CN111310993A - 一种基于多目标进化算法的项目配置方法、装置及系统 - Google Patents

一种基于多目标进化算法的项目配置方法、装置及系统 Download PDF

Info

Publication number
CN111310993A
CN111310993A CN202010086675.8A CN202010086675A CN111310993A CN 111310993 A CN111310993 A CN 111310993A CN 202010086675 A CN202010086675 A CN 202010086675A CN 111310993 A CN111310993 A CN 111310993A
Authority
CN
China
Prior art keywords
investment
population
portfolio
project
iteration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010086675.8A
Other languages
English (en)
Inventor
王志杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suning Financial Technology Nanjing Co Ltd
Original Assignee
Suning Financial Technology Nanjing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suning Financial Technology Nanjing Co Ltd filed Critical Suning Financial Technology Nanjing Co Ltd
Priority to CN202010086675.8A priority Critical patent/CN111310993A/zh
Publication of CN111310993A publication Critical patent/CN111310993A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例公开了一种基于多目标进化算法的项目配置方法、装置及系统，其中，方法包括：构建投资项目库并从库中选择投资项目生成预设数量的投资组合；计算每一投资项目的相关数据并根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。通过将投资组合集合作为种群，利用种群迭代，实现同时多向求解，降低计算复杂度，减少了计算量，可以快速求解海量数据情形下的模型。

