基于智能搜索算法的大资产池投资组合优化方法及装置与流程
本发明实施例涉及金融投资领域，尤其涉及一种基于智能搜索算法的大资产池投资组合优化方法、装置、设备及存储介质。
背景技术
随着近年来国内金融市场的发展，基金行业发展迅猛。公募基金行业和私募基金行业发行了众多基金产品，这一方面能为投资者提供各种类型基金产品，促进基金行业的发展；另一方面，由于基金产品数量众多，而且各种基金收益和风险分化较大，这给投资者选择基金带来了很大的难度。
现代资产组合理论是诺贝尔奖获得者马科维茨提出一种投资理论，其主要思想是根据各资产历史波动和收益情况，选择一个投资组合及配比，使其在特定风险下收益最大化，或在特定收益下风险最小化。从数学的角度来讲，该问题其实是一个双目标优化问题(如风险最小化或收益最大化)。现有的求解优化问题的方法有梯度下降法、牛顿法等，然而这类算法计算量大，当问题维度增加时，计算耗时呈指数上升，容易陷入维数灾。
技术实现要素：
本发明实施例提供一种基于智能搜索算法的大资产池投资组合优化方法、装置、设备及存储介质，实现提高投资组合优化算法的寻优速度和寻优效果。
第一方面，本发明实施例提供了一种基于智能搜索算法的大资产池投资组合优化方法，包括：
根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；其中，所述待处理组合包括设定数量的数字串；
通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
第二方面，本发明实施例还提供了一种基于智能搜索算法的大资产池投资组合优化装置，包括：
组合生成模块，用于根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；其中，所述待处理组合包括设定数量的数字串；
目标组合获取模块，用于通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的基于智能搜索算法的大资产池投资组合优化方法。
第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的基于智能搜索算法的大资产池投资组合优化方法。
本发明实施例通过根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；通过预设组合优化方法对待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合，其中，目标组合中的各组合即为所需的最优投资组合，解决了现有投资组合优化方法中存在的耗时长及效果差的问题，从而提高投资组合优化算法的寻优速度和寻优效果。
附图说明
图1是本发明实施例一提供的一种基于智能搜索算法的大资产池投资组合优化方法的流程图；
图2是本发明实施例二提供的一种基于智能搜索算法的大资产池投资组合优化方法的流程图；
图3是本发明实施例三提供的一种基于智能搜索算法的大资产池投资组合优化装置的示意图；
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种基于智能搜索算法的大资产池投资组合优化方法的流程图，本实施例可适用于高效并快速地优化投资组合的情况，该方法可以由基于智能搜索算法的大资产池投资组合优化装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在计算机设备中。相应的，如图1所示，该方法包括如下操作：
s110、根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；其中，所述待处理组合包括设定数量的数字串。
其中，设定数量可以根据基础投资项目的实际数量进行设定，如20、30或50等。基础投资项目可以是金融领域中的各种类型的投资项目，可选的，在本发明实施例中，基础投资项目可以是各种基金类投资项目。预设组合生成策略可以是针对设定数量的基础投资项目所制定的用于生成多种投资组合的策略，例如，预设组合生成策略可以是随机初始化生成策略。待处理组合即为根据基础投资项目通过预设组合生成策略所生成的，需要进一步优化处理的投资组合。需要说明的是，待处理组合内的元素并不是每个基础投资项目的名称或收益等，而是每个基础投资项目对应分配的数字串。例如，假设待处理组合中共包括基金a、基金b、基金c、基金d以及基金f这五个基础投资项目，则待处理组合可以是[0.2,0.2,0.3,0.25,0.05]。
在本发明实施例中，当掌握一定数量的基础投资项目时，可以通过预设组合生成策略对所有的基础投资项目进行处理生成多个待处理组合。为了方便计算，可以直接在待处理组合中每个基础投资项目对应位置处设置相应的数字。需要说明的是，同一基础投资项目在不同的待处理组合中可以对应设置不同的数字，但每个待处理组合中数字对应的基础投资项目的位置都是相同的。示例性的，假设共有基金a、基金b、基金c、基金d以及基金f这五个基础投资项目，其对应生成两个待处理组合，分别是[0.2,0.2,0.3,0.25,0.05]和[0.4,0.1,0.2,0.25,0.05]。在这两个待处理组合中，每个数字所对应的基金项目均为基金a、基金b、基金c、基金d以及基金f。
