论文部分内容阅读
量化投资,即运用计算机模型和智能程序分析金融数据自动智能地投资于各个市场。每个量化基金管理人都拥有自己研究开发的投资机器人,而且为了应对多变的市场,往往拥有多个非同质化的投资机器人。把有限的资金分配给不同的投资机器人并获得预定的投资目标即是本文要重点解决的问题。然而,传统资产组合研究领域主要研究的是如何通过组合股票、期货、债券等不同投资标的获得一个稳定的目标收益,对上述问题并无太多着墨。总体而言,关于传统投资组合模型的研究还存在以下五个问题:1.均值-方差模型的局限性。当数据量变大时,算法计算量也相应大量增加。再加上全球证券市场一直在发生巨大变化,无法实现自适应的调节进化。2.多目标优化算法的约束性。多目标优化算法应用到实际场景时,往往会有值域的限制,而原始的多目标遗传算法是不加限制的,这会导致巨大的计算冗余。3.优化目标选择问题和多目标权衡问题。用方差或标准差度量风险隐含的假设是投资者对负的损失和正的收益赋予相同的权重,对待两者的态度是相同的,与实际不符。4.多期动态资产配置的问题。基金管理人在实际投资中是多阶段的调节投资内容并动态的优化投资分配的比例。尽管有关单期问题的研究已经取得了成果,多期则不然。5.维度变大带来的计算压力问题。在实际应用中,基金管理人一般拥有成百上千个投资模型,要在多个投资模型中分配资金需要大量的计算资源,就需要引入新的算法。针对以上问题,本文提出了一个基于多目标遗传算法和深度学习的面向多个投资机器人的资金分配算法。具体提出了如下解决方案:1.提出CMOEA/D-FA算法,用以解决单期资金分配问题。该算法在MOEA/D算法的基础上结合资金分配算法的实际问题,加入初始化激活函数、限制性约束、差分变异、处罚函数等多个优化子算法。另外通过优化组合的目标,分别加入CVar和信息熵。2.提出多期动态演化算法,并创造性地提出了多期动态问题的分类,亦即可分为固定周期和自适应周期。本文把前面整个研究成果放入到多期动态环境中,进行相应优化,并分析多个算法的性能。接着提出了最终帕累托集的基于模糊理论的选择算法,获得在不同的环境下的相对最优的解决方案。3.提出了用深度学习算法中的自编码器算法对投资机器人序列组合进行降维处理的方案。