基于脉冲神经网络的跨市场组合优化：神经形态计算方法
投资组合管理
2025-10-21 v1 神经与进化计算
计算金融
摘要
随着金融市场全球化和高频、多维数据集的增长，跨市场组合优化变得日益复杂。虽然传统人工神经网络在某些组合管理任务中表现有效，但往往产生巨大的计算开销，且缺乏处理大规模多市场数据所需的时序处理能力。本研究探讨了应用脉冲神经网络（SNN）进行跨市场组合优化，利用神经形态计算原理处理来自印度（Nifty 500）和美国（S&P 500）两大市场的股票数据。通过 Yahoo Finance API 收集了约 1,250 个交易日、持续五年的日股价数据。该框架将 Leaky Integrate-and-Fire 神经元动力学与自适应阈值、脉冲时序可塑性（STDP）和侧抑制相结合，以实现对金融时间序列的事件驱动处理。通过层次聚类实现降维，同时采用基于群体的脉冲编码和多种解码策略，以支持受实际交易约束（包括持仓数量限制、交易成本和自适应风险厌恶）下的稳健组合构建。实验评估表明，SNN 基于框架在风险调整收益和波动性方面均优于 ANN 框架基准，同时显著提升了计算效率。这些发现凸显了神经形态计算在跨全球金融市场可扩展、高效且稳健的组合优化中的前景。
引用
@article{arxiv.2510.15921,
title = {Spiking Neural Network for Cross-Market Portfolio Optimization in Financial Markets: A Neuromorphic Computing Approach},
author = {Amarendra Mohan and Ameer Tamoor Khan and Shuai Li and Xinwei Cao and Zhibin Li},
journal= {arXiv preprint arXiv:2510.15921},
year = {2025}
}