Читать книгу Портфельная теория и методы оптимизации. NSGA, POWER BI - - Страница 7
Положительное влияние
ОглавлениеПравильная нормализация (min-max или по ideal/nadir) делает вклады целей сравнимыми, обеспечивая:
– Равномерное покрытие фронта: crowding distance в NSGA-II распределяет точки пропорционально геометрии PF, а не масштабам (например, избегание кучи точек у «дорогой» цели в рублях). [153] [154]
– Лучшую конвергенцию и диверсификацию: метрики IGD (Inverted Generational Distance) и Spread показывают снижение на 20—50% при нормализации на бенчмарках DTLZ/ZDT. [155] [154]
– Стабильность в many-objective: в NSGA-III reference points ассоциируются равномерно в нормализованном пространстве, покрывая дегенеративные/выпуклые PF. [156]
Отрицательное влияние без нормировки
– Искажение crowding: цель с диапазоном 10^6 (цена) доминирует над [157] (эффективность), точки скапливаются у экстремумов первой, центр фронта пустеет. [153] [158]
– Потеря разнообразия: в NSGA-II малые фронты с узким диапазоном дают нулевые/нестабильные d_i, приводя к преждевременной конвергенции. [153]
– Плохая аппроксимация: на неравномерных PF (DTLZ7) без нормализации Spread растет, IGD ухудшается (примеры в сравнениях NSGA-II vs MOGA). [155]
Сравнение сценариев
В trading-приложениях (максимизация профита/минимум риска/волатильности) нормализация по историческим данным обеспечивает баланс, избегая переоптимизации под волатильные метрики вроде цены. [155] [159]
⁂
Перечисли литературу и статьи на русском языке
Русскоязычная литература по NSGA-II/III охватывает обзоры, сравнения, применения в оптимизации и модификации; ключевые работы доступны на CyberLeninka, eLibrary и вузовских репозиториях. Ниже перечень релевантных статей и сборников. [172] [173]
Обзоры и сравнения алгоритмов
– Вихтенко Э. М. «Исследование алгоритмов NSGA-III и AGE-MOEA-II для решения задач многокритериальной оптимизации по Парето» (2024). Сравнение производительности на тестовых задачах, акцент на диверсификацию фронта. [172] [174]
– Гарагулова А. К. «Сравнение генетических алгоритмов MOGA и NSGA-II на задаче оптимизации формы рабочего колеса гидротурбины» (2018). Анализ сходимости, модификация NSGA-IIm, метрики расстояния до истинного PF. [175]
– Цыкунов О. И. «Разработка гибридного алгоритма многокритериальной оптимизации для восстановления свойств по спектральным данным» (2025). Тестирование NSGA-II/III с SMPSO, MOEA/D; Байесовская мета-оптимизация. [176]
Применения и модификации
– Зеленков Ю. А. «Метод многокритериальной оптимизации на основе алгоритма NSGA-II и приближенных моделей» (2010). NSGA-II с RBF-сетями для газотурбинных двигателей; суррогатные модели. [173]
– Лотов А. В. и др. «Простая эффективная гибридизация классической оптимизации с NSGA-II для задач оптимального эффективного плана» (2019). Гибрид для ОЭП, описание FNDS и crowding. [177]
– «Оптимизация порогов мультиклассовой классификации с использованием NSGA-II» (eLibrary). Оптимизация порогов классификаторов, фокус на Парето-фронте. [178]
Квантовые/модифицированные версии и конференции
– «Применение многоуровневых квантовых систем для реализации квантово-инспирированных алгоритмов NSGA-III» (Вестник РГРТУ, 2025). Квантовый NSGA-III на тестовых many-objective задачах. [179]
– Сборник «Информационные системы и технологии – 2020» (ННТУ). Разделы по NSGA-II в инженерной оптимизации. [180]
– «Научная сессия ТУСУР—2009». Описание crowding distance в NSGA-II. [181]
Дополнительные источники
– Хабр: «Введение в многокритериальную оптимизацию, или как выбрать NSGA-II/III» (2025). Популярный обзор с примерами кода. [182]
– CyberLeninka: статьи по «NSGA-II русский» – ~50 работ по оптимизации в энергетике, логистике, ML. [176] [172]
