B. Quality Analysis of Solution Fou

B. Quality Analysis of Solution Found
In order to estimate the quality of the GA tracking portfolio
found, we performed several experiments. First of all, we
measured the above-described out-of-sample performance.
Figure 1 shows the out-of-sample performance compared to
the performance of the true AEX-index. We observe that
initially, both performances are almost equal while gradually
small differences emerge due to, among other things, changes
in the weights of the shares composing the AEX-index.
We further note that the up and down movements of both
portfolios are quite similar.Second, we calculated the out-of-sample tracking error as
defined by equation (5), respectively equation (6). The error
values found are presented in the first column of Table 4.In trying to understand the quality of these error values, we
compared them with the performance of randomly selected
portfolios. To do so, 50 portfolios consisting of 10 randomly
selected stocks were constructed and the optimal weights of
these stocks were calculated by solving minimization problem
(1). Next, we calculated the out-of-sample performance
of the randomly selected portfolios according to equations (5)
and (6), the averages of which are shown in the second
column of table 4. We conclude that, roughly spoken, the
optimal GA tracker, on average, performs almost four times
better than a randomly selected portfolio with optimized
stock weights.
We further selected the 10 highest, respectively lowest
capitalized stocks in the AEX-index using equal weights,
the tracking errors of which are shown in the fourth column
of table 4 and the tracking behaviors of which are shown
in figure 2. Actually, the tracking errors of the portfolio
consisting of the 10 highest capitalized stocks appear to be
quite small although the performance in terms of the value
of this portfolio is slightly worse than that of the index. In
addition we observe that the tracking errors of the lowest
capitalized stocks in the AEX-index appear to be higher
while the performance in terms of the value of this stock
is much better than the AEX-index. Finally we applied full
replication of the AEX-index, the performances of which are
shown in the last column. As expected, these performances
are very well although not 100% due to (small) intermediate
changes of the composition of the AEX-index in the out-ofsample
test data.

ผลลัพธ์ (ไทย) 1:

