改进的多目标高斯恒星振荡优化器及其在纳斯达克100股票组合优化中的应用
一、 作者、机构与发表信息
本研究报告的标题为“An Improved Multi-Objective Gaussian Stellar Oscillation Optimizer for NASDA-100 Stock Portfolio Optimization”。该研究由Mohamad Muslikh, Meylita Sari, Safrizal Ardana Ardiyansa 和 Natasha Clarissa Maharani 共同完成。所有作者均来自印度尼西亚的Brawijaya University，隶属于该校的科学与数学学院数学系。通讯作者为Mohamad Muslikh。该研究以研究论文的形式发表于《Journal of Industrial and Management Optimization》。文章于2025年1月投稿，同年2月修订，3月被接受并发表。
二、 研究背景与目的
本研究属于运筹学、计算金融与多目标优化算法的交叉领域。具体科学领域涉及金融工程（投资组合优化）、元启发式算法设计和多目标优化问题求解。
研究的背景源于现代投资组合优化在现实金融市场中面临的挑战。自马科维茨提出均值-方差模型以来，该框架始终是现代投资组合理论的基石，旨在通过资产配置平衡预期收益与风险，寻找帕累托最优前沿。然而，在高维、动态且异质的金融市场（如纳斯达克100指数）中进行优化是一个复杂的、以多样性为导向的多目标问题。传统的优化方法，特别是许多元启发式算法，在高维搜索空间中常常面临早熟收敛和帕累托前沿覆盖不足的困境，无法有效产生一组在风险和收益目标之间分布良好的权衡解。
为了克服这些挑战，研究者们常采用元启发式算法来处理此类复杂的非线性优化问题。其中，恒星振荡优化器是一种近期提出的、受恒星振荡现象启发的新型元启发式算法，在单目标基准测试中表现良好。然而，原始的恒星振荡优化器本质上是为单目标优化设计的，其振荡动力学依赖于规律的参数交互，将其扩展到复杂的多目标搜索空间时，可能难以保持解的多样性。此外，研究者观察到，混沌动力学因其遍历性、非周期性和对初始条件的敏感性，已成为增强元启发式算法性能的有效工具，有助于维持探索压力和保护种群多样性。
基于以上观察，本研究旨在提出一种新颖的算法，以解决高维市场中投资组合优化面临的多样性不足和收敛不稳定问题。具体的研究目标是：通过将帕累托主导机制与高斯混沌动力学相结合，改进恒星振荡优化器，从而增强算法的探索能力、维持解集的多样性、提高收敛稳定性，并最终将其应用于纳斯达克100指数的投资组合优化问题，以评估其在提升风险调整后投资组合质量方面的有效性。
三、 研究的详细工作流程
本研究包含一个完整的工作流程，从算法创新、数学模型构建到数值实验与分析，具体步骤如下：
步骤1：数据准备与模型构建 研究对象是构成纳斯达克100指数的一篮子股票。为避免幸存者偏差，研究选取了在2021年1月1日至2025年12月31日期间持续存在于该指数中的股票。数据来自雅虎财经，包含每日调整后的收盘价。任何存在缺失观测值的资产均被排除。 1. 收益与风险估计：基于每日收盘价计算每只股票的日简单收益率。随后，通过对四年（假设每年252个交易日，共1008天）的日收益率数据计算均值和标准差，并进行年化处理，得到每只资产的预期年化收益率和年化波动率。 2. 协方差矩阵估计：使用相同的日收益率数据计算任意两只资产之间的年化协方差，从而构建整个资产池的年化协方差矩阵。 3. 投资组合优化模型：在马科维茨均值-方差框架下，将问题构建为一个双目标最小化模型。目标函数f1为投资组合的年化风险（标准差），即f1(w) = √(w⊤σw)，其中σ为协方差矩阵，w为资产权重向量。目标函数f2为投资组合的负年化预期收益，即f2(w) = -w⊤µ，其中µ为预期收益率向量。通过将收益最大化转化为最小化问题，使其与风险最小化目标在数学形式上保持一致，便于构建帕累托前沿。模型约束条件为权重非负（仅允许做多）且权重之和为1。
