求解CVaR投资组合优化问题之改进PSO算法

研究了基于CVaR约束的的最优投资决策问题,为避免维数障碍,针对Fredrik提出的CVaR投资组合优化线性规划模型还原为非线性规划。通过引入缩进因子,改进PSO算法,使粒子在迭代过程中保持在可行域内。最后,通过算例证明了该文方法的有效性,计算结果表明,投资组合优化后的损失期望收益率、标准差、受险价值、条件受险价值等重要风险衡量指标都有了较大改进。     

基于类-属性关联度的启发式离散化技术

连续属性离散化在数据挖掘、机器学习和人工智能等领域起着重要的作用.鉴于此,提出一种基于类-属性关联度的启发式离散化技术.该技术定义了一个新的离散化标准,根据数据本身的特性选择最佳断点,克服了目前最先进自顶向下离散化方法存在的缺陷.基于粗糙集理论中变精度粗糙集模型,提出一种新的不一致衡量标准,能够有效地控制离散化所产生的信息丢失,允许数据存在适当的分类错误度.实验结果和统计性分析表明,所提出的技术显著地提高了J4.8决策树和SVM分类器的学习精度.     

基于遗传算法和神经网络的新股上市价格预测法

新股上市价格预测方法的研究具有重要的理论和实践意义。鉴于此,该文提出了一种基于遗传算法和神经网络的新股上市价格预测方法。将影响股票价格的因素抽象出来,部分纳斯达克新股上市价格的历史数据作为训练样本,确定该文新股上市价格预测方法中的相关参数。并以另外9家公司的上市股票为测试样本验证了该方法的有效性。