数模实操|自适应温控记忆优化的模拟退火解决组合投资问题（Markowitz均值方差模型）

已于 2023-12-11 20:10:15 修改
阅读量252 收藏 5
点赞数 2
分类专栏： 数学建模 文章标签： 算法 模拟退火算法 matlab 数据挖掘
于 2023-05-09 19:22:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/l040514/article/details/130577546
版权

摘要

        由于模拟退火的本质是一种暴力搜索，且相比遗传算法和粒子群算法更容易陷入局部最优解，因此本文采用的自适应温控记忆模型优化的思路，目的是使其迭代出来的解尽可能接近全局最优解。自适应温控记忆优化的步骤有三：初始温度、Metropolis准则、回温公式。回温公式的设定需要具体问题具体分析，其目的是增加迭代次数，避免陷入局部最优解，我这里因为例子简单，故没有设定。关于目标函数的建立，同样也是具体问题具体分析，我这里拿的是投资组合的例子。

        题目如下：基于135天的收盘价数据，对评价出来的十支最优股票进行组合投资，要求每支股票的仓位不能超过25%。

        十支重要股票的评价见博客：数模实操演示|投影寻踪法评价十支最值得购买的股票

        数据和代码见百度网盘：

        链接：https://pan.baidu.com/s/1p9uSNuDBFubvTNfI03PC_g?pwd=hvaz 

        提取码：hvaz

目录

         摘要

Step.1 建立 目标函数

Step.2 初始温度

Step. 3 Metropolis准则

Step. 4 完整源码   

结果展示

Step.1 建立 目标函数

均值公式：

e576e7a4cea044ed877133679b1a33ce.png

32fd2515ea134d69b3c870fb97e392eb.png

 方差公式：

9ac9e4f49d42487ab3d183b6836c99e6.png

7e886e0308a9469dace9869bb85eb9c5.png

故目标函数为：

1d248a33991940b6af2c5aad800f3849.png

Step.2 初始温度

改进的初始温度公式如下：我用的例子求出来的温度接近5万度

 11117a4a4d074577bb49b1b51e5d9a16.png

        首先生成多个权重，代入目标函数，求得多个目标函数值，E（max）和E（min）即是这些值里面的最大值和最小值，P可取[0.9,0.99]，本文取0.99。

%% 生成自适应温控的权重
% 初始化
temp_w=zeros(10000,10);
temp_total_get=zeros(10000,1);
temp_total_std1=zeros(10000,1);
temp_total_std2=zeros(10000,1);
temp_total_std=zeros(10000,1);
temp_target=zeros(10000,1);

for h=1:10000
    temp_w(h,:)=0.25*rand(1,10);% 生成权重
    % 计算10000个投资权重下的期望收益，即日收益率相加
    temp_total_get(h)=sum(sum(100*daily_get.*temp_w(h,:)));
    % 计算方差公式的第一项
    temp_total_std1(h)=sum(temp_w(h,:).^2.*per_std);
    % 计算方差公式的第二项
    for i=1:m
        for j=1:m
            temp_total_std2(h)=2*sum(sum(temp_w(h,i)*temp_w(h,j)*per_std(i)*per_std(j))*every_corr(i,j));
        end
    end
    % 两项整合在一起，即为当前投资权重的模型方差
    temp_total_std(h)=temp_total_std1(h)+temp_total_std2(h);
    % 当前投资权重下的目标函数
    temp_target(h)=temp_total_get(h)/temp_total_std(h);
end

% 计算需要用到的自适应温控数值
Emax=max(temp_target);
Emin=min(temp_target);
Eave=mean(temp_target);

Step. 3 Metropolis准则

将Metropolis准则修改为如下公式：

c6d56c8ab2c54b76934991da811db2ad.png

 其中：

3c9cd216478e43b6a6eaeae0f2c5c830.png

其他参数如下：

4abb157d998d4303b87f1c4adb8829b9.png

模拟退火部分代码如下：

%% 模拟退火
for L=1:300% 外层迭代次数
    sensitivity=[];% 灵敏度分析矩阵，用来记录目标函数值寻优过程中是否收敛
    temper=(Emin-Emax)/log(0.99);% 初始温度
    iter=100;% 内层循环次数

    w1=0.25*rand(1,10);% 产生初始权重1
    while sum(w1)>1 | sum(w1)<0.75% 限定权重之和在0.75~1之间
        w1=0.25*rand(1,10);
    end