Description

一种基于多目标进化算法的项目配置方法、装置及系统
技术领域
本发明涉及项目分配领域，具体涉及一种基于多目标进化算法的项目配置方法、装置及系统。
背景技术
现代组合投资理论(Modern Portfolio Theory MPT)是在普遍认同的“同等风险追求高收益，同等收益追求低风险”的规律基础上，将投资配置转变为一个最优化的模型，将同等风险的最高收益，同等收益的最低风险作为模型的最优边界。通过求解即可确定同等风险的最高收益，同等收益的最低风险的最优边界包含的投资项目组合。
然而，当参与运算的项目组合的数据量级达到一定程度的时候，现有技术中的单机无法在海量数据集上进行模型求解，从而导致无法或无法快速完成指标计算。因此，如何快速地针对海量数据进行有效的筛选计算，成为本领域技术人员急需解决的技术问题。
发明内容
本发明的目的在于提供一种基于多目标进化算法的项目配置方法，以解决现有技术中面对海量数据无法快速计算的问题。
为实现上述目的，本发明提供如下技术方案：
一方面提供一种基于多目标进化算法的项目配置方法，所述方法包括：
根据预设的投资项目选择策略选择第一预设数量的投资项目以构建投资项目库；
根据预设的投资组合策略生成第二预设数量的投资组合；每一所述投资组合中包含第三预设数量的所述投资项目；
计算每一所述投资项目的相关数据；所述相关数据至少包括所述投资项目的每日对数收益率及与其他投资项目间的协方差；
根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；
以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。
优选的，所述每一投资组合内的各投资项目的权重之和为1，且每一投资项目具有权重最大值和最小值。
优选的，所述利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合包括：
初始化所述种群为p0，并以所述p0为第一个迭代种群，重复如下迭代过程直至迭代结束，输出最后一个迭代种群的最优边界作为符合马科维茨模型最优边界的投资组合：
对当前种群pi中的每个投资组合进行交叉计算和变异计算；
计算当前种群pi中的每个投资组合的目标值；
计算当前种群pi与前一种群pi-1的最优边界ai-1的并集的非支配集
Figure BDA0002382300020000021
利用分布性算子对
Figure BDA0002382300020000022
重新分布，计算得到当前种群pi的最优边界ai；
从pi∪ai-1中选择进行下一次迭代的种群pi+1。
优选的，利用二元锦标赛的方式从pi∪ai-1中选择进行下一次迭代的种群pi+1。
优选的，当最优边界中的投资组合个数超过预设阈值时，按照投资组合的空间分布筛选分布密集度低于预设密集度的投资组合；
将分布密集度低于预设密集度的投资组合从所述最优边界中删除。
优选的，所述投资组合的分布密集度通过拥挤距离公式计算。
优选的，所述方法还包括
获取用户历史数据进行分析，确定所述用户对应的风险偏好值；
根据所述风险偏好值从所述最优解中匹配与所述用户对应的投资组合。
另一方面还提供一种基于多目标进化算法的项目配置装置，所述装置包括：
投资项目库构建单元，用于根据预设的投资项目选择策略选择第一预设数量的投资项目以构建投资项目库；
投资组合单元，用于根据预设的投资组合策略生成第二预设数量的投资组合；每一所述投资组合中包含第三预设数量的所述投资项目；
投资数据计算单元，用于计算每一所述投资项目的相关数据；所述相关数据至少包括所述投资项目的每日对数收益率及与其他投资项目间的协方差；
模型构建单元，用于根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；
最优边界确定单元，用于以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。
优选的，所述最优边界确定单元包括：
所述最优边界确定单元包括：
初始化单元，用于初始化所述种群为p0；
种群迭代单元，用于以所述p0为第一个迭代种群，重复如下迭代过程直至迭代结束，输出最后一个迭代种群的最优边界作为符合马科维茨模型最优解的投资组合：
对当前种群pi中的每个投资组合进行交叉计算和变异计算；
计算当前种群pi中的每个投资组合的目标值；
计算当前种群pi与前一种群pi-1的最优边界ai-1的并集的非支配集
Figure BDA0002382300020000041
利用分布性算子对
Figure BDA0002382300020000042
重新分布，计算得到当前种群pi的最优边界ai；
从pi∪ai-1中选择进行下一次迭代的种群pi+1。
再一方面还提供一种计算机系统，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如上所述的操作。
与现有技术相比，本发明的有益效果是：
本发明通过从投资项目库中确定可能的投资组合，基于投资组合中的投资项目的相关数据构建投资配置模型，进而将投资组合作为个体，将投资组合集合作为种群，利用种群迭代计算得到种群的最优边界。通过将投资组合集合作为种群，利用种群迭代，实现同时多向求解，降低计算复杂度，减少了计算量，可以快速求解海量数据情形下的模型。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请方法流程图；
图2是本申请装置结构图；
图3是本申请实施例提供的计算机系统架构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请旨在提供一种利用种群迭代算法确定项目资产配置的方法。本申请中创造性的将预先确定的每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法求解最优边界，借助种群迭代算法的同时多向求解，大大降低了计算复杂度，提高了海量数据情形下的计算速度。
本申请以下将以基金为例，详细阐述如何将投资配置与种群迭代算法进行关联，以利用种群迭代算法将投资配置的组合作为特征进行特征筛选，以最终得到符合设定需求的那些特征集合即投资组合的集合。
在将投资组合与种群进行关联前，首先需确定参加计算的投资项目及组合：
