CN112767132A - 一种数据处理方法及*** - Google Patents
一种数据处理方法及*** Download PDFInfo
- Publication number
- CN112767132A CN112767132A CN202110103950.7A CN202110103950A CN112767132A CN 112767132 A CN112767132 A CN 112767132A CN 202110103950 A CN202110103950 A CN 202110103950A CN 112767132 A CN112767132 A CN 112767132A
- Authority
- CN
- China
- Prior art keywords
- target
- asset
- data
- fund
- income
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 16
- 206010063659 Aversion Diseases 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 8
- 239000010931 gold Substances 0.000 description 8
- 229910052737 gold Inorganic materials 0.000 description 8
- 239000010970 precious metal Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种数据处理方法及***,该方法为:获取指定时间段内的收益影响因子的数据;将收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重;根据预设需求,确定每个目标大类资产对应的标的资产类型;利用目标用户的预期需求,确定目标用户的收益目标;从预设的标的资产池中,根据收益目标,分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比。使所确定的各个目标大类资产的资金配置权重、最终标的资产及其资产占比满足最优的风险收益比例,在保证用户的投资收益的前提下降低投资风险。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种数据处理方法及***。
背景技术
随着经济的发展,越来越多人更加注重个人资产的管理和配置,比如通过投资股票、基金和贵金属等大类资产来进行个人资产的管理。
但是投资过程中,大类资产的收益通常会随着经济周期、宏观经济和金融条件的变化而进行波动,并且大类资产中的具体标的资产的种类和数目较多,因此在保证个人资产的投资收益的前提下,如何配置大类资产和如何选择大类资产中的具体标的资产成为目前亟需待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种数据处理方法及***,以配置大类资产和选择大类资产中的具体标的资产。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面公开一种数据处理方法,所述方法包括:
获取指定时间段内的收益影响因子的数据,所述收益影响因子为影响大类资产的收益情况的因子;
将所述收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重,所述资金配比模型由根据样本数据进行机器学习得到;
根据预设需求,确定每个所述目标大类资产对应的标的资产类型;
利用目标用户的预期需求,确定所述目标用户的收益目标;
从预设的标的资产池中,根据所述收益目标,分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比,所述标的资产池中包括多个标的资产,所述标的资产池由根据目标对象的历史数据确定得到。
优选的,根据样本数据确定所述资金配比模型的过程,包括:
获取指定历史时间段内各个目标大类资产的历史收益数据,以及获取所述指定历史时间段内收益影响因子的历史数据;
按照预设算法,配置各个所述目标大类资产的样本配置权重;
利用高斯朴素贝叶斯算法或决策树,对所述收益影响因子的历史数据、各个所述目标大类资产的所述样本配置权重和所述历史收益数据进行机器学习,得到资金配比模型。
优选的,根据目标对象的历史数据确定所述标的资产池的过程,包括:
获取多个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据;
根据预设指标和所述标的资产的历史收益数据,对每个所述标的资产进行评级,以及根据所述预设指标和所述基金经理的历史收益数据,对每个所述基金经理进行评级;
利用评级结果最高的n个所述标的资产和n个所述基金经理对应的标的资产,构建标的资产池,n为正整数。
优选的,所述从预设的标的资产池中,根据所述收益目标,分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比,包括:
根据所述收益目标,利用马科维茨均方差模型对预设的标的资产池中的标的资产进行寻优,确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
优选的,所述利用目标用户的预期需求,确定所述目标用户的收益目标,包括:
利用目标用户的预期回报率和预期资产波动率,结合无风险利率,确定所述目标用户的风险厌恶系数;
根据预设组合期望回报、所述风险厌恶系数和投资组合预期的回报标准差,确定所述目标用户的收益目标。
优选的,所述分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比之后,还包括:
利用每个所述目标大类资产的资金配置权重,结合每个所述目标大类资产的标对应的所述最终标的资产及其资产占比,确定相应的收益数据和风险数据。
本发明实施例第二方面公开一种数据处理***,所述***包括:
获取单元,用于获取指定时间段内的收益影响因子的数据,所述收益影响因子为影响大类资产的收益情况的因子;
