共查询到20条相似文献,搜索用时 31 毫秒
1.
改进粒子群优化算法及其在CVaR模型中的应用 总被引:1,自引:1,他引:1
文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法. 相似文献
2.
3.
基于PSO的证券投资组合优化问题研究 总被引:2,自引:0,他引:2
投资组合决策面临现实证券市场中大量数据,传统算法很难解决这一问题.粒子群算法(PSO)是新近出现的一种仿生算法,具有简单容易实现,而且随机搜索的优点,使得搜索不易陷于局部最优,文章将具有智能化且易于实现的粒子群算法应用到证券投资组合决策中,并通过上海证券交易所的实际数据进行计算机模拟,结果表明该算法在组合决策中是有效的,且易于实现. 相似文献
4.
5.
文章提出了一种求解物流优化问题的带有启发反馈的粒子群混合优化方法.在该混合方法中,方案提升阶段由储存在父代个体中的知识库作为辅助.通过使用粒子群优化法,即每个粒子必须按照粒子群混合优化方法的基本原则来提升它们的物理移动,直到满足被选为父代的所有要求.每个父代的每份知识库,都有可能转移到它的子代以及全部人数的子代.当这些理念应用到物流优化问题时,得到了非常好的优化结果. 相似文献
6.
7.
文章基于条件风险价值CVaR风险计量技术,在整数规划意义下,建立了以最小化风险为目标,带有基数约束的投资组合优化模型。针对该模型运用差分进化法进行求解,利用罚函数方法处理模型中的不等式约束,并选取沪市和深市的十六种股票作为备选股票进行实证分析,数值结果表明了模型的合理性和算法的可行性。 相似文献
8.
9.
文章将粒子群优化算法用于神经网络预测模型的学习训练,并且将这种方法用于股票预测中.实验结果表明,基于粒子群训练的神经网络学习算法更易于实现,且准确率较高. 相似文献
10.
基于混沌PSO优化BP神经网络的碳价预测 总被引:1,自引:0,他引:1
《统计与信息论坛》2018,(5):93-98
随着全国碳排放权交易市场的启动,碳价的预测对碳市场参与者的风险管理具有重要意义。针对BP神经网络收敛速度慢、容易陷入局部极值的弊端,结合混沌的遍历性,构建基于混沌粒子群(CPSO)算法优化BP神经网络的碳价预测模型:利用Elastic Net方法降维,筛选出碳价的主要影响因素;再用CPSO优化BP神经网络的初始权值和阈值训练模型并预测碳价,结果表明:CPSO-BP碳价预测模型的精度和稳定性明显优于传统BP神经网络、粒子群优化的BP神经网络以及果蝇算法优化的BP神经网络。 相似文献
11.
12.
基于粒子群优化算法的应急资源调度研究 总被引:3,自引:1,他引:2
科学合理地开展应急资源调度,最大限度地发挥有限的应急资源的价值,是应急管理中的一项重要工作.文章构建了多种应急资源需求约束、应急时间约束、应急救援成本约束等多约束条件下的突发事件应急资源调度模型,并运用粒子群优化算法对模型进行求解,从而实现应急救援资源的高效利用与合理调度. 相似文献
13.
研究了标准均值方差投资组合选择模型,针对目前求解方法不具有多项式算法复杂性,文章给出了求解均值方差投资组合优化模型的原对偶内点算法.该算法具有多项式复杂性,因此可以快速求解大规模的投资组合优化模型.仿真结果表明,原对偶内点算法可以较好地应用于投资组合问题,具有较广泛的应用空间和一定的推广价值. 相似文献
14.
文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度. 相似文献
15.
风险控制已经成为投资管理的重要内容,如何对投资组合进行风险度量一直是研究的热点.文章在极值理论的基础上,建立了用于计算投资组合最大亏损事件概率的阈交方法.通过对上证指数的历史数据进行经验研究,发现该方法能很好地度量我国证券资产的实际风险程度.该方法弥补了传统风险工具VaR的不足,有助于投资者更好的进行风险控制. 相似文献
16.
文章构造了自适应惩罚尺度函数,并结合最小二乘法将方程组的求根转化为等价的多峰优化模型,然后在粒子群算法框架下提出了局部协同和进退寻优两种迭代进化策略。局部协同策略保证了所有粒子能通过局部抱团收敛到每个根,局部进退寻优策略提升了寻根的速度和精度。基于这两种进化策略设计的协同进退粒子群(CARPSO)算法有效融合了粒子群算法的全局搜索能力和进退法的局部快速寻优能力。实证分析表明,CARPSO算法能高效和精确地求解非线性方程组的所有根,并在广义Logistic分布的参数估计中,展现出了很高的有效性。 相似文献
17.
18.
在粮食产量预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低.文章将支持向量机回归(SVR)与粒子群优化算法(PSO)相结合,提出了适用于小样本量学习的PSO-SVR粮食产量预测模型.实例结果表明,PSO-SVR模型预测误差率优于BP神经网络模型. 相似文献
19.