    % 计算当前权重下的期望收益
    total_get1=sum(sum(100*daily_get.*w1));

    % 计算模型方差的第一项
    total_std11=sum(w1.^2.*per_std);
    % 计算模型方差的第二项
    for i=1:m
        for j=1:m
            total_std12=2*sum(sum(w1(i)*w1(j)*per_std(i)*per_std(j))*every_corr(i,j));
        end
    end
    % 当前投资权重下的模型方差
    total_std1=total_std11+total_std12;
    % 当前投资权重下的目标函数
    target1=total_get1/total_std1;

    sensitivity=[target1];

    % 退火过程
    while temper > 0.0001
        for j=1:iter

                w2=0.25*rand(1,10);% 产生初始权重2
                while sum(w2)>1 | sum(w2)<0.75% 限定权重之和在0.75~1之间
                    w2=0.25*rand(1,10);
                end

                % 计算当前权重下的期望收益
                total_get2=sum(sum(100*daily_get.*w2));
            
                % 计算模型方差的第一项
                total_std21=sum(w2.^2.*per_std);
                % 计算模型方差的第二项
                for i=1:m
                    for j=1:m
                        total_std22=2*sum(sum(w2(i)*w2(j)*per_std(i)*per_std(j))*every_corr(i,j));
                    end
                end
                % 当前投资权重下的模型方差
                total_std2=total_std21+total_std22;
                % 当前投资权重下的目标函数
                target2=total_get2/total_std2;

                if target2 > target1
                    target1 = target2;
                    best_w=w2;
                else
                    S=exp(Emin-Eave)/temper;
                    if exp((target2-target1)/S*temper)>rand(1)
                        target1 = target2;
                        best_w=w2; 
                        sensitivity=[sensitivity,target1];
                    end
                end
        end
        sensitivity=[sensitivity,target1];
        temper=temper*0.999
    end
end

Step. 4 完整源码   

clear;clc
tic
data=xlsread("股票数据.xlsx");
data(1,:)=[];
[n,m]=size(data);

%% 建立Markeowitz均值方差模型，假设投资资金为100块
% 计算日收益率
daily_get=zeros(n-1,m);% 初始化
for i=1:n-1
    for j=1:m
        daily_get(i,j)=(data(i+1,j)-data(i,j))/data(i,j);
    end
end
% 计算方差
per_std=std(data);% 每支股票的方差
every_corr=corrcoef(data);% 各支股票的相关系数

%% 生成自适应温控的权重
% 初始化
temp_w=zeros(10000,10);
temp_total_get=zeros(10000,1);
temp_total_std1=zeros(10000,1);
temp_total_std2=zeros(10000,1);
temp_total_std=zeros(10000,1);
temp_target=zeros(10000,1);

for h=1:10000
    temp_w(h,:)=0.25*rand(1,10);% 生成权重
    % 计算10000个投资权重下的期望收益，即日收益率相加
    temp_total_get(h)=sum(sum(100*daily_get.*temp_w(h,:)));
    % 计算方差公式的第一项
    temp_total_std1(h)=sum(temp_w(h,:).^2.*per_std);
    % 计算方差公式的第二项
    for i=1:m
        for j=1:m
            temp_total_std2(h)=2*sum(sum(temp_w(h,i)*temp_w(h,j)*per_std(i)*per_std(j))*every_corr(i,j));
        end
    end
    % 两项整合在一起，即为当前投资权重的模型方差
    temp_total_std(h)=temp_total_std1(h)+temp_total_std2(h);
    % 当前投资权重下的目标函数
    temp_target(h)=temp_total_get(h)/temp_total_std(h);
end

% 计算需要用到的自适应温控数值
Emax=max(temp_target);
Emin=min(temp_target);
Eave=mean(temp_target);

%% 模拟退火
for L=1:300% 外层迭代次数
    sensitivity=[];% 灵敏度分析矩阵，用来记录目标函数值寻优过程中是否收敛
    temper=(Emin-Emax)/log(0.99);% 初始温度
    iter=100;% 内层循环次数

    w1=0.25*rand(1,10);% 产生初始权重1
    while sum(w1)>1 | sum(w1)<0.75% 限定权重之和在0.75~1之间
        w1=0.25*rand(1,10);
    end

