CN113222767A - 指数化证券组合的数据处理方法及装置 - Google Patents

指数化证券组合的数据处理方法及装置 Download PDF

Info

Publication number
CN113222767A
CN113222767A CN202110556048.0A CN202110556048A CN113222767A CN 113222767 A CN113222767 A CN 113222767A CN 202110556048 A CN202110556048 A CN 202110556048A CN 113222767 A CN113222767 A CN 113222767A
Authority
CN
China
Prior art keywords
factor
combination
indexed
securities
security
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.)
Pending
Application number
CN202110556048.0A
Other languages
English (en)
Inventor
洪世能
肖月亮
王政钟
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202110556048.0A priority Critical patent/CN113222767A/zh
Publication of CN113222767A publication Critical patent/CN113222767A/zh
Pending 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

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

Abstract

本发明公开了一种指数化证券组合的数据处理方法及装置，本发明涉及大数据技术领域，该方法包括：对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。本发明可通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差‑协方差矩阵参数的个数，提升了收益和风险预测建模的效率，降低了对指数化证券组合进行收益和风险预测的失效率。

Description

指数化证券组合的数据处理方法及装置
技术领域
本发明涉及大数据技术领域，尤其涉及指数化证券组合的数据处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
量化投资分析在国内资产管理行业已取得迅速发展，而且未来的市场空间巨大。量化投资分析与量化投资交易相辅相成，已逐渐成为金融科技时代下数据驱动和规则驱动的投资管理的核心工具。与主动投资的逻辑相反，基于有效市场假说的指数量化投资并不探讨资产价格被高估还是低估的问题，而重点关注建立高度分散化的证券组合以降低风险，同时借助因子分析方法对投资组合的收益-风险预测进行合理优化和平衡，从而使单位风险承担下的预期收益更高。
而指数组合(即指数化证券组合)是投资组合的一类，投资组合是资产管理业务或资产管理产品的投资端为进行规范化的投资管理和资金运用所建立的管理工具。投资经理(用户)通过投资组合进行投资估值、风控和收益管理，从而达成资管产品的投资目标。投资组合可以与资产管理产品一一对应，也可以是虚拟的组合。指数组合是投资组合的一类，指数组合可依据行业分类、证券版块、风格特征等标准构建。
现有的指数组合风险模型的度量，主要存在效率和准确性问题。
常规的指数组合风险量化分析方法中，一般运用的是马克维茨的均值-方差模型等传统风险模型，该模型对N只股票的收益-风险预测需要通过计算N×N维的方差-协方差矩阵来估计组合整体风险，其中包括N×(N+1)/2个方差或协方差参数。因此，若对于上千只股票组成的指数组合，则在时间区间高于2-3年的窗口期时，方差或协方差参数的估计个数则超过百万甚至千万量级。
因常规量化分析方法包含的独立参数过多，致使依据上述传统方式很难建立风险模型，提升了指数组合风险分析的困难程度；同时，由于上述传统方法涉及参数过多，也导致了以传统方法对指数化证券组合的风险进行分析时的准确度较低，且存在较大的失效率。
发明内容
本发明实施例提供一种指数化证券组合的数据处理方法，用以提升对指数化证券组合进行收益和风险预测的准确性，降低对指数化证券组合进行收益和风险预测的失效率，该方法包括：
对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；所述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；所述因子指标用于表征证券的属性参数；
对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；所述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；
根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；所述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；所述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；
根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
本发明实施例还提供一种指数化证券组合的数据处理装置，用以提升对指数化证券组合进行收益和风险预测的准确性，该装置包括：
筛选取值处理模块，用于对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；所述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；所述因子指标用于表征证券的属性参数；
有效因子确定模块，用于对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；所述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；
多因子风险模型建模模块，用于根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；所述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；所述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；
