一、算法概述 
　　（一）遗传算法 
　　本文模拟遗传算法，将股票看成是最初的种群基因，通过持续不断的组合优化，最终达到设定标准的组合。此组合即为我们所要计算出的最优资产组合。 
　　（二）模拟退火算法 
　　二、实验 
　　（一）数据选取 
　　本文从沪深300指数所包括的股票中选取了各个行业中具有代表性的50支股票。这50支股票所跨行业非常广泛，囊括了金融业、房地产业、建筑业、新能源行业等等。基于国内的股票市场成分较多，一一选择出来不太现实且不具有较强的说服力等原因，我们选择了热门且具有代表性的行业，然后计算其收益率和方差计算，观察总体的波动情况。 
　　（二）实验步骤 
　　遗传算法是一种比较灵活的算法，在目标函数设定之后各个股票的初始比例不用人为的进行设定，在一定程度上避免了人为因素对结果的影响，其所得出的结果具有客观性。本次实验中遗传算法得出的最优持有比例的特点就是具有卖空的性质。图3中的第一幅图表示适应函数值随着遗传代数的变化达到最优的过程；第二幅图表示优化参数的大小，波动幅度不大，第一个参数相对其他参数较大，主要原因是第一支股票与沪深300指数的波动方向及幅度非常相近，导致其在结果中占有很大的比例。 
　　模拟退火算法是一种新的随机搜索方法，它是近年来提出的一种适用于解决大规模组合优化问题的通用而有效的近似算法。与以往的近似算法相比，模拟退火算法具有描述简单、使用灵活、运用广泛、运行效率高和较少受到初始条件约束等优点。图4中第一幅图是最终的参数值，表示在最后时刻参数的大小，可以看出五十个参数的波动幅度较大，且有正有负。第二幅图是在计算结果时刻的函数值，表示计算过程中函数值的变化，可以看出变化的幅度相对较小，说明计算过程平稳，计算结果可靠性大。 
　　通过对两种算法的分析对比，最后得出遗传算法的收益率为0.9979，模拟退火收益率0.9731；市场收益率0.9343。两种算法的收益率都要高于市场的收益率，说明我们计算的结果是有效的。 
　　参考文献： 
　　[1]刘则毅，安向龙，荣喜民，唐万生.基于遗传算法的一种Portfolio新模型[J].系统工程与电子技术，2002，（04）． 
　　[2]陈国华，廖小莲.投资组合模型的分式规划解法[J].数学理论与应用，　2008，（01）. 
　　[3]万楚军.论股票投资组合的风险收益及组合策略[J].长江大学学报（社会科学版），　2005，（02）. 
　　[4]朱颢东，钟勇.一种改进的模拟退火算法[J].计算机技术与发展，2009，（06）.