b การวิเคราะห์คุณภาพของการแก้ปัญหาที่พบ
เพื่อประเมินคุณภาพของการติดตามผลงาน ga
พบเราดำเนินการทดลองหลาย แรกของทั้งหมดที่เรา
วัดประสิทธิภาพการทำงานดังอธิบายออกจากตัวอย่าง.
รูปที่ 1 แสดงให้เห็นถึงผลการดำเนินงานออกจากตัวอย่างเมื่อเทียบกับประสิทธิภาพการทำงานของ
AEX ดัชนีจริง เราสังเกตว่า
เริ่มต้นการแสดงทั้งสองในขณะที่เกือบเท่ากับค่อยๆ
ความแตกต่างเล็ก ๆ ออกมาเนื่องจาก, เหนือสิ่งอื่นใดการเปลี่ยนแปลง
ในน้ำหนักของหุ้นแต่ง AEX ดัชนี.
เรายังทราบว่าการเคลื่อนไหวขึ้นและลงของทั้งสอง
พอร์ตการลงทุนที่ค่อนข้าง similar.second เราคำนวณออกจาก ตัวอย่างข้อผิดพลาดการติดตามเป็น
กำหนดโดยสมการ (5) ตามลำดับสมการ (6) ข้อผิดพลาดที่พบ
ค่าถูกนำเสนอในคอลัมน์แรกของตารางที่ 4ในการพยายามที่จะเข้าใจคุณภาพของค่าความผิดพลาดเหล่านี้เรา
เมื่อเทียบกับประสิทธิภาพของการสุ่มเลือก
พอร์ตการลงทุน จะทำเช่นนั้น 50 พอร์ตการลงทุนประกอบด้วยหุ้น 10
สุ่มเลือกถูกสร้างขึ้นและน้ำหนักที่เหมาะสมของหุ้นเหล่านี้
ถูกคำนวณโดยการแก้ปัญหาการลด
(1) ถัดไปเราคำนวณผลการดำเนินงานออกจากตัวอย่าง
ของพอร์ตการลงทุนการสุ่มเลือกตามสมการที่ (5)
และ (6) ค่าเฉลี่ยซึ่​​งจะแสดงในคอลัมน์ที่สอง
4 ของตาราง เราสรุปได้ว่าการพูดประมาณ
ติดตาม ga ที่เหมาะสมโดยเฉลี่ยจะดำเนินการเกือบสี่ครั้ง
ดีกว่าผลงานที่สุ่มเลือกที่ดีที่สุดที่มีน้ำหนักหุ้น
.
เรายังเลือก 10 สูงสุดตามลำดับต่ำสุด
หุ้นทุนใน AEX ดัชนีการใช้น้ำหนักเท่ากัน
ติดตามข้อผิดพลาดซึ่งจะแสดงในคอลัมน์ที่สี่ของตาราง
4 และพฤติกรรมการติดตามที่มีการแสดงในรูป
2 ที่จริงความผิดพลาดในการติดตามผลงานของ
ประกอบด้วยหุ้นสูงสุด 10 ตัวพิมพ์ใหญ่ดูเหมือนจะเป็น
ขนาดเล็กมากถึงแม้ว่าผลการดำเนินงานในแง่ของมูลค่า
ของผลงานนี้เป็นเพียงเล็กน้อยเลวร้ายยิ่งกว่าที่ดัชนี ใน
นอกจากนี้เราสังเกตว่าข้อผิดพลาดในการติดตามการต่ำสุด
หุ้นทุนใน AEX ดัชนีดูเหมือนจะสูงขึ้นในขณะที่ผลการดำเนินงาน
ในแง่ของมูลค่าของหุ้นนี้
จะดีกว่า AEX ดัชนี ในที่สุดเรานำมาใช้เต็มรูปแบบของการจำลองแบบ
AEX ดัชนีการแสดงซึ่งจะ
แสดงในคอลัมน์สุดท้าย ตามที่คาดไว้การแสดงเหล่านี้
เป็นอย่างดีถึงแม้จะไม่ 100% เนื่องจาก (เล็ก) กลาง
การเปลี่ยนแปลงขององค์ประกอบของ AEX ดัชนีในออก ofsample
ทดสอบข้อมูล

ผลลัพธ์ (ไทย) 2:

