In this section, we present our mos

In this section, we present our most important findings.
We start by presenting the results related to the optimality of
the solution found, next we present a performance analysis
with respect to the optimal solution found, and finally we
give some results concerning the applied GA.

A Optimality of solution found
We did several experiments and while using the abovegiven
parameters, the hybrid genetic algorithm was able to
find the solution presented in Table 3, no matter which of
the two crossover operators was applied. Both the company
names and their weight value in the optimal tracking portfolio
are given. We observe that, according to what may be expected, the stocks selected for our optimal tracking portfolio
coincide with the larger stocks of the AEX-index. In addition
we note that the minimum weight in the tracking portfolio
(that of AHOLD shares) is around 4,7% and the maximum
weight (that of Unilever stocks) somewhat less than 14,5%.
Since the AEX-index consists of 25 stocks and is replicated
by using just 10 stocks, we have also been able to
check whether the GA tracker found is indeed the optimal
portfolio with respect to the training data. We tried all
possible combinations of 10 stocks out of 25 and calculated,
based on the training data, the corresponding minimum
expected tracking error as given by (2). The best solution
found appeared to coincide with the solution found by hybrid
GA. So, an important first conclusion of our experiments is
that the hybrid GA is able to consistently find the optimal
solution.

ผลลัพธ์ (ไทย) 1:

ในส่วนนี้เราจะนำเสนอผลการวิจัยที่สำคัญที่สุดของเรา.
เราเริ่มต้นด้วยการแสดงผลที่เกี่ยวข้องกับการ optimality ของ
การแก้ปัญหาที่พบต่อไปเราจะนำเสนอการวิเคราะห์ประสิทธิภาพ
เกี่ยวกับการพบทางออกที่ดีที่สุดและในที่สุดเรา
ให้ผลบางอย่าง เกี่ยวกับการใช้ ga.

optimality ของการแก้ปัญหาที่พบ
เราไม่หลายการทดลองและในขณะที่ใช้ abovegiven
พารามิเตอร์ขั้นตอนวิธีพันธุกรรมไฮบริดก็สามารถที่จะหาทางออก
ที่นำเสนอในตารางที่ 3 เรื่องซึ่ง
สองผู้ประกอบการภูมิภาคถูกนำมาใช้ไม่ได้ ทั้งสอง บริษัท
ชื่อและค่าน้ำหนักของพวกเขาในการติดตามผลงานที่ดีที่สุด
จะได้รับ เราสังเกตว่าตามสิ่งที่อาจจะคาดหวังว่าหุ้นที่เลือกสำหรับการติดตามผลงานที่ดีที่สุดของเรา
ตรงกับหุ้นขนาดใหญ่ของ AEX ดัชนีนอกจาก
เราทราบว่าน้ำหนักขั้นต่ำในการติดตามผลงาน
(ที่หุ้นเอโฮลด์) เป็นรอบ 4,7% และสูงสุด
น้ำหนัก (ที่หุ้นยูนิลีเวอร์) ค่อนข้างน้อยกว่า 14,5%.
ตั้งแต่ AEX- ดัชนีประกอบด้วย 25 หุ้นและถูกจำลองแบบ
โดยใช้เพียง 10 หุ้นที่เราได้รับยังสามารถที่จะตรวจสอบว่า
ติดตาม ga ที่พบเป็นจริงที่ดีที่สุด
ผลงานที่เกี่ยวกับข้อมูลการฝึกอบรมเราพยายามทุกชุดที่เป็นไปได้ของ
10 หุ้นจาก 25 และคำนวณ
บนพื้นฐานของข้อมูลการฝึกอบรมขั้นต่ำที่สอดคล้อง
คาดว่าข้อผิดพลาดในการติดตามตามที่กำหนดโดย (2) ทางออกที่ดีที่สุด
พบดูเหมือนจะตรงกับการแก้ปัญหาที่พบโดยไฮบริด
ga ดังนั้นข้อสรุปที่แรกที่สำคัญของการทดลองของเราเป็นที่
ga ไฮบริดจะสามารถหาอย่างต่อเนื่องที่ดีที่สุดโซลูชั่น
.

ผลลัพธ์ (ไทย) 2:

ในส่วนนี้ เรานำเสนอของเราสำคัญที่สุดพบ
เราเริ่มต้น ด้วยการนำเสนอผลลัพธ์ที่เกี่ยวข้องกับ optimality ของ
พบโซลูชัน ถัดไปเราแสดงการวิเคราะห์ประสิทธิภาพ
เกี่ยวกับโซลูชันดีที่สุดที่พบ และสุดท้ายเรา
ให้ผลลัพธ์บางอย่างเกี่ยวกับ GA. ใช้

