基于捕食策略的粒子群算法求解投资组合问题

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (6): 253-256.

基于捕食策略的粒子群算法求解投资组合问题

刘冬华，甘若迅，樊锁海，杨明华

暨南大学信息科学技术学院数学系，广州 510632

出版日期:2013-03-15 发布日期:2013-03-14

Particle Swarm Optimization based on Predatory Search for portfolio investment

LIU Donghua, GAN Ruoxun, FAN Suohai, YANG Minghua

Department of Mathematics, School of Information Science and Technology, Jinan University, Guangzhou 510632, China

Online:2013-03-15 Published:2013-03-14

摘要/Abstract

摘要： 通过分析中国证券市场现实投资环境和实际特点，建立了一个考虑完整费用的证券投资组合模型。针对标准粒子群算法容易陷入局部最优和搜索精度不高的缺点，提出了基于捕食策略的粒子群算法，将其用于求解投资组合模型。捕食搜索策略可以通过调节限制级别来控制粒子群的搜索空间，从而平衡全局搜索和局部搜索。通过实例分析验证了算法的有效性。

关键词: 捕食搜索策略, 粒子群算法, 投资组合模型

Abstract: A portfolio investment model considering the complete trade expenses is built through analyzing the actual investment environment and characteristic. For the weakness that the standard Particle Swarm Optimization easily falls into local optimum and search precision faults, the Particle Swarm Optimization based on Predatory Search is raised to solve the portfolio investment model. Predatory search strategy can control the search space of the particle swarm through adjusting the level of restriction. Thereby, the global search and local search can be balanced. The algorithm is proven effective through an empirical analysis.

Key words: predatory search strategy, Particle Swarm Optimization（PSO）, portfolio investment

刘冬华，甘若迅，樊锁海，杨明华. 基于捕食策略的粒子群算法求解投资组合问题[J]. 计算机工程与应用, 2013, 49(6): 253-256.

LIU Donghua, GAN Ruoxun, FAN Suohai, YANG Minghua. Particle Swarm Optimization based on Predatory Search for portfolio investment[J]. Computer Engineering and Applications, 2013, 49(6): 253-256.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.