CN112016765A - 一种基于量化投资风险偏好的资产配置方法、装置及终端 - Google Patents

一种基于量化投资风险偏好的资产配置方法、装置及终端 Download PDF

Info

Publication number
CN112016765A
CN112016765A CN202010963524.6A CN202010963524A CN112016765A CN 112016765 A CN112016765 A CN 112016765A CN 202010963524 A CN202010963524 A CN 202010963524A CN 112016765 A CN112016765 A CN 112016765A
Authority
CN
China
Prior art keywords
historical data
asset allocation
risk
maximum
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010963524.6A
Other languages
English (en)
Inventor
蔡明超
张晨
王晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhonglu Zhaoye Financial Consulting Co ltd
Original Assignee
Shanghai Zhonglu Zhaoye Financial Consulting Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Zhonglu Zhaoye Financial Consulting Co ltd filed Critical Shanghai Zhonglu Zhaoye Financial Consulting Co ltd
Priority to CN202010963524.6A priority Critical patent/CN112016765A/zh
Publication of CN112016765A publication Critical patent/CN112016765A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Technology Law (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于量化投资风险偏好的资产配置方法，包括以下步骤：获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型；获取各类资产的历史数据并根据历史数据计算得到协方差矩阵；枚举各类资产所有可能的资产配置组合，根据对应的历史数据对每种资产配置组合计算最大回撤和最低收益；将预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。本发明基于对应的基准组合对投资者的风险偏好进行量化，进而根据量化的指标进行资产配置。

