基于生物智能的投资组合优化方法及装置制造方法及图纸

本发明专利技术公开了一种基于生物智能的投资组合优化方法及装置，所述方法包括：获取金融投资市场数据并按照预设格式进行处理；通过不同的预设投资组合生成算法生成至少一组待处理数据簇；引入基于生物智能的投资组合优化方法，包括了将粒子群算法中的每个粒子描述为甲虫，加入甲虫觅食搜索思想，即在算法每次迭代中，不断比较每个甲虫左右触角接收到“食物气味”大小，并改变粒子飞行方程，从而在投资项目中寻找到最优组合方式。同时，本发明专利技术从系统设计角度提出一种基于生物智能的投资组合优化装置，易于工程实现。该方法和装置所需的迭代次数少，在多维度约束问题中求解全局最优解更加有效。加有效。加有效。

【技术实现步骤摘要】
基于生物智能的投资组合优化方法及装置


[0001]本专利技术涉及金融技术分析领域，具体涉及一种基于生物智能用来优化金融投资组合的方法及装置。

技术介绍

[0002]由于金融市场十分复杂，充斥着各种不确定因素。在金融市场中，机构或个人如何利用量化投资方法及设备，有效配置投资组合，在尽量获得高回报的同时把风险控制在合理范围内是重要且有实际意义的。
[0003]投资组合的根本目的在于分散风险，机构或个人都希望在最大化收益的同时尽可能降低投资风险。现代投资组合理论是诺贝尔奖获得者Markowitz在1952年提出的均值
‑
方差模型，其主要思想是根据各资产历史波动和收益情况，选择一个投资组合配比，使其在特定收益下风险最小化。虽然现代投资组合理论为投资组合优化问题提供了一种求解方法和设备，但基于该理论的方法和设备在实际应用过程中往往存在很大的局限性。近年来，人工智能技术快速发展，基于计算机算力的启发式算法，特别是基于混合策略的算法，通常能够在可行时间内以较大的概率获得最优解或最优近似解，成为投资组合领域最常用的算法。
[0004]粒子群算法的研究是目前计算智能领域的热点，该算法最早是由Kennedy和Eberhart受鸟群捕食行为的启发而提出的一种基于群体智能方法的优化技术。与遗传算法相比，粒子群算法保留了基于种群的全局搜索策略，通过种群内粒子之间的合作与竞争来产生群体智能指导优化搜索，其优化机理清晰易懂，步骤简单，对计算算力要求不高，因此金融投资
关注。但是粒子群算法在金融投资组合优化上，仍然存在缺陷。首先，粒子群算法在运行初期收敛速度比较快，但是在运行后期容易因缺乏拓展能力而陷入局部最优解。其次，粒子群算法虽然具有比较好的搜索能力，但是在投资组合优化搜索过程中没有充分利用种群中获得的信息来指导粒子位置的更新，因此局部搜索能力较差。
[0005]基于粒子群算法的缺陷，本专利技术提出了一种生物智能方法，该方法受甲虫觅食行为的启发。该方法模拟甲虫依靠触角寻找食物，将食物的气味作为目标函数，甲虫的位置作为变量，通过比较甲虫左右两个触角接收到的气味的大小不断变化更改甲虫的行动轨迹从而找到最优解。
[0006]本专利技术提出了一种生物智能方法，即用甲虫觅食搜索方法改进粒子群算法，来对金融投资组合进行优化。同时，本专利技术从系统设计角度，提出一种基于生物智能的投资组合优化装置，易于工程实现。该方法和装置所需的迭代次数少，在多维度约束问题中求解全局最优解更加有效。

