摘要
1 介绍
2 近似线性化方法 \(\ell_{0}\) -范数最小化
定义2.1
引理2.1
引理2.2
三 交替逼近算法及其收敛性
步骤0。 : -
鉴于 \(β{1},β{2},σ,r,V,mu,rho,alpha) ,初始点 \((x^{0},\lambda^{0{)\) 、和收敛公差 ε .设置 \(k:=0) . 步骤1。 : -
计算 \(z^{k+1}\in\mathrm {近似}_ {\sigma\|\cdot\|_{0}}(z^ {k}- \alpha\nabla P(z^{k},\lambda^{k{)) . 第2步。 : -
计算 \(y^{k+1}=\mathrm {代理}_ {I_{R}}(z^{k+1}) . 步骤3。 : -
计算 \(x^{k+1}=\mathrm {近似}_ {I_{S}}(y^{k+1}) . 步骤4。 : -
计算 \(\lambda^{k+1}=\lambda ^{k}+\rho(e^{T}x^{k+1}-1)\) . 步骤5。 : -
如果 \(垂直P(x^{k+1},λ^{k+1})垂直 或 \(k>10000) ,停止。 否则,设置 \(k:=k+1) 并转至步骤1。
假设A
-
(i) \(\psi\colon\mathbb{R}^{n}\rightarrow\mathbb{R}\) 是一个连续可微函数,其中其梯度 ∇ ψ 是具有模量的Lipschitz连续 \(L_{c}\) . -
(ii) \(\phi\colon\mathbb{R}^{n}\rightarrow\mathbb{R}\cup\{+\infty\}\) 是一个适当的下半连续函数。 -
(iii) \(\inf_{\mathbb{R}^{n}}\psi>-\infty\) 和 \(\inf_{\mathbb{R}^{n}}\phi>-\infty\) .
引理3.1
证明
引理3.2
-
(a) \(\omega(x^{0})\) 是非空的 , 契约 , 和连接集 . -
(b) \(\omega(x^{0})\subset\mathrm{crit}\\mathcal{L}\) . -
(c) \(\lim_{k\rightarrow\infty}\mathrm{dist}(x^{k},\omega(x^}))=0\) . -
(d) 目标函数 \(\mathcal{L}\) 在上是有限且恒定的 \(\omega(x^{0})\) .
证明
定义3.1
定义3.2
定义3.3
-
(i) 一个子集 \(\Omega\subset\mathbb{R}^{n}\) 如果存在有限个实多项式函数,则称为半代数 \(p{ij}\) 和 \(q{ij}\) 这样的话 $$\Omega=\大杯^ {p}_ {j=1}\大帽子^ {q}_ {i=1}\bigl\{u\in\mathbb{R}^{n}\colon p_{ij}(u)=0\text{和}q_{ij}(u)<0\bigr\}$$ (38) -
(ii) A函数 \(\phi\colon\mathbb{R}^{n}\rightarrow\mathbb{R}\cup\{+\infty\}\) 称为半代数,如果其图 $$\bigl\{(u,t)\in\mathbb{R}^{n+1}\colon\phi(u)=t\bigr\}$$ (39) 是的半代数子集 \(\mathbb{R}^{n+1}\) .