    % 计算当前权重下的期望收益
    total_get1=sum(sum(100*daily_get.*w1));

    % 计算模型方差的第一项
    total_std11=sum(w1.^2.*per_std);
    % 计算模型方差的第二项
    for i=1:m
        for j=1:m
            total_std12=2*sum(sum(w1(i)*w1(j)*per_std(i)*per_std(j))*every_corr(i,j));
        end
    end
    % 当前投资权重下的模型方差
    total_std1=total_std11+total_std12;
    % 当前投资权重下的目标函数
    target1=total_get1/total_std1;

    sensitivity=[target1];

    % 退火过程
    while temper > 0.0001
        for j=1:iter

                w2=0.25*rand(1,10);% 产生初始权重2
                while sum(w2)>1 | sum(w2)<0.75% 限定权重之和在0.75~1之间
                    w2=0.25*rand(1,10);
                end

                % 计算当前权重下的期望收益
                total_get2=sum(sum(100*daily_get.*w2));
            
                % 计算模型方差的第一项
                total_std21=sum(w2.^2.*per_std);
                % 计算模型方差的第二项
                for i=1:m
                    for j=1:m
                        total_std22=2*sum(sum(w2(i)*w2(j)*per_std(i)*per_std(j))*every_corr(i,j));
                    end
                end
                % 当前投资权重下的模型方差
                total_std2=total_std21+total_std22;
                % 当前投资权重下的目标函数
                target2=total_get2/total_std2;

                if target2 > target1
                    target1 = target2;
                    best_w=w2;
                else
                    S=exp(Emin-Eave)/temper;
                    if exp((target2-target1)/S*temper)>rand(1)
                        target1 = target2;
                        best_w=w2; 
                        sensitivity=[sensitivity,target1];
                    end
                end
        end
        sensitivity=[sensitivity,target1];
        temper=temper*0.999
    end
end

%% 绘图及展示结果
plot(sensitivity,'--')
title('灵敏度分析');
xlabel('迭代次数');
ylabel('目标函数值');
toc