步骤2：算法开发——改进的多目标高斯恒星振荡优化器 本研究提出的核心创新算法是改进的多目标高斯恒星振荡优化器。 1. 算法基础：在原始的恒星振荡优化器框架上进行扩展。SOO的机制模仿恒星振荡，通过角频率和振荡周期等参数调节候选解在搜索空间中的移动，实现探索与开发的平衡。其位置更新依赖于正弦函数产生的扩展和收缩振荡。 2. 多目标化改造： * 引入外部存档来存储非支配解。 * 采用非支配排序和拥挤距离计算来评估和比较候选解的优劣。非支配排序根据解的帕累托等级（前沿层级）进行分层，拥挤距离则衡量同一前沿上解的分布密度。 * 精英选择机制：每次迭代中选择精英代理θ_top1时，采用字典序准则，优先选择帕累托等级最低的解，在等级相同时选择拥挤距离最大的解，以此平衡收敛性和多样性。 3. 高斯混沌集成（核心改进）： * 将原始SOO中用于控制振荡行为的均匀分布随机数(η1, η2, η3)替换为由高斯混沌映射生成的确定性混沌序列。高斯映射定义为：r(t+1) = (r(t))^(-1) mod 1 (当r(t) ≠ 0时，否则为0)。 * 三个混沌变量r1， r2， r3分别取代了原更新公式中的随机参数。这种集成旨在利用高斯混沌的高度遍历性和非周期性，为搜索过程注入更不规则但可控的扰动，从而增强全局探索能力，防止种群陷入局部最优，并维持种群多样性。 4. 算法流程：IM-GSOO从一个随机初始化的种群开始。在每次迭代中，算法执行以下关键操作：a) 使用基于帕累托排序和拥挤距离的机制从外部存档中选择精英解。b) 利用高斯混沌变量驱动的振荡方程更新每个“恒星代理”的位置。c) 应用边界控制确保解在可行域内。d) 合并新旧种群，更新外部存档，并使用非支配排序和拥挤距离对存档进行截断以控制其大小。此过程反复进行直至达到预设的最大迭代次数，最终外部存档中的解集即视为对真实帕累托前沿的近似。
步骤3：实验设计与性能评估 为了全面评估IM-GSOO的性能，研究设计了严谨的数值实验。 1. 评估指标： * 超体积：用于量化算法获得的帕累托前沿的质量。它衡量了在目标空间中，由帕累托前沿解集和某个参考点所围成的区域的体积。HV值越大，表明前沿的收敛性和多样性越好。 * 夏普比率：用于衡量投资组合的风险调整后收益，计算公式为(投资组合预期收益率 - 无风险收益率) / 投资组合风险。SR值越高，表明单位风险获得的超额回报越高。 * 收敛速度：通过观察HV和SR达到其最终值一定比例（如99%）所需的迭代次数来衡量。 * 统计稳定性：通过计算多次独立运行中HV和SR的均值、标准差和变异系数来评估算法的鲁棒性。 2. 对比实验：为了验证高斯混沌集成的有效性，研究进行了消融实验。即将IM-GSOO中的高斯混沌映射替换为其他多种混沌映射，包括Logistic、Tent、Sine、Circle、Sawtooth、Sinusoidal、Piecewise和Liebovitch映射，并与原始的非混沌SOO进行对比。这有助于分离混沌机制本身的贡献，并比较不同混沌类型的性能。 3. 统计显著性检验：使用Wilcoxon符号秩检验来评估IM-GSOO（高斯混沌）与各个对比算法在最终HV和SR性能上差异的统计显著性，置信水平设为0.05。