– Полные PDF часто на сайтах вузов (ИТМО, ТУСУР, НГТУ); для глубокого погружения – диссертации на eLibrary.ru по «NSGA-II многокритериальная оптимизация». [183] [175]
–
⁂
Перечисли литературу применительно к оптимизации рыночного портфеля
Литература по применению NSGA-II/III к оптимизации рыночного портфеля фокусируется на балансе доход/риск/ESG/волатильность, часто с модификациями и сравнениями. Ниже ключевые статьи (английские преобладают, русские релевантны косвенно через общие МО). [194] [195]
Ключевые статьи по NSGA-II в портфельной оптимизации
– Anagha M., Larni-Fooeik A.M. «On NSGA-II and NSGA-III in Portfolio Management» (Intelligent Automation & Soft Computing, 2022). Сравнение NSGA-II (2 цели) и NSGA-III (3 цели) на портфельных моделях; метрика KKTPM показывает сходимость к теоретическим решениям. [194]
– Zhou Y. «Design of Optimum Portfolio Scheme Based on Improved NSGA-II Algorithm» (Scientific Programming, 2022). Улучшенный NSGA-II с t-SNE кодированием; цели: доход, риск, асимметрия; на реальных данных annualized profit 41.25% vs 37.60% базового. [196]
– Lou K. et al. «Optimizing Portfolios with Modified NSGA-II Solutions» (IEEE, 2023). Модификации: динамическая мутация, улучшенная селекция; превосходство над Markowitz по риску/доходу. [197]
– Larni-Fooeik A.M. «Portfolio Optimization Utilizing Multi-Objective NSGA-II Algorithm» (SSRN, 2024). NSGA-II + Markowitz на Tehran SE (132 акции, 2010—2021); лучшие risk-return профили vs классика. [195]
Статьи по NSGA-III в портфельной оптимизации
– Larni-Fooeik A.M. «Applying NSGA-III to Multi-Objective Portfolio Optimization» (SSRN, 2025). NSGA-III с ESG (S&P 500, 100 акций, 2024—2025); улучшения по конвергенции/диверсификации vs NSGA-II. [198]
– Lv M. et al. «Developing a hybrid system for stock selection and portfolio optimization» (Information Sciences, 2024). Гибрид NSGA-III для many-objective; фокус на селекции акций. [199]
Русскоязычная литература (применения МО к финансам/оптимизации)
– Золотарев М. А. «Методы многокритериальной оптимизации» (2024). Упоминание NSGA-II в контексте финансовой оптимизации (водородная энергетика как аналог портфеля). [200]
– Гарагулова А. К. «Сравнение генетических алгоритмов MOGA и NSGA-II на задаче оптимизации» (ЖВМиМФ, 2018). Косвенно: оптимизация формы (аналог портфеля параметров); NSGA-II лучше по диверсификации. [201]
– Зеленков Ю. А. «Метод многокритериальной оптимизации на основе NSGA-II» (Численные методы и программирование, 2010). Применение к ГТД (модель портфеля риск/эффективность). [202]
Дополнительные обзоры и гибриды
– «A novel portfolio optimization model via combining multi-population parallel NSGA-II» (2022). SMP-NSGA-II с sparsity; кластеризация Pareto для MADM. [203]
– Branke J. et al. «On the Effectiveness of a NSGA-II Local Search Approach» (Deb’s group). Гибрид NSGA-II + local search для портфеля (риск/доход). [204]
– «Portfolio Optimization with Multi-Objective Optimization Algorithms» (IJANSER, 2024). NSGA-II vs PSO; NSGA-II лидирует по доходу/риску. [205]
Для кода/реализации: pymoo примеры portfolio с NSGA-II/III; русские – в диссертациях eLibrary по «NSGA-II портфель». [206] [207]
⁂
Design of Optimum Portfolio Scheme Based on Improved NSGA-II Algorithm – подробно описать статью, указать, где находится Pdf флрмат
Статья «Design of Optimum Portfolio Scheme Based on Improved NSGA-II Algorithm» (Y. Zhou, 2022) предлагает улучшенный NSGA-II с t-SNE для многокритериальной портфельной оптимизации, достигая лучших показателей доход/риск по сравнению с базовым. Полный PDF доступен на PubMed Central (PMC) и ProQuest. [217] [218]
