[發(fā)明專利]一種面向不確定規(guī)劃問題的求解方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810122223.3
• 申請(qǐng)日: 2018-02-07
• 公開（公告）號(hào): CN108492185A
• 公開（公告）日: 2018-09-04
• 發(fā)明（設(shè)計(jì)）人: 劉軼;陳惠粉;姚峰;張毅明;陸忠華;李晨;孫冉;李志恒
• 申請(qǐng)（專利權(quán)）人: 國網(wǎng)河南省電力公司;國家電網(wǎng)公司;中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心
• 主分類號(hào): G06Q40/06
• 分類號(hào): G06Q40/06;G06N3/08
• 代理公司: 北京億騰知識(shí)產(chǎn)權(quán)代理事務(wù)所 11309
• 代理人: 陳霽

本發(fā)明提供了一種面向不確定規(guī)劃問題的求解方法及系統(tǒng)，屬于高性能計(jì)算技術(shù)領(lǐng)域，方法包括步驟A，根據(jù)各產(chǎn)品的預(yù)測(cè)收益率對(duì)第一數(shù)目個(gè)種群個(gè)體的屬性向量進(jìn)行初始化，步驟B、根據(jù)神經(jīng)網(wǎng)絡(luò)模型和各種群個(gè)體的屬性向量確定各種群個(gè)體的模糊收益率期望值和模糊條件風(fēng)險(xiǎn)價(jià)值，步驟C、根據(jù)約束處理算法、以及各種群個(gè)體的模糊收益率期望值和模糊條件風(fēng)險(xiǎn)價(jià)值確定各種群個(gè)體的目標(biāo)值，步驟D，根據(jù)各種群個(gè)體的目標(biāo)值和評(píng)價(jià)算法確定各種群個(gè)體的適應(yīng)度，步驟E，判斷種群的迭代次數(shù)是否達(dá)到預(yù)設(shè)閾值，如果是，執(zhí)行步驟F，否則，更新各種群個(gè)體的屬性向量并返回步驟B，步驟F，確定各種群個(gè)體中適應(yīng)度最高的目標(biāo)種群個(gè)體。采用本發(fā)明，可以提高求解效率。

技術(shù)領(lǐng)域

本發(fā)明涉及高性能計(jì)算技術(shù)領(lǐng)域，特別涉及一種面向不確定規(guī)劃問題的求解方法及系統(tǒng)。

背景技術(shù)

在金融市場(chǎng)中，風(fēng)險(xiǎn)與收益相伴而生，投資者如何科學(xué)合理地選擇投資產(chǎn)品，構(gòu)造最優(yōu)的投資組合，同時(shí)，又能避免投資風(fēng)險(xiǎn)，追求投資收益最大化是每個(gè)投資者必須解決的問題。近年來，隨著現(xiàn)代金融理論和信息技術(shù)的發(fā)展，許多國內(nèi)外學(xué)者提出了一系列的投資組合模型，例如，均值-方差模型、均值-風(fēng)險(xiǎn)價(jià)值模型、均值-CVaR(Conditional Value AtRisk條件風(fēng)險(xiǎn)價(jià)值)模型等。其中，均值-CVaR模型由于其測(cè)量精度高等優(yōu)點(diǎn)，成為應(yīng)用最為廣泛的投資組合模型之一。

同時(shí)，金融市場(chǎng)也是一個(gè)極為復(fù)雜的系統(tǒng)，具有隨機(jī)性和模糊性。因此，需要將模糊性考慮到投資組合模型的構(gòu)建之中，基于此，在均值-CVaR模型基礎(chǔ)上，人們將投資產(chǎn)品的收益率定義為模糊變量、采用模糊CVaR作為風(fēng)險(xiǎn)度量指標(biāo)、模糊收益率期望作為投資組合收益，構(gòu)建更加貼近現(xiàn)實(shí)投資場(chǎng)景的模糊均值-CVaR投資組合模型。

現(xiàn)有技術(shù)中，由于模糊均值-CVaR模型包含模糊變量，無法通過傳統(tǒng)的數(shù)學(xué)方法求解投資組合中各投資產(chǎn)品的最優(yōu)權(quán)重。因此，一些國內(nèi)外學(xué)者通過采用傳統(tǒng)遺傳算法和模糊模擬算法相結(jié)合的方式來進(jìn)行求解。

然而，基于現(xiàn)有技術(shù)，采用傳統(tǒng)遺傳算法和模糊模擬算法求解投資組合中各投資產(chǎn)品的最優(yōu)權(quán)重的過程中，傳統(tǒng)遺傳算法和模糊模擬算法的迭代步數(shù)較多、耗時(shí)較長(zhǎng)，導(dǎo)致求解效率較低。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的問題，本發(fā)明實(shí)施例提供了一種面向不確定規(guī)劃問題的求解方法及系統(tǒng)。所述技術(shù)方案如下：

第一方面，提供了一種面向不確定規(guī)劃問題的求解方法，所述方法包括：

步驟A、根據(jù)目標(biāo)投資組合中各投資產(chǎn)品的預(yù)測(cè)收益率，對(duì)遺傳算法中第一預(yù)設(shè)數(shù)目個(gè)種群個(gè)體的屬性向量進(jìn)行初始化，所述屬性向量包括所述目標(biāo)投資組合中各投資產(chǎn)品的權(quán)重和預(yù)測(cè)收益率的模糊值；

步驟B、根據(jù)預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型和各種群個(gè)體的屬性向量，確定所述各種群個(gè)體的模糊收益率期望值和模糊條件風(fēng)險(xiǎn)價(jià)值；

步驟C、根據(jù)預(yù)設(shè)的約束處理算法、以及所述各種群個(gè)體的模糊收益率期望值和模糊條件風(fēng)險(xiǎn)價(jià)值，確定所述各種群個(gè)體的目標(biāo)值；

步驟D、根據(jù)所述各種群個(gè)體的目標(biāo)值和預(yù)設(shè)的評(píng)價(jià)算法，確定所述各種群個(gè)體的適應(yīng)度；

步驟E、判斷所述種群的迭代次數(shù)是否達(dá)到預(yù)設(shè)閾值，如果是，則執(zhí)行步驟F，否則，更新當(dāng)所述各種群個(gè)體的屬性向量，并返回步驟B；

步驟F、確定所述各種群個(gè)體中適應(yīng)度最高的目標(biāo)種群個(gè)體，并輸出所述目標(biāo)種群個(gè)體對(duì)應(yīng)的各投資產(chǎn)品的權(quán)重。

可選的，所述方法還包括：

獲取所述各投資產(chǎn)品在每個(gè)統(tǒng)計(jì)周期中的交易數(shù)據(jù)集合，所述交易數(shù)據(jù)集合包含多個(gè)交易參數(shù)的參數(shù)值；

針對(duì)每個(gè)投資產(chǎn)品，根據(jù)該投資產(chǎn)品對(duì)應(yīng)的各交易數(shù)據(jù)集合，分別確定各交易參數(shù)在每個(gè)交易數(shù)據(jù)集合中的收益率；