NSGA演算法股票投資組合

1. 怎樣計算最佳投資組合中個股票的權重

E(R) = Rf + beta * [E(R)-Rf] // 預期收益等於無風險收益加上風險溢價
= 5% + beta * 6%

其中，
beta(portfolio) = w_a * beta_a + w_b * beta_b // 投資組合的beta等於每種資產的beta按照其市值權重累加之和

lz的題目里沒有給出兩種股票的價值權重w_a, w_b。如果我們假定投資組合中兩種股票的市值相等，w_a=w_b=0.5, 則

E(R) = 5% + (0.5 * 2 + 0.5 * 1.2) * 6% = 14.6%

2. 股票投資組合值的計算

20%*1.2+10%0.9+30%1.5+40%*2=0.24+0.09+0.5+0.8=1.63

3. 投資組合的貝塔值計算

投資組合的貝塔是各個股票的貝塔的加權平均，具體地
投資組合貝塔=1×20%+20×10%+91×30%+52×40%=50.3
你再核對一下四個股票的貝塔，怎麼會到20、91、52這么大？一般來說，貝塔大於2就算是波動很大的股票了。計算方法同上，供參考。

4. 你好。看到你的提問，我也遇到同樣的問題。我做的是條件極值方法及其應用，能把你的給我參考下嗎

近年來,對NP難的組合優化問題尋求高效的解決方法已成為優化領域的一個極具挑戰性的研究課題。除了傳統的運籌學方法,現代啟發式方法正在得到越來越多的研究人員的關注和重視,已經廣泛地應用於基礎研究和實際工程領域。現有的大多數啟發式方法,如進化演算法、人工生命、模擬退火演算法和禁忌演算法等,都是從生物進化、統計物理和人工智慧等領域發展而來。 極值動力學優化演算法(Extremal Optimization,EO)是近年來出現的一種新穎的、通用的、基於局部搜索的啟發式方法,該方法是從統計物理學發展而來。眾所周知,模擬退火演算法(Simulated An-nealing,SA)是模擬系統處於平衡態的一種優化方法,與SA不同的是,EO演算法的理論基礎建築在Bak-Sneppen生物進化模型之上,該模型模擬處於遠離平衡態的系統,具備自組織臨界性(Self-Organized Criti-cality,SOC)。SOC是指不管系統處於何種初始狀態,不需要調整任何參數,整個系統就可以演化到一個自組織臨界狀態,在該狀態下,系統呈現出冪律分布(Power-law)。遺傳演算法通過對交配池中的所有可能解實施選擇、雜交和變異等遺傳操作來達到尋優的目的,而EO演算法總是不斷地變異近似解的最差組成部分(即所謂的極值動力學機制)來達到尋優的目的。正是這種內在的極值動力學機制,使得EO具備很強的爬山能力,尤其在求解帶有相變點(Phase transitions)的組合優化問題時EO更是展現出強大的優勢。EO演算法的特點是收斂速度快,局部搜索能力強,只有變異運算元,無可調參數(對於基本EO演算法)或只有一個可調參數τ(對於τ-EO演算法)。目前EO演算法已經被成功地應用於求解一些NP難的組合優化問題,如二分圖,旅行商問題,圖著色,旋轉玻璃和動態組合優化問題。但是,國外對於EO演算法在數值優化和多目標優化問題方面的研究並不多,國內學者對EO演算法的研究更少之甚少。 本文主要研究求解無約束或帶約束數值優化問題的EO演算法,並將求解單目標優化問題的EO演算法擴展到多目標優化領域。本文的主要工作包括: (1)本文從分析EO演算法的機理入手,提出了一種求解約束連續優化問題的新演算法――帶自適應Le′vy變異的基於種群的EO演算法(PEO),通過求解6個經典的約束連續優化問題,實驗結果證實了PEO能與3種流行的優化演算法相匹敵,不失為一種求解數值約束優化問題的有效方法。 (2)為了彌補標准粒子群演算法容易陷入局部極值點的不足,本文提出了一種新穎的混合粒子群-極值動力學優化演算法(PSO-EO),該演算法有效地結合了PSO的全局搜索能力和EO的局部搜索能力,使得標准PSO演算法可以跳出局部極值點,從而彌補了標准PSO演算法的不足。迄今為止,還沒有文獻提出將EO和PSO結合起來的優化演算法。通過求解6個經典的復雜單峰/多峰函數,PSO-EO演算法被證實了具有避免早熟收斂的特點,是一種求解復雜數值優化問題的有效演算法。 (3)由於EO演算法只有變異操作,因此,變異運算元對EO演算法的性能好壞起到了重要作用。本文將高斯變異和柯西變異有效地結合起來,提出了一種新穎的適合於求解數值優化問題的變異運算元――混合高斯-柯西變異,該運算元將「粗調」和「微調」很好地結合起來,並且省去了決定何時在不同變異之間進行切換的麻煩。 (4)本文將基於Pareto支配概念的適應度評價方法引入到EO,提出了一種新穎的多目標極值動力學優化方法(Multiobjective Extremal Op-timization,MOEO),使EO演算法成功地擴展到多目標優化領域。接著,用MOEO演算法解決了多目標連續優化問題(包括無約束問題和帶約束問題),實驗結果表明MOEO非常適合於求解多目標連續優化問題,能夠與3種經典的多目標進化演算法(即NSGA-II,SPEA2和PAES)相匹敵。最後,提出了一種適合於求解多目標0/1背包問題的MOEO演算法。實驗結果表明MOEO演算法具有快速的收斂能力和良好的多樣化性能,具有與3種經典的多目標進化演算法(即NSGA,SPEA和NPGA)相競爭的優勢。 (5)本文利用MOEO演算法解決了4個經典的機械組件設計問題。實驗結果表明:MOEO演算法找到的非劣解集在收斂性和多樣性方面有著良好的性能,能夠與3種經典的多目標進化演算法(NSGA-II,SPEA2和PAES)相匹敵。因此,MOEO演算法是一個能解決實際工程優化問題的行之有效的方法。 (6)本文將MOEO演算法應用於求解5個經典的股票投資組合優化問題。實驗結果表明:MOEO找到的近似Pareto前沿具有良好的收斂性能和多樣化性能,能夠與演算法NSGA-II和SPEA2相匹敵,比PAES更優。因此,MOEO演算法是一個能解決實際管理決策優化問題的有效方法。