Description

一种基于量化投资风险偏好的资产配置方法、装置及终端
技术领域
本发明涉及资产配置领域，尤其涉及一种基于量化投资风险偏好的资产配置方法、装置、终端及计算机可存储介质。
背景技术
资产配置(Asset Allocation)是指根据投资需求将投资资金在不同资产类别之间进行分配，通常是将资产在低风险、低收益证券与高风险、高收益证券之间进行分配。***发布的《证券期货投资者适当性管理办法》自2017年7月1日起施行，该办法要求经营机构依据多维度指标，建立对投资者进行分类的体系，统一投资者分类标准和管理要求。随着社会财富的积累，科学的投资者风险偏好分级体系十分必要。
投资者的风险偏好包括投资者的风险承受态度和能力，指投资者在主动追求收益时，能够承受风险的程度。风险有很多种衡量指标，最广泛使用的是现代金融理论给出的定义方法：将传统的最优化框架中反映投资者风险偏好的参数为λ(即最大标准差)，但理论层面只对该参数的特征进行了假设，λ的取值在实务操作中要精确获取存在较大困难。因此，如何确定投资者风险偏好，并将投资者的风险偏好转化为相应的资产配置比例，从而满足不同客户的需求，是当前市场上存在的技术难题。
发明内容
本发明提供了一种基于量化投资风险偏好的资产配置方法，旨在解决如何如何将投资者的风险偏好进行量化，并根据量化的指标对资产进行合理配置，满足客户的投资需求。
根据本申请实施例的第一方面，提供了一种基于量化投资风险偏好的资产配置方法，包括以下步骤：
获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据所述预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型；
获取各类资产的历史数据并根据所述历史数据计算得到协方差矩阵；其中，所述各类资产包括股票、债券、货币和黄金；
枚举所述各类资产所有可能的资产配置组合，根据对应的所述历史数据对每种资产配置组合计算最大回撤和最低收益；
将所述预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。
在本发明的基于量化投资风险偏好的资产配置方法中，还包括步骤：
根据所述协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的最大标准差。
在本发明的基于量化投资风险偏好的资产配置方法中，还包括步骤：
更新各类资产的历史数据并根据更新后的历史数据计算得到新的协方差矩阵；
根据所述新的协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的新的最大标准差。
在本发明的基于量化投资风险偏好的资产配置方法中，所述风险偏好类型分为由低到高的五类，所述基准组合的种类为与所述风险偏好类型相对应的五种。
本发明第二方面是提供一种基于量化投资风险偏好的资产配置装置，包括：
投资信息获取模块，用于获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据所述预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型；
历史数据获取模块，用于获取各类资产的历史数据并根据所述历史数据计算得到协方差矩阵；其中，所述各类资产包括股票、债券、货币和黄金；
资产配置组合生成模块，用于枚举所述各类资产所有可能的资产配置组合，根据对应的所述历史数据对每种资产配置组合计算最大回撤和最低收益；
资产配置组合匹配模块，用于将所述预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。
在本发明的基于量化投资风险偏好的资产配置装置中，还包括：
最大标准差计算模块，用于根据所述协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的最大标准差。
在本发明的基于量化投资风险偏好的资产配置装置中，还包括：
历史数据更新模块，用于更新各类资产的历史数据并根据更新后的历史数据计算得到新的协方差矩阵；
最大标准差更新模块，用于根据所述新的协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的新的最大标准差。
本发明第三方面提供一种终端，包括处理器和用于存储计算机指令的存储器，所述处理器在执行所述计算机程序时，实现上述实施方式中任一项所述的基于量化投资风险偏好的资产配置方法中的各个步骤。
本发明第四方面提供一种可存储介质，存储有计算机程序，该程序被处理器执行时实现上述实施方式中任意一项所述的基于量化投资风险偏好的资产配置方法。
本发明先将投资者根据预期收益目标及可承受的最大回撤信息分为多种风险偏好类型，并同时枚举所有可能的资产配置组合，通过匹配程度来找出每种风险偏好类型对应的匹配程度最高的多种基准组合，从而基于对应的基准组合对投资者的风险偏好进行量化，进而根据量化的指标进行资产配置。在其他实施例中，还可通过量化后的基准组合得出投资者风险偏好对应的最大标准差。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于量化投资风险偏好的资产配置方法的流程图；
图2是图1所示基于量化投资风险偏好的资产配置方法另一实施例的流程图；
图3是本发明提供的基于量化投资风险偏好的资产配置装置的框架图；
图4是图3所示基于量化投资风险偏好的资产配置装置另一实施例的框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本发明的实施例中，提供了一种基于量化投资风险偏好的资产配置方法，用于将投资者的投资风险偏好进行量化，进一步获得较为精确的基于传统的最优化框架中反映投资者风险偏好的参数(如最大可承受标准差)，便于投资者进行风险管控。
如图1所示，基于量化投资风险偏好的资产配置方法包括以下步骤S101-S104。
在步骤S101中，获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型。
需要说明的是，由于投资者通常对最大可承受标准差没有概念，可通过设计一套调查问卷的形式，从投资者熟悉的指标入手，如预期收益、可承受的最大回撤等，进而分析得到投资者的最大可承受标准差。即，通过调查问卷获得投资者对各类资产的可承受的最大回撤和收益目标。并根据预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型的其中一种，即，判断当前投资者属于多种风险偏好类型中的哪一类。具体的，风险偏好类型分为由低到高的五类。例如，可分为低风险承受能力投资者、较低风险承受能力投资者、中风险承受能力投资者、较高风险承受能力投资者、高风险承受能力投资者，每类投资者的可承受的最大回撤和收益目标如下表：
期望获取收益率 可承担最大回撤
低风险承受能力投资者 8％-10％ 5％
较低风险承受能力投资者 10％-15％ 10％
中风险承受能力投资者 15％-20％ 15％
较高风险承受能力投资者 15％-20％ 20％
高风险承受能力投资者 15％-20％ 25％
能够理解的，上表的分类只是其中一种示例性的例子，实证操作时可根据具体资产类型、投资占比等因素进行灵活设置，本发明在此不做限定。
在步骤S102中，获取各类资产的历史数据并根据历史数据计算得到协方差矩阵；其中，各类资产包括股票、债券、货币和黄金。
具体的，先获取各类资产在t期及之前的历史数据，然后通过现有的资产配置模型(例如均值方差模型)来预测未来t+j期的预期收益率以及协方差矩阵。便于后续计算五类投资者各自可承受的最大标准差。
在步骤S103中，枚举各类资产所有可能的资产配置组合，根据对应的历史数据对每种资产配置组合计算最大回撤和最低收益。
具体的，将大类资产分成股票、债券、货币和黄金，以程序枚举所有可能的资产配置组合(又称“网格法”)，对每种组合分别计算最大回撤和最低收益。
在步骤S104中，将预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。