s120、通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
其中，预设组合优化方法可以是针对生成的待处理组合进行优化的方法，例如，预设组合优化方法可以是多目标进化算法(multi-objectiveevolutionaryalgorithm，moea)、增强帕累托进化算法(thestrengthparetoevolutionaryalgorithm，spea)以及改进增强帕累托进化算法spea2等，本发明实施例并不对预设组合优化方法的具体方案进行限定。目标组合可以是待处理组合经过迭代优化后所得到的组合，也即经过投资组合优化后最终得到的满足需求的组合。
在本发明实施例中，获取到待处理组合后，可以根据预设组合优化方法对待处理组合进行迭代计算，即通过优胜劣汰的方式实现对待处理组合的优化，最终得到满足需求的至少一个目标组合。在目标组合中，数字串中的系数可以是各个基础投资项目所占的比重，用户可以根据目标组合中的数字串安排进行各基础投资项目的投资。其中，各目标组合可以作为资产组合的有效前沿，即最优投资组合集的上边沿。
本发明实施例通过根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；通过预设组合优化方法对待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合，其中，目标组合中的各组合即为所需的最优投资组合，解决了现有投资组合优化方法中存在的耗时长及效果差的问题，从而提高投资组合优化算法的寻优速度和寻优效果。
实施例二
图2是本发明实施例二提供的一种基于智能搜索算法的大资产池投资组合优化方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，给出了根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合，以及通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合的具体实现方式。相应的，如图2所示，本实施例的方法可以包括：
s210、通过随机初始化的方式为各所述基础投资项目分配至少一组对应的权重值；其中，每组权重值的和均为1。
在本发明实施例中，当为各基础投资项目通过预设组合生成策略生成至少一个待处理组合时，可以采用随机初始化的方式为各基础投资项目分配至少一组对应的权重值，即随机生成多组和为1的数字串。
s220、根据所述权重值生成所述至少一个待处理组合。
相应的，可以将根据随机初始化方式生成的各组权重值作为待处理组合。在后期进行迭代计算时，初始生成的待处理组合可以作为初始化种群。当然，本领域技术人员还可以根据实际需求，在本技术方案的技术背景下，建立其他生成待处理组合的方式，本发明实施例对此并不进行限制。
在本发明的一个可选实施例中，所述根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合，还包括：在各所述基础投资项目中查找目标基础投资项目；其中，目标基础投资项目的投资信息满足设定条件；将所述目标基础投资项目的权重值设置为1，并将所述目标基础投资项目所在的待处理组合中其他所述基础投资项目的权重值设置为0；将所述目标基础投资项目所在的待处理组合作为引导组合。
其中，目标基础投资项目可以是各基础投资项目中，用于产生引导组合的其中一个基础投资项目。设定条件可以是根据投资项目的投资信息所制定的筛选条件，例如，基础投资项目的年化收益最大。
在本发明实施例中，在处理需要初始化待处理组合时，还可以根据各基础投资项目的投资信息确定一个引导组合。例如，假设共有基金a、基金b、基金c、基金d以及基金f这五个基础投资项目，其对应的年货收益为6.09％、7％、6.89％、6.5％以及6.42％，可以将各基础投资项目中收益最大的投资项目，即基金b对应的权重值设为1，其他基础投资项目对应的权重值则设置为0，形成引导组合[0,1,0,0,0]。引导组合可以引导初始化种群的进化过程。
s230、初始化所述改进spea2的参数和外部档案集，将各所述待处理组合形成进化种群，并将所述引导组合添加至所述外部档案集中。
在本发明的一个可选实施例中，所述预设组合优化方法包括改进spea2。
其中，改进spea2可以是在spea2的基础上进行改进所得到的算法。外部档案集可以用于存储在每次迭代计算时筛选出的最优待处理组合。当采用改进spea2进行投资组合优化时，待处理组合可以作为改进spea2中的个体，目标组合可以作为改进spea2中的目标个体。
