Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Các thuật toán thích nghi để tối đa hóa lợi nhuận cổ phiếu tổng thể
Tóm tắt
Việc quyết định mua cổ phiếu nào và cách phân bổ tối ưu tổng số vốn đầu tư giữa chúng là một nhiệm vụ không đơn giản đối với mỗi nhà đầu tư. Trong bài viết này, chúng tôi đề xuất hai kỹ thuật thích nghi có khả năng cung cấp một phân bổ tối ưu nhằm tối đa hóa lợi nhuận trong suốt thời gian đầu tư. Phương pháp đầu tiên là phương pháp năng lực thích nghi (PM) được sửa đổi từ phương pháp phân rã chính tắc (proper orthogonal decomposition method). Phương pháp PM thích nghi chỉ sử dụng thông tin hiện có để tính toán các phân bổ tối ưu, tuy nhiên, giải pháp lâu dài của nó tiếp cận được giải pháp trị riêng chiếm ưu thế, mặc dù giải pháp ấy đòi hỏi phải có kiến thức trước về hiệu suất của tất cả các cổ phiếu. Phương pháp thứ hai được phát triển từ phương pháp bình phương tối thiểu (Least Mean Square - LMS) nổi tiếng, trong đó phân bổ tối ưu có thể được tính toán bằng cách điều chỉnh thích nghi lợi nhuận tổng thể hướng tới một giá trị mong muốn. Các kết quả thử nghiệm đã chỉ ra những lợi ích hứa hẹn ngay cả khi xu hướng chung của thị trường đang suy giảm.
Từ khóa
#thuật toán thích nghi #lợi nhuận cổ phiếu #phân bổ đầu tư #phương pháp năng lực #bình phương tối thiểuTài liệu tham khảo
Alexander C.: Market Model: A Guide to Financial Data Analysis. Wiley, London (2001)
Bach A.D., Weigend A.S.: A first application of independent component analysis to extracting structure from stock returns. Int. J. Neural Syst. 8(N5), 473–484 (1997)
Berkooz G., Holmes P., Lumley J.L.: Proper orthogonal decomposition in the analysis of turbulent flow. Annu. Rev. Fluid Mech. 25(N5), 539–575 (1993)
Black F., Myron S.: The pricing of options and corporate liabilities. J. Political Econ. 81(3), 637–654 (1973)
Boyle P.P.: Options: a Monte Carlo approach. J. Financ. Econ. 4, 323–338 (1977)
Brummelhuis R., Cordoba A., Quintanilla M., Seco L.: Principal component value at risk. Math. Financ. 12(1), 23–43 (2002)
Haykin S., Widrow B.: Least-Means Squares Adaptive Filters. Wiley, London (2004)
Hilai R., Rubinstein J.: Recognition of a rotated image by invariant Karhunen–Loève expansion. J. Opt. Soc. Am. A Opt. Image Sci. Vis. 11(N5), 1610–1618 (1994)
Kirby M., Sirovich L.: Application Of the Karhunen–Loève procedure for the characterization of the human face. IEEE Trans. Pattern Anal. Mach. Intell. 12(N1), 103–108 (1990)
Lee, C.H., Abbasi, N.: Feature Extraction Techniques on DNA Microarray Data for Cancer Detection, 2007 World Congress on Bioengineering Proceedings, Bangkok, Thailand, July 2007
Lee C.H., Tran H.T.: Reduced-order-based feedback control of the KuramotoSivashinsky equation. J. Comput. Appl. Math. 173(N1), 1–19 (2005)
Lee, C.H., Vodhanel, M.: Cancer detection using component analysis methods on DNA microarray. In: Proceedings of the 12th International Conference on Biomedical Engineering Conference, Suntec City, Singapore, 2005
Lee C.H., Cheung K.-M., Vilnrotter V.A.: Fast Eigen-based signal combining algorithms for large antenna arrays. IEEE Aerosp. Eng. 2, 1123–1129 (2003)
Ly H.V., Tran H.T.: Modeling and control of physical processes using proper orthogonal decomposition. Comput. Math. Appl. 33, 223–236 (2001)
Ly H.V., Tran H.T.: Proper orthogonal decomposition for flow calculations and optimal control in a horizontal cvd reactor. Q. Appl. Math. 60(4), 631–656 (2002)
Peterson, D., Lee, C.H.: A DNA-based pattern recognition technique for cancer detection. Proceedings of the 26th Annual Conference of the IEEE Engineering in Medicine and Biology Society, vol. 2, pp. 2956–2959, 2004a
Peterson, D., Lee, C.H.: Disease detection technique using the principal orthogonal decomposition on DNA microarray data. Signal Processing Symposium, Proceedings of the 6th Nordic Signal Processing Symposium, NORSIG 2004, Espoo, Finland, pp. 157–160, 2004b