多目标遗传算法_数字金融与算法研究（十七）—用多目标遗传算法处理投资组合选择中的模型风险...

1

原文概要

用多目标遗传算法处理投资组合选择中的模型风险

Artificial Intelligence in Financial Markets pp 285-310

Part of the New Developments in Quantitative Trading and Investment book series (QTAM)

作者： Prisadarng Skolpadungket, Keshav Dahal, and Napat Harnpornchai 摘要： 近年来 ， 将 多目标优化应用 于 投资组合优化受到越来越多的关注。 投资组合优化被定义为选择满足两个目标的资产组合，即投资组合收益最大化和收益波动最小化。 在最初的应用中， 马科维兹 使用平均收益和每种资产收益的方差作为模型的输入。 但是，基于平均收益和波动率这些历 史数据进行的资产组合优化的结果并不理想。 进一步 用预测的收益率和波动率代替历史数据，但预测的结果仍然不是最优的，预测模型的不准确性导致了所谓的模型风险。 本文提出了一种改进的多目标遗传算法(MOGA)，称为MOGA3O(三个目标)，用于处理投资组合优化中的模型风险，该算法考虑了许多现实约束，并通过增加第三个目标来处理模型风险。 结果表明，通过在算法中引入第三个目标，可以提高投资组合的夏普比率。在整个样本期内，MOGA3O模型产生的投资组合都优于其他两个基准模型。它的表现优于使用预期平均收益和波动率的两目标模型(MOGA)和使用历史平均收益和波动率的两目标模型(MOGA_Mean)。通过加入第三个目标，可以降低当前预测过程中的模型风险。该模型不仅考虑具有高预期收益和低波动率的股票，还考虑了其预测未来价值的能力。因此，在预期收益和预期波动性等其他目标相同的情况下，模型会倾向于选择预测更准确的股票。

Handling Model Risk in Portfolio Selection Using Multi-Objective Genetic Algorithm 

Prisadarng Skolpadungket, Keshav Dahal, and Napat Harnpornchai

Abstract： The application of multi-objective optimization to portfolio optimization has attracted increased attention in recent years. Portfolio optimization is defined as the task to select a combination of assets that si