首页 / 专利库 / 商业 / 上市时间 / 一种基于群决策智能搜索的投资组合优化方法和装置

一种基于群决策智能搜索的投资组合优化方法和装置

阅读:102发布:2020-05-15

专利汇可以提供一种基于群决策智能搜索的投资组合优化方法和装置专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于群决策智能搜索的投资组合优化方法和装置,包括了基于群决策的收益率 预测模型 建立,通过将不同的预测方法视为决策专家,构建特征指标集到收益率之间的映射关系,引入群决策思想通过群集结方式将三种不同决策模型的结果进行综合得出最终的投资组合资产标的;并在此 基础 上引入智能优化搜索方法对各标的的权重进行设定,包括定义编码函数;初始化权重随机赋值;计算个体适应度; 精度 是否满足要求;依据实际的运行结果以及评价指标对投资组合进行动态的调整。实现投资组合的动态自主构建,并能够根据实际的运行效果自适应的调整组合方案,达到有效降低组合非系统性 风 险,获得稳定的超额收益的目的。,下面是一种基于群决策智能搜索的投资组合优化方法和装置专利的具体信息内容。

1.一种基于群决策智能搜索的投资组合优化方法,其特征在于,至少包括如下步骤:
基于至少2种机器学习模型分别获得股票收益率降序序列;
基于群决策算法将所述机器学习模型视为决策专家利用群集结方法决策股票进入最终的投资组合的股票;
采用遗传算法对投资组合进行权重的优化分配。
2.如权利要求1所述的基于群决策智能搜索的投资组合优化方法,其特征在于,还包括金融数据的预处理步骤:
步骤1:获取目标证券市场上的股票信息以及该上市公司的财务报表数据;
步骤2:利用获取的股票信息与财务报表数据,获取股票的价格序列与其他因子指标,作为特征集并存储;
步骤3:利用技术分析分别将各只股票的技术指标计算出来,组成特征集合;
步骤4:对指标数据进行预处理,以及训练集、验证集、测试集划分;包括缺失值的处理、标准化处理、基于自编码器的特征选择与约简,得到最终处理的数据结果;
步骤5:将数据进行Kmeans聚类分析,将股票按照特征向量的形式,聚类成不同的簇群,分别用于后续的模型建立。
3.如权利要求2所述的基于群决策智能搜索的投资组合优化方法,其特征在于,还包括构建映射关系模型和资产池步骤:
步骤6:机器学习模型在步骤5划分为不同的类簇中,分别将各只股票的指标作为输入,下一期的股票收益率作为输出构建映射关系模型;
步骤7:通过训练集和验证集,经过步骤6找出最优的超参,分别得出预测模型,并将构建的模型使用在实际的测试集中,得出预测的结果,并将结果按照收益率进行降序排列,综合考虑各类簇中的股票集合,选择出排名较高的若干支股票作为资产池。
4.如权利要求3所述的基于群决策智能搜索的投资组合优化方法,其特征在于,所述群决策算法为简单多数准则;所述机器学习模型包括DNN、支持向量机随机森林中的一种或多种。
5.如权利要求1所述的基于群决策智能搜索的投资组合优化方法,其特征在于,利用股票的历史数据采用所述遗传算法对投资组合进行权重的优化分配的步骤如下:
(1)编码
采用3位2进制编码,将投资组合中股票的权重编码作为染色体,表示一组投资组合的权重方案;
(2)解码
由染色体解码成权重的计算公式为:
其中,dj是权重ωj的解码;N是股票的个数;ωj满足:
(3)计算个体适应度;