在本步骤中，具体为从所有可能的资产配置组合中找出五种与五类投资者匹配程度最高的五种组合，以这五种资产配置组合的历史数据作为这五类投资者的量化依据，从而对这五类投资者的风险偏好进行量化。
Figure BDA0002681417190000051
Figure BDA0002681417190000061
如上表所示，根据网格法得到的五类投资者基准配置方案能较好地满足不同层级投资者的风险偏好需求。同时可以看到，经典经济金融理念在上表中得到了很好体现：期望高收益就要愿意承担高风险。
本发明的具体操作中，根据投资者的预期收益目标与可承受的最大回撤将投资者分为五类，对应不同的风险偏好层级；然后根据不同层级风险偏好的类型通过匹配得到最相符的五种资产配置组合，从而完成了对资产配置的量化。
进一步的，在一个实施例中，如图2所示，还包括步骤S105。
在步骤S105中，根据协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的最大标准差。
更进一步的，还包括步骤S106-S107。
在步骤S106中，更新各类资产的历史数据并根据更新后的历史数据计算得到新的协方差矩阵；
在步骤S107中，根据新的协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的新的最大标准差。
具体的，当市场环境发生变化时，本技术的步骤结合滚动历史数据，可以生成五类投资者可承受最大标准差的动态结果，以贴合市场的变化。
综上所述，可以理解的，本发明先将投资者根据预期收益目标及可承受的最大回撤信息分为多种风险偏好类型，并同时枚举所有可能的资产配置组合，通过匹配程度来找出每种风险偏好类型对应的匹配程度最高的多种基准组合，从而基于对应的基准组合对投资者的风险偏好进行量化，进而根据量化的指标进行资产配置。在优选实施例中，还可通过量化后的基准组合得出投资者风险偏好对应的最大标准差。
本发明第二方面是提供一种基于量化投资风险偏好的资产配置装置100，用于对投资者的风险偏好进行量化，并提供最符合风险偏好类型的资产配置组合，完成对风险偏好的量化。需要说明的的，本装置的实施步骤及实现原理与上述基于量化投资风险偏好的资产配置方法相一致，故以下不再赘述。
如图3所示，基于量化投资风险偏好的资产配置装置100包括：
投资信息获取模块10，用于获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型；
历史数据获取模块20，用于获取各类资产的历史数据并根据所述历史数据计算得到协方差矩阵；其中，所述各类资产包括股票、债券、货币和黄金；
资产配置组合生成模块30，用于枚举所述各类资产所有可能的资产配置组合，根据对应的所述历史数据对每种资产配置组合计算最大回撤和最低收益；
资产配置组合匹配模块40，用于将所述预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。
进一步的，在一个实施例中，如图4所示，还包括：
最大标准差计算模块50，用于根据所述协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的最大标准差。
更进一步，还包括：
历史数据更新模块60，用于更新各类资产的历史数据并根据更新后的历史数据计算得到新的协方差矩阵；
最大标准差更新模块70，用于根据所述新的协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的新的最大标准差。
本发明第三方面提供一种终端，包括处理器和用于存储计算机指令的存储器，所述处理器在执行所述计算机程序时，实现上述实施方式中任一项所述的基于量化投资风险偏好的资产配置方法中的各个步骤。
本发明第四方面提供一种可存储介质，存储有计算机程序，该程序被处理器执行时实现上述实施方式中任意一项所述的基于量化投资风险偏好的资产配置方法。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于量化投资风险偏好的资产配置方法，其特征在于，包括以下步骤：
获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据所述预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型；
获取各类资产的历史数据并根据所述历史数据计算得到协方差矩阵；其中，所述各类资产包括股票、债券、货币和黄金；
枚举所述各类资产所有可能的资产配置组合，根据对应的所述历史数据对每种资产配置组合计算最大回撤和最低收益；
将所述预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。
2.根据权利要求1所述的基于量化投资风险偏好的资产配置方法，其特征在于，还包括步骤：
根据所述协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的最大标准差。
3.根据权利要求2所述的基于量化投资风险偏好的资产配置方法，其特征在于，还包括步骤：
更新各类资产的历史数据并根据更新后的历史数据计算得到新的协方差矩阵；
根据所述新的协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的新的最大标准差。
4.根据权利要求1所述的基于量化投资风险偏好的资产配置方法，其特征在于，所述风险偏好类型分为由低到高的五类，所述基准组合的种类为与所述风险偏好类型相对应的五种。
5.一种基于量化投资风险偏好的资产配置装置，其特征在于，包括：
投资信息获取模块，用于获取投资者对各类资产的预期收益目标及可承受的最大回撤信息，并根据所述预期收益目标及可承受的最大回撤信息将投资者分为多种风险偏好类型；
历史数据获取模块，用于获取各类资产的历史数据并根据所述历史数据计算得到协方差矩阵；其中，所述各类资产包括股票、债券、货币和黄金；
资产配置组合生成模块，用于枚举所述各类资产所有可能的资产配置组合，根据对应的所述历史数据对每种资产配置组合计算最大回撤和最低收益；
资产配置组合匹配模块，用于将所述预期收益目标及可承受的最大回撤信息与每种资产配置组合的最大回撤和最低收益进行匹配，获得分别与多种风险偏好类型匹配程度最高的多种基准组合。
6.根据权利要求5所述的基于量化投资风险偏好的资产配置装置，其特征在于，还包括：
最大标准差计算模块，用于根据所述协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的最大标准差。
7.根据权利要求6所述的基于量化投资风险偏好的资产配置装置，其特征在于，还包括：
历史数据更新模块，用于更新各类资产的历史数据并根据更新后的历史数据计算得到新的协方差矩阵；
最大标准差更新模块，用于根据所述新的协方差矩阵与多种基准组合计算得到每种风险偏好类型的投资者各自可承受的新的最大标准差。
8.一种终端，其特征在于，包括处理器和用于存储计算机指令的存储器，所述处理器在执行所述计算机程序时，实现如权利要求1-4任一项所述的基于量化投资风险偏好的资产配置方法中的各个步骤。
9.一种可存储介质，存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任意一项所述的基于量化投资风险偏好的资产配置方法。
CN202010963524.6A 2020-09-14 2020-09-14 一种基于量化投资风险偏好的资产配置方法、装置及终端 Withdrawn CN112016765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010963524.6A CN112016765A (zh) 2020-09-14 2020-09-14 一种基于量化投资风险偏好的资产配置方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010963524.6A CN112016765A (zh) 2020-09-14 2020-09-14 一种基于量化投资风险偏好的资产配置方法、装置及终端

