NSGA算法股票投资组合

1. 怎样计算最佳投资组合中个股票的权重

E(R) = Rf + beta * [E(R)-Rf] // 预期收益等于无风险收益加上风险溢价
= 5% + beta * 6%

其中，
beta(portfolio) = w_a * beta_a + w_b * beta_b // 投资组合的beta等于每种资产的beta按照其市值权重累加之和

lz的题目里没有给出两种股票的价值权重w_a, w_b。如果我们假定投资组合中两种股票的市值相等，w_a=w_b=0.5, 则

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

2. 股票投资组合值的计算

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

3. 投资组合的贝塔值计算

投资组合的贝塔是各个股票的贝塔的加权平均，具体地
投资组合贝塔=1×20%+20×10%+91×30%+52×40%=50.3
你再核对一下四个股票的贝塔，怎么会到20、91、52这么大？一般来说，贝塔大于2就算是波动很大的股票了。计算方法同上，供参考。

4. 你好。看到你的提问，我也遇到同样的问题。我做的是条件极值方法及其应用，能把你的给我参考下吗

近年来,对NP难的组合优化问题寻求高效的解决方法已成为优化领域的一个极具挑战性的研究课题。除了传统的运筹学方法,现代启发式方法正在得到越来越多的研究人员的关注和重视,已经广泛地应用于基础研究和实际工程领域。现有的大多数启发式方法,如进化算法、人工生命、模拟退火算法和禁忌算法等,都是从生物进化、统计物理和人工智能等领域发展而来。 极值动力学优化算法(Extremal Optimization,EO)是近年来出现的一种新颖的、通用的、基于局部搜索的启发式方法,该方法是从统计物理学发展而来。众所周知,模拟退火算法(Simulated An-nealing,SA)是模拟系统处于平衡态的一种优化方法,与SA不同的是,EO算法的理论基础建筑在Bak-Sneppen生物进化模型之上,该模型模拟处于远离平衡态的系统,具备自组织临界性(Self-Organized Criti-cality,SOC)。SOC是指不管系统处于何种初始状态,不需要调整任何参数,整个系统就可以演化到一个自组织临界状态,在该状态下,系统呈现出幂律分布(Power-law)。遗传算法通过对交配池中的所有可能解实施选择、杂交和变异等遗传操作来达到寻优的目的,而EO算法总是不断地变异近似解的最差组成部分(即所谓的极值动力学机制)来达到寻优的目的。正是这种内在的极值动力学机制,使得EO具备很强的爬山能力,尤其在求解带有相变点(Phase transitions)的组合优化问题时EO更是展现出强大的优势。EO算法的特点是收敛速度快,局部搜索能力强,只有变异算子,无可调参数(对于基本EO算法)或只有一个可调参数τ(对于τ-EO算法)。目前EO算法已经被成功地应用于求解一些NP难的组合优化问题,如二分图,旅行商问题,图着色,旋转玻璃和动态组合优化问题。但是,国外对于EO算法在数值优化和多目标优化问题方面的研究并不多,国内学者对EO算法的研究更少之甚少。 本文主要研究求解无约束或带约束数值优化问题的EO算法,并将求解单目标优化问题的EO算法扩展到多目标优化领域。本文的主要工作包括: (1)本文从分析EO算法的机理入手,提出了一种求解约束连续优化问题的新算法――带自适应Le′vy变异的基于种群的EO算法(PEO),通过求解6个经典的约束连续优化问题,实验结果证实了PEO能与3种流行的优化算法相匹敌,不失为一种求解数值约束优化问题的有效方法。 (2)为了弥补标准粒子群算法容易陷入局部极值点的不足,本文提出了一种新颖的混合粒子群-极值动力学优化算法(PSO-EO),该算法有效地结合了PSO的全局搜索能力和EO的局部搜索能力,使得标准PSO算法可以跳出局部极值点,从而弥补了标准PSO算法的不足。迄今为止,还没有文献提出将EO和PSO结合起来的优化算法。通过求解6个经典的复杂单峰/多峰函数,PSO-EO算法被证实了具有避免早熟收敛的特点,是一种求解复杂数值优化问题的有效算法。 (3)由于EO算法只有变异操作,因此,变异算子对EO算法的性能好坏起到了重要作用。本文将高斯变异和柯西变异有效地结合起来,提出了一种新颖的适合于求解数值优化问题的变异算子――混合高斯-柯西变异,该算子将“粗调”和“微调”很好地结合起来,并且省去了决定何时在不同变异之间进行切换的麻烦。 (4)本文将基于Pareto支配概念的适应度评价方法引入到EO,提出了一种新颖的多目标极值动力学优化方法(Multiobjective Extremal Op-timization,MOEO),使EO算法成功地扩展到多目标优化领域。接着,用MOEO算法解决了多目标连续优化问题(包括无约束问题和带约束问题),实验结果表明MOEO非常适合于求解多目标连续优化问题,能够与3种经典的多目标进化算法(即NSGA-II,SPEA2和PAES)相匹敌。最后,提出了一种适合于求解多目标0/1背包问题的MOEO算法。实验结果表明MOEO算法具有快速的收敛能力和良好的多样化性能,具有与3种经典的多目标进化算法(即NSGA,SPEA和NPGA)相竞争的优势。 (5)本文利用MOEO算法解决了4个经典的机械组件设计问题。实验结果表明:MOEO算法找到的非劣解集在收敛性和多样性方面有着良好的性能,能够与3种经典的多目标进化算法(NSGA-II,SPEA2和PAES)相匹敌。因此,MOEO算法是一个能解决实际工程优化问题的行之有效的方法。 (6)本文将MOEO算法应用于求解5个经典的股票投资组合优化问题。实验结果表明:MOEO找到的近似Pareto前沿具有良好的收敛性能和多样化性能,能够与算法NSGA-II和SPEA2相匹敌,比PAES更优。因此,MOEO算法是一个能解决实际管理决策优化问题的有效方法。

5. 股票投资组合收益率按等权和加权（流通市值为权重）分别算其风险（标准差），哪个标准差大

组合收益率的风险当然要用加权的啊，除非你的投资没有轻重，通通一样。标差大小不一定啊，当你权重的亏得多加权法大，权轻的亏得多等权的大。
股市指数干吗要加权啊，就这道理。

6. 三种股票投资组合风险计算

整个投资组合的方差 =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

三个股票的投资组合方差=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的协方差+2*w1*w3*股票1和3的协方差+2*w2*w3*股票2和3的协方差

7. 请问股票指数基金投资组合分配比例是怎么计算出的基金新人

是按你投资债券基金（或股票基金）占总投资的比例来算的。比如你拿出10万购买基金，其中3万买债券基金，7万买股票基金，那么投资比例就是“30%的债券指数基金和70%的股票指数基金”。

基金按投资风险大小共分为四种，货币性、债券型、混合型、股票型，这四种基金的风险是依次增大的，收益与风险一般是成正比。也就是货币基金风险最小，收益也最小。股票基金风险最大，收益也最大。按你说的“30%的债券指数基金和70%的股票指数基金”投资比例来看，股票基金比例偏高，风险很高，适合稳健型或成长型基民。

8. 怎样计算由10支股票组成的投资组合收益率的标准差

用户需要按照这10只股票的投资持仓占比，分别计算每只股票收益率的加权收益贡献（即股票收益率乘以股票持仓占比），然后将这些数据进行标准差的计算。