本报告基于Chen等2017年文献,提出利用遗传算法对股票价格序列进行分组优化,通过符号聚合近似(SAX)与扩展符号聚合近似(ESAX)对时间序列降维处理,设计了基于稳定性因子、组平衡度、单位平衡度和价格平衡度的混合适应度函数,实现股票组合的多指标优化。实证结果显示,提出的方法在提高组合股票价格序列相似性和替代性方面优于传统算法,投资回报率稳定且模型在实际台湾市场数据上具有较好适用性 .
| 方法 | 训练期平均ROI(2012-2013) | 测试期平均ROI(2014) |
|---|---|---|
| Previous Approach | 1.639 | -0.027 |
| Proposed Approach (f1)+SAX | 0.765 | 0.169 |
| Proposed Approach (f1)+ESAX | 1.05 | 0.148 |
| Proposed Approach (f2)+SAX | 0.899 | 0.179 |
| Proposed Approach (f2)+ESAX | 0.801 | 0.15 |
| Benchmark | 0.317 | 0.108 |
核心论点与主旨:
报告围绕Chen, Chun-Hao和Chih-Hung Yu(2017)发表的论文《A Series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate approximations》展开研究,介绍一种基于分组遗传算法(GGA)和时间序列降维技术(SAX和ESAX),优化股价相似的股票组合(GSP)。该策略致力于提升投资组合收益率(ROI)和组合股票价格间的相似性,解决现有投资组合优化中股票价格相异导致替代股票需求难以满足的问题。报告重点强调方法创新点,包括设计现金股利稳定因子、单位平衡度和价格平衡度,以及基于符号序列的距离因子,进一步提高组合质量和实用性。
最终结果显示,基于SAX的GSP方法在收益率方面略优,ESAX方法则在组合相似性上表现更佳,从而为投资者提供更具操作性的组合配置选项。,2,6,10,18,24,25]
引言: 报告指出市场中资产与基金分类的重要性,强调基于业绩走势和资产相关性的分类有助于寻找替代资产,这对存在“部分资产不可购买”限制的投资者尤为关键。报告推荐的研究为投资组合优化提供了理论基础,通过遗传算法实现股票价格相似性分组,方便替代选择。,2]
研究背景(第二章第一节):
金融市场多变量影响投资决策,衡量投资组合质量的两个核心量化指标是风险价值(VaR)和投资回报率(ROI)。传统基于均值-方差(M-V)模型的组合优化已较广泛研究,但难保证同组股票价格序列相似,限制了实际操作的便利性。
过去提出基于分组遗传算法(GGA)的股票组合筛选方法,目标是将股票分成相似股票组,设置组平衡度和组合满意度评判标准,通过遗传操作寻找最优分组组合,从而支持替代股票选择。
相关工作综述(第二章第二小节):
文中系统梳理了多种基于遗传算法的单目标和多目标优化方法,比方说Chang等的启蒙遗传算法,Guo提出的基于模糊模拟遗传算法(FSGA),Bevilacqua的多目标GA等。还介绍了混合算法,如结合分类与优化的混合算法、考虑伦理和财务指标的多阶段决策框架。
然而,这些方法均侧重于单一股票组合输出,缺乏能够满足投资者需求的替代引入机制,而分组遗传算法恰好弥补了这一点。,3]
分组问题定义:
分组问题表述为集合对象的划分优化问题,分组遗传算法(GGA)编码中染色体包含分组情况和对象部分,例如“ACBBC:ABC”代表五个对象划分到三组。GGA的遗传操作设计为交叉(组切换)、变异(对象迁移组)和倒位(组顺序调整),与传统GA基因交换不同,确保多样性生成。,4]
符号聚合近似(SAX):
由于时间序列维度高,SAX通过先对序列做均值方差标准化,再用PAA(Piecewise Aggregate Approximation)分段求均值降维,最后基于预定断点转换为有限多符号。该方法提高了时间序列处理效率,符号表达还简洁,有助于计算序列距离。用实例详解SAX流程,辅助理解。
扩展符号聚合近似(ESAX):
SAX只用平均值进行符号映射,信息有限。ESAX扩展为每段用最大、最小和平均三个统计值分别映射符号并依时间顺序排列。此方式更丰富地保留段内信息,有助于更准确区分时间序列。图示与实例说明转换流程。相比SAX,ESAX可更精准反映时间序列形态。