资金权重配置单元,用于将所述收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重,所述资金配比模型由根据样本数据进行机器学习得到;
第一确定单元,用于根据预设需求,确定每个所述目标大类资产对应的标的资产类型;
第二确定单元,用于利用目标用户的预期需求,确定所述目标用户的收益目标;
第三确定单元,用于从预设的标的资产池中,根据所述收益目标,分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比,所述标的资产池中包括多个标的资产,所述标的资产池由根据目标对象的历史数据确定得到。
优选的,用于确定所述资金配比模型的所述资金权重配置单元,包括:
获取模块,用于获取指定历史时间段内各个目标大类资产的历史收益数据,以及获取所述指定历史时间段内收益影响因子的历史数据;
配置模块,用于按照预设算法,配置各个所述目标大类资产的样本配置权重;
学习模块,用于利用高斯朴素贝叶斯算法或决策树,对所述收益影响因子的历史数据、各个所述目标大类资产的所述样本配置权重和所述历史收益数据进行机器学习,得到资金配比模型。
优选的,用于确定所述标的资产池的所述第三确定单元,包括:
获取模块,用于获取多个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据;
评级模块,用于根据预设指标和所述标的资产的历史收益数据,对每个所述标的资产进行评级,以及根据所述预设指标和所述基金经理的历史收益数据,对每个所述基金经理进行评级;
构建模块,用于利用评级结果最高的n个所述标的资产和n个所述基金经理对应的标的资产,构建标的资产池,n为正整数。
优选的,所述第三确定单元具体用于:根据所述收益目标,利用马科维茨均方差模型对预设的标的资产池中的标的资产进行寻优,确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
基于上述本发明实施例提供的一种数据处理方法及***,该方法为:获取指定时间段内的收益影响因子的数据;将收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重;根据预设需求,确定每个目标大类资产对应的标的资产类型;利用目标用户的预期需求,确定目标用户的收益目标;从预设的标的资产池中,根据收益目标,分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比。本方案中,利用资金配比模型对指定时间段内的收益影响因子的数据进行处理,得到各个目标大类资产的资金配置权重。确定每个目标大类资产对应的标的资产类型。根据目标用户的收益目标,从标的资产池中分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比,使所确定的各个目标大类资产的资金配置权重、最终标的资产及其资产占比满足最优的风险收益比例,在保证用户的投资收益的前提下降低投资风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种数据处理方法的流程图;
图2为本发明实施例提供的确定资金配比模型的流程图;
图3为本发明实施例提供的确定标的资产池的流程图;
图4为本发明实施例提供的一种数据处理***的结构框图。
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,所描述的实施例仅仅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。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,大类资产的收益通常会随着经济周期、宏观经济和金融条件的变化而进行波动,且大类资产下的种类和数目较多,因此在保证投资收益的前提下,如何配置大类资产和如何选择大类资产中的具体标的资产是目前亟需待解决的问题。
故,本发明实施例提供一种数据处理方法及***,利用资金配比模型对指定时间段内的收益影响因子的数据进行处理,得到各个目标大类资产的资金配置权重。确定每个目标大类资产对应的标的资产类型。根据目标用户的收益目标,从标的资产池中分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比,使所确定的各个目标大类资产的资金配置权重、最终标的资产及其资产占比满足最优的风险收益比例,以在保证用户的投资收益的前提下降低投资风险。
参见图1,示出了本发明实施例提供的一种数据处理方法的流程图,该数据处理方法包括:
步骤S101:获取指定时间段内的收益影响因子的数据。
需要说明的是,收益影响因子为影响大类资产的收益情况的因子,收益影响因子为金融类因子、经济类因子和情绪因子等能够影响大类资产的收益情况的因子。
其中,金融类因子包括但不仅限于:货币供应量、社融、短期利率、长期利率、实际利率、美元指数、股市PE、大宗商品价格指数、M2、伦敦同业拆借利率(London InterBankOfferedRate,LIBOR)、香港银行同行业拆借利率(Hongkong InterBank OfferedRate,HIBOR)和通货膨胀保值债券(Treasury Inflation-Protected Securities,TIPS)利率等。
经济类因子包括但不仅限于:消费者物价指数(ConsumerPrice Index,CPI)、生产价格指数(ProducerPrice Index,PPI)、采购经理指数(Purchasing Managers'Index,PMI)、工业企业利润、债务、GDP和经济库销率等。
情绪因子包括但不仅限于恐慌指数和波动指数等。
在具体实现步骤S101的过程中,获取指定时间段内的收益影响因子的数据,该指定时间段可根据实际情况确定,比如获取距当前时间的某一时间段内收益影响因子的数据。
步骤S102:将收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重。