在本发明实施例中，可以采用改进spea2作为预设组合优化方法对初始化种群进行迭代优化。在初始化过程中，可以首先初始化改进spea2的相关参数，如种群规模popsize、最大迭代次数maxiter、进化代数n＝0、初始化群体p(0)以及外部档案集pnd(0)等。其中，初始化群体p(0)可以是将随机初始化产生的待处理组合作为个体形成的群体，并将初始化群体p(0)作为进化种群进行迭代进化。同时，还可以将得到的引导组合作为引导个体添加至外部档案集pnd(0)中，以完成对外部档案集pnd(0)的初始化。
s240、通过设定适应度计算方法计算所述进化种群中的各所述待处理组合的适应度。
其中，设定适应度计算方法可以采用spea2中的适应度计算方法。进化种群可以是初始化种群每次迭代计算后形成的种群。
在本发明实施例中，采用改进spea2对进化种群进行优化时，可以首先通过设定适应度计算方法计算进化种群中的各个个体的适应度。需要说明的是，适应度可以表示一个个体的优劣程度，适应度越大说明该个体越优越。
在本发明的一个可选实施例中，所述设定适应度计算方法包括：
根据以下公式计算所述待处理组合的粗适应度值：
其中，s(i)表示待处理组合i(即个体i)在所述进化种群和所述外部档案集中所支配的待处理组合(即个体)的数量总和，也可以称为待处理组合i的强度值。所述s(i)利用设定模型确定，pt为所述进化种群，
需要说明的是，在本发明实施例中，在计算适应度时，可以利用马科维兹的现代资产配置理论(modernportfoliotheory，mpt)来配合计算。也即，设定模型可以采用mpt模型，具体的，可以利用mpt模型来确定强度值s(i)。
根据以下公式计算所述待处理组合的密度函数值：
其中，d(i)为所述待处理组合i的密度函数值，
根据以下公式计算所述待处理组合的适应度函数：
f(i)＝r(i)+d(i)
其中，f(i)为所述待处理组合i的适应度函数。
通过上述函数计算适应度，适应度即可包含最优解pareto支配关系信息和密度信息。利用上述适应度函数计算适应度，不仅能确定一个个体(即待处理组合)的支配与非支配信息，还能标定一个个体在种群中的分散情况，有利于spea2算法寻找到更加优异且分散性更好的pareto近似解。
s250、根据所述适应度通过所述改进spea2中的设定环境选择方法更新所述外部档案集。
在本发明的一个可选实施例中，所述设定环境选择方法可以包括：将所述外部档案集的规模设置为可变。
需要说明的是，改进spea2和spea2形成新一代种群方式相似，均是同时考虑进化种群和外部档案集，将其中最好的个体保留给下一代进化种群。然而spea2算法中外部档案集的种群规模是固定的，这使得在进化初期非支配解不多的情况下，外部档案集含有支配个体，因此无法保证外部档案集的精英性，也就不能保证下一代进化种群的优越性。因此在改进spea2算法中，外部档案集的规模被设定为可变的，这样一来可以保证外部档案集中不包含支配个体，确保了其精英性。同时，由于外部档案集规模的可变性，在全局非支配解个数较少的情况下，不必计算支配解对应的适应度，能够大大降低适应度的计算时间，进而可以加快算法的进化时间，并提高算法的精度。
因此，在本发明实施例中，当根据个体适应度通过改进spea2中的设定环境选择方法更新外部档案集时，可以将外部档案集的规模设置为可变。具体的，可以将适应度小于1的个体选入外部档案集。
s260、判断是否满足设定终止条件，若是，则执行s2110，否则执行s270。
其中，设定终止条件可以是根据实际需求制定的，用于停止迭代计算的判断条件。可选的，在本发明实施例中，当n>maxiter时，可以确定满足设定终止条件。
s270、通过设定交配方法将所述进化种群中预设数量的待处理组合进行交叉变异处理。
其中，设定交配方法可以是用于对进化种群中的个体进行交叉变异的方法，如锦标赛算法、轮盘赌选择法或随机遍历抽样法等。可选的，本发明实施例中的设定交配方法可以是锦标赛算法。
在本发明实施例中，可以采用锦标赛方法选择策略每次从进化种群中取出一定数量个体，然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模，从而实现对进化种群中个体的交叉变异处理。
s280、执行设定搜索策略，以对所述外部档案集中包括的待处理组合进行更新。
在本发明的一个可选实施例中，所述设定搜索策略可以包括：局部搜索策略。
在本发明实施例中，为了弥补spea2算法局部搜索能力弱的缺点，改进spea2算法在其种群进行交叉变异操作后可以进行局部搜索。局部搜索策略即为对种群中的某个个体，在其周围进行探索，探索是否能够获得更好性能的解。故对于一个个体x，在其邻域搜索一个新的个体x'，如果x'支配x则取代后者，否则继续进行局部邻域搜索。相应的，局部搜索策略对应的程序伪代码如下所示：
