Новый алгоритм RL-NSGA-II-GRC улучшил оптимизацию портфеля NASDAQ: доходность и риск сбалансированы
Учёные разработали метод многокритериальной оптимизации портфеля, который помогает инвесторам одновременно минимизировать риск и максимизировать доходность. Работа опубликована на arXiv и основана на комбинации обучения с подкреплением (RL) и генетического алгоритма NSGA-II.
Предложенный алгоритм, названный RL-NSGA-II-GRC, использует RL-агента для адаптивной настройки параметров эволюции в реальном времени. Агент оценивает гиперобъём, достижимость и разнообразие решений, корректируя ход поиска. Вместо стандартного турнирного отбора применяется оператор на основе коэффициента серой реляционности (GRC), который ранжирует решения по единому показателю, включающему ранг доминирования, расстояние до идеальной точки и разреженность фронта.
На тестовых функциях Kursawe и CONSTR новый метод показал улучшение сходимости примерно на 5,8% и 4,4% соответственно по сравнению с обычным NSGA-II. При этом сохранялось равномерное распределение точек на фронте Парето.
В практическом сценарии алгоритм применили к оптимизации портфеля акций NASDAQ. Результатом стала гладкая и плотная эффективная граница, которая позволила легко найти портфель с максимальным коэффициентом Шарпа (годовой Sharpe = 1,92), а также портфели, оптимальные для различных уровней неприятия риска.
Авторы выделяют три основных вклада: интеграция RL-агента в эволюционную структуру для адаптивного контроля параметров; создание GRC-усиленного турнирного оператора, дающего комплексную оценку кандидатов; и демонстрация на эталонных задачах и реальном кейсе NASDAQ, что метод обеспечивает лучшую сходимость и информативные границы.
Разработка может быть полезна финансовым аналитикам и количественным трейдерам, а также в других областях, где требуется балансировать несколько противоречивых целей.
