一种基于遗传算法的投资组合方法

技术领域

本发明属于金融的量化分析技术领域，具体涉及一种基于遗传算法的投资组合方法。

背景技术

遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。传统上，解用二进制表示(即0和1的串)，但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体(基于它们的适应度)，通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

以往投资组合的生成方法依赖于人工确定，投资者或经理人基于经验、过去的表现和可接受的风险水平等其他因素来确定投资的理想组合。但是这样的人工方案是主观的、耗时的并且不容易扩展。例如，人工地选择投资需要技能并且需要复杂市场的知识，这是难以人工进行的。

目前，随着人工智能的发展，机器学习在量化投资中的应用越来越广泛。量化投资的核心是模型，通过对历史数据的建模，并且将其用在对未来市场的预测，从而形成交易策略。同时随着大数据与人工智能、机器学习的快速发展，许多学者们都证实了股票价格是可以预测的，且解法快速且准确。这也使得许多研究人员期望提出一种基于遗传算法的投资组合方法来预测股价走势，从而来优化投资组合，以能够获得高效率、高精度地证券投资组合，使证券组合投资后的风险最小。

发明内容

本发明的目的在于提供一种基于遗传算法的投资组合方法，采用预先设计好项目投资组合的分析模型，并通过遗传算法的人工智能和机器学习，将初始化数据作为初始群体输入到分析模型中进行求解，并在重复N次后求得最优解，该过程实现在降低计算成本的情况下实现对庞大且复杂的金融数据的训练学习，以快速且准确来预测股价走势，从而来优化证券投资组合的构成，最终获得高效率、高精度地证券投资组合，可以有效解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于遗传算法的投资组合方法，该投资组合方法包括以下步骤：

S1、建立项目投资组合的分析模型；

S2、初始化分析模型中的数据和模型参数；

S3、将初始化数据作为初始群体，并输入到分析模型中，同时输入模型参数，而后利用遗传算法进行求解，以通过选择、交叉和变异运算求得解数据；

S4、重复N次步骤S3的遗传算法进行求解，记录最好的解数据为项目投资组合的最优解；

S5、使用马科维兹算法对投资组合各股的权重进行计算，并根据资产配比获得投资组合的实际收益。

优选地，所述建立项目投资组合的分析模型时，还包括：

对投资的资产进行分析，以分析出投资资产的类别；

其中，资产的类别包括无风险资产、中风险资产和高风险资产。

优选地，所述初始化分析模型中的数据和模型参数，包括：

选取项目投资的相关数据作为输入数据，同时设置模型的参数搜索范围；

将输入数据分类为样本内数据和样本外数据，并对所有分类后的输入数据依次进行标准化聚类处理；

其中，项目投资的相关数据包括涨跌幅、最高价、成交额、开盘价、最低价、收盘价、成交量、市盈率、市净率、市销率、资产回报率、权益回报率、营业利润率、流动比率、营业收入增长率中的一种或多种。

优选地，所述模型参数至少包括群体的大小、交叉概率Pc、变异概率Pm和总的进化代数。

优选地，所述利用遗传算法进行求解，以通过选择、交叉和变异运算求得解数据，具体包括以下步骤：

S101、匹配目标函数值，计算初始化数据的适应度；

S102、对初始群体和输入的模型参数进行编码，生成染色体；

S103、将初始群体的个体输入到分析模型中进行训练；

S104、对个体进行选择、交叉和变异运算处理，得到新的进化后的个体，将进化后的个体加入到下一代种群中；

S105、判断目标函数值是否达到预设的迭代代数，若是则输出该情况下的的解数据和最优模型参数，并进入步骤S4；否则回到步骤S103。

优选地，所述初始群体由n个初始个体组成，且n的大小位于30-75之间。

优选地，所述对初始群体和输入的模型参数进行编码选用编码、解码以及交叉运算方便处理的二进制编码。

优选地，所述对个体进行选择运算处理采用轮盘赌的方式进行，对个体进行交叉运算处理采用的是全局搜索的方式，而个体进行变异运算处理采用的是均匀变异的方式。

优选地，所述个体进行交叉运算处理过程中交叉概率Pc为80％-90％。

与现有技术相比，本发明的有益效果是：

本发明，通过采用预先设计好项目投资组合的分析模型，并通过遗传算法的人工智能和机器学习，将初始化数据作为初始群体输入到分析模型中进行求解，并在重复N次后求得最优解，该过程实现在降低计算成本的情况下实现对庞大且复杂的金融数据的训练学习，以快速且准确来预测股价走势，从而来优化证券投资组合的构成，最终获得高效率、高精度地证券项目投资组合，使证券项目组合投资后的风险最小，收益最高。