技术实现思路

[0007]为克服现有技术的缺陷，本专利技术旨在提出一种基于生物智能方法，并用于金融投资组合优化，与目前存在的方法相比，该方法更简单方便且能够得到更好的寻优效果。首先考虑到粒子群算法中个体最优解和全局最优解对单个粒子的飞行起着重要的“导航”作用，
在初始值中，将每个粒子描述为甲虫；其次，加入甲虫觅食搜索的生物智能思想，改进粒子飞行方程，加强粒子之间的信息共享，使得每个粒子的飞行速度由其本身的飞行经验和群体的飞行经验进行动态调整。
[0008]为此，本专利技术的第一个目的是提出一种基于生物智能的投资组合优化方法，至少包含以下步骤。
[0009]步骤1：定义解空间。
[0010]步骤2：定义适应度函数。
[0011]步骤3：设定粒子群算法中的每个粒子为甲虫，甲虫的初始位置和速度变化的过程与标准粒子群算法的过程相同。
[0012]步骤4：在算法迭代的过程中，更新甲虫群位置的方式不再仅仅依赖于历史最佳解决方案和甲虫个体的当前全局最优解，而是基于甲虫觅食的思想，在每次迭代中都有甲虫对解空间的判断。该方法中的每个甲虫将在每次迭代期间比较其左侧和右侧的适应度函数值，并比较两者更好的值，用于更新甲虫群的位置。
[0013]步骤5：设定最大迭代次数以及最小偏差要求，如果满足停止条件，则输出全局最优解；否则返回步骤4继续寻找最优解。
[0014]前述的步骤1中定义解空间是指针对投资组合寻优问题，确定需要优化的变量并赋予其搜索最优解的范围；在多维度优化问题中，每一维度都要求根据具体问题确定其取值范围和每一代粒子种群数量。
[0015]前述的定义甲虫的初始位置用于代表所需求解问题的一个可行解。
[0016]前述的步骤2中，定义适应度函数是指确定一个能够准确反映出解空间中解的优劣程度的函数，将其确定为算法的适应度函数。
[0017]前述的适应度函数可直接采用优化问题的目标函数。
[0018]前述的步骤3包括以下步骤。
[0019]步骤3
‑
1：初始化算法参数，设置粒子群的大小为，学习因子为，，，惯性权重为，，
……
，，其中m为投资项目数，，以及每个甲虫两个触角（天线）之间的距离为。
[0020]步骤3
‑
2：随机初始化位置x和速度v，计算每个位置的适应度，使用当前位置作为个体最优解，而全局最优解就是这些粒子个体最优位置中最好的一个。
[0021]前述的步骤4算法在迭代过程中，寻找最优解，过程如下。
[0022]步骤4
‑
1：随机化甲虫位置，根据甲虫的位置计算每个甲虫的左侧触角与右侧触角的位置。是左侧触角的位置，是右侧触角的位置：其中，dir表示甲虫的方向。
[0023]通过比较两者，获得由群体中每个甲虫左右适应度生成的速度更新规则：
其中，是适应度函数，是代表第t次迭代的步长，是符号函数。
[0024]步骤4
‑
2：通过比较每个甲虫当前位置的适应度和，得到个体最优解和全局最优解，通过当前的个体最优解和全局最优解生成速度更新规则。
[0025]步骤4
‑
3：结合上述两种速度更新规则，获取每种天线速度的当前更新规则：。
[0026]当前位置更新规则：。
[0027]步骤4
‑
4：更新的学习因素和惯性权重分别为，，，，，
……
，，更新的个体最优解和全局最优解分别为和。
[0028]前述的步骤5，完成迭代后，可得到全局最优解，以及与之对应的最优解位置。
[0029]通过该方法构造的生物智能可以很好地克服粒子群算法导致的稳定性差，倾向于局部最优解等问题。仿真结果表明，相对于现有的粒子群算法、遗传算法，该方法能够为金融投资组合更好更快地寻找到全局最优解。图4为本专利技术与粒子群算法、遗传算法做对比的夏普率图，图5为本专利技术与粒子群算法、遗传算法做对比的投资回报率图。
[0030]为应用上述方法，本专利技术的第二个目的是提出了一种基于生物智能的投资组合优化装置，所述装置包括。
[0031]金融数据获取单元，用于获取金融投资数据，例如股票、债券、期货等。
[0032]网络适配器，用于通过互联网发送/接收金融投资数据。
[0033]投资组合预设计算设备，用于加载投资组合数据，并通过算法预设投资组合项目。
[0034]投资组合优化计算设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生物智能的投资组合优化方法，其特征在于，包括：获取金融市场投资数据，并将所述金融市场投资数据按照预设格式进行处理；根据设定数量的投资组合项目及预设投资组合生成算法，生成至少一组待处理投资组合数据簇；基于生物智能搜索算法，对待处理投资组合数据簇进行迭代运算，得到至少一个组合作为目标组合。2.根据权利要求1所述的基于生物智能的投资组合优化方法，其特征在于，所述获取金融市场投资数据，包括：在每个交易日，通过预先设定的定时计划，定时获取外部系统生产的股票、债券、期货等金融市场投资组合数据。3.根据权利要求1所述的基于生物智能的投资组合优化方法，其特征在于，所述根据设定数量的投资组合项目及预设投资组合生成算法，生成至少一组待处理投资组合数据簇，包括：设定目标数量的投资组合项目；通过至少一种预设投资组合生成算法，生成至少一组待处理投资组合数据簇；其中，待处理投资组合数据簇分配至少一组对应的权重值，每组权重值的和均为1。4.根据权利要求1所述的基于生物智能的投资组合优化方法，其特征在于，所述生物智能搜索算法，对待处理投资组合数据簇进行迭代运算，得到至少一个组合作为目标组合的步骤，包括：步骤1：根据金融市场交易规则，定义解空间模型；步骤2：根据投资组合优化理论，定义适应度函数；步骤3：基于生物智能搜索算法，对待处理投资组合数据簇进行迭代运算；步骤4：直到满足迭代次数要求，得到至少一组目标投资组合及权重配比。5.基于生物智能的投资组合优化装置，其特征在于，包括：金融数据获取单元310，用于获取金融投资数据，并将所述金融数据按照预设格式进行处理；投...

【专利技术属性】
技术研发人员：谭言，
申请(专利权)人：谭言，
类型：发明
国别省市：