随着金融市场的全球化和高频、多维数据集的增长,跨市场投资组合优化变得越来越复杂。 传统的人工神经网络虽然在某些投资组合管理任务中有效,但往往产生大量的计算开销,并且缺乏大规模多市场数据所需的时间处理能力。 该研究调查了Spiking Neural Networks(SNN)用于跨市场组合优化的应用,利用神经形态计算原理来处理来自印度(Nifty 500)和美国(S P 500)市场的权益数据。 通过Yahoo Finance API系统地收集了一个为期五年的数据集,包括大约1,250个每日股票价格的交易日。 拟议的框架将Leaky Integrate-and Fire神经元动力学与自适应阈值,尖峰定时可塑性和横向抑制相结合,以实现事件驱动的处理财务时间序列。 维度减少是通过分层聚类实现的,而基于人群的尖峰编码和多种解码策略支持在现实交易限制下稳健的投资组合建设,包括基数限制,交易成本和自适应风险厌恶。 实验评估表明,与ANN基准相比,基于SNN的框架提供了卓越的风险调整回报和降低的波动性,同时大大提高了计算效率。 这些发现强调了神经形态计算在全球金融市场中实现可扩展、高效和稳健的投资组合优化的前景。