附图说明

图1为本发明一种基于遗传算法的投资组合方法的工作流程图。

图2为本发明一种基于遗传算法的投资组合方法的遗传算法求解工作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1，本实施例的一种基于遗传算法的投资组合方法，该投资组合方法包括以下步骤：

S1、建立项目投资组合的分析模型；

S2、初始化分析模型中的数据和模型参数；

S3、将初始化数据作为初始群体，并输入到分析模型中，同时输入模型参数，而后利用遗传算法进行求解，以通过选择、交叉和变异运算求得解数据；

S4、重复N次步骤S3的遗传算法进行求解，记录最好的解数据为项目投资组合的最优解；

S5、使用马科维兹算法对投资组合各股的权重进行计算，并根据资产配比获得投资组合的实际收益。

实际上，分析模型内包含有目标函数和约束条件，并且两者都是线性的，这样解决投资组合的问题转化为解一个线性规划问题，加入参数和改变参数后，修改模型也很方便，因而线性规划中的灵敏度分析理论已成功地解决了这个问题，并且运用上述另名都分析，当改变摸一个投资的预期收益率时，也可测算出投资组合的变化，并可以通过改变预期收益率，求出绝对离差作为风险时的投资组合有效边界。

在本实施例中，所述建立项目投资组合的分析模型时，还包括：

对投资的资产进行分析，以分析出投资资产的类别。

具体来说，对投资的资产进行分析，分析资产产生风险的因素，通过因素分析来提取指标，利用聚类分析的方法对指标进行筛选，建立股票资产风险指标体系，而后建立指标的权重集，以客观地分析各指标对资产产生风险的影响程度，建立隶属度矩阵，最终通过隶属度的值来判断资产的类别，由此获得，资产的类别包括无风险资产、中风险资产和高风险资产。

在本实施例中，所述初始化分析模型中的数据和模型参数，包括：

选取项目投资的相关数据作为输入数据，同时设置模型的参数搜索范围；

将输入数据分类为样本内数据和样本外数据，并对所有分类后的输入数据依次进行标准化聚类处理；

其中，项目投资的相关数据包括涨跌幅、最高价、成交额、开盘价、最低价、收盘价、成交量、市盈率、市净率、市销率、资产回报率、权益回报率、营业利润率、流动比率、营业收入增长率中的一种或多种。

在本实施例中，所述模型参数至少包括群体的大小、交叉概率Pc、变异概率Pm和总的进化代数。

在本实施例中，所述利用遗传算法进行求解，以通过选择、交叉和变异运算求得解数据，参阅图2，具体包括以下步骤：

S101、匹配目标函数值，计算初始化数据的适应度；

S102、对初始群体和输入的模型参数进行编码，生成染色体；

S103、将初始群体的个体输入到分析模型中进行训练；

S104、对个体进行选择、交叉和变异运算处理，得到新的进化后的个体，将进化后的个体加入到下一代种群中；

S105、判断目标函数值是否达到预设的迭代代数，若是则输出该情况下的的解数据和最优模型参数，并进入步骤S4；否则回到步骤S103。

在本实施例中，所述初始群体由n个初始个体组成，且n的大小位于30-75之间。因为当n太小的话，以失去初始个体的多样性，而当n太大的话时间就会消耗很大。

在本实施例中，所述对初始群体和输入的模型参数进行编码选用编码、解码以及交叉运算方便处理的二进制编码，因为如果编码结构复杂，点的数目较多时计算将会非常的复杂。

在本实施例中，所述对个体进行选择运算处理采用轮盘赌的方式进行，以保证上一代的最佳个体有更多的机会把基因遗传到下一代；对个体进行交叉运算处理采用的是全局搜索的方式，而个体进行变异运算处理采用的是均匀变异的方式，以保证有用的基因能够很好的被选择，后代也能够继承双亲中好的特性。

在本实施例中，所述个体进行交叉运算处理过程中交叉概率Pc为80％-90％。

本发明，通过采用预先设计好项目投资组合的分析模型，并通过遗传算法的人工智能和机器学习，将初始化数据作为初始群体输入到分析模型中进行求解，并在重复N次后求得最优解，该过程实现在降低计算成本的情况下实现对庞大且复杂的金融数据的训练学习，以快速且准确来预测股价走势，从而来优化证券投资组合的构成，最终获得高效率、高精度地证券项目投资组合，使证券项目组合投资后的风险最小，收益最高。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。