需要说明的是,资金配比模型由根据样本数据进行机器学习得到,即预先训练得到对应的资金配比模型,将该资金配比模型的输入设置为收益影响因子的数据,将该资金配比模型的输出设置为各个目标大类资产的资金配置权重。
可以理解的是,大类资产包括但不仅限于:股、债、汇、贵金属和无风险资产。
在具体实现步骤S102的过程中,将指定时间段内收益影响因子的数据输入资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重(以百分比的形式),其中,各个目标大类资产的资金配置权重之和为1。
也就是说,对于目标用户的总投资资金,将该总投资资金按照目标大类资产的资金配置权重对应分配给各个目标大类资产。
比如:假设目标大类资产为股、债、汇、贵金属和无风险资产,利用资金配比模型得到的各个目标大类资产的资金配置权重分别为(w1,w2,w3,w4,w5),其中,w1+w2+w3+w4+w5=1,即将总投资资金的w1分配给股,将总投资资金的w2分配给债,将总投资资金的w3分配给汇,将总投资资金的w4分配给贵金属,将总投资资金的w5分配给无风险资产。
步骤S103:根据预设需求,确定每个目标大类资产对应的标的资产类型。
在具体实现步骤S103的过程中,根据预设需求,确定每个目标大类资产对应的标的资产类型,比如:对于股这一目标大类资产,选择主动管理型股票类基金这一标的资产类型,对于债这一目标大类资产,选择主动管理型债券基金这一标的资产类型,对于黄金这一目标大类资产,选择黄金ETF这一标的资产类型,对于无风险资产这一目标大类资产,选择银行存款这一标的资产类型。
可以理解的是,每种标的资产类型下均包含一个及以上的标的资产。
需要说明的是,具体如何确定每个目标大类资产对应的标的资产类型,可根据实际情况调整预设需求,在此不做具体限定。
步骤S104:利用目标用户的预期需求,确定目标用户的收益目标。
在具体实现步骤S104的过程中,利用目标用户的预期回报率和预期资产波动率,结合无风险利率,确定目标用户的风险厌恶系数,该风险厌恶系数的计算方式如公式(1)。
风险厌恶系数=(预期回报率-无风险利率)/预期资产波动率(1)
比如:假设目标用户的预期回报率为每年12%,无风险利率为3%,目标用户的预期资产波动率为10%,则该目标用户的风险厌恶系数为(12%-3%)/10%=0.9。
根据预设组合期望回报、风险厌恶系数和投资组合预期的回报标准差(根据历史数据确定),确定目标用户的收益目标,收益目标E(U(W))的计算方式如公式(2),在公式(2)中,Stdev为投资组合预期的回报标准差。
E(U(W))=预设组合期望回报-风险厌恶系数*Stdev/2(2)
也就是说,根据目标用户的类型确定相应的收益目标,比如根据目标用户为风险中性投资者、风险偏好型投资者或风险厌恶型投资者,确定该目标用户的收益目标。
步骤S105:从预设的标的资产池中,根据收益目标,分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
需要说明的是,标的资产池中包括多个标的资产,标的资产池由根据目标对象的历史数据确定得到。
可以理解的是,在构建标的资产池时,利用基金和基金经理等目标对象的历史数据,选择合适的基金(也就是标的资产)和基金经理对应的标的资产来构建标的资产池。
在具体实现步骤S105的过程中,根据目标用户的收益目标,利用马科维茨均方差模型对标的资产池中的标的资产进行寻优,确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
也就是说,利用马科维茨均方差模型,从标的资产池中选择满足目标用户的收益目标的每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
在应用马科维茨均方差模型的过程中,寻找各目标大类资产的标的资产类型对应的标的资产组合的马科维茨有效前沿,该马科维茨有效前沿上的点即为最优均方差组合,指示收益风险最低或风险收益最大。
比如:在标的资产池中,应用马科维茨均方差模型,寻找股票型基金对应的标的资产组合的马科维茨有效前沿。
需要说明的是,上述提及最终标的资产的资产占比具体指:该最终标的资产在对应的目标大类资产的所有最终标的资产中的占比,也就是说,对于一目标大类资产,该目标大类资产的所有最终标的资产的资产占比之和为1。
比如:假设目标大类资产为股、债、黄金和银行存款,资金配置权重分别为60%、10%、10%和20%,且均已确定标的资产类型,经过步骤S105的处理后,股对应的最终标的资产及其资产占比为:股基a为10%、股基b为20%、股基c为30%和股基d为40%。债对应的最终标的资产及其资产占比为:债基a为10%、债基b为20%、债基c为20%和债基d为50%。黄金对应的最终标的资产及其资产占比为:黄金ETF为100%。银行存款对应的最终标的资产及其资产占比为:活期为50%和定期为50%。
也就是说,对于所确定的每一最终标的资产,在该最终标的资产上投资的金额为:总投资资金*最终标的资产所属的目标大类资产的资金配置权重*最终标的资产的资产占比。
优选的,执行步骤S105之后,利用每个目标大类资产的资金配置权重,结合每个目标大类资产的标对应的最终标的资产及其资产占比,确定相应的收益数据和风险数据。
比如:假设股对应的资金配置权重和最终标的资产及其资产占比分别为:股60%(股基a为10%、股基b为20%、股基c为30%和股基d为40%),债对应的资金配置权重和最终标的资产及其资产占比分别为:债10%(债基a为10%、债基b为20%、债基c为20%和债基d为50%),黄金对应的资金配置权重和最终标的资产及其资产占比分别为:黄金10%(黄金ETF为100%),银行存款对应的资金配置权重和最终标的资产及其资产占比分别为:银行存款20%(活期为50%和定期为50%)。根据上述组合的数据,确定年化收益率为8.5%、波动率为7.5%和最大回撤为10%等数据。
在本发明实施例中,利用资金配比模型对指定时间段内的收益影响因子的数据进行处理,得到各个目标大类资产的资金配置权重。确定每个目标大类资产对应的标的资产类型。根据目标用户的收益目标,从标的资产池中分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比,使所确定的各个目标大类资产的资金配置权重、最终标的资产及其资产占比满足最优的风险收益比例,在保证用户的投资收益的前提下降低投资风险。
