×
Man-Fai梁;王军

基于协作神经动力学优化的基数约束投资组合选择。 （英语） Zbl 1527.91148号

神经网络。 145, 68-79 (2022).
摘要：投资组合优化是金融市场中最重要的投资策略之一。投资者，尤其是高频交易员，在投资组合选择中考虑基数约束，以避免奇数和交易费用等过度成本，这实际上是可取的。本文提出了一种用于基数约束投资组合选择的协作神经动力学优化方法。Markowitz框架中的预期收益和投资风险被标度为加权Chebyshev函数，基数约束被等效地表示为引入的二进制变量的上界。然后，将基数约束的投资组合选择问题表示为一个混合整数优化问题，并通过使用粒子群优化规则反复重新定位多个递归神经网络的协作神经动力学优化进行求解。通过基于粒子群优化的尺度化目标函数中的权重优化，得到的帕累托最优解的分布也得到了迭代完善。对来自四个主要世界市场的股票数据的实验结果进行了讨论，以证实协作神经动力学方法相对于几种精确和元启发式方法的优越性能。

引用于7文件

MSC公司：

91G10型 投资组合理论
90立方厘米 混合整数编程

关键词：

基数约束;神经动力学优化;混合整数编程;投资组合选择

软件：

风险指标;炒作;NSGA-II公司
PDF格式BibTeX公司 XML格式引用
\textit{M.-F.Leung}和\textit{J.Wang}，神经网络。145，68-79（2022年；兹比尔1527.91148）
全文： DOI程序