构建合理的适应度函数,规定了权重的优化方向,计算出每个个体的适应度值,选择出最大的值进行保留;
其中,ωj表示投资组合中第j只股票的权重,Rj表示该只股票的在数据时间范围内的平均收益率,σj表示该只股票在数据时间范围内收益率的标准差;
(4)判断精度是否满足要求,若满足,输出优化权重组;否则,进行选择、交叉、变异的遗传操作,生成新的种群,返回(3)。
6.一种基于群决策智能搜索的投资组合优化装置,其特征在于,至少包括:
至少2种机器学习设备,所述机器学习设备被配置为分别获得股票收益率降序序列;
群决策设备,所述群决策设备被配置为将所述机器学习模型视为决策专家利用群集结方法决策股票进入最终的投资组合的股票;
遗传算法设备,所述遗传算法设备被配置为对投资组合进行权重的优化分配。
7.如权利要求6所述的基于群决策智能搜索的投资组合优化装置,其特征在于,还包括金融数据的预处理设备,所述预处理设备包括:
采集模:所述采集模块被配置为获取目标证券市场上的股票信息以及该上市公司的财务报表等数据;
特征集模块:所述特征集模块被配置为利用获取的股票信息与数据,获取股票的价格序列与其他因子指标,作为特征集并存储;
特征集合模块:所述特征集合模块被配置为利用技术分析分别将各只股票的技术指标计算出来,组成特征集合;
特征选择与约简模块:所述特征选择与约简模块被配置为存储缺失值的处理、标准化处理、基于自编码器的特征选择与约简后,得到最终处理的数据结果;
聚类模块:将数据进行Kmeans聚类分析,将股票按照特征向量的形式,聚类成不同的簇群,分别用于后续的模型建立。
8.如权利要求7所述的基于群决策智能搜索的投资组合优化装置,其特征在于,还包括构建映射关系模型和资产池设备:
映射关系模型:所述映射关系模型被配置为在所述聚类模块划分为不同的类簇中,分别将各只股票的指标作为输入,下一期的股票收益率作为输出构建映射关系模型;
资产池模块:所述资产池模块被配置为通过训练集和验证集,经过步骤6找出最优的超参,分别得出预测模型,并将构建的模型使用在实际的测试集中,得出预测的结果,并将结果按照收益率进行降序排列,综合考虑各类簇中的股票集合,选择出排名较高的若干支股票作为资产池。
9.如权利要求8所述的基于群决策智能搜索的投资组合优化装置,其特征在于,所述群决策设备被配置为基于简单多数准则进行决策;所述机器学习设备包括DNN设备、支持向量机设备、随机森林设备中的一种或多种。
10.如权利要求6所述的基于群决策智能搜索的投资组合优化装置,其特征在于,所述遗传算法设备利用股票的历史数据采用所述遗传算法对投资组合进行权重的优化分配,包括:
(1)编码器
所述编码器被配置为采用3位2进制编码,将投资组合中股票的权重编码作为染色体,表示一组投资组合的权重方案;
(2)解码器
所述解码器被配置为由染色体解码成权重,计算公式为:
其中,dj是权重ωj的解码;N是股票的个数;ωj满足:
(3)个体适应度计算器;
所述个体适应度计算器被配置为构建合理的适应度函数,规定了权重的优化方向,计算出每个个体的适应度值,选择出最大的值进行保留;
其中,ωj表示投资组合中第j只股票的权重,Rj表示该只股票的在数据时间范围内的平均收益率,σj表示该只股票在数据时间范围内收益率的标准差;
判断精度是否满足要求,若满足,输出优化权重组;否则,进行选择、交叉、变异的遗传操作,生成新的种群。

