iQuant用户手册 0.如何启动软件 请下载apia.rar文件并解压缩。 在目录中，您可以找到一个名为apia.exe的文件。 双击该文件以运行我们的软件。 1.登录 软件启动后，请单击“登录”按钮。 然后输入以下用户名和密码登录软件。 用户名 ： - - - - 密码 ： - - - - 2.首页 主页主要显示ETF的价格信息，包括最新价格（如果处于开盘期间，则每30秒更新一次），上一期间的收盘价，绝对涨跌幅以及相对涨跌幅范围，当前时段的开盘价，最高价和最低价以及常用的移动平均线信息。 3.管理ETF 此页面使您可以管理（添加或删除）当前投资的ETF。添加新的ETF时，我们支持同时添加多个ETF。 应当注意，每个ETF的名称必须用逗号或分号分隔。 4.更新历史数据 尽管我们的软件在启动时已经完全更新了历史数据。 但是，有时我们会使软件长时间处于活动状态，因此在计算

研究含比例型手续费的离散时间投资组合优化问题. 基于马尔可夫决策过程模型和性能灵敏度分析方法, 推导两个不同投资策略之间的资产长期平均增值率的差分公式, 利用差分公式的结构特点, 证明了最优性方程, 并设计出可在线应用的策略迭代算法. 仿真实例验证了所提出算法的有效性.

请检查笔记本中的分析：

投资组合优化方法不可避免地依赖于市场和经济的多元建模。 在本文中，我们解决了与这些复杂系统建模相关的三个错误来源： 1. 过度简化假设； 2. 参数抽样误差导致的不确定性； 3. 这些系统的内在非平稳性。 对于第 1 点的问题，我们提出了 L0 范数稀疏椭圆建模，并表明稀疏化是有效的。 点 2. 和 3. 的影响通过研究模型在样本内和样本外的似然性对不同长度的训练集估计的参数进行量化。 我们表明，当训练集中包含两到三年的日常观察时，具有更大样本外可能性的模型可以产生更好的投资组合。 对于较大的训练集，我们发现投资组合性能恶化并与模型的可能性脱节，突出了非平稳性的作用。 我们通过研究表明系统随时间显着变化的单个观察的样本外可能性来进一步研究这种现象。 从长远来看，较大的估计窗口会导致稳定的可能性，但以短期内较低的可能性为代价：金融的“最佳”拟合需要根据持有期来定义。 最后，我们表明稀疏模型优于完整模型，因为它们提供更高的样本外似然性、更低的实际投资组合波动性和提高投资组合的稳定性，避免了均值方差优化的典型陷阱。

针对结束时间具有不确定性的投资问题,建立以区间风险值(PVaR)度量市场风险的收益最大化投资组合选择模型.PVaR计算的复杂性使得模型难以运用一般优化方法求解,因此提出并证明可以通过求解等效的混合整数规划模型来得到原模型的最优解.利用实际股价数据进行数值实验分析,结果表明,求解混合整数规划模型针对小规模短期投资问题可以快速给出最优投资决策方案.

在本文中，我们展示了如何将长短期记忆 (LSTM) 类神经网络用于股票选择和投资组合优化。 我们使用 LSTM 网络来预测股票运动的方向和股票价格代理度量，并将这些用于股票选择和 Markowitz 均值方差投资组合优化框架。 使用印度 SENSEX 股票数据构建了四种类型的 LSTM 模型——个体模型和集合模型，每种模型都使用批量和增量学习方法进行训练。 我们在投资组合优化阶段利用入围股票中股票运动方向分类的准确性。 在投资组合优化阶段，除了标准的 Markowitz 公式之外，还构建了多样化和卖空的 Markowitz 公式。 我们还建议使用 LSTM 分类精度的补充作为风险度量，代替 Markowitz 框架内的协方差矩阵。 LSTM 构建和投资组合优化公式类型的上述每种组合的结果都针对 SENSEX 和标准最优 Markowitz 投资组合进行了基准测试，没有股票选择。 我们还推导出具有股票价格预测因子比平均股票价格更准确的 Markowitz 公式优于标准 Markowitz 公式的条件。

本文研究了具有交易成本的高阶矩投资组合优化模型。 该模型以峰度为目标函数，以偏度，方差，均值和交易成本为约束条件。 由于优化问题是高阶且非凸的，因此给模型的求解带来了一些困难。 因此，本文利用矩矩阵理论将优化问题转化为半定矩阵优化问题，并加以解决。 通过对中国证券市场中四种风险资产的研究，发现交易成本是投资组合模型研究的重要组成部分。 此外，敏感性分析表明，峰度和偏度与均值和方差不变呈正相关。 当均值和偏度恒定时，峰度和方差正相关。 当均值和偏度保持不变时，四阶标准中心矩和方差呈负相关。

通过定义反转算子, 对人工狼位置和智能行为重新进行整数编码设计, 并结合概率近邻初始化方法, 提出一种求解旅行商问题的离散狼群算法. 该算法保留了狼群算法基于职责分工的协作式搜索特性, 并较好地平衡了算法的广度开拓和深度开采能力. 采用C-TSP 问题和TSPLIB 数据库中的多组TSP 问题作为实验用算例, 并将所提出算法与其他5 种智能优化算法进行对比, 仿真结果表明, 所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少，具有较强的全局优 化能力，可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后， 对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。

这是基于遗传算法对水泵优化组合问题的C++程序