实验结果表明,改进后的粒子群算法寻优精确度和运算效率均得到提高,与Otsu算法相结合后,在传统粒子群优化的Otsu算法的基础上,进一步提高了肺实质分割效率.     

基于粒子群优化的最小属性约简算法

将最小属性约简问题转化为一个基于粒子群优化算法求解的多目标优化问题.引入基于表现型共享的适应度评价函数以提高多目标搜索算法的性能,对基本粒子群优化算法的位置更新公式进行修正使其能够有效应用于最小属性约简问题,并提出了一种用于求解该问题的二进制多目标粒子群优化算法.实验表明,本算法是有效的,并能一次运算获得多个最小属性约简.     

基于全参数自适应变异粒子群算法的单目相机标定

针对传统粒子群方法求解相机内参时的局部最优解问题,提出一种基于全参数自适应调节和变异机制的粒子群单目相机内参优化方法.首先,基于向量约束关系对单应性矩阵进行变形,利用最小二乘法求得相机的初始内参.然后,考虑在迭代过程中局部最优粒子、全局最优粒子对各个粒子的作用不同,分别给出了基于粒距的自适应的局部因子学习调节策略和全局因子学习调节策略;同时,设计了基于粒子群平均粒距的改进的粒子自适应变异率.最后,给出了基于全参数的自适应变异机制的粒子群相机内参优化算法.实验结果表明,与张正友标定方法、传统粒子群优化标定方法相比,该方法具有较好的标定精度和收敛速度.     

基于混沌QPSO算法的多AUVs任务分配

针对复杂条件下多水下机器人系统(AUVs)任务分配过程中各个节点负载不均衡问题,提出混沌优化QPSO算法.以整个量子粒子群搜索到的当前最优位置为基础,在混沌QPSO算法中加入混沌因子,产生混沌序列.利用混沌优化中混沌搜索、搜索遍历性等具有类似协同学习操作的功能,用混沌序列中的最优位置的粒子替代当前量子粒子群中的位置,使得近似最优解脱离局部最优,获得真正的全局最优.通过实验证明:混沌优化QPSO算法在多AUVs任务分配中,提高了任务分配的精度和优化效率,使任务分配达到全局最优值.     

修正的混沌粒子群算法求解经济负荷分配

为克服粒子群优化算法容易陷入局部最优、后期收敛慢等缺点,提出了一种修正的混沌粒子群优化算法.该算法通过修正粒子群迭代的行动策略,并引入遍历性较强的Tent混沌局部搜索机制,可以增强粒子的全局搜索能力,提高优化算法的全局寻优性能.将修正的混沌粒子群算法分别应用于6机组和15机组电力系统中求解经济负荷分配,在考虑系统网损和机组运行约束条件的情况下进行仿真实验.仿真结果表明:该算法用于求解高维、非凸、不连续等非线性复杂约束条件的电力系统经济负荷分配问题上,有着较快的收敛速度和较强的全局寻优能力.最后,通过与其它智能算法比较,验证了算法的有效性和优越性.     

一种带有递减扰动项的粒子群优化算法

针对粒子群优化算法在进化后期存在收敛速度慢、容易陷入局部极值等问题,提出一种带有递减扰动项的改进粒子群优化算法.当进化中后期粒子位置更新过慢或保持相对不变时,通过在粒子速度更新公式中加入递减扰动项,有效地提高微粒进行全局和局部搜索的能力,减小粒子陷入局部最优的可能.基于随机过程理论分析证明了粒子的运动规律是一种马尔科夫...     

基于分数阶位置状态的量子粒子群算法

由量子力学的概念和粒子群优化算法的结合,量子行为粒子优化算法作为粒子群算法的一个变种,具有更好的全局搜索能力.为了提高量子粒子算法的全局搜索能力,结合分数阶微积分的概念,本文提出了一种新的算法.该算法将分数阶微积分中常用的GL定义引入了量子粒子算法的更新迭代公式中,利用分数阶微积分的长时记忆特性,通过记忆量子粒子在更新迭代过程中的历史位置和历史信息,增强算法的收敛速度和收敛精度.为了全面评估算法的基本性能,本文进行了一些关于基本测试函数的功能测试.通过对于不同阶次的分数阶量子粒子算法的对比实验和与其他粒子群改进算法的对比实验,实验结果表明,该算法具有更高的收敛精度.     

基于变换二叉树法的期权定价研究

传统的二叉树法广泛应用于期权定价中,但这个方法计算期权价格时依赖于常数的资产价格波动率,因此当波动率是一随机过程即随机波动率模型时就难以用于期权定价中.为了弥补传统二叉树法的缺陷,该文在经典的Black-Scholes(BS)模型下建立了一个新的变换二叉树法,这个方法也可以推广应用于随机波动率模型.最后,运用公式解、传统二叉树法和变换二叉树法分别计算了欧式看涨期权的价格,并验证了变换二叉树法的准确性和可行性.     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

保险精算方法在期权定价模型中的应用

Norbert Sehmitz用反例证明Mogens Bladt与Tina Hvid Rydberg提出的期权定价的精算公式是错误的.在修正Bladt和Rydberg提出的精算公式基础上,从评估实际损失和相应概率分布角度来定量研究期权价值构成,获得基于保险精算方法的期权定价模型,并进一步推导出经典Black-Scholes期权定价公式.精算方法在一定程度克服了基于无风险套利、复制思想得到的B-S模型假设严格、公式推导较为繁琐的不足,指出精算定价与B-S期权定价方法之间的差异.最后给出算例探讨保险精算方法在期权定价理论中的应用,为实践中合理确定期权价格提供理论和实践参考价值.     

一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

基于粒子群算法, 提出一种针对基于点表示模型的新特征检测方法, 解决了大规模数据模型特征的快速显示问题. 该方法对粒子群优化算法进行优化, 将其应用于物体空间的特征检测上, 实现了多目标搜索. 通过对粒子群算法中的粒子、适应度函数、 初始结束条件、 局部最优解、 全局最优解和迭代公式的重新定义, 将局部搜索与全局搜索相结合, 可快速搜索到多个目标. 该算法通过构造可估计局部曲面变化的适 应度函数检测特征点, 并对特征点做标记, 以快速显示出模型的特征. 实验结果表明, 所提出的特征检测算法适用于对基于点表示的模型的快速特征检测, 尤其适用于大规模数据模型     

一类商品期权定价

Black-Scholes期权定价模型成功解决了有效市场下的欧氏期权定价问题,然而,在现实的证券市场中,投资者将面临数量可观、不容忽视的交易费用。随着期权以及期权理论的不断发展,期权定价问题引起了越来越多的研究者和投资商的不断关注。文章针对在波动率s（t）,无风险利率r（t）,红利率q1（t）,储藏支付率q2（t）均为时间t的确定性函数和在证券市场中有交易成本的假设下,得到了欧氏商品期权的定价公式,从而获得欧氏看涨期权和看跌期权的定价公式及它们的平价公式。