拓扑信息引导的金融网络方法结合模糊决策与遗传算法的投资组合优化：来自伊斯坦布尔证券交易所的证据

《Risks》：Topology-Informed Financial Network Approach to Portfolio Optimization Using Fuzzy Decision-Making and Genetic Algorithms: Evidence from the Istanbul Stock Exchange

　　

本研究提出一种混合投资组合优化框架，整合金融网络分析（financial network analysis）、自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference Systems，ANFIS）和遗传算法（Genetic Algorithms，GA），用于BIST（伊斯坦布尔证券交易所）的资产配置。实证分析聚焦于BIST 30、BIST 50和BIST 100指数内的成分公司，使用覆盖2000–2025年期间的日度股票市场数据。金融网络中心性指标（financial network centrality indicators）和技术分析变量被用于识别结构上具有影响力的资产，并在市场不确定性下建立非线性投资决策动态的模型。ANFIS框架被用于捕捉技术指标与投资组合配置决策之间的复杂关系，而遗传算法则在收益最大化和下行风险最小化约束下优化投资组合权重。为降低过拟合风险，在模型训练过程中实施了主成分分析（Principal Component Analysis，PCA）和K折交叉验证（K-fold cross-validation）程序。所提出的框架还通过2021–2024年期间的样本外回测（out-of-sample backtesting）进行额外评估，并与基准投资组合策略（包括等权重（Equal Weight）和最小方差（Minimum Variance）投资组合）进行比较。实证结果表明，ANFIS–GA框架实现了优越的风险调整绩效（risk-adjusted performance），更高的夏普比率（Sharpe ratio）和索提诺比率（Sortino ratio），以及在市场波动期间更低的最大回撤（maximum drawdown）。本研究通过在新兴市场背景下整合金融网络指标与自适应模糊决策系统和进化优化技术，对投资组合优化文献做出贡献。所提出的框架主要作为自适应投资组合决策支持系统，而非纯粹的预测性预测模型。

本研究以金融市场复杂性加剧和传统均值-方差框架的局限性为背景，指出在新兴市场（如伊斯坦布尔证券交易所，BIST）中，线性假设、稳定相关性和正态分布回报的假设常失效，尤其在市场动荡期间。现有研究多将金融网络分析、模糊系统和遗传算法分开探讨，缺乏整合；且针对BIST等新兴市场的实证证据有限，多依赖样本内评估而忽视样本外稳健性检验。为此，研究人员提出一种融合金融网络指标、自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference Systems，ANFIS）和遗传算法（Genetic Algorithms，GA）的混合投资组合优化框架。该研究利用2000–2025年期间BIST 30、BIST 50和BIST 100成分股的日度股票市场数据，通过实证分析验证框架的有效性。结论表明，ANFIS–GA框架在风险调整收益（如夏普比率和索提诺比率）和最大回撤控制上显著优于等权重、最小方差等基准策略，并在2021–2024年样本外回测中保持稳定。研究的重要意义在于为新兴市场提供了自适应的投资组合决策支持系统，整合了网络拓扑信息与模糊推理及进化优化技术。论文发表在《Risks》。

**关键技术方法**（不超过250字）：主要方法包括：金融网络构建（基于股票收益相关性的网络，计算度中心性和介数中心性，以识别结构影响力资产）；自适应神经模糊推理系统（ANFIS，用于捕捉技术指标与投资决策间的非线性关系并生成模糊规则）；遗传算法（GA，在收益最大化和下行风险最小化约束下优化投资组合权重）；主成分分析（Principal Component Analysis，PCA，用于降维和减少多重共线性）；K折交叉验证和滚动前向验证（rolling walk-forward validation）用于增强模型泛化和避免过拟合。样本数据源自Investing.com和BIST数据库，涵盖BIST 30、BIST 50、BIST 100指数成分股，时间跨度2000–2025年。

**研究结果**（保留每个小标题）：

**4.4.1 基于网格矩阵的价值-增长风格分类**：通过基于收益价格比（E/P ratio）的模糊隶属度，将公司划分为价值型、增长型和混合型。分析显示，BIST 50中多数公司呈现增长导向（如GARAN、CIMSA），BIST 100中混合型占优（如KOZAA、BIMAS），BIST 30则偏向价值型（如BIMAS、TUPRS）。该分类为后续模糊推理和遗传算法优化提供了风格基础。

**4.4.2 与基于模糊逻辑的投资组合建模的整合**：风格得分直接输入模糊推理系统（FIS），形成决策规则（如“高增长且低价值则在高风险偏好下配置中等权重”），转化抽象特征为可操作逻辑，实现个性化风险收益校准。

**4.4.3 市值的描述性分析**：描述性统计显示BIST 100市值分布最广、标准差最大，BIST 30均值最高（3496亿土耳其里拉）且波动较低，证实了蓝筹股主导地位，为基于规模的聚类和网络中心性分析提供依据。

**4.4.4 基于市值的聚类与投资组合结构化**：将公司聚类为大盘、中盘和小盘。BIST 30由大盘和中盘主导，BIST 100分布更均匀。该聚类被整合入模糊推理引擎，使权重分配反映流动性、市场力量和波动敏感性。配对t检验和Bootstrap置信区间显示ANFIS–GA框架在风险调整绩效上显著优于基准。

**4.4.5 样本外预测绩效**：采用2021–2024年滚动前向验证，ANFIS–GA框架的均方根误差（Root Mean Square Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）低于ARIMA、LSTM和图卷积网络（Graph Convolutional Network，GCN）等基准，方向准确率更高。风格分类图（图6-8）进一步显示等权重指数下风格分布更均衡，支持模糊分类的稳健性。

**总结讨论部分**：第5部分讨论指出，ANFIS–GA框架在夏普比率、索提诺比率和最大回撤上持续优于基准，且金融网络中心性指标（如ASELS、BIMAS、TUPRS的高中心性）显著提升了股票选择效率和多样性。统计显著性检验和样本外回测支持假设H1、H2和H3，即该框架在风险调整收益、网络指标提高选择效率和降低下行风险方面均有效。与已有研究（如Haq等，2021；Peralta等，2025）一致，整合模糊系统、网络结构和进化优化有助于自适应投资组合优化。

**翻译研究结论部分**（第6部分）：本研究开发了一种融合金融网络分析、ANFIS和GA的混合投资组合优化框架，用于BIST投资组合分配，数据覆盖2000–2025年。实证结果表明，该框架相比等权重、市值加权和最小方差等基准策略，实现了更强的风险调整绩效。ANFIS–GA模型在波动时期达到更高的夏普比率和索提诺比率，并降低了最大回撤。结果进一步显示，金融网络指标（度和介数中心性）通过识别BIST网络中有影响力的公司，增强了股票选择效率。ANFIS组件有效捕捉了不确定性下的非线性市场动态和投资者行为，而GA优化在实践约束下改善了分配效率。通过PCA降维、K折交叉验证和2021–2024年样本外测试，框架在未见市场条件下保持稳定，减轻了过拟合担忧并提高了可推广性。研究的主要贡献包括：将金融网络指标、模糊决策系统和进化优化整合为统一框架；开发BIST市场的ANFIS–GA混合模型；通过基准比较和样本外验证进行全面评估；提供波动市场下风险调整绩效改善的实证证据。未来研究可纳入宏观经济变量、情绪指标、深度学习和强化学习，并扩展至国际市场。