s290、执行设定种群更新策略，以对所述外部档案集中包括的待处理组合进行删减。
在本发明的一个可选实施例中，所述设定种群更新策略可以包括：当非支配待处理组合的数量超过所述外部档案集的设定规模阈值时，将所述外部档案集中包括的待处理组合进行删减。
需要说明的是，当优化问题的非支配个体超过设置的外部精英种群规模的上限时，为了获得分布性较好的pareto近似解集，此时需要对外部档案集的个体进行删减。改进spea2算法删减的方法是基于非支配解个体到第k个个体的欧式距离(thedistancetok-thneighbor，knd)。
在一个具体的例子中，假设pnd(n)为第n代外部档案集的个体集合，pnew(n)是第n代新搜索到的非支配解集，且这些新的非支配解都不被pnd(n)中的任何解支配。设临时种群为q＝pnd(n)∪pnew(n)，外部档案集大小的阈值为m。当q≤m时，将q中的非支配个体全部存入下一代外部种群pnd(n+1)中，当q>m时，计算q中每个个体对应的knd的值，然后比较并删除knd小的值，直到q的规模降低到m，将q存入pnd(n+1)中即可。在此应注意到
相应的，在执行设定种群更新策略后，可以返回s240执行通过设定适应度计算方法计算所述进化种群中的各所述待处理组合的适应度的操作，以实现迭代计算。
s2110、将所述外部档案集中包括的待处理组合作为目标组合。
在本发明实施例中，当迭代计算完成后，将最终形成的外部档案集中的所有个体作为目标个体，每个个体都是其中一个最优投资组合，这些投资组合可以构成大资产池组合的有效前沿。
采用上述技术方案，通过采用改进spea2的算法对待处理组合作为个体进行迭代计算，并将迭代计算得到的外部档案集中的所有个体作为资产池组合的有效前沿，解决了现有投资组合优化方法中存在的耗时长及效果差的问题，从而提高投资组合优化算法的寻优速度和寻优效果。
实施例三
图3是本发明实施例三提供的一种基于智能搜索算法的大资产池投资组合优化装置的示意图，如图3所示，所述装置包括：组合生成模块310以及目标组合获取模块320，其中：
组合生成模块310，用于根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；其中，所述待处理组合包括设定数量的数字串；
目标组合获取模块320，用于通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
本发明实施例通过根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；通过预设组合优化方法对待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合，其中，目标组合中的各组合即为所需的最优投资组合，解决了现有投资组合优化方法中存在的耗时长及效果差的问题，从而提高投资组合优化算法的寻优速度和寻优效果。
可选的，组合生成模块310，具体用于通过随机初始化的方式为各所述基础投资项目分配至少一组对应的权重值；其中，每组权重值的和均为1；根据所述权重值生成所述至少一个待处理组合。
可选的，组合生成模块310，还用于在各所述基础投资项目中查找目标基础投资项目；其中，目标基础投资项目的投资信息满足设定条件；将所述目标基础投资项目的权重值设置为1，并将所述目标基础投资项目所在的待处理组合中其他所述基础投资项目的权重值设置为0；将所述目标基础投资项目所在的待处理组合作为引导组合。
可选的，所述预设组合优化方法包括改进spea2；目标组合获取模块320包括：初始化单元，用于初始化所述改进spea2的参数和外部档案集，将各所述待处理组合形成进化种群，并将所述引导组合添加至所述外部档案集中；适应度计算单元，用于通过设定适应度计算方法计算所述进化种群中的各所述待处理组合的适应度；目标组合获取单元，用于通过所述改进spea2对所述进化种群进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
可选的，目标组合获取单元，具体用于通过设定适应度计算方法计算所述进化种群中的各所述待处理组合的适应度；根据所述适应度通过所述改进spea2中的设定环境选择方法更新所述外部档案集；如果确定不满足设定终止条件，则通过设定交配方法将所述进化种群中预设数量的待处理组合进行交叉变异处理；执行设定搜索策略，以对所述外部档案集中包括的待处理组合进行更新；执行设定种群更新策略，以对所述外部档案集中包括的待处理组合进行删减；返回执行通过设定适应度计算方法计算所述进化种群中的各所述待处理组合的适应度的操作，直至满足设定终止条件；将所述外部档案集中包括的待处理组合作为目标组合。
可选的，所述设定适应度计算方法包括：
根据以下公式计算所述待处理组合的粗适应度值：
其中，s(i)表示待处理组合i在所述进化种群和所述外部档案集中所支配的待处理组合的数量总和，所述s(i)利用设定模型确定，pt为所述进化种群，
根据以下公式计算所述待处理组合的密度函数值：
其中，d(i)为所述待处理组合i的密度函数值，
根据以下公式计算所述待处理组合的适应度函数：
f(i)＝r(i)+d(i)
其中，f(i)为所述待处理组合i的适应度函数。
可选的，所述设定环境选择方法包括：将所述外部档案集的规模设置为可变；所述设定搜索策略包括：局部搜索策略；所述设定种群更新策略包括：当非支配待处理组合的数量超过所述外部档案集的设定规模阈值时，将所述外部档案集中包括的待处理组合进行删减。
上述基于智能搜索算法的大资产池投资组合优化装置可执行本发明任意实施例所提供的基于智能搜索算法的大资产池投资组合优化方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的基于智能搜索算法的大资产池投资组合优化方法。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture，isa)总线，微通道体系结构(microchannelarchitecture，mca)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation，vesa)局域总线以及外围组件互连(peripheralcomponentinterconnect，pci)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory，ram)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(compactdisc-readonlymemory，cd-rom)、数字视盘(digitalvideodisc-readonlymemory，dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块426的程序436，可以存储在例如存储装置428中，这样的程序模块426包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块426通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口422进行。并且，计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(localareanetwork，lan)，广域网wideareanetwork，wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundantarraysofindependentdisks，raid)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的基于智能搜索算法的大资产池投资组合优化方法。
也即，所述处理单元执行所述程序时实现：根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；其中，所述待处理组合包括设定数量的数字串；通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
通过所述计算机设备根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；通过预设组合优化方法对待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合，其中，目标组合中的各组合即为所需的最优投资组合，解决了现有投资组合优化方法中存在的耗时长及效果差的问题，从而提高投资组合优化算法的寻优速度和寻优效果。
实施例五
本发明实施例五还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的基于智能搜索算法的大资产池投资组合优化方法：根据设定数量的基础投资项目通过预设组合生成策略生成至少一个待处理组合；其中，所述待处理组合包括设定数量的数字串；通过预设组合优化方法对所述待处理组合进行迭代计算，并将迭代计算得到的至少一个组合作为目标组合。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(readonlymemory，rom)、可擦式可编程只读存储器((erasableprogrammablereadonlymemory，eprom)或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、射频(radiofrequency，rf)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
- 还没有人留言评论。精彩留言会获得点赞！