论计算智能在证券投资组合中的作用文档格式.docx

论计算智能在证券投资组合中的作用文档格式.docx

《论计算智能在证券投资组合中的作用文档格式.docx》由会员分享，可在线阅读，更多相关《论计算智能在证券投资组合中的作用文档格式.docx（4页珍藏版）》请在冰豆网上搜索。

因此，人们普遍在研究如何实现具有快速和高效的寻优求解方法。

在这里，我们将对计算智能技术在证券投资组合中的应用进行分析和讨论，以供投资者和决策者进行参考。

3计算智能技术

计算智能（Computationintelligence,CI）是在人工智能的基础上发展起来的一个新兴领域学科，计算智能这一概念出现于1992年世界人工智能会议上，与人工智能不同，计算智能的优势在于解决系统中的一些非线性和不确定性的问题。

计算智能是借助现代计算工具模拟人的智能机制、生命演化过程和人的智能行为而进行信息获取、处理（求解问题）、利用的理论和方法。

它是以模型（数学模型、计算模型）为基础，以分布、并行、仿生计算为特征，含数据、算法和实现的信息系统。

它强调模型的建立和构成，它主张系统的自组织、自学习和自适应。

它的优势在于解决系统中的一些非线性和不确定性的问题。

它主要包括三个方面的知识：

人工神

简介：

何锋（1973～）,男,云南鹤庆人,讲师,硕士,主要的研究领域是计算智能与挖掘技术、网络与信息安全;

翟勇（1967～）,男,副研究员,主要研究方向为人工智能、计算机应用和管理信息系统.

经网络、遗传算法和模糊逻辑。

其中，人工神经网络主要研究的是学习，遗传算法主要研究的是搜索，模糊逻辑主要研究的是推理。

3.1人工神经网络在证券投资组合中的应用

证券投资组合理论在Markowitz的证券组合理论、Sharpe的资本资产定价理论和Ross的套利定价理论的理论基础之上，己经有了很大的发展。

根据国内外学者对证券组合投资的研究，可大致分为静态数学模型和动态控制模型[1]。

前者有线性规划方法、神经网络等方法，后者有随机最优控制、模糊规划方法。

早在1943年，心理学家McCulloch与数学家Pitts对神经元进行了形式化研究，提出了神经元的数学模型（MP模型），标志着人工神经网络研究的开始。

随着时间的不断推移，神经网络在几起几落中不断发展起来，进入了我们生活中的许多领域。

人工神经网络（Artificialneuralnetwork,ANN）能对证券组合过程中的不完整信息进行补全，根据已学会的知识和处理问题的经验对复杂问题做出合理的判断决策，从而给出较满意的组合方式，或对未来的证券投资组合过程做出有效的预测和估计。