说明书全文

一种基于群决策智能搜索的投资组合优化方法和装置

技术领域

[0001] 本发明涉及金融技术分析领域,具体涉及一种基于群决策智能搜索的投资组合优化方法和装置。

背景技术

[0002] 金融投资领域,由于金融市场是一个十分复杂的系统,充斥这各种不确定因素。在这样一个复杂的金融市场中,金融机构或是个人投资者如何利用量化投资设备,在追求高收益的同时,有效地控制险是一个重大的技术问题。因此,如何构建投资组合的量化投资设备是金融工程中的一个核心问题。
[0003] 投资组合的根本目的在于分散风险,机构和个人投资者都想要在最大化收益的同时尽可能地降低一些投资风险。基于传统的Markowitz均值-方差模型的投资组合方法和设备,虽然为解决投资组合优化问题提供了一种确定性的求解方法和设备,但基于该模型的方法和设备实际应用过程中往往存在着大量的局限性:
[0004] (1)模型是建立在一组严格的假设条件之下,例如在现实金融市场中存在市场的摩擦因素,这些因素包括各种形式的交易费用、整手交易和税收等等。而在标准的Markowitz模型中,并未考虑这些客观存在的因素的影响。
[0005] (2)该模型实质上是一个非线性规划问题,属于NP-hard问题,当数据规模较大,维度较高时,使用传统算法求解变得十分困难。
[0006] (3)金融数据中掺杂着各种各样的噪声,噪声的存在会影响数据的准确性,进而影响投资组合的构建与优化。
[0007] 加之实际的金融市场是不断变化的复杂系统,有着各种各样的影响因素,在实际应用中确定性方法不再适用,比如中国专利CN201310392725公开了一种股票或股票投资组合波动率的预测方法、装置,但使用到的均为传统的方法,依据确定的投资组合以确定的权重值,依据参数的估计来预测未来投资组合的波动性,从方法上来讲并没有跳脱原有的框架,并没有解决上述所列出的问题与弊端。加之如果处理的数据规模变得太大会导致无法求解,某些约束的影响又大大降低了这类方法和设备的准确性。因此,对传统投资组合方法和装置的改进与优化十分必要。
[0008] 近年来随着人工智能技术的快速发展,金融领域因天生拥有着大量沉淀的数据,成为人工智能最好的应用领域之一,机器学习理论是人工智能核心的研究内容,是新兴的、交叉度较大的学科,其涉及包括统计学、概率论、最优化、算法复杂度等多学科,能够运用在各种与数据相关的领域。因为机器学习方法强大的数据分析与计算能,能够综合各种不确定性信息,并加以利用、分析、处理得到更优,更准确的结果,实际上投资组合问题就可以看作是多约束条件下的动态最优化决策问题。所以,涉及到投资组合中的关键技术问题都可以用机器学习框架下的各类方法加以描述、分析、综合和解决,其中常用的有贝叶斯理论、神经网络、随机森林以及深度学习强化学习等。然而在复杂的金融市场(比如中国A股市场)投资组合问题中,不仅包括各种不确定信息的融合和处理问题,还需要对组合的有效性、适用性、动态性以及鲁棒稳定性提出了较高的要求。加之在今天的大数据和互联网金融时代中,各种金融衍生品百花齐放,相应的投资分析也变得越来越复杂和困难,对数据挖掘和量化投资处理手段要求进一步提高,更加需要人工智能技术的引入。

