印度股票的等权组合和最优风险组合的绩效评估
本研究在印度股市上对三种投资组合优化方法（最小方差组合、分层风险平衡组合、最优风险调整组合）进行了比较研究，以印度国家股票交易所上 15 个行业的股票为重点。对每个行业，根据 2022 年 7 月 1 日 NSE（国家股票交易所）发布的报告，选择每个集群的前股票，并使用三种投资组合优化方法进行设计。该研究使用累计回报率、年度波动率和夏普比率三个指标来评估投资组合的绩效，识别出在训练和测试期间实现最高累计回报率、最低波动率和最大夏普比率的投资组合。
Oct, 2023
本文通过比较三种投资组合设计方法 (均值 - 方差组合，分层风险平价组合和自编码器组合)，应用于国家证券交易所上列出的十个主题行业的股票历史价格，并在测试数据上进行了表现测试，结果发现 MVP 组合在风险调整回报上表现最佳，而自编码器组合在年收益率上表现最好
Jul, 2023
通过比较三种投资组合优化方法的表现，本文提出了一种基于强化学习的组合设计方法，利用印度股市历史数据进行训练和测试，并使用年回报、年风险和夏普比率等指标进行了比较。
May, 2023
本文提出了一种基于模糊专家系统和 DS 证据理论方法的股票评估和排名技术，并应用蚁群算法进行组合优化，以在 Bombay 证券交易所的短期投资中表现良好。
Apr, 2022
该研究论文关注于通过组合优化模型创建高质量的推荐项目列表，以平衡推荐的准确性和多样性。提出了利用鲁棒优化技术处理估计统计不确定性的鲁棒组合优化模型，并证明该方法能够提高推荐的准确性和多样性。
Jun, 2024
回顾了不同文献中解决马科维茨优化难题的方法后，提出了一种新方法，该方法在模拟和实证研究中表现出较大的改进，并允许灵活的建模以包含历史数据的动态特征和基本分析。
Aug, 2011
本文提出基于 TabuSearch 和 TokenRing Search 的启发式方法来解决投资组合优化问题，采用加入基数和数量限制的 Markowitz 的经典均值方差模型来更好地捕捉交易流程动态，并探索了三个不同邻域关系的组合。此外，还提出了一种新的初始解构造方法。最后，论文通过公共基准测试展示了所提出技术的表现。
Nov, 2022
通过在线学习框架将原模型重新设计为一种动态策略，以在统计假设下不受限制地接近真实总结的组合的经验效用、夏普比率和增长率。
Jun, 2024
本文提出的优化黑盒方法使用贝叶斯优化算法（Bayesian optimization，BO）来最大化遵循 ESG 标准的股票投资组合的表现，以此来平衡回报和风险。
Feb, 2023