هوش محاسباتی سبک برای تجزیه و تحلیل داده های متوالی در محاسبات لبه

طراحی طرح بهینه نمونه کارها بر اساس الگوریتم بهبود یافته NSGA-II

چکیده

در صنعت مالی ، مطالعه بهینه سازی نمونه کارها چند منظوره برای به دست آوردن یک استراتژی سرمایه گذاری معقول از اهمیت بالایی برخوردار است. در این مقاله ، طرح نمونه کارها مالی بر اساس الگوریتم بهینه سازی چند منظوره که بر اساس چارچوب الگوریتم NSGA-II ساخته شده است ، طراحی شده است. به منظور معرفی اطلاعات همگرایی ، با هدف مشکل واقعی نمونه کارها ، مکانیسم کدگذاری فردی مختلط با اطلاعات دارایی ، کاربرد الگوریتم تکاملی چند منظوره را در بهینه سازی نمونه کارها گسترش می دهد. طرح نمونه کارها به دست آمده مؤثر است ، که برای بهبود کارآیی تصمیم گیری سرمایه گذاران مالی مفید است و کاربرد نظریه مالی مدرن را غنی می کند.

1. مقدمه

با توسعه سریع بازار مالی ، سرمایه گذاری و مدیریت مالی دیگر محدود به یک روش واحد پس انداز با سرمایه گذاری بیشتر در اوراق بهادار نیست. نحوه استفاده از استراتژی های سرمایه گذاری علمی و منطقی تر برای تحقق قدردانی سرمایه به مشکلی تبدیل شده است که سرمایه گذاران باید در نظر بگیرند و به آن توجه کنند. به طور کلی ، هدف از سرمایه گذاری و مدیریت مالی به حداکثر رساندن درآمد است ، اما مزایا و خطرات اغلب در همان زمان وجود دارد. یک نمونه کارها می تواند خطرات را گسترش دهد ، و مهمترین چیز در نحوه تخصیص دارایی ها و نحوه برخورد با رابطه بین خطرات و مزایا است.

در حال حاضر ، صنعت مالی ، به عنوان یکی از مؤلفه های مهم اقتصاد چین ، به طور گسترده مورد توجه مردم در زمینه های مختلف قرار گرفته است. در واقعیت ، زمینه های سرمایه گذاری و انواع صندوق ها پیچیده است ، بنابراین جوهر طراحی یک نمونه کارها نسبتاً بهینه یک مشکل بهینه سازی چند منظوره بالا است [1-4]. در همین حال ، الگوریتم اکتشافی می تواند یک راه حل رضایت بخش در زمان چند جمله ای ، مانند الگوریتم تکاملی ، الگوریتم بازپرداخت شبیه سازی شده ، شبکه عصبی مصنوعی و الگوریتم کوانتومی دریافت کند [5-7]. به دلیل ماهیت ذاتی چند منظوره مشکل نمونه کارها ، بسیاری از محققان معمولاً از یک الگوریتم تکاملی چند منظوره برای حل آن استفاده می کنند ، مانند روش وزنه برداری ، روش محدودیت ، روش برنامه نویسی عینی و روش Minimax. یک الگوریتم بهینه سازی چند منظوره نیازی به به دست آوردن اطلاعات مشتق مسئله ندارد و همچنین نیازی به جمع آوری اهداف بهینه سازی با خصوصیات مختلف ندارد. این می تواند با فضای جستجوی دامنه عظیم به طور خودمختار مقابله کند ، جایی که با جستجوی موازی تکرار چرخه ای می توان مشکل را حل کرد و میانگین تناسب اندام گونه ها با تولید تولید می شود تا به راه حل بهینه جهانی نزدیک شود [8 ، 9]. بنابراین ، بهبود سفارشی مدل مشکل نه تنها می تواند تحقیقات مرتبط با آن را گسترش دهد بلکه به پیشرفت کارآیی تصمیم گیری سرمایه گذاران نیز کمک می کند.

2. اساس نظری نمونه کارها

با توسعه سریع علم و فناوری و بهبود مستمر سیستم مالی ، بازار مالی چین به طور فعال با کشورهای خارجی که در آن محصولات مالی متنوع تر می شوند ، یکپارچه می شود و اوراق ، سهام ، آینده ، ارز و مشتقات مالی اینترنتی مختلف هستندبه تدریج به سمت دامنه سرمایه گذاری افراد عادی حرکت می کند [10]. سرمایه گذاری عمل تبدیل وجوه به دارایی یا سرمایه در یک دوره زمانی خاص است ، به گونه ای که بازده اقتصادی یا مزایای ارزش افزوده را بدست می آورد. مهم نیست که چه نوع سرمایه گذاری انجام شده است ، هدف این است که بازده بالاتری بدست آورید. با این حال ، مزایا و خطرات اغلب همزیستی هستند. سرمایه گذاران می خواهند هرچه بیشتر مزایا کسب کنند و در عین حال خطر کمتری را تحمل کنند. بنابراین ، چگونگی حفظ و افزایش ارزش دارایی ها از طریق سرمایه گذاری و مدیریت مالی یک چالش بزرگ است.