B. คุณภาพวิเคราะห์ของโซลูชันพบ
เพื่อประเมินคุณภาพของผลงานติดตาม GA
พบ เราทำการทดลองต่าง ๆ แรกของทั้งหมด เรา
วัดที่อธิบายข้างต้นออกอย่างประสิทธิภาพ
รูปที่ 1 แสดงประสิทธิภาพออกของตัวอย่างเทียบกับ
ประสิทธิภาพของจริง AEX ดัชนี เราสังเกตที่
เริ่ม แสดงทั้งเกือบเท่าขณะค่อย ๆ
ความแตกต่างเล็ก ๆ เกิดครบกำหนดให้ ต่าง ๆ เปลี่ยนแปลง
ในน้ำหนักของหุ้นที่เขียน AEX-ดัชนี
เราสังเกตเพิ่มเติมว่าที่ขึ้นความเคลื่อนไหวของทั้งสอง
พอร์ตการลงทุนค่อนข้างคล้ายสอง เราได้ข้อผิดพลาดการติดตามการออกของตัวอย่างเช่น
กำหนด โดยสมการ (5), สมการตามลำดับ (6) ข้อผิดพลาด
พบค่าจะแสดงในคอลัมน์แรกของตาราง 4ในการพยายามทำความเข้าใจคุณภาพของค่าความผิดพลาดเหล่านี้ เรา
เปรียบเทียบได้กับประสิทธิภาพของสุ่มเลือก
พอร์ตการลงทุน ดังกล่าว ประกอบด้วย 10 สุ่มพอร์ตการลงทุน 50
เลือกหุ้นถูกสร้าง และน้ำหนักสูงสุดของ
หุ้นเหล่านี้คำนวณได้ โดยการแก้ problem
(1) การลดภาระการ ถัดไป เราได้ประสิทธิภาพออกอย่าง
ของพอร์ตการลงทุนแบบสุ่มเลือกตามสมการ (5)
(6), ค่าเฉลี่ยซึ่งจะแสดงในสอง
คอลัมน์ของตาราง 4 เราสรุปว่า พูดหยาบ ๆ
ตัวติดตาม GA สูงสุด เฉลี่ย ทำเกือบสี่ครั้ง
ดีกว่าผลงานสุ่มเลือกด้วยเหมาะ
หุ้นน้ำหนัก.
เราเลือก 10 สูงสุด ต่ำสุดตามลำดับต่อไป
บันทึกหุ้นในดัชนี AEX ที่ใช้น้ำหนักเท่ากัน,
ติดตามข้อผิดพลาดที่แสดงในคอลัมน์สี่
ตาราง 4 และติดตามพฤติกรรมที่จะแสดง
ในรูปที่ 2 จริง ติดตามข้อผิดพลาดของผลงาน
ประกอบด้วย 10 สูงสุดจะ สามารถบันทึกเป็นสินทรัพย์หุ้น
ค่อนข้างเล็กแม้ว่าประสิทธิภาพในค่า
ของผลงานนี้เป็นการเล็กน้อยยิ่งกว่าที่ดัชนี ใน
นี้เราสังเกตที่ติดตามข้อผิดพลาดของต่ำสุด
บันทึกเป็นสินทรัพย์หุ้นในดัชนี AEX ต้องสูง
ขณะที่ประสิทธิภาพในค่าของสินค้าคงคลังนี้
ดีกว่าดัชนี AEX สุดท้าย เราใช้เต็ม
จำลองของ AEX-ดัชนี การแสดงของที่อยู่
แสดงในคอลัมน์ ตามที่คาดไว้ ประทับ
จะดีมากแม้ว่าจะไม่ 100% เนื่องจากระดับกลาง (เล็ก)
การเปลี่ยนแปลงขององค์ประกอบของดัชนี AEX ใน ofsample ออก
ทดสอบข้อมูล

ผลลัพธ์ (ไทย) 3:

B . คุณภาพ การวิเคราะห์ของโซลูชันที่พบ
ซึ่งจะช่วยในการสั่งซื้อในการประเมิน คุณภาพ ของกลุ่ม ผลิตภัณฑ์ การติดตาม, GA ที่
ซึ่งจะช่วยเราได้ทำการทดลองหลายแห่ง ครั้งแรกของทั้งหมดที่เรา
ซึ่งจะช่วยวัด ประสิทธิภาพ การทำงานออกมามีตัวอย่างข้างต้นที่อธิบาย.
รูปที่ 1 แสดงถึง ประสิทธิภาพ การทำงานออกไป - - ตัวอย่างที่เทียบกับ ประสิทธิภาพ
ของจริงเพื่อให้ - ดัชนี เราสังเกตว่า
ซึ่งจะช่วยการแสดงทั้งในครั้งแรกก็เกือบจะเท่ากันในขณะที่อย่างค่อยเป็นค่อยไปตอบแทน
ขนาดเล็กความแตกต่างออกมาเนื่องจากการอยู่ท่ามกลางสิ่งต่างๆ,การเปลี่ยนแปลง
ในยกน้ำหนักของหุ้นการเขียนที่เพื่อให้ - ดัชนี.
เราเพิ่มเติมโปรดบันทึกไว้ด้วยว่าขึ้นและลงความเคลื่อนไหวของทั้งสอง
ซึ่งจะช่วยหาช่องทางก็ค่อนข้างจะคล้ายกัน.ที่สองเราคำนวณได้จากตัวอย่างการตรวจสอบข้อผิดพลาดที่
ที่กำหนดโดยสมการ( 5 ),ตามลำดับสมการ( 6 ) เกิดข้อผิดพลาดขณะ
ค่าที่พบมีการแสดงในคอลัมน์แรกของตารางที่ 4ในความพยายามที่จะทำความเข้าใจที่มี คุณภาพ ของค่าเกิดข้อผิดพลาดเหล่านี้เรา
เมื่อเทียบกับเขาด้วยการสุ่มเลือก
ซึ่งจะช่วยหาช่องทาง ในการดำเนินการดังกล่าวให้สินเชื่อ 50 ประกอบด้วย 10 แบบสุ่ม
ซึ่งจะช่วยหุ้นที่เลือกถูกสร้างขึ้นและยกน้ำหนักได้ดีที่สุดของ
หุ้นเหล่านี้เป็นการคำนวณโดยการแก้ไขปัญหาการย่อ
( 1 ) ถัดไปเราจะคำนวณ ประสิทธิภาพ out - of - ตัวอย่าง
ตามมาตรฐานการสุ่มหาช่องทางที่เลือกตามสม( 5 )
และ( 6 )จากค่าเฉลี่ยของซึ่งจะแสดงในคอลัมน์ที่สอง
ของตารางที่ 4 . เราจะสรุปว่าพูดหยาบ
ซึ่งจะช่วยได้อย่างมี ประสิทธิภาพ , GA ที่ช่วยโดยเฉลี่ยแล้วจะทำเกือบสี่เท่า
ซึ่งจะช่วยได้ดีกว่ากลุ่มที่เลือกแบบสุ่มด้วยเครื่องยกน้ำหนัก
หุ้นปรับแต่ง.
เราเพิ่มเติมที่เลือก 10 สูงสุดตามลำดับต่ำสุด
ตัวพิมพ์ใหญ่ในหุ้นเพื่อให้ - ดัชนีโดยใช้เครื่องลดน้ำหนักเท่ากับ
ที่ผิดพลาดการติดตามซึ่งจะแสดงอยู่ในคอลัมน์ที่สี่
ของตาราง 4 และพฤติกรรมการติดตามของที่แสดง
ในรูปที่ 2 . จริงๆแล้วการติดตามข้อผิดพลาดในกลุ่ม ผลิตภัณฑ์ ที่ประกอบด้วย
ซึ่งจะช่วยใน 10 หุ้นสูงสุดพิมพ์ตัวอักษรตัวพิมพ์ใหญ่จะปรากฏขึ้นเป็น
ขนาดค่อนข้างเล็กแต่ ประสิทธิภาพ การทำงานในด้านของความคุ้มค่าที่
กลุ่ม ผลิตภัณฑ์ นี้จะค่อนข้างแย่ยิ่งกว่าดัชนีที่
ซึ่งจะช่วยเราในการตรวจสอบว่ามีข้อผิดพลาดการติดตามของหุ้น
ซึ่งจะช่วยพิมพ์ตัวอักษรตัวพิมพ์ใหญ่สุดในเพื่อให้ - ดัชนีจะปรากฏขึ้นเพื่อจะเพิ่มสูงขึ้นในขณะที่ ประสิทธิภาพ
ซึ่งจะช่วยในเรื่องของความคุ้มค่าของหุ้นตัวนี้
ซึ่งจะช่วยได้มากกว่าเพื่อให้ - ดัชนี สุดท้ายเราจะนำมาใช้แบบเต็ม
ซึ่งจะช่วยทำซ้ำขั้นตอนการเพื่อให้ - ดัชนีที่การแสดงซึ่งมี
ซึ่งจะช่วยแสดงในคอลัมน์สุดท้าย เป็นไปตามที่คาดไว้การแสดงนี้
ซึ่งจะช่วยเป็นอย่างมากแม้ว่าจะไม่ได้เป็นอย่างดี 100% เนื่องจากมีการเปลี่ยนแปลง(ขนาดเล็ก)กลาง
ซึ่งจะช่วยในการเขียนเพื่อให้ที่ดัชนีในข้อมูลการทดสอบ
ออกมา - ofsample ได้