上述本发明实施例图1步骤S102中涉及的确定资金配比模型的过程,参见图2,示出了本发明实施例提供的确定资金配比模型的流程图,包括:
步骤S201:获取指定历史时间段内各个目标大类资产的历史收益数据,以及获取指定历史时间段内收益影响因子的历史数据。
在具体实现步骤S201的过程中,获取指定历史时间段内(比如按月维度)各个目标大类资产的历史收益数据,以及获取指定历史时间段内收益影响因子的历史数据(比如同比或环比变化率),也就是说,目标大类资产的历史收益数据与收益影响因子的历史数据为同个时期的数据。
优选的,在获取收益影响因子的历史数据后,对该收益影响因子的历史数据进行相应处理(比如进行正则化处理),再将处理后的收益影响因子的历史数据用于后续步骤S202至步骤S203的应用。
步骤S202:按照预设算法,配置各个目标大类资产的样本配置权重。
在具体实现步骤S202的过程中,按照预设算法,对各个目标大类资产的进行权重配置,得到各个目标大类资产的样本配置权重。
比如:按照5个百分点为间隔的等差数列[0%,5%,10%,15%,......,100%]多次配置单个目标大类资产的样本配置权重,在每次配置过程中,都需保证所有目标大类资产的样本配置权重之和为1,以此种方式即可得到目标大类资产的多个样本配置权重。
步骤S203:利用高斯朴素贝叶斯算法或决策树,对收益影响因子的历史数据、各个目标大类资产的样本配置权重和历史收益数据进行机器学习,得到资金配比模型。
在具体实现步骤S203的过程中,利用各个目标大类资产的历史收益数据,分别确定每个目标大类资产的收益比例,并将每个目标大类资产的收益比例映射至该目标大类资产的样本配置权重,即对于一目标大类资产,将该目标大类资产的收益比例映射至该目标大类资产的样本配置权重。
具体计算一个目标大类资产的收益比例的方式为:若该目标大类资产的收益率为负,则将该目标大类资产的收益比例设置为0,若该目标大类资产的为正数或0,则收益比例为:该目标大类资产的收益率/所有收益率不为负数的目标大类资产的收益率之和。
将各个目标大类资产的收益比例映射至对应的样本配置权重后,利用高斯朴素贝叶斯算法或决策树,对收益影响因子的历史数据和各个目标大类资产的样本配置权重(已映射对应的收益比例)进行机器学习,得到资金配比模型,也就是说,通过资金配比模型可确定收益影响因子和目标大类资产的资金配置权重之间的关联关系。
可以理解的是,用于进行机器学习的每组数据的格式为:[x11,x12,x13,x14,......,x1n,y11,y12,y13,y14,y15],其中,x指示各个收益影响因子的历史数据,y指示各个目标大类资产的样本配置权重。
在本发明实施例中,对目标大类资产的历史收益数据、收益影响因子的历史收益数据和目标大类资产的样本配置权重进行机器学习,得到能表征收益影响因子和目标大类资产的资金配置权重之间的关联关系的资金配比模型。利用资金配比模型处理指定时间段内的收益影响因子的数据,即可在保证用户的投资收益的前提下,得到各个目标大类资产的资金配置权重。
上述本发明实施例图1步骤S105涉及的构建标的资产池的过程,参见图3,示出了本发明实施例提供的确定标的资产池的流程图,包括:
步骤S301:获取多个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据。
在具体实现步骤S301的过程中,获取各个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据,其中,每个基金经理均对应一个及以上的标的资产。
步骤S302:根据预设指标和标的资产的历史收益数据,对每个标的资产进行评级,以及根据预设指标和基金经理的历史收益数据,对每个基金经理进行评级。
在具体实现步骤S302的过程中,从两个维度分别对标的资产和基金经理进行评级,在对标的资产进行评级时,利用夏普比例、主动管理收益、收益半方差和最大回撤系数等预设指标,结合该标的资产的历史收益数据,对该标的资产进行评级。
在对基金经理进行评级时,利用夏普比例、主动管理收益、收益半方差、最大回撤系数、主动出击正确性系数(IC)、主动出击完成度系数(TC)、每年独立思考换仓次数(BR)和主动管理收益风险系数(IR)等预设指标,结合基金经理的历史收益数据,对该基金经理进行评级。
可以理解的是,IR的具体内容如公式(3)
通过上述方式,对各个基金经理和标的资产进行评级,得到各个基金经理的评级结果,以及得到各个标的资产的评级结果。
步骤S303:利用评级结果最高的n个标的资产和n个基金经理对应的标的资产,构建标的资产池。
在具体实现步骤S303的过程中,选择评级结果最高的n个标的资产以及选择评级结果最高的n个基金经理对应的标的资产,加入标的资产池中,从而完成标的资产池的构建,n为正整数。
比如:将评级结果为前10的标的资产和基金经理对应的标的资产加入标的资产池中,完成标的资产池的构建。
与上述本发明实施例提供的一种数据处理方法相对应,参见图4,本发明实施例还提供了一种数据处理***的结构框图,该数据处理***包括:获取单元401、资金权重配置单元402、第一确定单元403、第二确定单元404和第三确定单元405;
获取单元401,用于获取指定时间段内的收益影响因子的数据,收益影响因子为影响大类资产的收益情况的因子。
资金权重配置单元402,用于将收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重,资金配比模型由根据样本数据进行机器学习得到。
第一确定单元403,用于根据预设需求,确定每个目标大类资产对应的标的资产类型。
第二确定单元404,用于利用目标用户的预期需求,确定目标用户的收益目标。
在具体实现中,第二确定单元404具体用于:利用目标用户的预期回报率和预期资产波动率,结合无风险利率,确定目标用户的风险厌恶系数;根据预设组合期望回报、风险厌恶系数和投资组合预期的回报标准差,确定目标用户的收益目标。