参考文献：

[1] Artzner，P。；Delbaen，F。；埃伯，J.-M。；Heath，D.，《一致风险度量》，《数学金融》，第9期，203-228页（1999年）·Zbl 0980.91042号
[2] Bader，J。；Zitzler，E.，HypE:基于快速超卷的多目标优化算法，进化计算，19，45-76（2011）
[3] Beume，N.，将支配超体积视为Klee度量问题的S-度量计算，进化计算，17，477-492（2009）
[4] 卞，W。；马，L。；秦，S。；Xue，X.，带一般凸约束的非光滑伪凸优化的神经网络，神经网络，101，1-14（2018）·Zbl 1443.90267号
[5] 博德纳，T。；Dmytriv，S。；北卡罗来纳州帕罗利亚。；Schmid，W.，高维环境下全球最小方差投资组合权重的测试，IEEE信号处理学报，674479-4493（2019）·Zbl 07123374号
[6] 塞萨隆，F。；A.斯科扎里。；Tardella，F.，带基数约束的均值-方差投资组合优化新方法，运筹学年鉴，205，213-234（2013）·Zbl 1269.91069号
[7] Chang，T.-J。；北卡罗来纳州米德。；Beasley，J.E。；Sharaiha，Y.M.，《基数约束投资组合优化启发式》，《计算机与运营研究》，第27期，第1271-1302页（2000年）·Zbl 1032.91074号
[8] Che，H。；Wang，J.，用于全局和组合优化的协作神经动力学方法，神经网络，114，15-27（2019）·Zbl 1444.90095号
[9] Che，H。；Wang，J.，双凸优化的两时间尺度双工神经动力学方法，IEEE神经网络和学习系统汇刊，302503-2514（2019）
[10] Che，H。；Wang，J.，混合整数优化的双时间尺度双重神经动力学方法，IEEE神经网络和学习系统汇刊，32，36-48（2021）
[11] 文书，M。；Kennedy，J.，多维复杂空间中的粒子群爆炸、稳定性和收敛，IEEE进化计算汇刊，658-73（2002）
[12] 德布，K。；普拉塔普，A。；阿加瓦尔，S。；Meyarivan，T.，一种快速的精英多目标遗传算法：NSGA-II，IEEE进化计算汇刊，6182-197（2002）
[13] 邓，X.-T。；李，Z.-F。；Wang，S.-Y.，带均衡的最小最大投资组合选择策略，《欧洲运筹学杂志》，166278-292（2005）·Zbl 1066.91039号
[14] Eichfelder，G.，多目标优化中的自适应尺度化方法（2008），Springer·Zbl 1145.90001号
[15] 范，J。；Wang，J.，非负矩阵分解的集体神经动力学优化方法，IEEE神经网络和学习系统汇刊，282344-2356（2017）
[16] Gaivoronski，A.A。；Pflug，G.，《投资组合优化中的价值-风险：属性和计算方法》，《风险杂志》，7，1-31（2005）
[17] 高杰。；Li，D.，最优基数约束投资组合选择，运筹学，61745-761（2013）·兹比尔1273.91423
[18] 贾基奥齐斯，I。；Fleming，P.J.，《多目标优化方法：分析》，《信息科学》，29338-350（2015）·Zbl 1355.90090号
[19] Goh，J.W。；Lim，K.G。；西姆·M。；Zhang，W.，非对称分布资产收益的投资组合价值-风险优化，《欧洲运筹学杂志》，221397-406（2012）·Zbl 1253.91167号
[20] 瓜斯塔罗巴，G。；Speranza，M.G.，《内核搜索：索引跟踪问题的应用》，《欧洲运筹学杂志》，217，54-68（2012）·Zbl 1244.91109号
[21] 郭，Z。；刘，Q。；Wang，J.，线性等式约束下伪凸优化的单层递归神经网络，IEEE神经网络汇刊，221892-1900（2011）
[22] 北卡罗来纳州哈多罗迪。；Keshvari，A。；卡利奥，M。；Korhonen，P.，通过MILP解决基数约束均值-方差投资组合问题，运筹学年鉴，254，47-59（2017）·Zbl 1406.91407号
[23] 霍普菲尔德，J.J。；Tank，D.W.，《神经电路计算——模型》，《科学》，233625-633（1986）
[24] 侯赛尼，A。；Wang，J。；Hosseini，S.M.，用于解决一类广义凸优化问题的递归神经网络，神经网络，44，78-86（2013）·Zbl 1296.90088号