根据筛选条件选择出一定数量(一般为100个左右)的基金进入基金池，设定组合内基金个数(如8个)，那么组合的个数就是从100个中选择任意8个的计算个数。每个组合内的基金的分别有一个权重值，组合权重满足求和等于1的约束，不同类型的基金也满足一定的权重变化范围约束，每个基金具有相对应的基金数据如日级别的对数收益率及基金池内基金间的协方差等。将权重和基金数据作为约束，以加均值衡量组合的收益，以加权协方差衡量组合风险，将满足同等风险时具有高收益，同等收益时具有低风险的投资组合作为最优解构建马科维茨模型。最优化问题的描述如下：
Asset＝{ai|i∈[1，N]，ai＝[rd1，rd2，…，rdk]} 3-1
Portfolio＝{(XT，WT)|X＝[x1，x2，…，xn]，W＝[ω1，ω2，…，ωn]} 3-2
Figure BDA0002382300020000061
Figure BDA0002382300020000062
Figure BDA0002382300020000063
Figure BDA0002382300020000064
Figure BDA0002382300020000065
其中，Asset为包含N个基金的基金池，ai代表资产池中的基金，Portfolio是基金池的组合空间，W是组合的权重向量，n为组合内基金的个数，xi是组合内基金的每日对数收益率，ωi是组合内基金的权重，lowi，upi分别是组合内第i基金的权重上下界约束，cov(xi，xj)是基金xi，xj的协方差，Mcov是组合的协方差矩阵，R是组合的收益率向量，optret是优化结果即是基金池组合最优边界。
上述过程中，具体可以从Hive数据仓库中提取基金数据，包括基金基本信息、每日净值、复权因子、基金规模、基金申购赎回费率、持有人结构等数据。之后整合基金基础数据，按照基金池的筛选规则筛选基金池，筛选规则可以包括基金规模、基金存续期、基类运作类型、交易场所、基金评分、最低申购额、基金机构持有份额等。按照筛选规则构建基金池。之后计算基金池内每个基金的中间数据并保存，包括基金日级别的对数收益率及基金池内基金间的协方差等。之后以此数据结合权重约束数据构建模型。权重约束数据可以预先设定，如设定每一高风险基金的权重不超过0.5。
构建好模型后，即可将其与种群迭代算法进行关联：
将所有投资组合的集合作为种群P，将每一投资组合作为种群的个体，以组合内每个基金的编码作为组合的资产集合，以组合内每个基金的权重约束作为组合的权重集合，以此生成的数据结构为一个种群个体。
基金编码此处可以为每个基金对应分配的数字串。例如，组合内5个基金的编码分别为01、21、43、23、24，则该组合个体的资产集合为[01，21，43，23，24]。
通过这一步将投资配置映射到种群概念中。之后进行种群的迭代：
种群初始化：
首先根据个体编码方式和条件初始化进化种群p0。种群就是一定数量的个体的集合，因此按照构个体的结构随机生成若干个体，其中，每个个体的资产集从基金池中随机选择，初始权重在以符合约束条件的情况下随机生成，将组合个体对应的数据结构作为初始化完成的种群即可进入后续进化过程。
交叉计算：
交叉计算是由交叉算子完成的，在进化算法中本过程是由两个个体之间完成，此算法中每个个体有两个因变向量，而且权重因子带有约束，因此交叉算子在一个个内进行，具体操作如下公式(3-12)所示：
Individual＝(X，[ω1，…，ωi，…，ωj，…，ωn]) 3-8
ωi∈[lowi，upi]，ωj∈[lowj，upj] 3-9
lowi，upilowj，upj∈[0，1] 3-10
Δ∈[-min(ωi，ωj)，max(ωi，ωj)] 3-11
Figure BDA0002382300020000071
其中，Individual为一个个体，i，j是在权重向量上随机选择的两个点位，
Figure BDA0002382300020000081
分别是两个点位更新后的权重，Δ是两个权重的变化量。
变异计算：
变异计算是由变异算子完成，进化算法中变异算子是在一个因变向量的某个点位进行，本算法是在基金向量上的某个点位进行，变异操作的结果是将随机选择的基金向量的点位换成向量池中的某个不同的基金，具体表达如下公式(3-15)所示：
Asset＝[a1，…，ak，…，aN] 3-13
Individual＝([x1，…，xl，…，xn]，W) 3-14
Figure BDA0002382300020000082
其中，Asset为包含N个基金的基金池，ai代表资产池中的基金，
Figure BDA0002382300020000083
是个体变异后的基金，Individual(X)是个体的基金列表。
计算个体目标值：
每个个体有两个目标值，每个目标值有两个要素，组合收益目标(均值)为组合内基金日收益率的均值与权重的乘积，组合风险目标(方差)为组合内基金日收益率的协方差矩阵与权重的乘积，具体表达如下公式(3-16)所示：
Figure BDA0002382300020000084
其中，Q为组合收益目标值，σ为组合风险目标值，W为组合内各基金的权重值，R为组合内各基金日收益率的算数平均值，Mcov为组合内基金日收益率的协方差矩阵。
非支配集计算：
种群内每个个体有两个目标值，选择种群最优集时无法使用简单的比较法，需要引用最优化的Pareto非支配关系，非支配关系可认为是一种广义的大小关系，即若A支配B，则A的表现优于B，反之，A的表现优于B，若A与B相互非支配，则A支配B表现一样，最大化问题支配号为≥，最小化问题支配符号为≤，非支配关系符号为
Figure BDA0002382300020000093
而资产配置模型中的两个目标收益是最大化目标，而风险是最小化目标，因此对收益取负值转化成都是最优化目标函数，具体表达如下(3-18)公式所示：
Figure BDA0002382300020000091
Figure BDA0002382300020000092
非支配集则是所有不被其它个体支配个体的集合，是当前迭代种群的最优子集。
种群选择：
当一次迭代完成后需要选择下一次迭代的种群，进化算法中一般的选择种群的方式有轮盘选择和二元锦标赛选择，本算法采用二元锦标赛选择法，即随机从群群中选择两个个体比较非对配关系，若两个个体为支配关系，则选择未被支配的个体进入新种群，若两个个体为非支配关系，则随机选择一个进入新种群，循环种群总数次得到新的种群。以迭代次数作为结束条件，直到符合结束条件，输出结果。