定理3.1
定理3.2
证明
4 数值实验和结果
The significance of
5 结论
数据和材料的可用性
工具书类
Bertsekas,D.P.:非线性规划,第三版。 雅典娜科技(2016) Best,M.J.,Grauer,R.R.:关于均值-方差有效投资组合对资产均值变化的敏感性:一些分析和计算结果。 最终版本。 螺柱。 4 (2), 315–342 (1991) Bochnak,J.,Coste,M.,Roy,M.F.:《实代数几何》,第36卷。 柏林施普林格出版社(2013) Bolt,J.,Danilidis,A.,Lewis,A.:非光滑子分析函数的Łojasiewicz不等式及其在次梯度动力系统中的应用。 SIAM J.Optim公司。 17 (4), 1205–1223 (2007) Bolt,J.,Danilidis,A.,Lewis,A.,Shiota,M.:分层函数的Clarke次梯度。 SIAM J.Optim公司。 18 (2), 556–572 (2007) Bolt,J.,Sabach,S.,Teboulle,M.:非凸和非光滑问题的近似交替线性化最小化。 数学。 程序。 146 (1), 459–494 (2014) Boyd,S.、Parikh,N.、Chu,E.、Peleato,B.、Eckstein,J.:通过交替方向乘数法进行分布式优化和统计学习。 已找到。 趋势马赫数。 学习。 三 (1), 1–122 (2011) Brodie,J.,Daubechies,I.,De Mol,C.,Giannone,D.,Loris,I.:马科维茨投资组合稀疏稳定。 程序。 国家。 阿卡德。 科学。 106 (30), 12,267–12,272 (2009) Chen,J.,Dai,G.,Zhang,N.:稀疏群套索正则化在股票投资组合优化和部门选择中的应用。 安·Oper。 物件。 284 (1), 243–262 (2020) Dai,Z.,Wen,F.:稀疏和稳定投资组合优化问题的一种广义方法。 J.印第安纳州管理局。 最佳方案。 14 (4), 1651–1666 (2018) Daubechies,I.,Defrise,M.,De-Mol,C.:具有稀疏约束的线性反问题的迭代阈值算法。 Commun公司。 纯应用程序。 数学。 57 (11), 1413–1457 (2004) De Mol,C.:《金融信号处理和机器学习》,第11–22页,《稀疏马科维茨投资组合》一章。 威利在线图书馆(2016) DeMiguel,V.,Garlappi,L.,Nogales,F.J.,Uppal,R.:投资组合优化的通用方法:通过约束投资组合规范来提高绩效。 管理。 科学。 55 (5), 798–812 (2009) Fastrich,B.,Paterlini,S.,Winker,P.:使用正则化方法构建最优稀疏投资组合。 计算。 管理。 科学。 12 (3), 417–434 (2015) Fazel,M.,Pong,T.K.,Sun,D.,Tseng,P.:Hankel矩阵秩最小化及其在系统识别和实现中的应用。 SIAM J.矩阵分析。 申请。 34 (3), 946–977 (2013) Gabay,D.,Mercier,B.:通过有限元近似求解非线性变分问题的对偶算法。 计算。 数学。 申请。 2 (1), 17–40 (1976) 黄,X.:投资组合选择与风险的新定义。 欧洲药典。 物件。 186 (1), 351–357 (2008) Konno,H.,Suzuki,K.:均值-方差组合优化模型。 《运营杂志》。 Res.Soc.Jpn.公司。 38 (2), 173–187 (1995) Lai,Z.R.,Yang,P.Y.,Fang,L.,Wu,X.:基于交替方向乘数法的短期稀疏投资组合优化。 J.马赫。 学习。 物件。 19 , 1–28 (2018) Li,B.,Li,X.,Teo,K.L.,Zheng,P.:具有下行风险和多样化的复杂系统的一种新的不确定随机投资组合优化模型。 混沌孤子分形 160 , 112,213 (2022) Łojasiewicz,S.:Une propriété拓扑des sous-ensemples analytiques réels。 莱斯埃克。 辅助Dériv.Partielles 117 , 87–89 (1963) Markowitz,H.:投资组合选择。 J.金融 7 (1), 77–91 (1952) Michaud,R.O.:Markowitz优化之谜:“优化”是最优的吗? 财务。 分析。 J。 45 (1), 31–42 (1989) Parikh,N.,Boyd,S.:近似算法。 已找到。 趋势优化。 1 (3), 127–239 (2014) Perrin,S.,Roncalli,T.:机器学习优化算法与投资组合分配。 机器。 学习。 资产管理: 新开发财务。 申请。, 261–328 (2020) Rockafellar,R.T.,Wets,R.J.B.:变分分析。 施普林格,纽约(1998) Sun,Y.,Aw,G.,Teo,K.L.,Zhou,G.:使用新的概率风险度量进行投资组合优化。 J.印第安纳州管理局。 最佳方案。 11 (4), 1275 (2015)