基于飞蛾扑火算法的投资组合优化问题研究文献综述

投资组合优化旨在通过在不同资产之间分配资金来最大化回报并最小化风险，是现代金融理论的核心问题。

传统的投资组合优化方法，如马科维茨的均值-方差模型，在处理现实世界中的投资问题时面临着挑战，例如计算复杂度高、对市场数据的假设过于简化等。

近年来，元启发式算法因其强大的全局搜索能力和对问题结构的低依赖性，在解决复杂优化问题方面展现出巨大潜力，被广泛应用于投资组合优化领域。

飞蛾扑火算法作为一种新兴的元启发式算法，模拟了飞蛾螺旋式趋光的自然现象，在求解连续优化问题上表现出良好的性能。

因此，本文针对基于飞蛾扑火算法的投资组合优化问题进行研究，旨在探索该算法在解决投资组合优化问题方面的有效性和应用价值。

关键词：投资组合优化，飞蛾扑火算法，元启发式算法，均值-方差模型，风险管理

#1.1投资组合优化
投资组合优化是指在一定的约束条件下，通过选择不同的资产及其投资比例，构建一个最佳的投资组合，以实现投资目标的过程。

其目标通常是在控制风险的同时最大化投资回报，或者在给定回报水平下最小化风险。

传统的投资组合优化方法以马科维茨的均值-方差模型为代表，该模型将风险量化为投资组合收益率的方差，并通过求解二次规划问题来确定最优投资组合。

#1.2飞蛾扑火算法
飞蛾扑火算法（Moth-FlameOptimizationAlgorithm，MFO）是一种受自然启发的元启发式优化算法，由SeyedaliMirjalili于2015年提出。