0104079模擬退火算法在貸款組合優(yōu)化決策中的應(yīng)用

0104079模擬退火算法在貸款組合優(yōu)化決策中的應(yīng)用劉則毅劉燦（天津大學(xué)數(shù)學(xué)系，天津300072）摘要針對貸款組合優(yōu)化決策模型的求解咨詢題，本文提出了一種改進(jìn)的模擬退火算法。數(shù)值運算的結(jié)果表明，該算法具有專門強的適用性。關(guān)鍵詞貸款組合模擬退火全局優(yōu)化隨機搜索1引言風(fēng)險貸款組合配給決策，是在綜合考慮貸款收益和風(fēng)險的前提下，從眾多的貸款對象中選擇一組合適的貸款對象的過程。文獻(xiàn)[1]中建立了基于單位風(fēng)險收益最大原則的貸款組合優(yōu)化決策模型。該咨詢題的求解過程在規(guī)模較小時是簡單易行的，但隨著咨詢題規(guī)模的增大，其運算量隨之呈指數(shù)型增長。因此，需要設(shè)計出一種兼顧解的質(zhì)量以及運行時刻的較好算法。模擬退火算法是80年代初期進(jìn)展起來的一種求解大規(guī)模組合優(yōu)化咨詢題的隨機性方法。它以優(yōu)化咨詢題的求解與物理系統(tǒng)退火過程的相似性為基礎(chǔ)，利用Metropolis算法并適當(dāng)?shù)牟倏v溫度的下降過程實現(xiàn)模擬退火，從而達(dá)到求解全局優(yōu)化咨詢題的目的。它具有描述簡單、使用靈活、運用廣泛、運行效率高和較少受初始條件限制等優(yōu)點。模擬退火算法在搜索策略上與傳統(tǒng)的隨機搜索方法不同，它不僅引入了適當(dāng)?shù)碾S機因素，而且還引入了物理系統(tǒng)退火過程的自然機理。這種自然機理的引入使模擬退火算法在迭代過程中不僅同意使目標(biāo)函數(shù)值變“好”的試探點，而且還能夠以一定的概率同意使目標(biāo)函數(shù)值變“差”的試探點，同意概率隨著溫度的下降逐步減小。模擬退火算法的這種搜索策略有利于幸免搜索過程因陷入局部最優(yōu)解而無法自拔的弊端，有利于提升求得全局最優(yōu)解的可靠性。本文提出了一種求解上述模型的改進(jìn)模擬退火算法，數(shù)據(jù)結(jié)果表明該算法運算效率高，穩(wěn)固性好。2模型本模型的建立基于以下三個原則：（1）單位風(fēng)險收益最大原則通過運算組合投資的平均收益與組合風(fēng)險之比來判定組合方案的優(yōu)劣，比值大的組合方案代表其單位風(fēng)險所獲得的收益也大。（2）貸款剩余資源最少原則如果僅依據(jù)單位風(fēng)險收益最大原則來決策，就可能顯現(xiàn)只有專門少幾個項目被選中的情形，如此會造成分配后的剩余資金過多。因此，在貸款組合優(yōu)化決策中，應(yīng)在每筆單項貸款可行的基礎(chǔ)上，增加一個最低貸款額度Lb的約束條件，以使剩余資金處于銀行能夠同意的水平。（3）可比性原則貸款項目的使用年限或壽命不盡相同，若采納凈現(xiàn)值（NPV）作為評判指標(biāo)，則不具有可比性。為使評判指標(biāo)具有可比性，應(yīng)采納總凈現(xiàn)值進(jìn)行評判。設(shè)σ為貸款組合的標(biāo)準(zhǔn)差，用來衡量貸款組合的總風(fēng)險；m為申請貸款企業(yè)的個數(shù)；TNPVi，TNPVj分別為第i個企業(yè)和第j個企業(yè)新建項目的總凈現(xiàn)值；Xi=1為0-1變量，Xi=0為第i個貸款企業(yè)未被選中，Xi=1為第i個貸款企業(yè)被選中；cov（TNPVi·Xi，TNPVj·Xj）為第i個項目總凈現(xiàn)值與第j個項目總凈現(xiàn)值的斜方差，即二者的組合風(fēng)險；當(dāng)Xi=0時，第i個貸款企業(yè)項目未被選中，其與第j個貸款企業(yè)項目的協(xié)方差為0。則貸款組合的總風(fēng)險為σ=[cov（TNPVi·Xi，TNPVj·Xj）] =[XiXj·cov（TNPVi，TNPVj）]貸款組合的總效益為TNPV=TNPVi·Xi按照上述原則，設(shè)W為貸款的單位風(fēng)險收益，則決策模型目標(biāo)函數(shù)為maxW=TNPV/σ。設(shè)L為銀行貸款總額，Li為i第個企業(yè)新建項目所需貸款額，La為銀行中長期貸款的可用頭寸，Lb為銀行中長期貸款組合的最低配給額。按照上述原則，資金約束為Lb≤L≤La，L=LiXi綜合上述內(nèi)容，可得到貸款風(fēng)險組合優(yōu)化決策模型如下：objmaxW=TNPV/σs.t.LiXi≤La LiXi≥Lb（Ⅰ）其中TNPV=TNPVi·Xiσ=[XiXj·cov（TNPVi，TNPVj）]Xi={i=1～m3改進(jìn)的模擬退火算法上述組合優(yōu)化咨詢題屬于NP完全咨詢題，該咨詢題的求解需要咨詢題規(guī)模的指數(shù)階時刻。