第三确定单元405,用于从预设的标的资产池中,根据收益目标,分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比,标的资产池中包括多个标的资产,标的资产池由根据目标对象的历史数据确定得到。
在具体实现中,第三确定单元405具体用于:根据收益目标,利用马科维茨均方差模型对预设的标的资产池中的标的资产进行寻优,确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
在本发明实施例中,利用资金配比模型对指定时间段内的收益影响因子的数据进行处理,得到各个目标大类资产的资金配置权重。确定每个目标大类资产对应的标的资产类型。根据目标用户的收益目标,从标的资产池中分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比,使所确定的各个目标大类资产的资金配置权重、最终标的资产及其资产占比满足最优的风险收益比例,在保证用户的投资收益的前提下降低投资风险。
优选的,结合图4示出的内容,用于确定资金配比模型的资金权重配置单元402包括:获取模块、配置模块和学习模块,各个模块的执行原理如下:
获取模块,用于获取指定历史时间段内各个目标大类资产的历史收益数据,以及获取指定历史时间段内收益影响因子的历史数据。
配置模块,用于按照预设算法,配置各个目标大类资产的样本配置权重。
学习模块,用于利用高斯朴素贝叶斯算法或决策树,对收益影响因子的历史数据、各个目标大类资产的样本配置权重和历史收益数据进行机器学习,得到资金配比模型。
在本发明实施例中,对目标大类资产的历史收益数据、收益影响因子的历史收益数据和目标大类资产的样本配置权重进行机器学习,得到能表征收益影响因子和目标大类资产的资金配置权重之间的关联关系的资金配比模型。利用资金配比模型处理指定时间段内的收益影响因子的数据,即可在保证用户的投资收益的前提下,得到各个目标大类资产的资金配置权重。
优选的,结合图4示出的内容,用于确定标的资产池的第三确定单元405,包括:获取模块、评级模块和构建模块,各个模块的执行原理如下:
获取模块,用于获取多个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据。
评级模块,用于根据预设指标和标的资产的历史收益数据,对每个标的资产进行评级,以及根据预设指标和基金经理的历史收益数据,对每个基金经理进行评级。
构建模块,用于利用评级结果最高的n个标的资产和n个基金经理对应的标的资产,构建标的资产池,n为正整数。
优选的,结合图4示出的内容,该数据处理***还包括:
第四确定单元,用于利用每个目标大类资产的资金配置权重,结合每个目标大类资产的标对应的最终标的资产及其资产占比,确定相应的收益数据和风险数据。
综上所述,本发明实施例提供一种数据处理方法及***,利用资金配比模型对指定时间段内的收益影响因子的数据进行处理,得到各个目标大类资产的资金配置权重。确定每个目标大类资产对应的标的资产类型。根据目标用户的收益目标,从标的资产池中分别确定每个目标大类资产的标的资产类型对应的最终标的资产及其资产占比,使所确定的各个目标大类资产的资金配置权重、最终标的资产及其资产占比满足最优的风险收益比例,在保证用户的投资收益的前提下降低投资风险。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
获取指定时间段内的收益影响因子的数据,所述收益影响因子为影响大类资产的收益情况的因子;
将所述收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重,所述资金配比模型由根据样本数据进行机器学习得到;
根据预设需求,确定每个所述目标大类资产对应的标的资产类型;
利用目标用户的预期需求,确定所述目标用户的收益目标;
从预设的标的资产池中,根据所述收益目标,分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比,所述标的资产池中包括多个标的资产,所述标的资产池由根据目标对象的历史数据确定得到。
2.根据权利要求1所述的方法,其特征在于,根据样本数据确定所述资金配比模型的过程,包括:
获取指定历史时间段内各个目标大类资产的历史收益数据,以及获取所述指定历史时间段内收益影响因子的历史数据;
按照预设算法,配置各个所述目标大类资产的样本配置权重;
利用高斯朴素贝叶斯算法或决策树,对所述收益影响因子的历史数据、各个所述目标大类资产的所述样本配置权重和所述历史收益数据进行机器学习,得到资金配比模型。
3.根据权利要求1所述的方法,其特征在于,根据目标对象的历史数据确定所述标的资产池的过程,包括:
获取多个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据;
根据预设指标和所述标的资产的历史收益数据,对每个所述标的资产进行评级,以及根据所述预设指标和所述基金经理的历史收益数据,对每个所述基金经理进行评级;
利用评级结果最高的n个所述标的资产和n个所述基金经理对应的标的资产,构建标的资产池,n为正整数。
4.根据权利要求1所述的方法,其特征在于,所述从预设的标的资产池中,根据所述收益目标,分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比,包括:
根据所述收益目标,利用马科维茨均方差模型对预设的标的资产池中的标的资产进行寻优,确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
5.根据权利要求1所述的方法,其特征在于,所述利用目标用户的预期需求,确定所述目标用户的收益目标,包括:
利用目标用户的预期回报率和预期资产波动率,结合无风险利率,确定所述目标用户的风险厌恶系数;
根据预设组合期望回报、所述风险厌恶系数和投资组合预期的回报标准差,确定所述目标用户的收益目标。
6.根据权利要求1所述的方法,其特征在于,所述分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比之后,还包括:
利用每个所述目标大类资产的资金配置权重,结合每个所述目标大类资产的标对应的所述最终标的资产及其资产占比,确定相应的收益数据和风险数据。