预测处理模块，用于根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述指数化证券组合的数据处理方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述指数化证券组合的数据处理方法的计算机程序。
本发明实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；所述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；所述因子指标用于表征证券的属性参数；对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；所述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；所述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；所述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测，与现有技术对比，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率；同时，避免了现有技术在因需使用参数的体量过大，而导致风险评估的准确率较低的问题，提升了对指数化证券组合进行收益和风险预测的准确性，降低了对指数化证券组合进行收益和风险预测的失效率。
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。在附图中：
图1为本发明实施例中一种指数化证券组合的数据处理方法的流程示意图；
图2为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图3为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图4为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图5为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图6为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图7为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图8为本发明实施例中一种指数化证券组合的数据处理方法的具体示例图；
图9为本发明实施例中一种指数化证券组合的数据处理装置的结构示意图；
图10为本发明实施例中用于指数化证券组合的数据处理的计算机设备示意图；
图11为本发明实施例中一种指数化证券组合的数据处理装置的具体示例图；
图12为本发明实施例中一种指数化证券组合的数据处理装置的具体示例图；
图13为本发明实施例中一种指数化证券组合的数据处理装置的具体示例图；
图14为本发明实施例中一种指数化证券组合的数据处理装置的具体示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明实施例涉及下列名词，如下进行解释：
指数组合：指数组合是投资组合的一类，投资组合是资产管理业务或资产管理产品的投资端为进行规范化的投资管理和资金运用所建立的管理工具。投资经理(用户)通过投资组合进行投资估值、风控和收益管理，从而达成资管产品的投资目标。投资组合可以与资产管理产品一一对应，也可以是虚拟的组合。指数组合是投资组合的一类，指数组合可依据行业分类、证券版块、风格特征等标准构建。
马克维茨模型：也称马克维茨的均值-方差理论，基于该理论，在一定的目标函数和约束条件下，投资组合的预期收益率E(rp)和组合的标准差σp在风险-预期收益的二维空间中满足二次曲线关系，这条曲线被称为“马科维茨子弹头”。位于曲线最左侧的点即是投资可行集的最小方差组合。由最小方差组合开始，曲线的上半部分由给定预期收益水平下风险最小(同时也是给定风险水平下预期收益最高)的组合构成，也被称为“有效边界”。
量化分析：对金融时序数据、横截面数据或面板数据进行指标计算和统计，并对具有金融意义的量化指标进行特征分析、回归分析、相关性分析、贡献度分析、周期性分析以及未来走势预测的过程，量化分析方法可应用到包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易，资产配置，风险控制等金融场景中。
多因子模型：现代金融理论认为，股票的预期收益是对股票持有者所承担风险的报酬，多因子模型是对于风险-收益关系的定量表达，不同因子代表不同风险类型的解释变量。多因子模型刻画了股票预期收益率与股票在每个因子上的因子上的因子载荷(风险敞口)，以及每个因子每单位因子(风险敞口)的因子收益率之间的线性关系。多因子模型有效提高了投资组合收益-风险预测的计算效率。
因子载荷：即因子暴露，在多因子模型中一般用个券或行业因子值取数，是多因子模型多元线性回归中的解释变量。
因子收益率：在多因子模型中是解释变量因子暴露的估计系数，需要对多因子模型进行多期线性回归以获得因子收益率序列。
组合优化：对投资组合的收益-风险预测进行量化分析与合理平衡，从而使单位风险承担下的预期收益更高。基于投资者风险厌恶偏好理论，组合优化方法的核心是权衡指数组合的预期收益和预期风险，从而为用户建立在相同预期收益下，预期风险最小的组合，或相同预期风险下，预期收益最大的组合。
投资权重：投资组合中各个证券的投资比重。
指数组合的传统管理方法大多基于马克维茨的均值-方差模型及其衍生理论，如传统的套利定价模型(APT)、风险平价模型(Risk Parity)、风险预算模型(Risk BudgetingModel)、Black-Litterman模型等。
以风险平价模型为例，该模型构建投资组合的标准为不同的资产分配相同的风险权重，即在风险平价模型的权重分配下，各个资产对投资组合的边际风险贡献相等。先假设某一资产组合p由两类资产(例如资产1与资产2)构成，组合收益计算公式可表达为：
Rp＝w1×R1+w2×R2
其中R1、R2分别是两个资产的收益，w1、w2分别是两个资产的配置比重，且有w1+w2＝1。
风险定义为资产收益的标准差，则组合p的风险为：
Figure BDA0003077212130000061
将σ(Rp)看作w1和w2的函数，定义资产1对组合p的边际风险贡献，即资产1的单位配置权重w1的增长引起的组合风险σ(Rp)的增长：