Optimality A พบโซลูชัน
เราได้ทดลองหลายและใน ขณะที่ใช้ abovegiven
พารามิเตอร์, อัลกอริทึมทางพันธุกรรมแบบผสมผสานได้
ค้นหาโซลูชันที่แสดงในตาราง 3 ว่าที่
ตัวไขว้สองถูกนำไปใช้ ทั้งบริษัท
ชื่อและค่าน้ำหนักของพวกเขาในการติดตามที่ดีที่สุด
ได้ เราสังเกตว่า อาจคาดหวัง สิ่งที่หุ้นเลือกตามสำหรับผลงานสุดติดตาม
ลงรอยกับหุ้นขนาดใหญ่ของ AEX-ดัชนี นอกจากนี้
เราสังเกตว่า น้ำหนักขั้นต่ำในการติดตาม
(ว่า ของ AHOLD หุ้น) เป็น 4,7% และสูงสุด
น้ำหนักค่อนข้างน้อยกว่าดัชนี AEX 14,5%.
Since ประกอบด้วยหุ้น 25 และถูกจำลองแบบ (ที่หุ้นยูนิลีเวอร์)
โดยใช้หุ้น 10 เราได้รับการ
ตรวจสอบว่า tracker GA ที่พบแน่นอนสุด
ผลงานเกี่ยวกับข้อมูลการฝึกอบรม เราพยายามทั้งหมด
รวมกันได้ 10 สะท้อนจาก 25 และ คำนวณ,
ตามข้อมูลการฝึกอบรม ต่ำสุดสอดคล้อง
คาดว่าติดตามข้อผิดพลาดที่กำหนดตาม (2) สุด
พบปรากฏขึ้นร่วมกับพบ โดยไฮบริ
GA ดังนั้น บทสรุปแรกที่สำคัญของการทดลองของเราคือ
ว่าไฮบริ GA สามารถอย่างหาสุด
โซลูชัน

ผลลัพธ์ (ไทย) 3:

ในส่วนนี้ให้เราในปัจจุบันของเรามากที่สุดที่สำคัญจากการสำรวจพบ.
เราเริ่มต้นด้วยการนำเสนอผลการที่เกี่ยวข้องกับที่กุมของ
ซึ่งจะช่วยให้โซลูชันที่พบ,ถัดไปเราอยู่ที่การวิเคราะห์ ประสิทธิภาพ
ด้วยความเคารพในการที่ได้ผลดีที่สุดโซลูชันที่พบและสุดท้ายเรา
ซึ่งจะช่วยทำให้บางส่วนที่เกี่ยวกับผลการใช้, GA .

ที่กุมของโซลูชันที่พบ
ซึ่งจะช่วยเราได้หลายอย่างและการทดลองในขณะที่การใช้ abovegiven
พารามิเตอร์,อัลกอริธึมทางพันธุกรรมไฮบริดที่ได้สามารถที่จะ
ซึ่งจะช่วยค้นหาโซลูชันที่นำเสนอในตาราง 3 ไม่มีเรื่องที่สองของ
ซึ่งจะช่วยให้ผู้ให้บริการท่าพิคอัพแล้วครอสโอเวอร์ก็นำมาใช้ ทั้งสองบริษัท
ชื่อและค่าน้ำหนักของพวกเขาในกลุ่ม ผลิตภัณฑ์ ที่มีการติดตาม
จะได้รับ เราสังเกตว่าตามที่คาดว่าอาจจะเป็นหุ้นที่เลือกสำหรับการติดตามกลุ่ม ผลิตภัณฑ์ ของเราดีที่สุด
สอดรับกับหุ้นขนาดใหญ่ของเพื่อให้ได้ - ดัชนีนอกจากนี้
ซึ่งจะช่วยเราบันทึกไว้ด้วยว่าที่น้ำหนักน้อยที่สุดในการติดตามกลุ่ม
(ที่ของหุ้นได้อย่างไร)อยู่ที่ประมาณ 4,7% และสูงสุด
ซึ่งจะช่วยลดน้ำหนัก(ที่ของยูนิลีเวอร์หุ้น)ค่อนข้างจะน้อยกว่า 14,5% .
เนื่องจากที่เพื่อให้ - ดัชนีประกอบด้วย 25 หุ้นและมีไดโนเสาร์
ซึ่งจะช่วยโดยการใช้เพียง 10 หลักทรัพย์,เรายังมีการสามารถ
ซึ่งจะช่วยตรวจสอบว่าได้, GA ช่วยพบว่าเป็นความจริงที่ได้ผลดีที่สุด
กลุ่ม ผลิตภัณฑ์ ด้วยความเคารพในการฝึกอบรมข้อมูล.เราพยายามทั้งหมด
การใช้ร่วมกันได้ของ 10 หุ้นออกจาก 25 และคำนวณ
โดยขึ้นอยู่กับข้อมูลการฝึกอบรมที่เกี่ยวข้องอย่างน้อย
ที่คาดว่าเกิดข้อผิดพลาดการตรวจสอบว่าเป็นผู้ได้รับ( 2 ) โซลูชันที่ดีที่สุด
พบปรากฏตัวขึ้นเพื่อสอดรับกับโซลูชันที่พบโดยระบบไฮบริด
, GA ดังนั้นจึงสรุปว่าเป็นครั้งแรกที่สำคัญของการทดลองของเราคือ
ที่ Ga ไฮบริดที่เป็นสามารถที่จะหาได้อย่างมี ประสิทธิภาพ โซลูชัน
ซึ่งจะช่วยได้อย่างสม่ำเสมอ.