浙商证券：人工智能再出发，次优理论下的组合配置与策略构建

"20191018-浙商证券-人工智能系列（二）：人工智能再出发，次优理论下的组合配置与策略构建" 本文讨论了金融中的优化问题，并介绍了次优理论和差分进化算法，旨在为投资者的量化建模提供一些启示。作者在经验中提出了金融次优理论，并指出最优解并不一定适用于下一期的问题。文章的方法对于组合优化、大类配置、FOF组合构建、智能投顾等领域都有帮助。 金融中的优化问题是不可避免的，从基本的均值方差二次规划开始，优化问题已经深入到金融领域的各个方面。无论是大类资产配置还是组合优化，甚至是理论模型下的效用最大化与实战模型的参数优化，都需要借助优化技术。然而，很多优化问题都非常复杂，包括非凸性、不连续性、不可导性、高维度、随机性和约束过多等困扰数值计算的问题。 为了解决这些复杂的优化问题，本文提出了次优理论并介绍了差分进化算法。次优理论受福利经济学中次优理论的启发，作者将其应用于金融领域。次优理论指出，即使最优解在当前期间可能是最佳的，但不一定在下一期同样适用。相反，样本内的次优解可能在样本外取得更好的结果。 差分进化算法是用于解决优化问题的一种方法。它通过模拟生物进化的过程来寻找最优解，包括产生候选解、评估候选解、选择优秀解和生成新的候选解。本文通过展示差分进化算法在金融问题中的良好效果，为投资者的量化建模提供了一些启示。 本文的方法对于组合优化、大类配置、FOF组合构建和智能投顾等领域都有帮助。通过应用次优理论和差分进化算法，投资者可以更好地优化他们的投资组合，提高投资回报率。同时，这些方法还可以应用于其他金融领域，如大类资产配置和智能投顾，为投资者提供更好的服务和建议。 总之，本文讨论了金融中的优化问题，并介绍了次优理论和差分进化算法。通过应用这些方法，投资者可以更好地优化他们的投资组合，提高投资回报率，并在大类配置和智能投顾等领域提供更好的服务和建议。次优理论和差分进化算法为金融领域中的优化问题提供了新的思路和解决方法。