當(dāng)有m個企業(yè)申請貸款時，即咨詢題規(guī)模為m時有2m個解（含不可行解），找出最優(yōu)解需要進(jìn)行2m-1次比較運算。用運算能力為1Mflops(每秒一百萬次浮點運算)的運算機進(jìn)行求解，在m=10時只需1ms，而當(dāng)m=60時，需用366世紀(jì)！因此，需要找出兼顧解的質(zhì)量以及運算時刻的較好算法。模擬退火算法是一種解大規(guī)模組合優(yōu)化咨詢題，專門是NP完全咨詢題的有效近似算法。它源于對固體退火過程的模擬；采納Metropolis同意準(zhǔn)則；并用一種稱為冷卻進(jìn)度表的參數(shù)操縱算法進(jìn)程，使算法在多項式時刻里給出一個近似最優(yōu)解。模擬退火算法的一樣形式是：從選定的初始解開始，在借助于操縱參數(shù)t遞減時產(chǎn)生的一系列Mapkob鏈中，利用一個新解產(chǎn)生裝置和同意準(zhǔn)則，重復(fù)進(jìn)行包括“產(chǎn)生新解——運算目標(biāo)函數(shù)差——判定是否同意新解——同意（或舍棄）新解”這四個任務(wù)的試驗，持續(xù)對當(dāng)前解迭代，從而達(dá)到使目標(biāo)函數(shù)最優(yōu)的執(zhí)行過程。針對模型（Ⅰ），對模擬退火過程中的關(guān)鍵步驟講明如下：（1）新解產(chǎn)生裝置。在1～m之間隨機選取i和j，當(dāng)前解中若第i個和第j個企業(yè)獲得貸款狀態(tài)相同則改變第i個企業(yè)的貸款狀態(tài)；若不同則交換其狀態(tài)。即（2）關(guān)于初始點的調(diào)整。由于模型約束條件中上下限的限制嚴(yán)格，關(guān)于一個離可行域比較遠(yuǎn)的初始點（例如取X0=(0,…,0)），通過上述新解產(chǎn)生裝置可能無法在初始點的“鄰近”找到可行解。因此，需進(jìn)行一個快速調(diào)整的過程。即若L＜Lb（貸款總額未達(dá)到最低限額）則依次選取未獲貸款企業(yè)，改變其貸款狀況使之獲得貸款，重復(fù)這一過程直到符合條件。若貸款超額則依次取消某些企業(yè)的貸款使之符合條件。（3）同意準(zhǔn)則。采取擴(kuò)充的Metropolis同意準(zhǔn)則判定是否同意新解。若新解可行且優(yōu)于當(dāng)前解則同意；否則按exp(△W/t)或0的概率同意新解。即P=（4）停止準(zhǔn)則。當(dāng)操縱參數(shù)t遞減至設(shè)定值ε時停止算法。按照模擬退火思想設(shè)計適合模型（Ⅰ）的算法如下：步驟1產(chǎn)生初始解X0∈，其中={（x1,…,xm）|xi∈{0,1}}為可能解集合，xi代表第i個企業(yè)是否獲得貸款的狀態(tài)。運算相應(yīng)的目標(biāo)函數(shù)值W0；給出操縱參數(shù)初值t0,Mapkob鏈長度N以及停止參數(shù)K和ε。步驟2判定初始解的可行性。若不可行則快速調(diào)整，否則轉(zhuǎn)步驟3。步驟3產(chǎn)生新解并運算新解與當(dāng)前解的目標(biāo)函數(shù)值之差△W。然后由同意準(zhǔn)則運算P(△W,t)，取（0,1）上服從平均分布的隨機數(shù)δ，若P(△W,t)≥δ同意新解，否則舍棄新解。步驟4累計重排次數(shù)n。若n＜N轉(zhuǎn)步驟3，否則轉(zhuǎn)步驟5。步驟5判定停止準(zhǔn)則是否滿足。若不滿足則令t=0.9t,n=0轉(zhuǎn)步驟3，否則停止算法輸出當(dāng)前解。由于模擬退火算法的隨機性，終止解可能不是整個過程所遇到的解中最優(yōu)的。即使是最優(yōu)的，盡管可證明算法對整體最優(yōu)解的漸進(jìn)收斂性，但終止解的可同意性也不能不遭到懷疑。另外，當(dāng)終止解在最優(yōu)解的鄰近時，算法本身不能迅速靠近或達(dá)到它。因此，對上述算法進(jìn)行如下改進(jìn)：（1）設(shè)置經(jīng)歷器。設(shè)變量X*和W*分別用于經(jīng)歷當(dāng)前遇到的最優(yōu)解及目標(biāo)函數(shù)值。算法開始時令X*和W*分別等于初始解及其目標(biāo)函數(shù)值；以后每同意一個新解時，就將當(dāng)前解的目標(biāo)函數(shù)值與W*作比較，若優(yōu)于W*就用當(dāng)前解替換X*和W*。最后算法終止時，將所得最優(yōu)解與經(jīng)歷器中的解比較，取較優(yōu)的一個作為當(dāng)前最優(yōu)解。（2）算法最后鏈接一個局部搜索過程。以上步所得當(dāng)前最優(yōu)點為起點，用新解產(chǎn)生裝置產(chǎn)生新解，僅當(dāng)優(yōu)于當(dāng)前解時同意。