2. 1سرمایه گذاری

رابطه کمی برای تحقیق در مورد تئوری نمونه کارها اعمال می شود ، مزایا و خطرات کمیت می شود و دو هدف حداکثر رساندن مزایا و به حداقل رساندن خطرات برای حل مشکلات انتخاب محصولات مالی و تخصیص نسبت سرمایه برای سرمایه گذاران ارائه می شود [11، 12]

در فعالیت های سرمایه گذاری واقعی ، معمولاً از نرخ بازده واقعی تاریخی معمولاً برای جایگزینی نرخ بازده مورد انتظار برای اندازه گیری جوانب مثبت و منفی نمونه کارها استفاده می شود. با فرض اینکه اوراق بهادار M در استخر اوراق بهادار وجود داشته باشد ، نرخ واقعی بازده اوراق بهادار همانطور که در فرمول زیر نشان داده شده است محاسبه می شود:

در کجا نرخ واقعی بازده امنیت است ، قیمت بسته شدن اوراق بهادار در پایان دوره برگزاری است و قیمت بسته شدن اوراق بهادار در مرحله اولیه چرخه است.

عملکرد و عملکرد شرکت معمولاً ثبات خاصی دارد. بنابراین می توان از میانگین نرخ واقعی بازده تاریخی به عنوان برآورد نرخ پیش بینی شده بازده اوراق بهادار استفاده کرد. با فرض آن بردار

وکتور متشکل از نرخ بازده تاریخی چندگانه دارایی ITH را نشان می دهد ، بنابراین نرخ بازده مورد انتظار در فرمول زیر نشان داده می شود:

بازده مورد انتظار برای امنیت کجاست ،

آیا تعداد دوره هایی با بازده واقعی تاریخی است ، بازده واقعی امنیت از نظر مدت است و احتمال بازگشت واقعی است.

در فعالیت های سرمایه گذاری ، استفاده از نرخ بازده تاریخی برای برآورد نرخ بازده مورد انتظار نامشخص است زیرا بازده واقعی ممکن است بالاتر از حد انتظار یا پایین تر از حد انتظار باشد ، که این ریسکی است که بسیاری از سرمایه گذاران با آن روبرو هستند. بنابراین ، ریسک باید با واریانس نرخ بازده مورد انتظار اندازه گیری شود. برای یک امنیت واحد ، خطر را می توان با فرمول زیر محاسبه کرد:

فرمول فوق از نوسانات بازده امنیتی استفاده می کند. یعنی واریانس نرخ بازده مورد انتظار یک امنیت برای تعیین کمیت ریسک اتخاذ شده است. هرچه واریانس بزرگتر باشد ، انحراف بین نرخ بازده واقعی و نرخ بازده مورد انتظار بیشتر است ، که نشان می دهد بازده امنیت بسیار نامشخص است و ریسک سرمایه گذاری قوی است.

2. 2سرمایه گذاری نمونه کارها

با فرض اینکه یک پورتفولیو N نوع منبع را از مجموعه حفاظتی انتخاب می کند و همانطور که توسط یک نسبت سرمایه گذاری مشخص نشان داده شده است به آنها ملحق می شود، سپس در یک چرخه سرمایه گذاری مشخص، پرداخت پورتفولیو با مقدار نرمال وزنی سرعت بازده هر منبع اندازه گیری می شود. که با فرمول زیر قابل محاسبه است:

که نشان دهنده نرخ بازده مورد انتظار پرتفوی است و نشان دهنده نسبت ith دارایی در پرتفوی است که محدودیت بودجه را برآورده می کند.

