基本信息
- 项目名称：
- 优化PSO模型在证券投资中的应用
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 经济
- 简介：
- 文章将粒子群（PSO）算法运用到证券投资组合领域，研究在中国证券市场背景下的投资最优化问题。首先确定最小交易单位、交易成本、决策变量等约束。然后系统介绍PSO算法原理、流程以及算法的求解过程。接着提出了一种PSO的优化算法，试图避免PSO算法常常陷入的解的局部性问题，并且充分利用共享信息求解。
- 详细介绍：
- 文章将粒子群（PSO）算法运用到证券投资组合领域，研究在中国证券市场背景下的投资最优化问题。首先确定最小交易单位、交易成本、决策变量等约束。然后系统介绍PSO算法原理、流程以及算法的求解过程。接着提出了一种PSO的优化算法，试图避免PSO算法常常陷入的解的局部性问题，并且充分利用共享信息求解。在实证分析中，先比较了算法优化前后收益、风险的稳定性，再分别比较股票种数为20和5时投资组合的风险和收益。在适应函数的选取上，分别采用了相关系数和协方差，发现采用协方差能得到更为理想的结果，且收敛更为稳定，因此认为在PSO模型求解证券投资组合的问题上，应采用协方差作为适应函数。
作品专业信息
撰写目的和基本思路
- 在证券投资组合模型上，PSO算法的合理性已经得到认可。本文所做的尝试是在适应函数选取，算法优化等方面试图使PSO算法更符合证券投资组合模型，解得的结果有更好的稳定性，更加合理。 本文结合数学的知识解释经济学问题，定义目标函数收益风险比以及应用PSO算法进行求解。在实例分析中，本文选取20支股票进行收益、风险运算，验证数学上的运算结果确实符合经济学上的解释。
科学性、先进性及独特之处
- 从数学意义上讲，PSO算法作为优化算法应用在求目标函数的最值问题中是有意义的，并且它比其他一些优化算法有着更多的优点（如收敛速度快、解的质量高、鲁棒性、需调整的参数少等）。 另外，本文不仅考虑了PSO算法性能的优化，还考虑到了中国市场佣金的成本，印花税的成本，交易手数的限制，使算法更符合实际交易的应用。
应用价值和现实意义
- 本文优化PSO模型在证券投资组合中的应用可以为广大的投资者提供更加准确的证券组合方面的理论指导，如果加入预测等模型更是可以达到预测的目的。结合了中国证券市场的现状，应用性更广。
作品摘要
- 文章将粒子群（PSO）算法运用到证券投资组合领域，研究在中国证券市场背景下的投资最优化问题。首先确定最小交易单位、交易成本、决策变量等约束。然后系统介绍PSO算法原理、流程以及算法的求解过程。接着提出了一种PSO的优化算法，试图避免PSO算法常常陷入的解的局部性问题，并且充分利用共享信息求解。在实证分析中，先比较了算法优化前后收益、风险的稳定性，再分别比较股票种数为20和5时投资组合的风险和收益。在适应函数的选取上，分别采用了相关系数和协方差，发现采用协方差能得到更为理想的结果，且收敛更为稳定，因此认为在PSO模型求解证券投资组合的问题上，应采用协方差作为适应函数。
获奖情况及评定结果
- 2010年中山大学第十一届“挑战杯”校赛二等奖 2011年第十一届“挑战杯”省赛三等奖
参考文献
- [1] 维基百科现代投资组合理论. [2] 刘晓峰、陈通、张连营.基于微粒群算法的最佳证券投资组合研究.系统管理学报.2008,17(4):221-224,234 [3] 杨建辉、江文婷.基于PSO 的考虑完整费用的证券组合优化研究.计算机应用研究.2010,27(9):3364-3367 [4] 王存睿、段晓东、刘向东等. 改进的基本粒子群优化算法. ［J］.计算机工程.2004,30(21):35-37 [5] 任肖琳.基于合理信息共享机制的粒子群算法.科技信息.2010(2):116-117 [6] 陈柳钦、吕红.CAPM理论在我国证券市场中的应用分析. 学术交流.2003(11):61-65 [7] 廖旭威.我国现代证券投资组合理论应用现状初探. 商场现代化.2010(606):48-49
调查方式
- 书报刊物
同类课题研究水平概述
- 证券投资组合是金融学的一个重要课题，经济投资中的一个热点问题，同时也是一个经典的数学模型。在早期，马科维茨(Markowitz,1952)提出了均值-方差方法(mean-variance analysis approach)进行模拟逼近，而近年来随着新型算法的不断提出，尤其是仿生算法的发明和完善，如近年来最为热门的遗传算法，蚁群算法，以及本文采用的粒子群算法，关于这个问题的模拟和求解也在不断进步。 PSO算法，是美国社会心理学博士James Kennedy 和电子工程学博士Russell Eberhart 于1995 年首次提出的，最初的应用是分析鸟群的运动规律。作为一种新兴的基于群体智能的进化算法，关于PSO的研究主要集中在2个方面：一是在不同领域上尝试使用PSO模型求解，在这个领域上，国内外的研究成果非常丰硕，函数优化、组合优化、多目标优化、系统辨识、模式识别、图像处理、神经网络训练及工业系统优化与控制等各领域都有学者引入了PSO算法，其可行性以及相比传统算法的优势也得到了了肯定，尤其在金融投资方面，PSO算法与传统的均值方差法，以及近来最为流行的遗传算法相比有较快的收敛速度，全局性以及稳定性更为突出，在近来受到越来越高的重视；另一个研究方向是对PSO算法的优化以及理论研究。PSO的数学基础相对薄弱。Clerc和Kennedy从数学的角度对算法的收敛性进行了初步分析，得出了粒子运动稳定性的约束条件。在此基础上，Bergh做了进一步分析，Lebesgue和Borel研究随机性对粒子轨迹的影响，在测度空间上对收敛性做了分析。此外在算法优化上，大多数采用学者或研究人员在使用PSO作为解决模型工具时都考虑到了对算法的优化以便使算法更符合模型要求，得到更为准确稳定的结果，同时也推动了PSO算法的发展成熟。 基于PSO算法的各种优化变形，国内外已有不少将其应用在投资组合决策中的研究，如：基于广义学习策略的约束粒子群算法（CPSO）（刘衍民等）用广义学习策略使粒子跳出局部最优，用多目标进化PSO算法求解投资决策，考虑到最大最小交易量的PSO算法优化，用多样性收敛因子PSO 算法( DCPSO) 来防止粒子收敛过快和粒子多样性降低，采用二次粒子群算法优化投资组合，等等。优化方式不同，但目的相同就是使优化更符合实际意义，避免局部最优，过快或过慢收敛。