步骤4：结果分析与讨论 研究通过实验数据深入分析了所提算法的性能。 1. 帕累托前沿可视化：应用IM-GSOO于纳斯达克100数据后，生成的帕累托前沿在风险-收益空间中呈现平滑且分布良好的结构，这表明算法有效地收敛到了有效前沿，并保持了良好的解多样性。前沿上的投资组合均支配了构成指数的所有单只股票，证明了分散化投资的价值。 2. 混沌映射的影响： * 收敛速度：在HV收敛方面，高斯混沌变体在第67次迭代达到其最终HV值的99%，而原始SOO需要80次迭代，收敛速度提升了16.25%。在SR收敛方面，高斯变体需要148次迭代达到最终SR的99%，而原始SOO需要186次迭代，时间减少了20.4%。虽然Sawtooth和Circle映射收敛更早，但最终HV值远低于高斯映射，表明它们是“早熟收敛”而非高效搜索。 * 最终性能：高斯映射实现了最高的最终HV值（0.408866），比原始SOO（0.407024）高出0.45%，比Logistic映射高出0.53%。在SR方面，高斯映射获得的最佳SR为1.495957，比原始SOO（1.475100）高出1.41%。Sine映射虽然获得了略高的SR（1.497004），但需要更多迭代（198次），效率较低。表现较差的映射如Sinusoidal，其HV和SR均严重退化。 3. 统计鲁棒性分析：高斯变体在HV和SR上都表现出低变异系数。HV的变异系数为0.0201，SR的变异系数为0.0261，均低于大多数其他变体（例如Circle映射的SR变异系数高达0.0711）。这表明IM-GSOO在多次独立运行中具有稳定的性能。 4. 统计显著性检验结果：Wilcoxon检验证实了高斯混沌带来的性能提升在统计上是显著的。在HV方面，IM-GSOO（高斯）显著优于9个对比算法中的7个，包括原始SOO、Sine、Logistic、Liebovitch、Sawtooth、Circle和Sinusoidal映射（p值均小于0.05）。其中，与Circle（p = 8.882×10^-16）和Sawtooth（p = 6.736×10^-12）的比较p值极小，表明差异极显著。在SR方面，IM-GSOO显著优于5个对比算法，包括原始SOO（p = 3.471×10^-3）、Liebovitch、Sawtooth、Circle和Sinusoidal映射。
四、 研究的主要结论
本研究提出并验证了改进的多目标高斯恒星振荡优化器，成功将其应用于纳斯达克100指数投资组合优化问题。主要结论总结如下： 1. 算法有效性：通过将高斯混沌动力学与帕累托多目标优化机制相结合，IM-GSOO有效解决了原始SOO在高维多目标优化中多样性不足和易早熟收敛的问题。 2. 性能优越性：IM-GSOO在多个关键指标上均表现优异。它获得了最高的超体积值，表明其生成的帕累托前沿在收敛性和多样性上最佳。同时，它实现了更高的风险调整后收益（夏普比率），并且收敛速度明显快于原始SOO和其他多数混沌变体。 3. 鲁棒性与显著性：IM-GSOO表现出较低的绩效波动性，运行结果稳定。严格的统计检验证实，其性能提升并非随机波动，而是由算法改进带来的实质性、统计显著的提升。 4. 应用价值：该研究为高维金融市场的多目标投资组合优化提供了一个稳健的算法框架。IM-GSOO能够高效生成一组分布良好的、风险-收益权衡最优的投资组合方案，为投资者和资产管理者提供了更优的决策支持工具。
五、 研究的亮点
六、 其他有价值的观点
研究在结尾部分展望了未来的研究方向，包括：1）将IM-GSOO与基于参考点的多目标算法（如NSGA-III）结合，以处理更多目标（三目标及以上）的投资组合优化问题；2）在更广泛的市场指数（如标准普尔500指数）或全球市场中验证算法的普适性；3）在动态市场情景或引入其他风险度量（如条件风险价值CVaR或最大回撤）的框架下进行测试；4）探索自适应多混沌控制策略以进一步提升算法的可扩展性和收敛鲁棒性。这些方向为后续研究提供了清晰的路径。