考慮完整交易費用組合投資模型的混合遺傳算法求解.pdf

1、Markowitz作為組合證券投資理論的奠基人,提出的組合證券投資模型得到了廣泛的關(guān)注和應(yīng)用,但由于該模型是建立在一系列嚴格假設(shè)基礎(chǔ)之上的,如市場無摩擦、股票可以任意拆分等,因此其實際有效性和應(yīng)用范圍均受到了很大的限制.近年來國內(nèi)外的眾多學(xué)者都對這一理論進行了深入的研究和探討,提出了不少改進和完善的方法,如加入交易成本、整手買賣的要求等,然而由于模型求解的復(fù)雜性,很多學(xué)者為了降低難度,往往簡化交易成本的核算,從而導(dǎo)致模型的交易成本度量并

2、不準確,未能真正反映證券市場的實際情況,不能給投資者提供足夠的參考.因此,本文在考慮整手交易的基礎(chǔ)上,精確核算證券交易過程中的各項費用,建立了一個更加符合我國證券市場實際的組合投資模型,彌補了以往模型簡化交易費用的不足,使得組合投資模型更加貼近我國的實際. 其次,在求解組合投資模型時,大部分學(xué)者都把遺傳算法作為最主要的手段加以研究和應(yīng)用.遺傳算法作為一種能有效求解復(fù)雜優(yōu)化問題的全局搜索算法,具有簡單易行、收斂速度快等特點,但是在

3、實際應(yīng)用中往往又存在著很多不盡如人意的問題,如容易產(chǎn)生早熟現(xiàn)象、局部搜索能力差等.因此考慮搜索能力更強、收斂更快的算法,是求解模型所面臨的一個重要問題.從以往的研究中可知,常用的梯度法、爬山法、模擬退火等算法均具有較強的局部搜索能力,因此本文利用退火遺傳算法結(jié)合動態(tài)罰函數(shù)來求解所建立的投資模型,將模擬退火的思想融入到懲罰函數(shù)的選取中,對懲罰因子加以改進,從而提高算法的效率.最后,用投資實例驗證了混合遺傳算法求解組合證券投資模型的有效性.