Publications (1)

Publication Number Publication Date
CN112016765A true CN112016765A (zh) 2020-12-01

Family

ID=73522888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010963524.6A Withdrawn CN112016765A (zh) 2020-09-14 2020-09-14 一种基于量化投资风险偏好的资产配置方法、装置及终端

Country Status (1)

Country Link
CN (1) CN112016765A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767132A (zh) * 2021-01-26 2021-05-07 北京国腾联信科技有限公司 一种数据处理方法及***
CN113256086A (zh) * 2021-05-11 2021-08-13 北京同邦卓益科技有限公司 资产配置组合的确定方法、设备、存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767132A (zh) * 2021-01-26 2021-05-07 北京国腾联信科技有限公司 一种数据处理方法及***
CN112767132B (zh) * 2021-01-26 2024-02-02 北京国腾联信科技有限公司 一种数据处理方法及***
CN113256086A (zh) * 2021-05-11 2021-08-13 北京同邦卓益科技有限公司 资产配置组合的确定方法、设备、存储介质

Similar Documents

Publication Publication Date Title
WO2009009593A1 (en) Formulation of optimized investment indeces
CN111192144A (zh) 一种金融数据预测方法、装置、设备及存储介质
CN102236870A (zh) 一种用于获得稳定回报的数量化多因子投资组合控制方法
CN111738504A (zh) 企业财务指标资金量预测方法和装置、设备及存储介质
Vinel et al. Certainty equivalent measures of risk
CN112016765A (zh) 一种基于量化投资风险偏好的资产配置方法、装置及终端
Wu et al. Farm capital structure choice: theory and an empirical test
US20110099101A1 (en) Automated validation reporting for risk models
US20130218630A1 (en) Method and system for analyzing and optimizing distribution of work from a plurality of queues
CN102496126A (zh) 一种托管资产交易数据监控设备
CN111724266A (zh) 一种财务决策大数据分析***
Wang et al. Optimal scenario-dependent multivariate shortfall risk measure and its application in risk capital allocation
CN112270431A (zh) 大类资产配置方法、装置、计算机设备及存储介质
CN111242779B (zh) 金融数据特征选择和预测方法、装置、设备及存储介质
US20200090280A1 (en) Servicing a plurality of longevity-contingent assets with shared liabilities
US10235719B2 (en) Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs
US20180137564A1 (en) Systems and computer-implemented processes for occupational risk assessment
Iwada et al. Modeling Volatility in Selected Nigerian Stock Market
US20200202444A1 (en) Servicing a plurality of rived longevity-contingent instruments
Dănilă Credit risk assessment under Basel accords
CN112632197A (zh) 基于知识图谱的业务关系处理方法及装置
Kovalenko et al. Cluster approach to banking supervision with reference to bank risk profile
Škrinjarić Comparing Company’s Performance to Its Peers: A Data Envelopment Approach
CN116703534B (zh) 一种电商订单数据智能管理方法
US20200184551A1 (en) Servicing a plurality of rived longevity-contingent assets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20201201

WW01 Invention patent application withdrawn after publication