7.一种数据处理***,其特征在于,所述***包括:
获取单元,用于获取指定时间段内的收益影响因子的数据,所述收益影响因子为影响大类资产的收益情况的因子;
资金权重配置单元,用于将所述收益影响因子的数据输入预设的资金配比模型进行权重配置,得到各个目标大类资产的资金配置权重,所述资金配比模型由根据样本数据进行机器学习得到;
第一确定单元,用于根据预设需求,确定每个所述目标大类资产对应的标的资产类型;
第二确定单元,用于利用目标用户的预期需求,确定所述目标用户的收益目标;
第三确定单元,用于从预设的标的资产池中,根据所述收益目标,分别确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比,所述标的资产池中包括多个标的资产,所述标的资产池由根据目标对象的历史数据确定得到。
8.根据权利要求7所述的***,其特征在于,用于确定所述资金配比模型的所述资金权重配置单元,包括:
获取模块,用于获取指定历史时间段内各个目标大类资产的历史收益数据,以及获取所述指定历史时间段内收益影响因子的历史数据;
配置模块,用于按照预设算法,配置各个所述目标大类资产的样本配置权重;
学习模块,用于利用高斯朴素贝叶斯算法或决策树,对所述收益影响因子的历史数据、各个所述目标大类资产的所述样本配置权重和所述历史收益数据进行机器学习,得到资金配比模型。
9.根据权利要求7所述的***,其特征在于,用于确定所述标的资产池的所述第三确定单元,包括:
获取模块,用于获取多个标的资产的历史收益数据,以及获取多个基金经理的历史收益数据;
评级模块,用于根据预设指标和所述标的资产的历史收益数据,对每个所述标的资产进行评级,以及根据所述预设指标和所述基金经理的历史收益数据,对每个所述基金经理进行评级;
构建模块,用于利用评级结果最高的n个所述标的资产和n个所述基金经理对应的标的资产,构建标的资产池,n为正整数。
10.根据权利要求7所述的***,其特征在于,所述第三确定单元具体用于:根据所述收益目标,利用马科维茨均方差模型对预设的标的资产池中的标的资产进行寻优,确定每个所述目标大类资产的标的资产类型对应的最终标的资产及其资产占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103950.7A CN112767132B (zh) | 2021-01-26 | 2021-01-26 | 一种数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103950.7A CN112767132B (zh) | 2021-01-26 | 2021-01-26 | 一种数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767132A true CN112767132A (zh) | 2021-05-07 |
CN112767132B CN112767132B (zh) | 2024-02-02 |
Family
ID=75707412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110103950.7A Active CN112767132B (zh) | 2021-01-26 | 2021-01-26 | 一种数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767132B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902569A (zh) * | 2021-10-30 | 2022-01-07 | 平安科技(深圳)有限公司 | 数字资产中的绿色资产的占比的识别方法及相关产品 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120290498A1 (en) * | 2011-03-25 | 2012-11-15 | Michael Jones | Methods for Strategic Asset Allocation by Mean Reversion Optimization |
US20130018818A1 (en) * | 2011-07-13 | 2013-01-17 | Tapesh Yadav | Systems And Methods For Investment Portfolio Management |
US20140081888A1 (en) * | 2012-09-14 | 2014-03-20 | Goldman, Sachs & Co. | Methods And Systems For Constructing Risk Parity Portfolios |
US20160217366A1 (en) * | 2015-01-23 | 2016-07-28 | Jianjun Li | Portfolio Optimization Using Neural Networks |
US20160358264A1 (en) * | 2002-06-03 | 2016-12-08 | Research Affiliates, Llc | Equity income index construction transformation system, method and computer program product |
CN107506925A (zh) * | 2017-08-25 | 2017-12-22 | 璇玑智能(北京)科技有限公司 | 一种用于资产配置的数据处理装置和方法 |
CN107895322A (zh) * | 2017-12-08 | 2018-04-10 | 上海贝贝鱼信息科技有限公司 | 一种基金组合产品选取并动态监控调整的方法及*** |
CN107958336A (zh) * | 2017-12-06 | 2018-04-24 | 众安信息技术服务有限公司 | 基于生命周期和tsb的资产配置方法 |