重復(fù)若干次后終止算法。通過上述改進(jìn)后的模擬退火算法具有較好的穩(wěn)固性，能夠獲得更好的近似解甚至整體最優(yōu)解。4實例分析某銀行新建項目的貸款頭寸La為300萬元，貸款最低完成任務(wù)Lb為270萬元?，F(xiàn)有十個企業(yè)申請基建貸款。有關(guān)信息如表一、表二所示。現(xiàn)在要求確定銀行的貸款組合決策，以決定對哪些企業(yè)發(fā)放貸款。表一貸款組合備選方案項目ⅠⅡⅢⅤⅥⅦⅧⅨⅩⅫ投資352839.931.55626.25632124.511.2TNPVi47.1845.2225.4072.8622.4520.7796.7643.0143.4222.42表二總凈現(xiàn)值TNPV的協(xié)方差矩陣cov（TNPVi，TNPVj）123456789101600.00400.001200.00500.001500.00980.001300.00700.00640.00400.002400.00266.67800.00333.331000.00653.33866.67466.67426.67266.6731200.00800.002600.00966.673100.002100.002300.001433.331413.33746.674500.00333.33966.67422.221233.33793.331133.33577.78511.11342.2251500.001000.003100.001233.333800.002520.003100.001766.671666.67973.336980.00653.332100.00793.332520.001698.671913.331166.671138.67616.0071300.00866.672300.001133.333100.001913.333266.671466.671186.67946.678700.00466.671433.33577.781766.671166.671466.67822.22768.89457.789640.00426.671413.33511.111666.671138.671186.67768.89771.56391.1110400.00266.67746.67342.22973.33616.00946.67457.78391.11280.89運用MATLAB軟件，能夠按照上述算法編制相應(yīng)程序?qū)υ撟稍冾}進(jìn)行求解。其中有關(guān)參數(shù)的設(shè)置為：X0=(0,0,0,0,0,0,0,0,0,0)，t0=1，N=5,ε=0.02。在運算機上運行后得到最優(yōu)解X*=(1,1,0,1,1,0,1,1,1,1)。結(jié)合這一實例對算法的要緊性能分析如下：（1）按照上述參數(shù)設(shè)置，算法運行中總共比較了不到三百個方案（包括不可行解），而對m=10的模型共有1024個方案可供選擇。由此可見這一算法極大的提升了運算效率，節(jié)約了運算時刻。（2）將程序連續(xù)運行10次，其中有9次獲得了理想的結(jié)果（即整體最優(yōu)解），因而算法的穩(wěn)固性能是專門好的。進(jìn)一步分析可知，有五次運行是在常規(guī)算法時期就得到了最優(yōu)解，還有兩次是在經(jīng)歷器中得到的最優(yōu)解，另有兩次是在最后的局部搜索中才得到理想結(jié)果。由此可見，對原常規(guī)算法進(jìn)行改進(jìn)是必要的，也是可行的，這一改進(jìn)保證了算法的穩(wěn)固性。5結(jié)論本文針對貸款組合優(yōu)化決策模型的求解咨詢題，提出了一種改進(jìn)的模擬退火算法。數(shù)值運算的結(jié)果表明，該算法具有專門強的適用性。將模擬退火算法運用于貸款組合優(yōu)化決策模型的求解是完全可行的。參考文獻(xiàn)1遲國泰、秦學(xué)志、朱戰(zhàn)宇基于單位風(fēng)險收益最大原則的貸款組合優(yōu)化決策模型.操縱與決策，2000，4：469～472。2康立山、謝云、尤矢勇、羅祖華.非數(shù)值并行算法—模擬退火算法.北京：科學(xué)出版社，1998。3王強。模擬退火算法的改進(jìn)及其應(yīng)用.應(yīng)用數(shù)學(xué)，1993，4：392～397。AnSimulatedAnnealingAlgorithmandItsApplicationinDecision-makingModelofLoan'sPortfolioOptimizationLiuZeyiLiuCan(DepartmentofMathematics,TianjinUniversity.Tianjin300072)AbstractTosolvethedecision-makingmodelofloan's