在上述迭代过程中，随着迭代次数增加，最优解集中的个体数量随着增加，为更好的确定最优解，可根据最优解中个体的空间分布进行筛选。个体分布较为集中时，在解空间的表现为聚集在一个或几个区域内，当超过目标解个数时，刻使用分布性策略进行筛选出较稀疏区域的个体，随着迭代进行，最优解的分布将逐渐分散和均匀，并且对解空间的覆盖性更好。
计算个体稀疏程序采用拥挤距离计算，具体表达如下(3-19)公式所示：
Figure BDA0002382300020000101
可见通过上述过程即可将资产配置与种群迭代关联，并利用种群迭代进行求解得到马科维茨模型最优边界。上述迭代过程多个个体同时多向计算，降低了复杂度，提高了计算效率。
实施例1
综上，本申请实施例1提供了一种基于多目标进化算法的项目配置方法，如图1所示，所述方法包括：
S11、根据预设的投资项目选择策略选择第一预设数量的投资项目以构建投资项目库；
S12、根据预设的投资组合策略生成第二预设数量的投资组合；每一所述投资组合中包含第三预设数量的所述投资项目；
S13、计算每一所述投资项目的相关数据；所述相关数据至少包括所述投资项目的每日对数收益率及与其他投资项目间的协方差；
S14、根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；
S15、以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。其中，所述每一投资组合内的各投资项目的权重之和为1，且每一投资项目具有权重最大值和最小值。
其中，所述利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合包括：
初始化所述种群为p0，并以所述p0为第一个迭代种群，重复如下迭代过程直至迭代结束，输出最后一个迭代种群的最优边界作为符合马科维茨模型最优边界的投资组合：
对当前种群pi中的每个投资组合进行交叉计算和变异计算；
计算当前种群pi中的每个投资组合的目标值；
计算当前种群pi与前一种群pi-1的最优边界ai-1的并集的非支配集
Figure BDA0002382300020000111
利用分布性算子对
Figure BDA0002382300020000112
重新分布，计算得到当前种群pi的最优边界ai；
从pi∪ai-1中选择进行下一次迭代的种群pi+1，具体的可以用二元锦标赛的方式从pi∪ai-1中选择进行下一次迭代的种群pi+1。
优选的，当最优边界中的投资组合个数超过预设阈值时，按照投资组合的空间分布筛选分布密集度低于预设密集度的投资组合；将分布密集度低于预设密集度的投资组合从所述最优边界中删除。所述投资组合的分布密集度可通过拥挤距离公式计算。
需要说明的是，在计算出上述有效边界后，可对不同的用户进行对应的匹配推荐没具体可以：
获取用户历史数据进行分析，确定所述用户对应的风险偏好值；
根据所述风险偏好值从所述最优解中匹配与所述用户对应的投资组合。
实施例2
对应上述方法，本申请实施例2提供一种装置，如图2所示，该装置包括：
投资项目库构建单元21，用于根据预设的投资项目选择策略选择第一预设数量的投资项目以构建投资项目库；
投资组合单元22，用于根据预设的投资组合策略生成第二预设数量的投资组合；每一所述投资组合中包含第三预设数量的所述投资项目；
投资数据计算单元23，用于计算每一所述投资项目的相关数据；所述相关数据至少包括所述投资项目的每日对数收益率及与其他投资项目间的协方差；
模型构建单元24，用于根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；
最优边界确定单元25，用于以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。
具体的，所述最优边界确定单元包括：
初始化单元，用于初始化所述种群为p0；
种群迭代单元，用于以所述p0为第一个迭代种群，重复如下迭代过程直至迭代结束，输出最后一个迭代种群的最优边界作为符合马科维茨模型最优解的投资组合：
对当前种群pi中的每个投资组合进行交叉计算和变异计算；
计算当前种群pi中的每个投资组合的目标值；
计算当前种群pi与前一种群pi-1的最优边界ai-1的并集的非支配集
Figure BDA0002382300020000121
利用分布性算子对
Figure BDA0002382300020000122
重新分布，计算得到当前种群pi的最优边界ai；
从pi∪ai-1中选择进行下一次迭代的种群pi+1。
优选的，所述装置还包括：分布筛选单元，用于当最优边界中的投资组合个数超过预设阈值时，按照投资组合的空间分布筛选分布密集度低于预设密集度的投资组合并将分布密集度低于预设密集度的投资组合从所述最优边界中删除。
优选的，所述装置还包括：
风险偏好值确定单元，用于获取用户历史数据进行分析，确定所述用户对应的风险偏好值；
投资匹配单元，用于根据所述风险偏好值从所述最优解中匹配与所述用户对应的投资组合。
实施例3
对应上述方法和装置，本申请实施例3还公开一种计算机系统，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行实施例1所述的操作。
其中，图3示例性的展示出了计算机系统的架构，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。
其中，处理器1510可以采用通用的CPU(Central ProcElasticsearchsing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific IntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。