发明内容

[0009] 针对传统量化投资方法和设备在实际应用中存在的弊端,本发明旨在将人工智能技术引入金融投资组合方法和装置中,提供一种基于群决策智能搜索的投资组合优化方法和装置,通过对金融数据的预处理、特征的选择与约简,同时引入不同的预测模型得到的投资组合结果的基础上,将每一个方法视为一个决策专家。然后,综合各个决策专家的决策知识,利用群基数效用函数的构造思想对投资组合结果进行优化决策,降低组合的非系统性风险,从而提高投资组合选择的稳定性和适用性。
[0010] 本发明的第一个目的是提供了一种基于群决策智能搜索的投资组合优化方法,至少包括如下步骤:
[0011] 基于至少2种机器学习模型分别获得股票收益率降序序列;
[0012] 基于群决策算法将所述机器学习模型视为决策专家利用群集结方法决策股票进入最终的投资组合的股票;
[0013] 采用遗传算法对投资组合进行权重的优化分配。
[0014] 本发明的第二个目的是提供了一种基于群决策智能搜索的投资组合优化装置,至少包括:
[0015] 至少2种机器学习设备,所述机器学习设备被配置为分别获得股票收益率降序序列;
[0016] 群决策设备,所述群决策设备被配置为将所述机器学习模型视为决策专家利用群集结方法决策股票进入最终的投资组合的股票;
[0017] 遗传算法设备,所述遗传算法设备被配置为对投资组合进行权重的优化分配。
[0018] 本发明的基于群决策智能搜索的投资组合优化方法和装置,其与现有技术相比,具有明显的优势和有益的效果。
[0019] 本发明应用于金融市场的量化投资组合方法和装置的实践中,将机器学习方法引入投资组合的动态优化中,通过不同方法使用建立适应于不同股票市场和特征的收益率预测模型,并且通过一系列的预处理方式、数据的划分以及群决策思想的引进与基于优化搜索的权重分配,降低了构建投资组合构建中存在的非系统性风险,提高了投资组合建立的稳健性。给出了一种投资组合建立的全流程方案,能够应用于实际的实践中,并根据实际的运行效果动态的调整模型中的参数设定,不断迭代改进得到较为可靠的结果,有效地降低了风险。附图说明
[0020] 图1为本发明所提出的系统原理图;
[0021] 图2为设定模型与系统模型的结构原理图;
[0022] 图3为本发明多目标投资组合权重优化方法的流程示意图。