CN108717665A (zh) * | 2018-05-10 | 2018-10-30 | 平安科技(深圳)有限公司 | 电子装置、大类基金资产配置策略分析方法及存储介质 |
CN109493220A (zh) * | 2018-10-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 一种确定股票投资配比的方法、终端设备及介质 |
CN109767333A (zh) * | 2018-12-15 | 2019-05-17 | 平安科技(深圳)有限公司 | 选基方法、装置、电子设备及计算机可读存储介质 |
CN110033378A (zh) * | 2019-01-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种资源配置方法、装置及电子设备 |
CN110599351A (zh) * | 2019-08-09 | 2019-12-20 | 苏宁金融科技(南京)有限公司 | 一种投资数据处理方法及装置 |
CN110992190A (zh) * | 2019-12-19 | 2020-04-10 | 中国建设银行股份有限公司 | 基于用户画像的资产配置方法及装置 |
CN111539830A (zh) * | 2020-03-30 | 2020-08-14 | 深圳市华傲数据技术有限公司 | 一种fof投资策略组合的跟踪及优化方法 |
CN112016765A (zh) * | 2020-09-14 | 2020-12-01 | 上海众禄昭业财务咨询有限公司 | 一种基于量化投资风险偏好的资产配置方法、装置及终端 |
US20210004907A1 (en) * | 2019-07-01 | 2021-01-07 | Bluevisor Systems | Method and system for managing dormant assets based on machine learning |
-
2021
- 2021-01-26 CN CN202110103950.7A patent/CN112767132B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358264A1 (en) * | 2002-06-03 | 2016-12-08 | Research Affiliates, Llc | Equity income index construction transformation system, method and computer program product |
US20120290498A1 (en) * | 2011-03-25 | 2012-11-15 | Michael Jones | Methods for Strategic Asset Allocation by Mean Reversion Optimization |
US20130018818A1 (en) * | 2011-07-13 | 2013-01-17 | Tapesh Yadav | Systems And Methods For Investment Portfolio Management |
US20140081888A1 (en) * | 2012-09-14 | 2014-03-20 | Goldman, Sachs & Co. | Methods And Systems For Constructing Risk Parity Portfolios |
US20160217366A1 (en) * | 2015-01-23 | 2016-07-28 | Jianjun Li | Portfolio Optimization Using Neural Networks |
CN107506925A (zh) * | 2017-08-25 | 2017-12-22 | 璇玑智能(北京)科技有限公司 | 一种用于资产配置的数据处理装置和方法 |
CN107958336A (zh) * | 2017-12-06 | 2018-04-24 | 众安信息技术服务有限公司 | 基于生命周期和tsb的资产配置方法 |
CN107895322A (zh) * | 2017-12-08 | 2018-04-10 | 上海贝贝鱼信息科技有限公司 | 一种基金组合产品选取并动态监控调整的方法及*** |
CN108717665A (zh) * | 2018-05-10 | 2018-10-30 | 平安科技(深圳)有限公司 | 电子装置、大类基金资产配置策略分析方法及存储介质 |
CN109493220A (zh) * | 2018-10-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 一种确定股票投资配比的方法、终端设备及介质 |
CN109767333A (zh) * | 2018-12-15 | 2019-05-17 | 平安科技(深圳)有限公司 | 选基方法、装置、电子设备及计算机可读存储介质 |
CN110033378A (zh) * | 2019-01-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种资源配置方法、装置及电子设备 |
US20210004907A1 (en) * | 2019-07-01 | 2021-01-07 | Bluevisor Systems | Method and system for managing dormant assets based on machine learning |
CN110599351A (zh) * | 2019-08-09 | 2019-12-20 | 苏宁金融科技(南京)有限公司 | 一种投资数据处理方法及装置 |
CN110992190A (zh) * | 2019-12-19 | 2020-04-10 | 中国建设银行股份有限公司 | 基于用户画像的资产配置方法及装置 |
CN111539830A (zh) * | 2020-03-30 | 2020-08-14 | 深圳市华傲数据技术有限公司 | 一种fof投资策略组合的跟踪及优化方法 |