存储器1520可以采用ROM(Read Only Memory，只读存储器)、RAM(RandomAccElasticsearchs Memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制计算机系统1500运行的操作系统1521，用于控制计算机系统1500的低级别操作的基本输入输出系统(BIOS)。另外，还可以存储网页浏览器1523，数据存储管理系统1524，以及图标字体处理系统1525等等。上述图标字体处理系统1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。
输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1530包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。
另外，该计算机系统1500还可以从虚拟资源对象领取条件信息数据库1541中获得具体领取条件的信息，以用于进行条件判断，等等。
需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线1530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，云服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本申请所提供的方法、装置及系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于多目标进化算法的项目配置方法，其特征在于，所述方法包括：
根据预设的投资项目选择策略选择第一预设数量的投资项目以构建投资项目库；
根据预设的投资组合策略生成第二预设数量的投资组合；每一所述投资组合中包含第三预设数量的所述投资项目；
计算每一所述投资项目的相关数据；所述相关数据至少包括所述投资项目的每日对数收益率及与其他投资项目间的协方差；
根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；
以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。
2.如权利要求1所述的方法，其特征在于，所述每一投资组合内的各投资项目的权重之和为1，且每一投资项目具有权重最大值和最小值。
3.如权利要求1或2所述的方法，其特征在于，所述利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合包括：
初始化所述种群为p0，并以所述种群p0为第一个迭代种群，重复如下迭代过程直至迭代结束，输出最后一个迭代种群的最优边界作为符合马科维茨模型最优边界的投资组合：
对当前种群pi中的每个投资组合进行交叉计算和变异计算；
计算当前种群pi中的每个投资组合的目标值；
计算当前种群pi与前一种群pi-1的最优边界ai-1的并集的非支配集
Figure FDA0002382300010000021
利用分布性算子对
Figure FDA0002382300010000022
重新分布，计算得到当前种群pi的最优边界ai；
从pi∪ai-1中选择进行下一次迭代的种群pi+1。
4.如权利要求3所述的方法，其特征在于，利用二元锦标赛的方式从pi∪ai-1中选择进行下一次迭代的种群pi+1。
5.如权利要求3所述的方法，其特征在于，当最优边界中的投资组合个数超过预设阈值时，按照投资组合的空间分布筛选分布密集度低于预设密集度的投资组合；
将分布密集度低于预设密集度的投资组合从所述最优边界中删除。
6.如权利要求5所述的方法，其特征在于，所述投资组合的分布密集度通过拥挤距离公式计算。
7.如权利要求3所述的方法，其特征在于，所述方法还包括
获取用户历史数据进行分析，确定所述用户对应的风险偏好值；
根据所述风险偏好值从所述最优解中匹配与所述用户对应的投资组合。
8.一种基于多目标进化算法的项目配置装置，其特征在于，所述装置包括：
投资项目库构建单元，用于根据预设的投资项目选择策略选择第一预设数量的投资项目以构建投资项目库；
投资组合单元，用于根据预设的投资组合策略生成第二预设数量的投资组合；每一所述投资组合中包含第三预设数量的所述投资项目；
投资数据计算单元，用于计算每一所述投资项目的相关数据；所述相关数据至少包括所述投资项目的每日对数收益率及与其他投资项目间的协方差；
模型构建单元，用于根据所述投资组合及所述投资组合内每一投资项目的相关数据构建马科维茨模型；
最优边界确定单元，用于以每一投资组合作为种群个体，以所有个体的集合作为种群，利用种群迭代算法从所有所述投资组合中确定符合马科维茨模型最优边界的投资组合。
9.如权利要求8所述的装置，其特征在于，所述最优边界确定单元包括：
初始化单元，用于初始化所述种群为p0；
种群迭代单元，用于以所述种群p0为第一个迭代种群，重复如下迭代过程直至迭代结束，输出最后一个迭代种群的最优边界作为符合马科维茨模型最优解的投资组合：
对当前种群pi中的每个投资组合进行交叉计算和变异计算；
计算当前种群pi中的每个投资组合的目标值；
计算当前种群pi与前一种群pi-1的最优边界ai-1的并集的非支配集
Figure FDA0002382300010000031
利用分布性算子对
Figure FDA0002382300010000032
重新分布，计算得到当前种群pi的最优边界ai；
从pi∪ai-1中选择进行下一次迭代的种群pi+1。
10.一种计算机系统，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1-7任一项所述的方法。
CN202010086675.8A 2020-02-11 2020-02-11 一种基于多目标进化算法的项目配置方法、装置及系统 Pending CN111310993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086675.8A CN111310993A (zh) 2020-02-11 2020-02-11 一种基于多目标进化算法的项目配置方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086675.8A CN111310993A (zh) 2020-02-11 2020-02-11 一种基于多目标进化算法的项目配置方法、装置及系统