در بازار واقعی، انواع اوراق بهادار کاملا مستقل نیستند و همیشه برخی از ارتباطات وجود دارد. این همبستگی بین اوراق بهادار معمولاً با کوواریانس بیان می شود که انتظار اندازه گیری خطای کلی بین دو متغیر است [13]. در پرتفوی واقعی، سرمایه گذاران معمولاً می خواهند برخی از دارایی های غیرمرتبط را تا حد امکان انتخاب کنند تا ریسک را تا حد امکان پخش کنند، بنابراین به عنوان نرخ بازده واقعی هر اوراق بهادار در پرتفوی تعیین می شود و کوواریانس بین اوراق بهادار i و j برابر است بابا فرمول زیر محاسبه می شود:

با استفاده از واریانس به عنوان معیار ریسک پرتفوی، نه تنها باید ویژگی های تک تک اوراق بهادار، بلکه رابطه بین آنها را نیز در نظر بگیریم. ریسک پرتفوی با فرمول زیر بیان می شود:

3. الگوریتم بهینه سازی چند هدفه

3. 1. طراحی الگوریتم

الگوریتم NSGA-II یک الگوریتم بهینه سازی چند منظوره دور دست در حال حاضر است. از آنجا که مطرح شد ، به دلیل سادگی و راندمان بالا ، این الگوریتم به یکی از الگوریتم های اساسی در مشکلات بهینه سازی چند منظوره تبدیل شده است [14]. همانطور که در شکل 1 نشان داده شده است ، مزایای اصلی این الگوریتم در مقایسه با NSGA سنتی به شرح زیر است..(2) افزودن مدرک شلوغی و اپراتور مقایسه درجه شلوغی نه تنها کمبود تعیین مصنوعی پارامترهای مشترک در الگوریتم را حل می کند بلکه گونه ها را نیز قادر می سازد تا از طریق درجه شلوغی به طور همگن به کل دامنه پارتو گسترش یابد ، بنابراین تنوع را تضمین می کند. از گونه ها(3) معرفی استراتژی نخبه و گسترش فضای نمونه برداری ، والدین و فرزندان را با هم ترکیب می کند تا نسل بعدی گونه ها را با رقابت تولید کنند ، برای حفظ افراد عالی نسل قبلی گونه ها مفید است. در عین حال ، ذخیره سازی طبقه بندی شده افراد در گونه ها از دست دادن بهترین افراد ، سطح کلی گونه ها را بهبود می بخشد و دقت الگوریتم را تا حد زیادی بهینه می کند.

الگوریتم NSGA-II اتخاذ شده در این مقاله می تواند تنوع گونه ها را بهبود بخشد و سطح گونه ها را به سرعت بهبود بخشد. نمودار جریان الگوریتم در شکل 2 نشان داده شده است. (1) گونه ها را به صورت n تنظیم کرده و اندازه آن را به عنوان n تنظیم کنید ، پس از مرتب سازی نامشخص گونه ها با اندازه N ، الگوریتم ژنتیکی سنتی را اجرا کنید و نسل اول را بدست آوریدگونه های فرزندان از طریق متقاطع ، جهش و انتخاب (2) گونه های والدین و فرزندان را در یک گونه ترکیب می کنند ، درجه شلوغی افراد را در لایه غیرمستقیم به طور همزمان از طریق مرتب سازی سریع غیرمستقیم محاسبه می کنند و افراد مناسب را انتخاب می کنند تا با استفاده از گونه های جدید والدین تشکیل دهنددرجه شلوغی و رابطه غیرمستقیم (3) از طریق عملیات اساسی متقاطع ، جهش و انتخاب در یک الگوریتم ژنتیکی سنتی ، یک گونه فرزندان جدید ایجاد می کند و مراحل فوق را تکرار می کند تا حداکثر تعداد تکرارها برآورده شود

3. 2الگوریتم بهینه شده

الگوریتم T-SNE برای کاهش مشکل افزونگی هدف در چندتایی با ابعاد بالا معرفی شده است ، که باعث کاهش زمان کار و بار دستگاه ها می شود و دقت الگوریتم را بهبود می بخشد. نمودار جریان در شکل 3 نشان داده شده است.

اولا ، مجموعه هدف اصلی

برای اولیه سازی گونه ها انتخاب شد ، و سپس ، الگوریتم NSGA-II برای بهینه سازی گونه ها برای تشکیل گونه والدین جدید انجام شد

وادسپس ، الگوریتم T-SNE برای به دست آوردن مجموعه هدف غیرقانونی بهینه شده است. سرانجام ، مراحل فوق تا زمانی که حداکثر تعداد تکرارها راضی باشد ، و گونه ها تکرار می شوند

و مجموعه هدف ، هنگامی که ، راه حل بهینه Pareto از مجموعه هدف را می توان بدست آورد.

3. 3فرآیند اجرای الگوریتم

با فرض اینکه تعداد اهداف است

مجموعه هدف ، و ژنرال تعداد تکرارها است.(1) مجموعه ، مجموعه هدف اولیه است

، و سپس ، گونه های مجموعه هدف آغاز می شود.، در جایی که انتخاب ، افراد مناسب برای تشکیل گونه والدین جدید با مرتب سازی سریع و محاسبه درجه شلوغی انتخاب می شوند. متقاطع باینری را می توان به شرح زیر شبیه سازی کرد: