软件影响16（2023）100499原始软件出版物MOPO-LSI：一个用于可持续投资的开源多目标投资组合优化库Yong Zhenga，Yu，Kumar Neelotpal Shuklab，Jasmine Xub，David（Xuejun）Wangb，Michael美国伊利诺伊理工学院b晨星公司，美国自动清洁装置保留字：多目标投资组合优化可持续投资A B标准金融资产组合优化是选择最优资产组合以实现特定投资目标的过程。传统的投资组合优化可能只追求收益最大化和风险最小化，而忽略了金融投资中的社会责任或可持续性。在本文中，我们发布MOPO-LSI， 是可持续投资的多目标投资组合优化库。更具体地说，MOPO-LSI还将环境、社会和治理（ESG）因素视为金融投资组合的优化目标，投资者的资产可以很好地分配给共同基金，以改善可持续发展和实践。无论客户对ESG因素的偏好是否未知，MOPO-LSI都能在这些情况下提供投资组合优化的解决方案。 此外，MOPO-LSI易于配置和使用，用户还可以扩展其多目标问题的定义，并使解决方案适应定制的要求或应用。代码元数据当前代码版本v1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2023-117Reproducible Capsule的永久链接https://codeocean.com/capsule/9097649/tree/v1法律代码许可证MIT许可证使用Git的代码版本控制系统软件代码使用的语言、工具和服务Python v3.9+、pymoo v0.6.0+、cvxpy v1.2.3+编译要求、操作环境依赖性https://github.com/irecsys/MOPO-LSI/如果可用，链接到开发人员文档/手册https://github.com/irecsys/MOPO-LSI/问题支持电子邮件yzheng66@iit.edu1. 介绍金融投资组合优化[1，2]涉及选择理想的金融资产组合，以实现投资者的目标，同时考虑他们的风险承受能力。资产配置是这一过程的关键部分，因为它涉及到将投资者根据风险承受能力和投资目标，投资者可以选择股票、债券和现金等类别。传统投资组合优化的目标是构建一个投资组合，在给定的风险水平下最大化预期收益，或者在给定的预期收益水平下最小化风险。本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址：yzheng66@iit.edu（Y.morningstar.com（K.N.Shukla），Jasmine. morningstar.com（J.Xu），www.example.comDavid.wang @ morningstar.com（D.morningstar.com（M.https://doi.org/10.1016/j.simpa.2023.100499接收于2023年3月8日;接受于2023年2665-9638/©2023作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsY. Zheng，K.N.Shukla，J.Xu等人软件影响16（2023）1004992近年来，随着越来越多的投资者认识到在投资决策中考虑环境、社会和治理（ESG）[ 6，7 ]因素的重要性，可持续投资[3-可持续投资，也称为社会责任投资[3]或ESG投资[8]，是一种不仅考虑财务回报，而且考虑投资对环境，社会和公司治理实践的影响的投资方法。这种方法旨在产生长期的财务回报，同时促进可持续和负责任的做法。将环境、社会及管治因素纳入投资决策，可帮助投资者识别更有能力管理环境及社会风险的公司，以及识别引领向更可持续实践转型的公司的机遇。通过投资于ESG表现出色的公司，投资者可以鼓励和支持这些公司随着时间的推移继续改善其为可持续投资建立一个开源库是必要的，因为它允许可持续投资的民主化，使更广泛的投资者能够使用它，并能够制定考虑ESG因素的更有效和透明的投资策略。此外，开源图书馆可以为投资者、学者和行业专业人士提供一个合作和知识共享的平台，从而做出更明智和更有影响力的投资决策。在本文中，我们介绍并发布了MOPO-LSI，这是一个可持续投资的多目标投资组合优化库。MOPO-LSI可以提供解决方案（即，投资于共同基金的优化投资组合）的两种情况：一种是客户对ESG因素的偏好是事先已知的，另一种是目前未知的。用户还可以轻松扩展MOPO-LSI中多目标优化（MOO）问题的定义，并根据自己的定制优化目标进行优化2. MOPO-LSIMOPO-LSI库用于将资产分配给一系列共同基金，其中与每个共同基金相关的ESG分数在数据集中可用。ESG因素分为积极因素和消极因素。积极的ESG因素是指那些被认为对社会有益的因素，如清洁能源、福祉、人们的健康等。负面的ESG变量被认为是有害的，例如，环境污染、违反规章制度、侵犯人权等。MOPO-LSI能够在以下两种情况下提供产品组合解决方案• 当客户对ESG因素的偏好已知时：在这种情况下，这些偏好可以被视为分配给每个ESG变量的权重。通过使用标量化方法[9]将优化问题转化为单目标优化任务。更具体地说，我们使用加权和方法作为标量化方法来优化三个目标-最大化正ESG（即，投资组合中正面ESG得分的加权平均值），最小化负面ESG（即，投资组合中负ESG核心的加权平均），并最小化投资组合的跟踪误差。跟踪误差[10]被认为是风险、回报和波动性的联合因素。 它被计算为投资组合回报与特定风险水平相关的基准之间差异的标准差（例如，保守、温和或激进）。在MOPO-LSI中，我们采用CVXPY [12]库中的嵌入式圆锥解算器（ECOS）[11]来解决这种情况下的二次凸优化问题。• 当客户对ESG因素的偏好未知时：我们利用Pymoo [14]库中的几种多目标进化算法（MOEAs）[13]来优化特定目标，包括最大化正面ESG得分，最小化负面ESG得分和跟踪误差。由于客户偏好未知，该等正面及负面ESG分数乃根据简单平均值计算。此外，我们允许客户具体的个人积极和/或消极的ESG因素，以便我们可以额外地最大化和/或最小化它们。MOEA将提供Pareto集，这是一组非支配解。MOPO-LSI允许用户提供额外的输入，以便利用多标准决策方法[15]从帕累托集中选择单个最优解除了上述目标之外，MOO问题中还定义了几个约束，例如资产分配总和必须等于100%的等式不超过20%投资于单一共同基金），等等。3. 如何使用MOPO-LSI的工作流程可以由图1描绘，描述如下。• 配置.一开始，用户应该在不同的配置文件中定义好超参数，例如，yaml文件。关于这些参数，请参考Github上编码库的用户指南。• 运 行 MOPO-LSI 。 用 户 可 以 使 用 “python www.example.com "或”python run.py -config your. yaml“开始运行库run.py开始运行的默认yaml是user.yaml文件。• 加载系统配置。该库将首先加载由文件夹“yaml”中的yaml文件定义 的 系 统 配 置 ， 包 括 system.yaml 、 scalarization.yaml 、moea.yaml。文件“system.yaml”定义文件路径、输出路径、风险级别（即，保守、适度、积极）、ESG组和维度、要使用的优化模型以及系统约束的一般参数。文件• 加载用户配置。加载文件• 加载数据。然后，该库将加载“system.yaml”中指示的数据集，包括带有ESG分数的基金列表、协方差矩阵和每个风险级别的标准资产分配。• 初始化优化器。该库通过使用在“system.yaml”中定义的参数在相应的yaml中定义的MOO一个MOO问题定义了一系列的目标和限制，优化过程。• 运行优化。该库将通过使用相应的MOO算法（例如，NSGA 2）或优化求解器（例如，加权和法的ECOS• 获取优化结果。标量化方法可以直接返回一个最优解，而MOEA将返回一个Pareto集，这是一个非支配解的集合。库中内置了几种选择方法，可帮助从Pareto集中选择单个最优解Y. Zheng，K.N.Shukla，J.Xu等人软件影响16（2023）1004993Fig. 1. MOPO-LSI的框架和工作流程。图二. MOPO-LSI的输出示例。Y. Zheng，K.N.Shukla，J.Xu等人软件影响16（2023）1004994• 分析解决方案。通过给出单个最优解，库可以将其与标准基准进行比较（即，与特定风险等级相关联的非ESG优化解决方案），输出评估度量（即，跟踪误差，每个ESG因素的改善率），并最终返回前十名的共同基金进行投资。通过使用样本数据和MOPO-LSI中的加权和方法的输出的示例可以从图2中观察到，其中增益值是指每个ESG组上的改善比的加权平均（即，积极和消极的ESG）。在Pareto集的分析方面，该库可以选择可视化非支配解和超体积。请注意，文件夹“data/ SampleData/”中提供了示例数据。这些数据是通过模拟产生的。与每个共同基金相关的ESG因素和ESG分数列表仅用于运行测试4. 影响图书馆有几个好处和影响，可以总结如下。• 我们相信MOPO-LSI是第一个支持共同基金可持续投资的图书馆。现有的项目要么没有考虑ESG因素，要么是针对一般投资，例如，股票或债券。• MOPO-LSI支持两种情况下的组合优化MOO解决方案-当用户偏好已知时运行标量化，当用户偏好未知时运行MOEA• MOPO-LSI提供丰富的输出，包括标准度量（例如，跟踪误差）、比较中的度量（例如，收益或改进比率）以及用于投资的最佳共同基金，其中可以通过使用这些输出作为解释来改进透明度和用户信任。���• 潜在的可视化可以进一步提高透明度。该库目前支持超体积和非支配解决方案的可视化，以及通过特定的多标准决策方法选择的最佳解决方案。• MOPO-LSI允许用户扩展MOO问题（即，创建预定义MOO问题的子类，包括Python类ScalarProblem和MOEAProblem），并重新定义目标和约束列表，同时用户可以再次运行该列表，而无需对优化器或优化过程进行任何更改。• 最后，MOPO-LSI不仅可以帮助投资者和基金经理通过考虑ESG因素开始实际投资，而且还可以鼓励长期可持续投资。5. 今后的工作在目前阶段，我们只实现了有限的解决方案的标量化方法和MOEA方法。我们将在未来的工作中添加和实现CRediT作者贡献声明郑 勇 ：概 念化 ，方 法 论， 软件 ，验 证 ，资 源， 写 作。 KumarNeelotpal Shukla：概念化，验证，资源。徐嘉敏：概念化，验证，资源. 王学军：概念化。迈克尔竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢这项工作得到了晨星公司的支持和资助。在美国伊利诺斯州芝加哥，根据赠款协议IIT-Cayuse：赠款号22-0300，项目号2000 - 2001。A23-0011引用[1]A. Ponsich，A.L. Jaimes，C.A.C. Coello，多目标进化算法在投资组合优化问题及其他金融和经济应用中的应用研究，IEEE Trans.Evol。Comput. 17（3）（2012）321-344。[2] A. Gunjan，S. Bhattacharyya，投资组合优化技术的简要回顾，Artif。内特尔Rev.（2022）1-40.[3] L.作者：J.社会责任投资：直觉方面，绩效和投资者行为，J.银行。财务32（9）（2008）1723-1742。[4] T.布施河鲍尔，M。Orlitzky，可持续发展和金融市场：旧路径和新途径，巴士。Soc.55（3）（2016）303[5] G.塔兰 夏尔马，做好事做得好：可持续投资的系统审查和研究议程，可持续性11（2）（2019）353。[6] G. Friede，T. Busch，A.《ESG与财务绩效：来自2000多项实证研究的综合证据》（ ESG and Financial Performance ： AggregatedEvidence from More Than 2000Empirical Studies），J. Sustain。金融投资。5（4）（2015）210[7] A. Amel-Zadeh，G. Serafeim，为什么以及如何投资使用ESG通知，通知证据：来自一项全球调查，金融。 Anal. J. 74 （三） （2018年） 87-103.[8] G. Halbritter，G. Dorfleitner，社会责任的工资，他们在哪里？对ESG投资的批判性评论，Rev. Financ。 经济26（2015） 25-35.[9] G. Eichfelder ，Adaptive Scalarization Methods in Multiobjective Optimization ，Springer，2008。[10] P. Jorion，具有跟踪误差约束的投资组合优化，金融。Anal. J. 5 9 （5）（2003）70-82。[11]A.多马希迪，E.楚、S.博伊德ECOS：一个SOCP求解器为嵌入式系统，在： 2013 欧洲 控制 会议， ECC， IEEE， 2013, pp. 3071-3076[12] S. Diamond ， S. Boyd ， CVXPY ： A Python embedded modeling language forconvexoptimization，J. 马赫学习. Res. 17（1）（2016）2909[13] C.C. Coello，Evolutionary Multi-Objective Optimization：A Historical View oftheField，IEEE Comput. 内特尔麦格1（1）（2006）28[14] J. Blank，K. Deb，Pymoo：Python中的多目标优化，IEEE Access 8（2020）89497-89509。[15] S. Greco，J. Figueira，M. Ehrgott，多准则决策分析，第37卷，Springer，2016年。