例如，BP神经网络和径向基神经网络能对证券投资的有关收益进行预测和仿真；

Hopfield神经网络能使其网络的运行处于一个非线性的动力学过程中，从而实现证券组合的联想记忆和优化计算；

自组织神经网络能进行证券种类的自动聚类，以实现特征抽取和大规模数据处理。

从方法论的角度来看，传统的计算依靠自顶向下的分析，先利用先验知识建立数学的、物理的或推理的模型。

在此基础上建立相应的计算模型进行计算。

而人工神经网络计算是自底向上的，很少利用先验知识，直接从数据通过学习与训练，以自动建立计算模型。

因此神经网络计算表现出很强的灵活性、适应性和学习能力。

利用人工神经网络技术，我们可以实现市场分析、自动证券分级、股票交易咨询系统、股票预测等等功能。

市场上所使用的指南针证券投资决策系统就是使用了这一技术，从而可以随着行情走势的变化自动学习和调整自身的权值和阈值，达到自组织和自适应的功能。

在应用人工神经网络技术解决问题的过程中,我们应遵循这样的一个步骤：

①首先对待解决的问题进行分析，根据各种网络的特点选用适合的网络类型；

②建立起网络；

③对网络初始化；

④对网络进行训练；

⑤对网络进行仿真检验，这样，才能建立起所需要的人工神经网络模型。

最后，再应用网络来解决问题。

但是，仅使用人工神经网络的不足之处是它缺乏对模型解释能力，不能以综合的方式解释做出决定或报告输出结果的计算过程。

另外，它易于陷入局部最优求解，而且学习周期长，收敛速度慢，这需要结合进化计算方法来加以改进。

3.2遗传算法在证券投资组合中的应用

对于投资组合优化的问题，如果采用传统的数值优化算法（如牛顿法、共扼梯度法等）来求解，这将易于陷入局部极值的求解过程去，且它们对目标函数要求都很高，算法都比较复杂，收敛较慢，因此，求得全局解的概率较低。

近几十年来，随着生命科学与工程科学的相互交叉、渗透和促进，形成了一种用机器模拟自然过程来求解复杂问题的随机搜索算法进化算法。

遗传算法（geneticalgorithm，GA）作为进化算法的一种，是在1960年由美国密歇根（UniversityofMichigan）大学的心理学教授、电子工程学与计算机科学教授John.Holland和他的同事与学生在开始进行基因遗传算法和选择问题的数学方法分析和基本理论的基础上，于1962年提出的。

它模拟生命的演化与进化过程，它认为生命的自然演化过程本质上是一个学习和优化的过程，这一过程的目的是使生命体达到适应环境的最佳结构与效果。

它从客观意义上模拟达尔文优胜劣汰、适者生存的原理以激励良态的结构，又通过模拟孟德尔遗传变异理论推动良态结构的进化，其本质是求解问题的一种高效、并行的全局优化搜索方法。

它能在搜索过程中自动获得和积累有关搜索方向的知识，并自适应地控制搜索过程以求得最优解。

目前，遗传算法己应用到许多领域，在求解科学研究和工程技术中的各种组合优化问题时，在搜索与优化计算问题方面取得了成功。

遗传算法的一般运算过程见图1所示。

在应用遗传算法时,我们要注意到这样一些问题：

①解空间的编码与解码,这将对算法的性能产生很大的影响；

②初始种群的设定。

遗传算法的搜索过程是初始种群的演化过程；

③适应度函数的设计，个体的适应度是演化过程中进行选择的依据；

④遗传过程设计；

⑤控制参数设定。

控制参数主要包括种群的规模、不同遗传的操作的概率、算法执行的最大代数以及其他一些辅助性的控制参数。

其中需要我们着重考虑的是基本遗传算子（包括选择算子、杂交算子、变异算子和删除算子）参数取值的设定问题。

这需要我们进行反复大量的测试才能确定下来。

应用遗传算法，我们不需要在参加组合的所有证券中寻找冗余证券，只要在和负投资比例系数对应的证券中寻找，显然，这将大大减少搜索过程中的计算量，容易得到优化结果。

同时，可以消除病态证券数据对组合模型的负面影响。

但是，仅使用遗传算法的不足之处在于搜索过程中，每代总是要维持一个较大的证券组合规模，限制了算法的使用。

另外，它的一个不足之处是早熟，容易形成成熟前的收敛，从而使搜索停滞不前。

这需要结合模糊集合的相关理论和人工神经网络进行改进。

3.3模糊逻辑在证券投资组合中的应用

自从1965年美国学者L.A.Zadeh教授提出模糊集合理论以来，模糊系统理论得到了很大的发展，并在模糊控制、模糊决策、机器智能等领域的应用方面取得了许多令人瞩目的成就。

