简介:投资者进行投资实践时无不面临着背景风险。绝大多数以均值方差为框架的投资组合并没有考虑背景风险,其效用在实际应用中容易受到背景风险的影响。本文在含有交易费用的双目标函数模型中引入背景风险,从是否含有背景风险和背景风险偏好度大小两方面对投资组合问题展开研究,并使用智能算法得到模型的最优解,对模型进行实证分析。实证结果表明:1)当背景风险收益为0时,含有背景风险的投资组合比不含有背景风险的投资组合更能反映真实的投资环境。2)当背景风险收益不为0时,含有背景风险的投资组合比不含有背景风险的投资组合得到更高的收益。因此,考虑背景风险后投资组合的构建优于不考虑背景风险投资组合的构建。
简介:本文研究的是多目标随机结盟对策的问题,是将单目标的随机结盟对策的ZS-值拓展到多目标的随机结盟对策上,同时考虑了局中人对不同目标的偏好程度,从而,给出了多目标随机结盟对策的ZS-值的定义,并讨论了该值的性质及定理。
简介:在对偶单纯形方法的基础上,提出了线性规划的目标函数最速递减算法.它避开求初始可行基或初始基,以目标函数全局快速递减作为选基准则,将选基过程与换基迭代合二为一,从而大大减少了迭代次数.数值算例显示了该算法的有效性和优越性.
简介:针对多目标0-1规划问题,首先基于元胞自动机原理和人工狼群智能算法,提出一种元胞狼群优化算法,该算法将元胞机的演化规则与嚎叫信息素更新规则、人工狼群更新规则进行组合,采用元胞及其邻居来增强搜索过程的多样性和分布性,使人工头狼在元胞空间搜索的过程中,增强了人工狼群算法的全局搜索能力,并获得更多的全局非劣解;其次结合多目标0-1规划模型对元胞狼群算法进行了详细的数学描述,定义了人工狼群搜索空间、移动算子、元胞演化规则和非劣解集更新规则,并给出了元胞狼群算法的具体实现步骤;最后通过MATLAB软件对3个典型的多目标0—1规划问题算例进行解算,并将解算结果与其它人工智能算法的结果进行比较,结果表明:元胞狼群算法在多目标0-1规划问题求解方面可获得更多的非劣解集和更优的非劣解,并具有较快的收敛速度和较好的全局寻优能力。
简介:为解决以往上市公司集成评价模型中各方法评价结果不一致问题,本文构建了改进集成评价模型。该模型先采用层次分析法、灰色关联度法、因子分析法进行评价,并运用KENDALL-W协和系数法对各评价结果进行事前一致性检验;通过检验后,再分别运用算术平均组合评价模型、Borda组合评价模型和Copeland组合评价模型进行组合评价。为了衡量组合评价与各评价方法的评价结果是否吻合,应用Spearman等级相关系数进行组合评价方法的事后检验,并根据Spearman等级相关系数的大小,选出最优的组合评价方法。最后,对中国26家上市运输公司财务绩效进行了集成评价的实证研究,并以算术平均组合评价模型的标准得分为聚类指标,采用欧氏距离法对26家上市运输公司进行聚类。结果显示:铁路、水路、公路运输各存在一个典型绩优企业,分别是:铁龙物流、北京传媒、海峡股份,四类上市运输公司中铁路上市公司财务绩效最优。