基于模块化遗传算法网络的交易策略组合优化研究：提升集团交易策略组合多样性的新方法

本文提出Q-集团交易策略组合优化(QGTSPO)方法，通过模块化(Modularity)和分组遗传算法(GGA)构建交易策略网络，创新性地将夏普比率(Sharpe Ratio)与网络模块度结合作为适应度指标。研究采用多股票数据集生成差异化交易策略，通过阈值优化关联矩阵，在NYSE和TWSE数据集上验证了该方法在波动率控制、危机管理(如2008年金融危机)和风险调整收益方面的优越性。

　　

Highlight亮点

• 利用模块化增强QGTSP多样性：通过分组遗传算法(GGA)最大化模块度(Modularity)，确保组内资产高度互联，提升QGTSP在不同市场条件下的稳定性。

• 多金融数据集强化风险规避：每个交易策略专注特定股票数据集，提供差异化风险因子，相比传统方法构建更具鲁棒性的组合。

• 关联矩阵阈值优化：在染色体编码中引入阈值组件，智能确定相关性/互信息(Mutual Information)最优连接值，构建高效交易策略网络。

• 危机期稳定表现：在NYSE和TWSE市场测试中，QGTSPO展现出优异的回撤保护能力，特别是在2008年危机期间，风险调整指标显著优于传统方法。

Conclusions结论与展望

本研究提出的QGTSPO方法通过整合模块度指标、多股票数据集和阈值优化组件，显著提升了集团交易策略组合(QGTSP)的多样性。实验证明该方法在高波动市场中对严格风险管理的投资者极具价值。未来工作将探索动态阈值调整机制和更复杂的网络拓扑结构。