染色体表示:
图3示意染色体包含分组部分(共有K组)与股票投资组合部分。分组部分表明股票的归属,投资组合部分则指定每组内选股的实际数量(bi)及购买单位(ui)。例如,大小为K的组部分和长度为n的股票部分联合编码允许灵活表达不同组合结构。
初始群体生成策略:
选用股票现金股利率作为初始群体质量的判据,现金股利率稳定的股票被视为风险较低表现优异,优先纳入初始分组。以QCI和TWM为例,示范现金股利率计算,通过表1和表2归纳现金股利收益率,用于初始聚类实现更合理的启动点。,7]
适应度函数设计:
设计了以投资组合满意度(PS)为核心的复合适应度函数,引入稳定性因子(基于现金股利标准化方差减少训练期损失)、组平衡度GB保证股票组内数量均衡、单位平衡度UB约束购买单位分布、价格平衡度PB保证同组股票价格均衡,以及序列距离SD评价同组股票价格序列的相似性。
其中,投资组合满意度结合收益(ROI)、风险、投资资本和购买数量的惩罚项,运用历史模拟估计风险。序列距离基于符号序列计算符号间的简单距离,总结出两个适应度函数f1和f2,分别侧重不同指标组合,允许基于实际需求调整和优化股票组合筛选效果。,9,10]
遗传操作详解:
采用三种遗传操作:交叉(组间替换)、突变(股票在组间迁移,购买决策变更)、倒位(交换组次序,拓展染色体多样性)。操作先后依托染色体的三个部分,有效维持多样性,确保算法的全局搜索能力。
算法伪代码清晰描述流程,从初始群体生成、转换符号序列、计算适应度、选择、遗传操作迭代至终止输出最优染色体。,11]
报告未涉及传统企业估值部分,而是将“估值”概念拓展到投资组合优化角度,采用遗传算法为核心的多目标优化框架对股票组合进行价值最大化。适应度函数通过权衡投资回报、风险、组内股票价格和数量均衡度等因素综合评估组合质量,算是一种智能估值(选择)方法。
基于两个适应度函数(f1兼顾利润与相似度,f2增加单位与价格平衡度)调整组合结构,体现内部估值权重设置的灵活性和优越性。实际价格平衡度和序列距离因子,可理解为组合估值时的约束和优化指导。,9,10,18-20]
报告未细化缓解措施,但整体采用多因子适应度和遗传多次迭代,客观提升了稳健性,避免单因素导致的风险。
本报告系统细致地解析并介绍了基于遗传算法结合符号聚合近似技术的股票组合优化方法,提出了一套针对股票价格序列相似性和投资组合实用性的创新算法体系。方法设计包含融合现金股利稳定性、组合内数量平衡、价格均衡等多因子适应度函数,运用交易历史数据和符号转换技术,有效提升了组内股票价格序列的相似度,实现替代股票灵活选择。
丰富的实证研究基于台湾股市31只股票的实际数据展开,比较了原始分组与优化后分组的表现。数据显示,本文提出的方案在组内价格序列相似度(SAX和ESAX距离指标)显著增加,说明优化效果优于传统方法。进一步,投资回报率(ROI)在保证组合相似性的同时实现了稳定且普遍优于基准和历史方法的成果,尤其在测试集表现尤为突出。图表和示例清晰阐释了算法的实现路径和操作细节。
报告中的图9-11直观反映了不同方案下组内股票价格序列的走势差异,验证提出遗传算法模型的实用价值。遗传算法操作及染色体编码设计科学,易于扩展与调整参数满足不同投资标准需求。
总体而言,此研究不仅深化了基于遗传算法的投资组合优化理论,亦有效解决了传统组合缺乏价格序列一致性和替代股票选择的实际难题。对投资者构建多样化、高相似度的股票组合提供了有力工具与理论支撑。
然而,模型应用存在市场环境适用性风险,投资者在结合国内市场具体情况时需谨慎。未来工作可以考虑引入模糊时间序列、自动参数调整等进一步提升模型效果。
Chen, Chun-Hao, and Chih-Hung Yu. "A series-based group stock portfolio optimization approach using the grouping genetic algorithm with symbolic aggregate approximations." Knowledge-Based Systems 125 (2017): 146-163. ,26]
综上所述,该报告呈现了一套理论与实证兼具,通俗易懂而又不失深度的股票组合优化方案,方法具备创新性与应用潜力,为金融量化研究及实务操作提供了有价值的参考。
“琢璞”系列报告之三十:基于遗传算法的股票分类和组合优化.pdf