结果展示

a61aaeabe1d54ddc921b5b01d94c9392.png

 c5aeeb0291bb47d386c4441cc686d9ac.png

梨子串桃子
关注
专栏目录
【路径规划】基于matlab模拟退火算法求解火灾巡逻最短路径问题【含Matlab源码 252期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
02-08 1985
模拟退火算法求解火灾巡逻最短路径问题 完整的代码，方可运行；可提供运行操作视频！适合小白！
论文研究 - 使用Markowitz均值方差方法对加纳证券交易所的某些股票进行投资组合优化
05-22
在加纳，建立具有标准化优化的投资组合仍然是一个神话，因此，本研究显示了Markowitz模型如何在加纳证券交易所应用，并揭示了精选股票中最有效的投资组合，以减轻投资者的负担。 该研究使用了2011年至2016年股票...
MATLAB初学者入门（12）—— 模拟退火算法
贾贾的博客
04-23 1174
模拟退火（Simulated Annealing, SA）是一种概率性搜索技术，用于寻找给定函数的全局最优解。该算法受到物理学中固体退火过程的启发，通过模拟物质冷却过程中粒子的随机运动，来逐步寻找优化解。它允许在搜索过程中偶尔接受比当前解差的解，以此避免陷入局部最优解，增加找到全局最优解的机会。
运筹优化（十四）--离散优化的启发式算法
热门推荐
工作笔记
01-19 3万+
启发式算法（heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。也就是说，在允许运行时长足够长的 情况下，确保得到一个最优方案。但是大量重要的ILP和INLP问题，并不存在多项式时间的解法，因此，启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解...
金融投资大数据（1）-马科维茨资产组合基于excel
xiezhiliang22的博客
01-31 8064
转载请注明出处 ：https://blog.csdn.net/xiezhiliang22 参考书目：《投资学》 兹维博迪 目录1 内容概要2 马科维茨资产组合选择模型2.1 证券选择功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入
PortOpt:使用Markowitz（1952）均值方差模型的投资组合优化器-开源
04-29
PortOpt [Portfolio Optimizer]是一个C ++程序（具有Python绑定），实现了Markowitz（1952）平均方差模型，该模型具有针对风险的代理线性无差异曲线，以便找到处于风险中的最优资产组合。 您必须提供PortOpt（在文本...
不确定环境多目标投资组合模型及求解算法探究
01-29
：考虑投资市场的随机动态属性，以Markowitz均值-方差模型为基础，建立了一种不确定环境多目标投资组合模型，模型中以天为时间单位，通过预先设定的采样周期计算当前时刻的收益率和方差而获得时变的投资组合模型。...
AlgoTradingSimulatedPaths:MATLAB中的均值方差投资组合优化和算法交易策略
04-05
在MATLAB中对模拟数据进行回测交易策略贡献者： ，（ ）和（目前已实施/正在进行中免费模型one_over_n.m大于n（以所持有的每种资产为单位） proportional -大于n（按比例） 投资组合优化mean_variance.m标准...
均值_方差_峰度资产组合优化模型
08-03
### 均值_方差_峰度资产组合优化模型 #### 一、引言 在金融领域，资产组合优化一直是研究的热点话题。自马科维茨(Markowitz)在1952年提出了经典的均值-方差模型以来，这一理论就成为了现代金融理论的基石。该模型...
【理论科学与实践技术】数学与经济管理中的学科与实用算法
wnm23的专栏
10-02 755
在现代商业环境中，数学与经济管理的结合为企业提供了强大的决策支持。本文将介绍几个主要学科，包括数学基础、经济学模型、管理学及风险管理，并探讨相关的实用算法和这些算法在中国及全球知名企业中的实际应用。
＜使用生成式AI对四种冒泡排序实现形式分析解释的探讨整理＞
m0_57859086的博客
10-01 1146
/冒泡排序实现1——不常用（这个版本两层for循环分别是i++、j++）// 声明三个整型变量i、j和temp用于循环控制和交换元素for (i = 0;i < n - 1;i++) { // 外层循环，从数组的第一个元素开始遍历到倒数第二个元素j < n;j++) { // 内层循环，从当前外层循环位置的下一个元素开始遍历到最后一个元素if (A[i] > A[j]) { // 如果当前元素大于下一个元素// 将当前元素存储到临时变量temp中// 将下一个元素赋值给当前元素。
DAY17||654.最大二叉树 |617.合并二叉树 |700.二叉搜索树中的搜索 |
2301_79865280的博客
09-29 1315
给定一个不含重复元素的整数数组。通过给定的数组构建最大二叉树，并且输出这个树的根节点。示例 ：构造二叉树一定要，因为要先找到中，才能分割左右子树。本题图解思路：本题做过上一题构建数组确实变得容易很多。代码优化方向有，不用每次找左右子树的时候构建新的数组的话效率就会高很多。（即直接用下标索引直接在原数组上操作）关于加不加if的问题，如果允许空节点进入递归，就不加。
算法：按既定顺序创建目标数组
AWSDN的博客
09-29 252
本文主要介绍按既定顺序创建目标数组问题
【韩顺平Java笔记】第6章：数组、排序和查找
随手写写
10-02 719
排序是将多个数据，依指定的顺序进行排列的过程。
【算法】---归并排序（递归非递归实现）
何春秋的博客
10-03 1082
归并排序 in Java
算法讲解—最小生成树（Kruskal 算法）
ZH_qaq的博客
10-05 842
根据度娘的解释我们可以知道，最小生成树(Minimum Spanning Tree, MST)就是：一个有n个结点的连通图的生成树是原图的极小连通子图，且包含原图中的所有n个结点，并且有保持图连通的最少的边。简单点来说就是求最小的连通图，就是从一个点能到达图的任意一点，且花费的代价最小（所有边的权值最小）。最小生成树问题通常用于网络设计、电路设计等领域，目的是找到连接所有节点的最低成本方式。常见的算法有克鲁斯卡尔算法（Kruskal）和普里姆算法（Prim）等。
C - Separated Lunch
最新发布
m0_74304371的博客
10-05 201
C - Separated Lunch(KEYENCE Programming Contest 2024 (AtCoder Beginner Contest 374))
国庆普及模拟赛-5
weixin_70468627的博客
10-05 259
本文为作者CSP-j国庆第5次模拟的总结
代码随想录打卡Day46
weixin_52151595的博客
09-28 471
今天是动态规划的最后一天，终于要结束折磨了！！！今天的两道题，第一道看视频做的，第二道自己AC的，开心！！！！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值