[25] 胡，X。；Wang，J.，使用投影神经网络求解伪单调变分不等式和伪凸优化问题，IEEE神经网络汇刊，171487-1499（2006）
[26] 胡，X。；Wang，J.，解决单调线性变分不等式和线性与二次优化问题的通用投影神经网络设计，IEEE系统汇刊，人与控制论-第B部分：控制论，371414-1421（2007）
[27] 胡，X。；Wang，J.，用于求解一类广义变分不等式的递归神经网络，IEEE系统、人与控制论汇刊-B部分：控制论，37，528-539（2007）
[28] 胡，X。；Wang，J.，用于解决一类二次规划问题的改进对偶神经网络及其k-winners-take-all应用，IEEE神经网络汇刊，192022-2031（2008）
[29] 石破竹，H。；R.伊马达。；Setoguchi，Y。；Nojima，Y.，《如何在超级卷计算中指定参考点以进行公平性能比较》，进化计算，26，411-440（2018）
[30] Ju，X。；李，C。；何，X。；Feng，G.，解逆混合变分不等式的近端神经动力学模型，神经网络，138，1-9（2021）·Zbl 1523.49011号
[31] 卡莱奇，C.B。；波兰，O。；Akbay，M.A.，《基数约束投资组合优化的高效混合元启发式算法》，Swarm and Evolutional Computation，54，文章100662 pp.（2020）
[32] 肯尼迪，M.P。；Chua，L.O.，非线性规划的神经网络，IEEE电路与系统汇刊，35554-562（1988）
[33] 科尔姆，P.N。；TüTüncü，R。；Fabozzi，F.J.，《投资组合优化60年：实际挑战和当前趋势》，《欧洲运筹学杂志》，234356-371（2014）·兹比尔1304.91200
[34] 科诺，H。；Yamazaki，H.，Mean-绝对偏差投资组合优化模型及其在东京股市的应用，管理科学，37519-531（1991）
[35] 赖，Z.-R。；杨，P.-Y。；方，L。；Wu，X.，自动投资组合优化的重加权价格相对跟踪系统，IEEE系统、人与控制论学报：系统，504349-4361（2020）
[36] 勒，X。；Wang，J.，约束极小极大优化的双时间尺度神经动力学方法，IEEE神经网络和学习系统汇刊，28，620-629（2017）
[37] 梁，M.-F。；Wang，J.，多目标优化的协作神经动力学方法，IEEE神经网络和学习系统汇刊，295738-5748（2018）
[38] 梁，M。；Wang，J.，基于协作神经动力学优化的Minimax和生物目标投资组合选择，IEEE神经网络和学习系统汇刊，322825-2836（2021）
[39] 梁，M.-F。；Wang，J。；Li，D.，基于合作竞争多智能体系统的分散稳健投资组合优化，IEEE控制论汇刊，1-10（2021）
[40] 李，X。；Wang，J。；Kwong，S.，基于协作神经动力学优化的哈希位选择，IEEE控制论汇刊，1-12（2021）
[41] 李，X。；Wang，J。；Kwong，S.，通过离散hopfield网络的协作神经动力学优化进行Hash位选择，IEEE神经网络和学习系统汇刊，32（2021），（出版中）
[42] 李·G。；严，Z。；Wang，J.，用于约束非光滑不变凸优化的单层递归神经网络，神经网络，50，79-89（2014）·Zbl 1298.90077号
[43] 刘，Q。；郭，Z。；Wang，J.，用于约束伪凸优化的单层递归神经网络及其在动态投资组合优化中的应用，神经网络，26，99-109（2012）·Zbl 1273.90216号
[44] 刘，Q。；黄，T。；Wang，J.，用于求解变分不等式和相关优化问题的单层连续和离散时间投影神经网络，IEEE神经网络和学习系统汇刊，251308-1318（2014）
[45] 刘，S。；姜浩。；张，L。；Mei，X.，复杂变量规划问题的神经动力学优化方法，神经网络，129，280-287（2020）·Zbl 1475.90058号
[46] 刘，N。；秦，S.，带仿射等式和凸不等式约束的非线性优化问题的神经动力学方法，神经网络，109147-158（2019）·Zbl 1472.90128号
[47] 刘，S。；Wang，J.，二次规划的简化对偶神经网络及其kwta应用，IEEE神经网络汇刊，171500-1510（2006）
[48] 刘，Q。；Wang，J.，线性规划中具有不连续激活函数的单层递归神经网络，神经计算，201366-1383（2008）·Zbl 1135.68535号
[49] 刘，Q。；Wang，J.，二次规划中具有不连续硬限制激活函数的单层递归神经网络，IEEE神经网络汇刊，19558-570（2008）
