基于移动窗口的适应性在线投资组合策略

在线投资组合选择问题是当前量化投资领域一个重要的研究问题.为了避免剧烈波动的股票市场中过去较长时间的股价数据对当前的投资决策产生干扰,基于移动窗口设计在线投资组合策略.首先利用近期股价数据,计算所有定常再调整策略的近期表现并对其进行排序;根据其排序构造权重,对所有定常再调整策略进行加权平均,提出了基于移动窗口的策略;进一步采用适应性学习的方法选择移动窗口的长度,提出了适应性学习的策略.采用实际股价数据对提出的策略进行了实证分析,结果表明它们具有较好的性能.     

基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法（QPSO）是一种基于粒子群优化算法（PSO）的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。     

基于CVaR度量的投资组合优化研究

基于条件风险价值计量技术,首先考虑不允许卖空的情况下,以期望收益为约束,建立了以风险最小化为目标函数的投资组合优化模型。其次,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收益约束。最后,选取沪市和深市的8支股票以及银行存款利率数据进行实证分析,结果表明了模型的合理性和算法的可行性。     

一种组合证券投资风险最小化的迭代算法

提出了一种组合证券风险最小化的迭化算法，证明了其收敛性，该算法操作简便，避免了最优投资比例计算中的矩阵求逆问题，并且在不允许卖空情况下，不会增加计算的复杂性，文中同时还给出了不允许卖空情况下组合证券风险最小化的线性规划模型。     

可行方向法解证券投资组合优化问题

根据证券投资组合的Markowitz理论,通过赋权的方式将一种双目标规划优化模型转化为单目标模型,设计求解该类问题的可行方向类算法.数值实验表明,该算法的运行效率较高,具有广阔的应用前景.     

基于Multi-Agent的投资组合管理系统设计

分析了投资组合管理过程,针对大规模投资组合管理的需求,提出了一个基于Multi-Agent的投资组合管理系统（MAS-PMS）的体系框架,并对该系统的功能进行了功能设计.在此基础上,详细讨论了该系统的过程分解和任务分配,还分析了该系统中Agent间的交互过程.最后给出了一些结论,并提出了要进一步进行的工作.     

基于组合保险技术的养老保险基金投资策略分析

在现行多层次部分积累的养老保险制度下,入市投资是实现新制度形成的养老保险基金保值增值的一种选择.针对目前我国证券市场的特点,根据安全性、盈利性和流动性的原则,采用先进的投资组合保险技术,研究养老保险基金的投资,提出了基于养老保险基金的价值增长型组合保险策略.     

房地产投资的风险与投资组合

文章应用投资组合理论,分析了房地产投资风险与收益的组合关系,进而引入了现代投资组合理论、资本资产定价模型,并据此讨论对房地产投资风险进行定量分析,从而达到降低风险的目的。     

GMDH两水平算法的证券组合投资预期收益模型

以自组织理论两水平算法的为基础，采用组合投资方法，在证券投资ＧＭＤＨ两水平算法预测模型的基础上，建立ＧＭＤＨ两水平算法的证券组合投资预期收益模型。     

基于模糊收益率的分散化投资组合调整策略

投资组合选择是量化金融领域的核心问题之一。本文研究模糊环境下考虑交易费用和基数约束的分散化投资组合调整问题。首先,将风险资产的收益率视为模糊变量,通过建立一个模糊收益率拟合模型,确定了各资产收益率的模糊分布。其次,通过提出一个新的分散化测度,建立了模糊均值-下半方差-分散化投资组合调整模型。然后,设计了一个改进的遗传算法对模型进行求解。最后,选取真实的股票数据进行实例分析。结果表明所提出的策略优于传统的投资组合调整策略。     

基于遗传算法的证券组合选择

以证券组合选择为研究对象,讨论寻求高收益、低风险的最佳证券组合.通过对马克维茨投资组合模型的分析,得到一个改进的证券组合选择准则.根据二进制编码遗传算法的适用性及运算特点,给出运算规则及评价函数,用以选择最佳证券组合.实例分析表明,方法操作简单,并能得到有效结果.     

基于大学生在线临场感水平调查的计算机公共课网络学习空间构建策略研究

解读在线临场感内涵,并从教学临场感、认知临场感、社会临场感三个维度对大学生在线临场感水平实施问卷调查.从描述性统计和群体差异性统计角度对调查结果加以分析.以计算机公共课《数据库技术及应用》为例,综合调查结果和学科特点对网络学习空间构建提供策略,从而为促进网络学习空间创新发展提供经验积累.     

基于网络学习行为聚类分析的在线课堂优化策略研究

利用聚类分析法对网络学习行为分类,从而挖掘不同类型学习者在学习行为和学习效果间的差异。以大学计算机公共课《数据库技术及应用》为例,综合学习者学习行为类别差异、在线课程内容组织以及课程特点等要素为在线课堂进一步发展提供优化策略。     

基于贝叶斯网络模型的在线学习行为分析

线上线下结合的教学模式是未来教学的一个趋势,每一个学生的学习行为会直接影响学习结果,因此研究学习者学习行为对学习成绩的影响程度是目前的研究重点。目前常见的评价模型存在可信程度较低、可解释性较弱等问题,本文使用基于证据推理的贝叶斯网络(Bayes Network, BN)能够有效地解决这一问题。把方法应用在学习行为分析上,与常用的机器模型和深度学习模型进行比较,表现出更低的误差和更强的可解释性。     

基于分歧的半监督学习

为提高半监督分类的性能,提出一种基于SOM神经网络的半监督分类算法SSC-SOM。结合SOM的聚类特性,基于先聚类后标记的思想,充分利用有标记样本和未标记样本训练SOM分类器;将聚类的形成和有标记样本分配到各个聚类中同时进行,并根据有标记样本计算各个聚类的聚类中心;在整个未标记样本的范围内,根据聚类中心,使用K近邻算法对未标记样本进行标记,挖掘未标记样本的隐含信息。在UCI数据集中进行分类实验,其结果表明,SSC-SOM的分类率比SSOM提高2.22%,且收敛性较好。     

一种基于即时学习的多模型在线建模方法

针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法.该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模.在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性.最后,通过对一个仿真案例的研究验证了该算法的有效性.     

在线聚类的网络流量识别

针对网络流量在线识别的难题,提出一种聚类算法和在线流量识别方案.以网络数据流的若干初始数据包作为子流,提取子流的统计特征,应用基于滤波器算法的属性相关性算法提取子流最佳特征子集,并提出基于密度的在线带噪声空间聚类算法对子流特征向量进行聚类,采用优势概率业务实现聚类和应用类型的映射.实验结果表明,该方案具备识别新应用类型和加密数据流的功能,且能实现在线的网络流量分类.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.