5. 股票投資組合收益率按等權和加權（流通市值為權重）分別算其風險（標准差），哪個標准差大

組合收益率的風險當然要用加權的啊，除非你的投資沒有輕重，通通一樣。標差大小不一定啊，當你權重的虧得多加權法大，權輕的虧得多等權的大。
股市指數干嗎要加權啊，就這道理。

6. 三種股票投資組合風險計算

整個投資組合的方差 =0.3*0.3*100+0.3*0.3*144+0.4*0.4*169+2*0.3*0.3*120+2*0.3*0.4*130+2*0.3*0.4*156 = 139.24

三個股票的投資組合方差=w1*w1*股票1的方差+w2*w2*股票2的方差+w3*w3*股票3的方差+ 2*w1*w2*股票1和2的協方差+2*w1*w3*股票1和3的協方差+2*w2*w3*股票2和3的協方差

7. 請問股票指數基金投資組合分配比例是怎麼計算出的基金新人

是按你投資債券基金（或股票基金）占總投資的比例來算的。比如你拿出10萬購買基金，其中3萬買債券基金，7萬買股票基金，那麼投資比例就是「30%的債券指數基金和70%的股票指數基金」。

基金按投資風險大小共分為四種，貨幣性、債券型、混合型、股票型，這四種基金的風險是依次增大的，收益與風險一般是成正比。也就是貨幣基金風險最小，收益也最小。股票基金風險最大，收益也最大。按你說的「30%的債券指數基金和70%的股票指數基金」投資比例來看，股票基金比例偏高，風險很高，適合穩健型或成長型基民。

8. 怎樣計算由10支股票組成的投資組合收益率的標准差

用戶需要按照這10隻股票的投資持倉佔比，分別計算每隻股票收益率的加權收益貢獻（即股票收益率乘以股票持倉佔比），然後將這些數據進行標准差的計算。