L'article présente des stratégies de renforcement des algorithmes évolutionnaires multi-objectifs pour répondre à l'optimisation de portefeuille à grande échelle sous contraintes de cardinalité, où les méthodes exactes deviennent inefficaces en raison de la complexité NP-difficile.
- Introduit une représentation de solution unique, un opérateur novateur et de nouveaux mécanismes de réparation pour gérer les limites inférieures et supérieures du nombre d'actifs.
- Implémente des stratégies d'accouplement personnalisées au sein d'algorithmes évolutionnaires multi-objectifs bien connus.
- Teste l'approche proposée contre des algorithmes traditionnels en utilisant des indices de marché bien connus comme références.
Les résultats indiquent que la stratégie proposée fournit de meilleures approximations et converge plus rapidement sans perte de performance à mesure que le nombre d'actifs augmente.