具体实施方式

[0023] 以下结合说明书附图对本发明的具体实施方式加以详细说明。
[0024] 在一些实施例中,本发明提供了一种基于群决策智能搜索的投资组合优化方法,至少包括如下步骤:
[0025] 基于至少3种机器学习模型分别获得股票收益率降序序列;
[0026] 基于群决策算法将所述机器学习模型视为决策专家,利用群集结方法对特定股票是否进入最终的投资组合进行决策;
[0027] 采用遗传算法对投资组合进行权重的优化分配。
[0028] 其中,“机器学习模型”包括但不限于DNN、RNN、LSTM、支持向量机、随机森林,能够通过对股票数据的学习输出股票收益率降序序列的模型均在本发明的选择范围之内。“股票收益率”是指投资于股票所获得的收益总额与原始投资额的比率。“群决策算法”是指以群体为决策主体所进行的已知的各类决策算法,本发明中是指以机器学习模型为决策主体,优选的一种群决策算法为简单多数准则。“遗传算法”包括已知的通过模拟自然进化过程搜索投资组合权重最优解的各类方法。
[0029] 在另外一些实施例中,本发明的还进一步包括如下金融数据的预处理步骤:
[0030] 步骤1:获取目标证券市场上的股票信息以及该上市公司的财务报表数据;
[0031] 步骤2:利用获取的股票信息与财务报表数据,获取股票的价格序列与其他因子指标,作为特征集并存储;
[0032] 步骤3:利用技术分析分别将各只股票的技术指标计算出来,组成特征集合;
[0033] 步骤4:对指标数据进行预处理,以及训练集、验证集、测试集划分。包括缺失值的处理、标准化处理、基于自编码器的特征选择与约简,得到最终处理的数据结果;
[0034] 步骤5:将数据进行Kmeans聚类分析,将股票按照特征向量的形式,聚类成不同的簇群,分别用于后续的模型建立。
[0035] 其中,本发明并不对Kmeans聚类分析做唯一限定,聚类成不同的簇群的其他聚类分析方法也可在其他实施例中选择。
[0036] 在另外一些实施例中,本发明再进一步的包括构建映射关系模型和资产池步骤:
[0037] 步骤6:机器学习模型在步骤5划分为不同的类簇中,分别将各只股票的指标作为输入,下一期的股票收益率作为输出构建映射关系模型。
[0038] 步骤7:通过训练集和验证集,经过步骤6找出最优的超参,分别得出预测模型,并将构建的模型使用在实际的测试集中,得出预测的结果,并将结果按照收益率进行降序排列,综合考虑各类簇中的股票集合,选择出排名较高的若干支股票作为资产池;
[0039] 在另外一些实施例中,利用股票的历史数据采用所述遗传算法对投资组合进行权重的优化分配的步骤如下:
[0040] (1)编码
[0041] 采用3位2进制编码,将投资组合中股票的权重编码作为染色体,表示一组投资组合的权重方案;
[0042] (2)解码
[0043] 由染色体解码成权重的计算公式为:
[0044]
[0045] 其中,dj是权重ωj的解码;N是股票的个数;ωj满足:
[0046]
[0047] (3)计算个体适应度;
[0048] 构建合理的适应度函数,规定了权重的优化方向,计算出每个个体的适应度值,选择出最大的值进行保留;
[0049]
[0050] 其中,ωj表示投资组合中第j只股票的权重,Rj表示该只股票的在数据时间范围内的平均收益率,σj表示该只股票在数据时间范围内收益率的标准差;
[0051] 适应度函数的构建为一些实施例的关键步骤,规定了寻优的方向,在实施例中,设计的适应度函数为构建的投资组合,需达到收益率的最大化同时使得风险达到最小。
[0052] (4)判断精度是否满足要求。若满足,输出优化权重组;否则,进行选择、交叉、变异的遗传操作,生成新的种群,返回(3)。
[0053] 至此,本发明以上实施例已经表明可以采用以下技术手段实现:
[0054] 步骤1:获取目标证券市场上的股票信息以及该上市公司的财务报表数据;
[0055] 步骤2:利用获取的股票信息与财务报表数据,获取股票的价格序列与其他因子指标,作为特征集并存储;
[0056] 步骤3:利用技术分析分别将各只股票的技术指标计算出来,组成特征集合;
[0057] 步骤4:对指标数据进行预处理,以及训练集、验证集、测试集划分。包括缺失值的处理、标准化处理、基于自编码器的特征选择与约简,得到最终处理的数据结果;
[0058] 步骤5:将数据进行Kmeans聚类分析,将股票按照特征向量的形式,聚类成不同的簇群,分别用于后续的模型建立;
[0059] 步骤6:在步骤5划分为不同的类簇中,分别将各只股票的指标作为输入,下一期的股票收益率作为输出构建映射关系模型,选取3种不同的方法进行模型的构建(DNN,支持向量机,随机森林)
