SOXX stock的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

利用基因遺傳演算法於風險指標最佳化多風險偏好投資組合

為了解決SOXX stock的問題，作者司福民 這樣論述：

本文提出了一種基於基因遺傳演算法(Genetic Algorithm, GA)的最優化風險指標為基礎的均值-方差投資組合模型，這意味著透過設計基因遺傳演算法中的「染色體基因」來表示每個各別資產在投資組合中的權重，近年來在利用基因遺傳演算於優化金融投資組合的領域中，大多都還是傾向以產生傳統的技術指標與均值-方差的隨機分佈組合或僅用於以特定指標作為參考的方向，鮮少人考量到他的市場適用性與可調控性，此文透過調整那些已經過市場與專業基金經理人實證成效的風險指標，例如：詹森指數(Alpha)、潛在上檔報酬比率(Upside-Potential Ratio, UPR)、Risk-on Risk-off指

標(RORO)、資產動能(Time Series Momentum, TSM)等，去提供給不同投資偏好的投資者最適當的投資策略，例如:交易時間、波動承受度、預期投資報酬率等，並與傳統的Markowitz 均值-方差效率前緣的投資組合方法與近年比較常見的方法，如使用輻狀基底函數類神經網路(Radial Basis Function Neural Network, RBFN)來優化以均值-方差-偏態為目的的投資組合演算法來相比較，而本文並進而嘗試用人工神經網路(Artificial Neural Network, ANN)去模擬且加速整個基因遺傳演算法的運算過程，經調整後該模型不僅可以依據不同的

風險屬性與調整不同的風險指標的偏好程度做為模型的輸入，透過微調輸入的偏好程度與權重之間的關係，實驗結果表明，對於大部分的實驗結果，調整特定參數之後的模型，對於投資者是一種新穎的利用均值-方差來做投資組合問題中權衡輸入條件的一種快速有效的方法，且可以配合不同的風險偏好與投資資產類別來做投資，一方面解決了在 Markowitz投資理論中對於資產輸入太過敏感且過於武斷地考量僅預期收益與歷史波動率，另一方面，解決當輻狀基底函數類神經網路在優化均值-方差-偏態的投資組合時，當偏態的歷史資料過少時，偏態的參考性及有效性將會大幅下降且容易造成過擬合(Overfitting)的情況發生，進而造成最後的結果可能

會偏離投資目標的問題，此外，現今在探索財務預測與分類問題中，機器學習的模型在財務預測設計、建構投資組合與風險管理領域都出現許多涉及具有複雜交互關係的大型數據集，目前很難或不可能在完整的經濟模型中充分且有意義地組合使用大量的風險指標，此研究中所提出透過基因遺傳演算法中的多基因組合模型，對於優化不同風險屬性的投資組合問題在未來也提供了更多的使用彈性與調整空間。