CN112016765A (zh) * | 2020-09-14 | 2020-12-01 | 上海众禄昭业财务咨询有限公司 | 一种基于量化投资风险偏好的资产配置方法、装置及终端 |
Non-Patent Citations (2)
Title |
---|
彭华,等: "智能投顾之"智"——基于大数据与机器学习的模型建设", 《中国金融电脑》, no. 7, pages 30 - 34 * |
韩燕龙: "基于随机森林的指数化投资组合构建研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 12, pages 160 - 163 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902569A (zh) * | 2021-10-30 | 2022-01-07 | 平安科技(深圳)有限公司 | 数字资产中的绿色资产的占比的识别方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112767132B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220051337A1 (en) | Methods and apparatus employing hierarchical conditional value at risk to minimize downside risk of a multi-asset class portfolio and improved graphical user interface | |
US20050187851A1 (en) | Financial portfolio management and analysis system and method | |
KR101543643B1 (ko) | 주식종목 순위 분석 시스템 및 이를 이용한 주식종목 선택방법 | |
US20130080353A1 (en) | Methods and systems of financial data analysis and simulation | |
US20120029949A1 (en) | Method And System For Determining Rate Of Insurance | |
Neuhierl et al. | Data snooping and market-timing rule performance | |
JP2017504126A (ja) | 投資証券の層別コンポジットポートフォリオ | |
Padungsaksawasdi | On the dynamic relationship between gold investor sentiment index and stock market: A sectoral analysis | |
Doumpos et al. | Analytical techniques in the assessment of credit risk | |
KR20160038147A (ko) | 기업 가치 평가 시스템 및 그 방법 | |
JP2018503927A (ja) | 投資証券の複合ポートフォリオのセグメント化及び層化 | |
Goodell et al. | Risk substitution in cryptocurrencies: evidence from BRICS announcements | |
Yahaya et al. | Stock market liquidity and volatility on the Nigerian Exchange Limited (NGX) | |
CN112767132A (zh) | 一种数据处理方法及*** | |
Chen | Analytical VaR for international portfolios with common jumps | |
JP2003233703A (ja) | 経営指標処理システム | |
JP2022027957A (ja) | 金融商品取引管理装置、金融商品取引管理システム、プログラム | |
CN113763182A (zh) | 一种金融数据处理方法、装置、电子设备及存储介质 | |
JP2021018796A (ja) | 金融商品取引管理装置、金融商品取引管理システム、プログラム | |
Chan et al. | Stochastic cost flow system for stock markets with an application in behavioral finance | |
US20180204283A1 (en) | Systems and methods for generating a navigation tool for routing between multivariate datasets | |
Ramaube | The profitability of technical analysis during volatile periods in the South African Financial Markets | |
McEwan | A Study of the EUR/USD Exchange Rate and EUR Call Options | |
Jain | Integrating hedge fund strategies in sovereign wealth portfolios | |
Gorbunov | Multivariable optimization methods for risk assessment of the business processes of manufacturing enterprises |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |