整合遺傳演算法與粒子群最佳化演算法
於投資組合最佳化問題之研究

在投資市場上，投資者最常關注到挑選投資標的以及在市場風險下進行資產配置，因此本研究應用柔性運算的方法，發展兩階段的投資組合方法，第一階段透過資料包絡法(Data Envelopment Analysis)之CCR模式，發展出一套挑選基金模式；接著第二階段以提出兩個整合GA與PSO的演算法-GPSO1及GPSO2進行資產配置。在實證研究中，本研究以台灣國內股票型基金為例。本研究主要提出以資料包絡法(Data Envelopment Analysis)來挑選基金作為本研究之投資組合標的；在資產配置上，以GPSO1、GPSO2、GA及PSO四種演算法建構投資組合並與大盤共五種投資組合分別比較Sharpe值。本研究之資料共計36個月，實證結果顯示所提之GPSO1與GPSO2投資組合之Sharpe值均優於GA、PSO及大盤分別所構成的投資組合，而其中又以GPSO1表現最佳。實證結果證明本研究提出的兩階段投資組合方法的確能幫助投資人穩健獲利。

關鍵字

投資組合；共同基金；資料包絡分析法；遺傳演算法；粒子群最佳化演算法

並列摘要

In the investment market, investors concern greatly about investment target selection and asset allocation under the risk of investment market. Therefore, this research applies soft computing methods to develop a two-stage portfolio method. The first stage utilize a Data Envelopment Analysis (DEA) - CCR model to develop a model of funds selection, with the second stage integrates Genetic Algorithm (GA) and Particle Swarm Optimization Algorithm (PSO) to develop two method, GPSO1 and GPSO2, for assets allocation. The experiments were conducted by using the Taiwan domestic stock fund. In today, there are 36-month data. This study compares the proposed methods, GPSO1 and GPSO2, with GA, PSO, and market index based on Sharpe value. The evaluation results showed that GPSO-based methods outperform the other method for portfolio allocation. Especially GPSO1, it has the best performance. Thus, the proposed two-stage portfolio method really can help investors have stable profit.

並列關鍵字

Portfolio ； Mutual Fund ； Data Envelopment Analysis ； Genetic Algorithm ； Particle Swarm Optimization Algorithm

參考文獻

[12] 劉育穎，結合決策樹與遺傳演算法建構不同風險程度之基金投資組合-以國內發行之股票基金為例，碩士論文，私立中原大學資訊管理研究所，桃園，2006。

[8] 孫遜，資料包絡分析法—理論與應用，台北市：華泰文化事業股份有限公司，偉勵印刷事業股份有限公司，2004。

[9] 黃駿傑，應用粒子群最佳化求解二階線性規劃，碩士論文，國立台北科技大學工業工程與管理所，台北，2007。

[11] 韓永祥，整合遺傳演算法與粒子群最佳化演算法於二階線性規劃問題之應用-以供應鏈之配銷模型為例，碩士論文，台北科技大學工業工程與管理所，台北，2008。

[58] Pareto, V., “Manueld’economic politique, 2nded,” Girard, Paris, 1927.

國際替代計量

整合遺傳演算法與粒子群最佳化演算法於投資組合最佳化問題之研究

未授權

主題瀏覽