[50] 刘，Q。；Wang，J.，线性等式和有界约束下非光滑优化的单层投影神经网络，IEEE神经网络和学习系统汇刊，24，812-824（2013）
[51] 刘，Q。；Wang，J.，用于约束二次极小极大优化的投影神经网络，IEEE神经网络和学习系统汇刊，26，2891-2900（2015）
[52] 刘，Q。；Wang，J.，基于投影神经网络的稀疏信号重建L1-最小化算法，IEEE神经网络和学习系统汇刊，27，698-707（2016）
[53] 刘，Q。；Yang，S。；Wang，J.，分布式约束优化的集体神经动力学方法，IEEE神经网络和学习系统汇刊，281747-1758（2017）
[54] Lwin，K。；Qu，R.，约束投资组合选择问题的混合算法，应用智能：国际人工智能、神经网络和复杂问题解决技术杂志，39，251-266（2013）
[55] Markovitz，H.，《投资组合选择：投资的有效多元化》（1959），耶鲁大学出版社
[56] Markowitz，H.，《投资组合选择》，《金融杂志》，第77-91页（1952年）
[57] Merton，R.C.，不确定性下的终身投资组合选择：连续时间案例，《经济学与统计学评论》，24，7-257（1969）
[58] 莫迪利亚尼，F。；Miller，M.H.，《资本成本、公司财务和投资理论》，《美国经济评论》，48，261-297（1958）
[59] Morgan，J.，风险计量技术文件（1994），摩根担保信托公司：纽约摩根担保信托有限公司
[60] Ogryczak，W。；Ruszczyñski，A.，《从随机优势到平均风险模型：作为风险度量的半偏差》，《欧洲运筹学杂志》，116，33-50（1999）·Zbl 1007.91513号
[61] 帕恰马诺娃博士。；Fabozzi，F.J.，《金融模拟与优化：用MATLAB建模》，@RISK，或VBA，第173卷（2010年），John Wiley&Sons·Zbl 1217.91002号
[62] Ponsich，A。；Jaimes，A.L。；Coello，C.A.C.，《解决投资组合优化问题和其他金融和经济应用的多目标进化算法综述》，IEEE进化计算汇刊，17，321-344（2013）
[63] 秦，S。；勒，X。；Wang，J.，双层二次规划的神经动力学优化方法，IEEE神经网络和学习系统汇刊，282580-2591（2017）
[64] Rockafellar，R.T。；Uryasev，S.，条件价值风险优化，风险杂志，2，21-42（2000）
[65] Ruiz-Torrubiano，R。；Suárez，A.，《具有基数约束的投资组合选择的混合方法和降维》，IEEE计算智能杂志，5，92-107（2010）
[66] Samuelson，P.A.，通过动态随机规划进行终身投资组合选择，《经济学和统计学评论》，51，239-246（1969）
[67] 夏普，W.F.，《资本资产价格：风险条件下的市场均衡理论》，《金融杂志》，第19期，第425-442页（1964年）
[68] 水箱，D.W。；Hopfield，J.J.，《简单的“神经”优化网络：A/D转换器、信号决策电路和线性规划电路》，IEEE电路与系统汇刊，33，533-541（1986）
[69] Tayalñ，S.T.，均值-方差投资组合优化中聚类的一种新的后验方法，基于知识的系统，209，第106454页，（2020）
[70] Wang，J.，线性规划递归神经网络的分析与设计，IEEE电路与系统汇刊：第一部分，40，613-618（1993）·Zbl 0807.90083号
[71] Wang，J.，凸规划的确定性退火神经网络，神经网络，7629-641（1994）·Zbl 0818.90090号
[72] Wang，H。；Jin，Y。；Doherty，J.，进化多样性优化的通用测试套件，IEEE进化计算汇刊，22836-850（2017）
[73] Wang，Y。；李，X。；Wang，J.，通过分数规划进行监督特征选择的神经动力学优化方法，神经网络，136194-206（2021）·Zbl 1521.68167号
[74] Wang，J。；Wang，J.，用于非线性规划的双时间尺度多层递归神经网络，IEEE神经网络和学习系统汇刊（2021）
[75] Wang，J。；Wang，J。；Che，H.，基于协作神经动力学优化的多车辆系统任务分配，IEEE神经网络和学习系统汇刊，311145-1154（2020）
[76] Wang，Y。；Wang，J。；Che，H.，基于替代问题公式的监督特征选择的两时间尺度神经动力学方法，神经网络，142180-191（2021）
