人工智能系列（二）：人工智能再出发，次优理论下的组合配置与策略构建-浙商证券-20191018
由qxiao创建，最终由qxiao 被浏览 118 用户
摘要
优化问题是金融中基础、不可避免的问题，从均值方差的二次规划开始，优化问题已经深入到金融领域的方方面面，从大类资产配置到组合优化、从理论模型下的效用最大化再到实战模型的参数优化，都用到优化技术。而很多优化问题较为复杂，非凸、不连续、不可导、高维、随机、约束过多等问题给数值计算带来困扰，本文提出次优理论并且介绍差分进化算法，通过展示差分进化算法的良好效果，希望给广大投资者的量化建模带来一丝启示。本文方法对组合优化、大类配置、FOF 组合构建、智能投顾等领域都会有所帮助。
次优战胜最优作者在长期建模的经验中斗胆提出金融次优理论，其实金融没有次优理论，运筹学也没有，只有福利经济学中有过次优理论的描述，文中提出的次优理论和经济学中的次优理论有一点类似，我们把这个概念借来。其实很简单：当期优化的最优解不一定是下一期的最优，而样本内的次优在样本外可能战胜样本内的最优。所以，从金融投资角度看，优化问题下的最优解不一定是我们想要的，因为我们的目标是获得较好的样本外收益表现。
差分进化算法差分进化 Differential Evolution（DE）由 Storn 等人于 1995 年提出，和其它演化算法一样，DE 是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。但相比于遗传算法，DE 保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE 特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和稳健性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂优化问题。
组合构建与回测我们构建了两个组合，第一个是利用各类指数构建一个季度调仓的组合，回测显示，14 年以来，组合年化收益 15%以上，同期沪深 300 年化 9.64%, 如果配合我们之前 AI 下的指数增强策略，年化超额收益可达 10%左右。鉴于近年来货基收益下降，且互联网平台 FOF 组合兴起，我们构建第二个组合——货币基金收益增强组合，随机选取货币型、短债以及一级债基进行回测，结果显示，该组合年化收益 4%以上，且可以做到年度调仓，近两年来最大回撤在 0.5%以下。最小风险组合回测(季度调仓)： 货币基金收益增强组合(年度调仓)
正文
/wiki/static/upload/83/83994ea8-440c-4d56-be61-51b30295509c.pdf
\