基于机器学习的多目标投资组合优化

最大化的是预测的收益。摘要摘要:文章首先运用随机森林、RBF 神经网络和 BP 神经网络3种机器学习方法预测股票收盘价,使用历史数据和预测的收盘价计算投资组合的收益率均值、下半方差、偏度;然后,考虑交易成本、投资比例上下界约束和借贷约束,提出均值-下半方差-偏度多目标投资组合模型(M-SV-S)。该模型对应的优化问题属于非凸优化问题且求解困难,故首先将其转化为单目标优化模型,再运用差分进化算法进行求解。最后,选取上证 50 指数成分股作为样本进行实证分析,从收益率和索提诺比率等方面来对比 M-SV-S模型与等比例投资组合模型的投资表现。实证结果表明:在样本外窗口内,M-SV-S 模型的每日净收益率在 1%~4%之间、30 天的累计超额收益率超过 50%、索提诺比率大于0,投资绩效明显优于等比例投资组合模型。下半方差下半协方差矩阵投资组合的净收益率$r^_i$为预测收益，$c_i$为交易费, $r_f$为正收益率。投资组合的下半方差采用最小最大方法进行归一化消除量纲。只计算正收益。偏度投资组合的偏度（Skewness） 是描述投资组合收益分布形状的一种统计指标，用于衡量收益分布的对称性或

默认分类 · 01-13

TD3和DDPG

DDPG的网络结构：TD3的网络结构有Actor和两个Critic 和 目标Actor和两个Critic。交互用Actor，将五元组放入缓存。每一步只更新Actor和Critic的梯度。用目标网络和r计算目标Q值。目标Q值和Critic的Q值进行MSE。有两个Critic，所以做两次MSE。Actor每d步更新一次，Critic是次次更新。软更新目标网络。对比估计目标Q值，用两个网络。目标网络的Action加噪声。延迟更新Actor。

默认分类 · 01-08

Real-ESRGAN

一、介绍超分辨率(Super-Resolution)指通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程。通俗的说就是在保持原图像清晰度不变的前提下，将图像放大。使用深度学习模型进行超分已经是比较常用的手段，而且深度学习模型又一个好处，可以在数据增强的时候对数据进行退化处理，在超分的时候也可以做去模糊、去噪、去划痕等操作。 深度学习超分模型有几个里程碑：SRCNN > SRGAN > ESRGAN > Real-ESRGAN，SRCNN 和SRGAN 有些古老了，现在基本用不上， Real-ESRGAN是在ESRGAN的基础上做的升级，于是我们主要介绍Real-ESRGAN，用ESRGAN作为补充。ESRGAN 论文地址：http://arxiv.org/abs/1609.04802Real-ESRGAN论文地址： https://arxiv.org/abs/2107.10833v2代码地址：GitHub - oaifaye/dcm-denoise-SRESRGAN（1）提出新的backbone：RRDB(R

默认分类 · 01-07

DCGAN: 深度卷积生成对抗网络

什么是DCGANDCGAN将CNN和原始地GAN结合到一起，生成模型和判别模型都运用了深度卷积神经网络的生成对抗网络。DCGAN将CNN和GAN结合，奠定了之后几乎所有GAN的基本网络架构。 DCGAN极大地提升了原始GAN训练地稳定性和生成结果质量。DCGAN的改进之处：DCGAN的生成器和判别器都舍弃了CNN的池化层，判别器保留CNN的整体架构，生成器则是将卷积层替换成了反卷积层（ConvTranspose2d）。在判别器和生成器中使用了Batch Normalization（BN）层，这有助于处理初始化不良导致的训练问题，加速模型训练，提升了训练的稳定性。在生成器中除输出层使用Tanh（）激活函数，其余层全部使用ReLu激活函数。而在判别器中，除输出层外所有层都使用LeakyReLu激活函数，防止梯度稀疏。这一点已在基础GAN中使用。DCGAN整体架构：第一步应该是通过一个线性层进行了映射。生成器G的结构判别器D的结构

默认分类 · 01-07

预测肽-蛋白相互作用

多肽及其衍生物具有作为治疗药物的潜力。美国FDA批准率的提高证明了人们对开发肽类药物的兴趣。为了确定最潜在的肽，肽-蛋白相互作用（PepPIs）的研究是一个非常重要的方法，但带来了相当大的技术挑战。在实验方面，peppi的瞬态性质和肽的高灵活性导致了提高成本和低效率。传统的对接和分子动力学模拟方法需要大量的计算资源，其结果的预测精度仍然不理想。结果：为了解决这一差距，我们提出了一种基于Transformer的PepPI模型TPepPro为了解决这一差距，我们提出了TPepPro，一种基于变压器的PepPI预测模型。我们在一个包含19,187对具有序列和结构特征的肽-蛋白复合物的数据集上训练了TPepPro。TPepPro采用了一种将局部蛋白质序列特征提取与全局蛋白质结构特征提取相结合的策略。此外，TPepPro在BN-ReLU排列中优化了结构特征神经网络的结构，显著减少了PepPIs预测所需的计算资源量。通过对比分析，TPepPro的准确率达到了0.855，与第二优的模型TAGPPI相比，提高了8.1%。TPepPro的AUC为0.922，超过了以0.844命名的第二好的型号TAGPP

默认分类 · 01-07
2025 不知名站点. All Rights Reserved.
Theme Jasmine by Kent Liao
新增