[0060] 步骤7:通过训练集和验证集,经过步骤6找出最优的超参,分别得出预测模型,并将构建的模型使用在实际的测试集中,得出预测的结果,并将结果按照收益率进行降序排列,综合考虑各类簇中的股票集合,选择出排名较高的若干支股票作为资产池;
[0061] 步骤8:将三种不同的模型视为决策专家,以步骤7得到的预测结果为基础,通过群决策集结方式得出最终的股票组合,并根据最终的决策结果的优劣动态的调整各决策专家的权威值;
[0062] 步骤9:专家权威值的调整方法,初始设定各个决策专家权威值相同,根据实际运行的结果以及实际收益率值来对权威值调整,具体是预测收益率最为相近的专家或者投资组合中10支股票收益率表现最好的,在哪个专家的预测列表中排名更靠前者权威值增加固定的数值;并将更新后的权威值应用于下次的迭代;
[0063] 步骤10:以步骤8得到的结果为基础,利用股票的历史数据采用遗传算法对投资组合进行权重的优化分配。步骤如下:
[0064] (1)编码
[0065] 采用3位2进制编码,将投资组合中股票的权重编码作为染色体,表示一组投资组合的权重方案;
[0066] (2)解码
[0067] 由染色体解码成权重的计算公式为:
[0068]
[0069] 其中,dj是权重ωj的解码;N是股票的个数;ωj满足:
[0070]
[0071] (3)计算个体适应度;
[0072] 构建合理的适应度函数,规定了权重的优化方向,计算出每个个体的适应度值,选择出最大的值进行保留;
[0073]
[0074] 适应度函数的构建为关键步骤,规定了寻优的方向,在本发明中,设计的适应度函数为构建的投资组合,需达到收益率的最大化同时使得风险达到最小。
[0075] (4)判断精度是否满足要求。若满足,输出优化权重组;否则,进行选择、交叉、变异的遗传操作,生成新的种群,返回(3);
[0076] 步骤11:对投资组合的结果进行评价;
[0077] 利用上述步骤得到的投资组合进行实际的效果检验,根据不同的指标来检验该模型方法的有效性,并依据实际运行的效果进行动态的调整。
[0078] 在一些实施例中,提供了一种基于群决策智能搜索的投资组合优化装置,至少包括:
[0079] 至少2种机器学习设备,所述机器学习设备被配置为分别获得股票收益率降序序列;
[0080] 群决策设备,所述群决策设备被配置为将所述机器学习模型视为决策专家利用群集结方法决策股票进入最终的投资组合的股票;
[0081] 遗传算法设备,所述遗传算法设备被配置为对投资组合进行权重的优化分配。
[0082] 在另外一些实施例中,还进一步包括金融数据的预处理设备,所述预处理设备包括:
[0083] 采集模:所述采集模块被配置为获取目标证券市场上的股票信息以及该上市公司的财务报表数据;
[0084] 特征集模块:所述特征集模块被配置为利用获取的股票信息与财务报表数据,获取股票的价格序列与其他因子指标,作为特征集并存储;
[0085] 特征集合模块:所述特征集合模块被配置为利用技术分析分别将各只股票的技术指标计算出来,组成特征集合;
[0086] 特征选择与约简模块:所述特征选择与约简模块被配置为存储缺失值的处理、标准化处理、基于自编码器的特征选择与约简后,得到最终处理的数据结果;
[0087] 聚类模块:将数据进行Kmeans聚类分析,将股票按照特征向量的形式,聚类成不同的簇群,分别用于后续的模型建立。
[0088] 在另外一些实施例中,再进一步包括构建映射关系模型和资产池设备:
[0089] 映射关系模型:所述映射关系模型被配置为在所述聚类模块划分为不同的类簇中,分别将各只股票的指标作为输入,下一期的股票收益率作为输出构建映射关系模型;
[0090] 资产池模块:所述资产池模块被配置为通过训练集和验证集,经过步骤6找出最优的超参,分别得出预测模型,并将构建的模型使用在实际的测试集中,得出预测的结果,并将结果按照收益率进行降序排列,综合考虑各类簇中的股票集合,选择出排名较高的若干支股票作为资产池。
[0091] 在另外一些实施例中,所述群决策设备再进一步被配置为基于简单多数准则进行决策;所述机器学习设备再进一步包括DNN设备、支持向量机设备、随机森林设备中的一种或多种。
[0092] 在另外一些实施例中,所述遗传算法设备利用股票的历史数据采用所述遗传算法对投资组合进行权重的优化分配,又进一步包括:
[0093] (1)编码器
[0094] 所述编码器被配置为采用3位2进制编码,将投资组合中股票的权重编码作为染色体,表示一组投资组合的权重方案;