[77] Wang，J。；Wang，J。；Han，Q.，基于离散hopfield网络协作神经动力学优化的多车辆任务分配，IEEE神经网络和学习系统汇刊，32（2021）
[78] Wang，J。；Wang，J。；Han，Q.，基于神经动力学的连续欠驱动机电系统模型预测控制，IEEE/ASME机电学报，26，311-321（2021）
[79] 文，X。；卢安，L。；秦，S.，多智能体系统分布式凸优化的连续时间神经动力学方法及其离散化，神经网络，143，52-65（2021）·Zbl 1533.90124号
[80] Woodside Oriakhi，M。；卢卡斯，C。；Beasley，J.E.，基数约束有效边界的启发式算法，《欧洲运筹学杂志》，213538-550（2011）·兹比尔1218.91151
[81] 夏，Y。；冯·G。；Wang，J.，解凸二次规划和线性分段方程的指数收敛递归神经网络，神经网络，17，1003-1015（2004）·Zbl 1068.68130号
[82] 夏，Y。；冯·G。；Wang，J.，用于解决不等式约束非线性优化问题的新型神经网络，IEEE神经网络汇刊，191340-1353（2008）
[83] 夏，Y。；Wang，J.，设计全局收敛优化神经网络的通用方法，IEEE神经网络汇刊，9，1331-1343（1998）
[84] 夏，Y。；Wang，J.，用于求解单调变分不等式和相关优化问题的通用投影神经网络，IEEE神经网络汇刊，15，318-328（2004）
[85] 夏，Y。；Wang，J.，求解线性约束非线性凸规划的递归神经网络，IEEE神经网络汇刊，16，379-386（2005）
[86] 夏，Y。；Wang，J.，用于求解约束二次优化问题的双投影神经网络，IEEE神经网络和学习系统汇刊，27，214-224（2016）
[87] 夏，Y。；Wang，J。；Guo，W.，《非线性规划模型复杂度降低的两个投影神经网络》，IEEE神经网络和学习系统汇刊，312020-2029（2020）
[88] 徐，C。；Chai，Y。；秦，S。；王，Z。；Feng，J.，非光滑约束伪凸优化问题的神经动力学方法，神经网络，124180-192（2020）·Zbl 1444.90113号
[89] 严，Z。；范，J。；Wang，J.，约束全局优化的集体神经动力学方法，IEEE神经网络和学习系统汇刊，281206-1215（2017）
[90] 严，Z。；Wang，J.，基于集体神经动力学优化的非线性模型预测控制，IEEE神经网络和学习系统汇刊，26，840-850（2015）
[91] 严，Z。；Wang，J。；Li，G.，有界约束非凸优化的集体神经动力学优化方法，神经网络，55，20-29（2014）·Zbl 1308.90137号
[92] 杨琼。；陈，W.N。；顾，T。；张，H。；Deng，J.D。；Li，Y.，用于大规模优化的基于分段的优势学习群优化器，IEEE控制论汇刊，472896-2910（2016）
[93] Yang，S。；刘，Q。；Wang，J.，多目标分布式优化的协作神经动力学方法，IEEE神经网络和学习系统汇刊，29，981-992（2018）
[94] Zhao，Y。；何，X。；黄，T。；Huang，J.，平滑惯性投影神经网络在稀疏信号重建中最小化lp-q，神经网络，99，31-41（2018）·Zbl 1456.94024号
[95] Zhao，Y。；廖，X。；何，X。；唐·R。；Deng，W.，通过lp范数最小化进行稀疏信号重建的平滑惯性神经动力学方法，神经网络，140100-112（2021）·Zbl 07743228号
[96] 赵，J。；杨，J。；Wang，J。；Wu，W.，具有固定和自适应下降保持概率的峰值神经网络正则化，IEEE神经网络和学习系统汇刊，1-14（2021）
[97] 赵，Z。；周，R。；Palomar，D.P.，《金融统计套利的杠杆约束下最优均值转换投资组合》，IEEE Transactions on Signal Processing，671681-1695（2019）·Zbl 1415.94307号
[98] 周，W。；张海涛。；Wang，J.，基于协作神经动力学优化的稀疏贝叶斯学习，IEEE控制论汇刊，1-15（2021）
[99] Zitzler，E。；Thiele，L.，《多目标进化算法：比较案例研究和强度Pareto方法》，IEEE进化计算汇刊，3257-271（1999）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。