[发明专利]基于多目标进化算法的投资组合优化方法

说明书

本发明公开了一种基于多目标进化算法的投资组合优化方法、介质及设备，其中方法包括：S1，生成邻居；S2，初始化种群的计算目标；S3，初始化帕累托平面的两个极值点；S4，遍历种群；S5，生成随机数，并判断随机数是否大于预设的阈值，是，则执行S6，否，则执行S7；S6，将种群作为父代备选池；S7，将邻居作为父代备选池；S8，确定当前个体对应的子代个体，以得到子代目标；S9，根据子代目标更新两个极值点；S10，计算相应的切比雪夫值，以及更新父代备选池中的个体和目标；S11，迭代结束后确定最终目标；能够在通过多目标进化算法进行投资组合优化的过程中，提高算法的收敛性、多样性和全局搜索能力。

技术领域

本发明涉及投资分析技术领域，特别涉及一种基于多目标进化算法的投资组合优化方法、一种计算机可读存储介质和一种计算机设备。

背景技术

投资组合优化，涉及收益和风险两个维度；其可以建模为多目标优化问题。

相关技术中，多采用基于分解的目标进化算法来解决该多目标优化问题；然而，这种算法在迭代后期产生更优子代的频率很低。并且，全局搜索能力和父代自适应的能力不足。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于多目标进化算法的投资组合优化方法，能够在通过多目标进化算法进行投资组合优化的过程中，提高算法的收敛性、多样性和全局搜索能力。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种计算机设备。

为达到上述目的，本发明第一方面实施例提出了一种基于多目标进化算法的投资组合优化方法，包括以下步骤：S1，根据邻居参数生成邻居；S2，根据种群参数初始化种群的计算目标；S3，根据所述计算目标初始化帕累托平面的两个极值点；S4，遍历所述种群中的每个个体，以对每个个体进行处理；S5，生成当前个体对应的随机数，并判断所述随机数是否大于预设的阈值，如果是，则执行步骤S6，如果否，则执行步骤S7；S6，将所述种群作为当前个体的父代备选池；S7，将所述当前个体对应的邻居作为当前个体的父代备选池；S8，根据父代备选池和变异算法确定所述当前个体对应的子代个体，以得到子代目标；S9，根据所述子代目标更新帕累托平面的两个极值点；S10，对所述父代备选池进行随机重排，并根据更新后的帕累托平面的两个极值点计算相应的切比雪夫值，以及根据所述切比雪夫值更新所述父代备选池中的个体和目标；S11，判断当前是否满足计算结束条件，如果是，则返回更新后的父代备选池中的目标，如果否，则返回步骤S4。

根据本发明实施例的基于多目标进化算法的投资组合优化方法，首先，根据邻居参数生成种群中每个个体对应的邻居；接着，根据种群参数初始化种群的计算目标，该计算目标包括收益值和风险值；然后，根据计算目标初始化帕累托平面的两个极值点；接着，开始进行迭代；在每一次迭代过程中，遍历种群中的每个个体，以对每个个体进行处理；在进行个体处理时，生成当前处理的个体对应的随机数，并判断该随机数是否大于预设的阈值，如果是，则将种群作为当前个体的父代备选池；如果否，则将当前个体对应的邻居作为当前个体的父代备选池；从而，通过这一策略可以增加多样性，使得种群中的个体更为多样复杂，提高进化出更多优秀解的概率；然后，根据父代备选池和变异算法确定当前个体对应的子代个体，以得到子代目标；接着，根据子代目标对帕累托平面的两个极值点进行更新；然后，对父代备选池进行随机重排，并根据更新后的帕累托平面的两个极值点计算相应的切比雪夫值，以及根据切比雪夫值更新父代备选池中的个体和目标；接着，判断当前是否满足计算结束条件；如果是，则结束迭代，返回更新后的父代备选池中的目标；如果否，则返回遍历种群的个体，继续进行迭代；从而实现在通过多目标进化算法进行投资组合优化的过程中，提高算法的收敛性、多样性和全局搜索能力。

另外，根据本发明上述实施例提出的基于多目标进化算法的投资组合优化方法还可以具有如下附加的技术特征：

可选地，所述子代个体根据以下公式确定：