[0095] (2)解码器
[0096] (3)个体适应度计算器;
[0097] 所述个体适应度计算器被配置为构建合理的适应度函数,规定了权重的优化方向,计算出每个个体的适应度值,选择出最大的值进行保留;
[0098]
[0099] 判断精度是否满足要求。若满足,输出优化权重组;否则,进行选择、交叉、变异的遗传操作,生成新的种群。
[0100] 本发明多数实施例关注的是中国A股市场但不限于此。请参阅图1所示,为本发明所提出的系统原理图,为一种基于群决策智能搜索的投资组合优化方法。
[0101] Step1:获取中国A股市场上自2000年1月-2018年12月所有股票的月度数据;
[0102] Step2:根据获取到的数据与信息计算各个股票的技术指标与因子特征,并构建指标指标集P;
[0103]NO 指标 含义
1 chmom 动量变化
2 Mom1m 1个月动量
3 mom6m 6个月动量
4 Mom12m 12个月动量
5 BM 公司账面市值比
6 EP 收益价格比
7 TUNOVER 换手率
8 Age 公司年龄
9 ROE 净资产收益率
10 MVE 净市值
[0104] Step3:将指标特征集进行训练集、验证集、测试集的划分选取2000年1月-2008年12月的数据作为训练集,2009年1月-2010年12月作为验证集,2011年1月-2018年12月作为测试集;特征集中数据表示为:
[0105] P:,i=1,2,...,m
[0106] 其中,i表示样本个数,n表示特征的个数,y为股票特征集x1-xn下一期对应的收益率;
[0107] Step4:依据上述表述方式将数据集进行缺失值、标准化以及自编码器的特征选择操作,其中缺失值采用当月所有股票在该指标上的中位数填充代替,标准化采用Z-score标准化,自编码器采用稀疏自编码器对已有的特征进行高阶的提取与约简;
[0108] Step5:在step4的基础上将数据集换分为3个簇类,采用Kmeans方法,将数据划分为3个簇类;
[0109] 图2为设定模型与系统模型的结构原理图。
[0110] Step6:在上述步骤得到的数据基础上,在每个簇类中分别构建神经网络、支持向量机和随机森林的模型,利用验证集的数据将三个模型中的超参数进行优化得到最优的收益率预测模型;
[0111] Step7:将训练好的模型应用于测试集中,得到预测的结果并将结果按照收益率降序排列,以此结果为基础,引入群决策思想将三个模型视为决策专家利用群集结方法得到最终的决策结果。
[0112] 每只股票是否进入最终的投资组合,可分别视为两个备选方案x(该股票进入投资组合中),y(该股票不进入投资组合中),决策群中3个成员对方案的偏好表示为(α1,α2,α3),αi表示个体i对两个方案的偏好,可表示为以下的符号函数
[0113]
[0114] 其中,>i表示第i人的偏好。则对于 两个备选方案的社会选择函数F(α1,α2,α3)可表示为:
[0115]
[0116] 其中,>G表示群体的偏好。因此,当且仅当选择备选方案x的人数多于选择y的人数时,F(α1,α2,α3)=1;当且仅当选择备选方案y的人数多于选择x的人数时,F(α1,α2,α3)=-1。以上介绍的内容就是简单多数准则。
[0117] Step8:以step7的决策结果为基础,选择结果中每只股票过往3年的历史数据为依据进行权重的优化搜索,参阅图3所示,为本发明投资组合权重优化方法的流程示意图。从该图中可以看出,具体实施步骤如流程图图3所述:
[0118] 步骤1.定义编码函数;
[0119] 步骤2.初始化权重随机赋值;
[0120] 步骤3.解码后进行投资组合方案构建;
[0121] 步骤4.计算个体适应度;
[0122] 步骤5.精度是否满足要求。若满足,输出优化权重;否则,通过遗传算子操作生成新种群,返回步骤3重新搜索;
[0123] 步骤6.搜索得到最终优化的权重;
[0124] 步骤7.将投资组合设定初始的设定值,进行实际数据的验证;
[0125] 步骤8.计算投资组合的评价指标;
[0126] 步骤9.若指标均满足要求,则将权重结果进行实际的执行;否则转到步骤10;
[0127] 步骤10.对权重值进行动态调整;
[0128] 对于多变量复杂的金融过程来说,在多期的实际操作过程中,投资组合的标的资产以及相对应的投资权重并不是一成不变的,需根据实际的运行效果以及宏观、金融环境的变化进行适时动态的调整,目的是投资组合的构建的稳健性。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