继八十年代末世界科学技术领域掀起神经网络研究热潮之后，九十年代对模糊系统研究的新的热潮正在世界范围内兴起。

随着微电子技术的进步，模糊系统理论在实用化方面正在向纵深发展。

一般地说，模糊逻辑系统是指那些与模糊概念和模糊逻辑有直接关系的系统，它模拟人脑的思维功能，用逻辑推理去处理各种模糊化的信息。

实践中，人们面临的控制对象往往具有不确定性和模糊性，这使得模糊逻辑系统显示出强大的优越性。

早在1978年，诺贝尔经济学奖得主Simon曾批评经典决策理论假定过于严格，在实际中往往难以得到满足和实现。

他建议用满意原则代替优化原则，从管理科学的角度对决策理论和方法提出了类似于模糊化的要求。

凡是决策者不能精确描述的参数、概念和事件都可被处理成模糊子集。

这种柔性的数据结构与灵活的选择方式大大增强了模型的表现力和适应性[2]。

在证券投资组合的决策中，投资者对收益率的期望和对投资于不同证券的投资比例的偏好很可能发生矛盾，使得可行域变成空集，对于这样不可行问题，我们可以引入模糊规划和推理思想，对全部或部分约束条件不要求严格满足，允许它们有一定的弹性，就可转化为模糊意义下的可变规划问题。

利用好模糊决策方法，就可以得到模糊意义下的证券投资组合决策，最终以满意原则代替优化原则。

另外，在证券投资组合进行过程中，需要考虑到市场的因素、政策的因素、以及环境的因素等等，这些因素综合在一起，将使得进行证券投资组合的活动处于一个模糊的环境。

模糊逻辑给出了一套表现自然语义的理论和方法，使自然语言能够转化成机器可以理解和接受的东西，提高了计算机的灵活性。

在证券组合分析过程中适当地引入隶属函数和隶属度，并使用模糊逻辑和近似推理的理论和方法进行深入的研究和分析，可以使计算机进行决策支持的程度更聪明，智能化程度更高。

4结论和建议

我们知道，不同的目标收益率必然要进行不同的投资组合决策，理性的投资行为应该具有非满足性和风险回避两个特征，即一定风险下的期望收益最大化和一定预期收益下的风险最小化。

要进行理性的投资，除了运用马柯维茨模型、资产定价模型、套利模型、因子分析模型等理论知识之外。

我们还可以利用计算智能来对证券投资组合问题进行辅助支持，从而达到更好的效果。

总之，将计算智能应用于证券投资组合，用人工神经网络进行证券投资的预测、判断和组合，用遗传算法消除病态数据，进行证券投资组合的优化与组合，在没有新的算法或在非结构化问题出现时没有可以替代或弥补的算法时，可用模糊逻辑的有关理论来进行更好衔接和融合，从而可以为证券投资组合的智能化选取提供一个较为完整的理论依据和指导方案，从而更好地进行决策支持。

参考文献:

[1]严斌,董进全.理想点法在证券投资组合中的应用[J].内蒙古工业大学学报.20__.2:

150-154

[2]邵全,吴祈宗.投资组合中不可行问题的模糊意义下的决策[J].预测,20__.1:

52-55

[3]H.J.齐莫曼著,陈国青,阮达译.管理科学与计算智能[M].高等教育出版社,20__年7月

[4]（美）RobertA.Strong著,黄卉,周萌,白原等译.投资组合管理[M].清华大学出版社,20__.3

[5]胡昌生,熊和平,蔡基栋.证券投资学[M]，武汉大学出版社，20__.2

[6]唐小我,马永开,曾勇,杨桂元.现代组合预测和组合投资决策方法及应用[M].科学出版社,20__.1

TheapplicationofComputationIntelligenceinportfolioinvestmentproblems

HeFeng,ZhaiYong

（DepartmentofComputerScience,YunnanUniversityofFinanceandEconomics,Kunming,650021）

Abstract:

ThisarticleintroducesthetheoryofMarkowitz.Furthermoreintroducesresearchfulareasofcomputationintelligence,includeArtificialneuralnetwork,GeneticalgorithmandFuzzylogic.Combiningthethreeinordertosolvetheproblemsofportfolioinvestment.

Keywords:

Computationintelligence;