Publications (1)

Publication Number Publication Date
CN111310993A true CN111310993A (zh) 2020-06-19

Family

ID=71148874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086675.8A Pending CN111310993A (zh) 2020-02-11 2020-02-11 一种基于多目标进化算法的项目配置方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111310993A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548830A (zh) * 2022-04-18 2022-05-27 支付宝(杭州)信息技术有限公司 选择算子确定方法、策略组合优化方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548830A (zh) * 2022-04-18 2022-05-27 支付宝(杭州)信息技术有限公司 选择算子确定方法、策略组合优化方法及装置

Similar Documents

Publication Publication Date Title
JP5484968B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN110427560A (zh) 一种应用于推荐系统的模型训练方法以及相关装置
Solares et al. Handling uncertainty through confidence intervals in portfolio optimization
JP6907664B2 (ja) 非定常時系列データの予測に用いる方法及び装置
CN109165081B (zh) 基于机器学习的Web应用自适应资源配置方法
US10387788B2 (en) Graph based techniques for predicting results
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
CN112785005B (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN111667307B (zh) 一种理财产品销量的预测方法及装置
CN112819256A (zh) 一种基于注意力机制的卷积时序房价预测方法
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
US7392231B2 (en) Determining utility functions from ordenal rankings
CN114547446A (zh) 一种订单推送方法及系统
CN114692552A (zh) 一种三维芯片的布局方法、装置及终端设备
CN111310993A (zh) 一种基于多目标进化算法的项目配置方法、装置及系统
CN113869596A (zh) 任务预测处理方法、设备、产品和介质
Amini et al. A fuzzy MADM method for uncertain attributes using ranking distribution
CN113934929A (zh) 推荐方法及装置、电子设备
CN113205185A (zh) 网络模型优化方法、装置、计算机设备和存储介质
CN110795232A (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
KR101801965B1 (ko) 진화 시뮬레이션을 이용한 비즈니스 모델의 도출 및 평가 방법
CN118446815A (zh) 基于大模型和多目标投资优化方法装置、设备及存储介质
WO2024050824A1 (en) Oversubscription reinforcement learner
JP7384322B2 (ja) 予測モデル作成方法、予測方法、予測モデル作成装置、予測装置、予測モデル作成プログラム、予測プログラム
US20230259510A1 (en) Equilibrium solution searching method and information processing apparatus

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619