Figure BDA0003077212130000062
则资产1对组合的总风险贡献为：
Figure BDA0003077212130000063
组合p的总风险可以拆成各项资产总风险贡献之和：
Figure BDA0003077212130000064
则对于包含多个资产的组合，资产i在组合p中的风险贡献权重可以表示为：
Figure BDA0003077212130000065
其中
Figure BDA0003077212130000066
可见各个资产对组合风险的贡献权重wi并不一定等于资金配比权重，而是在wi上乘以一个与该资产和组合的协方差有关的系数βi。通过对不同的资产分配相同的风险权重，投资组合对资产的风险贡献度进行了合理控制和优化，达到了风险平价目标。
因此，以传统的指数化证券组合的数据处理方法，对上述内容进行计算时，则很难建立风险模型，提升了指数组合风险分析的困难程度。
具体分析如下所示：
基于以上风险平价模型的案例，如果一个投资组合中有N个资产，在计算上则需要估计N×(N+1)/2个方差或协方差参数，这与常规的马克维茨均值-方差模型等组合优化模型的庞大计算量与系数估计准确性具有相类似的问题，即收益-风险结构的估计效率低，估计准确性不高(估计中的独立参数过多)。因此，对于上千只股票组成的指数组合，在时间区间高于2-3年的窗口期时，方差或协方差参数的估计个数则超过百万甚至千万量级。
在使用Python IDE对包含1700只股票的指数组合在424个交易日的收益率数据进行方差、协方差参数进行估计时，方差-协方差矩阵(包含1445850个参数)的计算耗时7.5s左右，对于***功能的响应速度和用户操作体验有较大负面影响；这与在同样的资产数量和时间区间下本专利所使用的多因子模型估计指数组合的方差-协方差矩阵的计算效率相差近80倍。
综上，常规的指数组合风险量化分析方法中，一般运用的是马克维茨的均值-方差模型等传统风险模型，该模型对N只股票的收益-风险预测需要通过计算N×N维的方差-协方差矩阵来估计组合整体风险，其中包括N×(N+1)/2个方差或协方差参数。因此，若对于上千只股票组成的指数组合，则在时间区间高于2-3年的窗口期时，方差或协方差参数的估计个数则超过百万甚至千万量级。
因常规量化分析方法包含的独立参数过多，致使依据上述传统方式很难建立风险模型，提升了指数组合风险分析的困难程度；同时，由于上述传统方法涉及参数过多，也导致了以传统方法对指数化证券组合的风险进行分析时的准确度较低，且存在较大的失效率。
本发明实施例提供一种指数化证券组合的数据处理方法，本发明实施例涉及大数据技术领域。该指数化证券组合的数据处理方法，可用于解决上述问题，用以提升对指数化证券组合进行收益和风险预测的准确性，降低对指数化证券组合进行收益和风险预测的失效率，如图1所示，该方法可以包括：
步骤101：对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；上述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；上述因子指标用于表征证券的属性参数；
步骤102：对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；上述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；
步骤103：根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；上述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；上述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；
步骤104：根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
本发明实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；上述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；上述因子指标用于表征证券的属性参数；对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；上述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；上述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；上述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测，与现有技术对比，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率；同时，避免了现有技术在因需使用参数的体量过大，而导致风险评估的准确率较低的问题，提升了对指数化证券组合进行收益和风险预测的准确性，降低了对指数化证券组合进行收益和风险预测的失效率。
具体实施时，首先对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；上述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；上述因子指标用于表征证券的属性参数。
实施例中，指数组合(即指数化证券组合)是投资组合的一类，指数组合是资产管理业务或资产管理产品的投资端为进行规范化的投资管理和资金运用所建立的管理工具。指数组合的投资经理(用户)通过指数组合进行投资估值、风控和收益管理，从而达成资管产品的投资目标。
指数组合可以与资产管理产品一一对应，也可以是虚拟的组合。指数组合是投资组合的一类，指数组合可依据行业分类、证券版块和风格特征等标准构建。
指数化证券组合的基础数据，可以包括指数化证券组合中各个证券的：收益率参数和因子指标。因子指标用于表征证券的属性参数，证券的因子指标可称为多种因子的因子载荷，还可称为多种因子的风险敞口。不同因子代表不同风险类型的解释变量。因子指标可以包括估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子的其中之一或任意组合。多种因子的因子载荷，可称为多种因子的因子暴露，在后续建立的多因子模型中，一般是指用个券或行业因子值取数，是多因子模型多元线性回归中的解释变量。
在上述实施例中，在对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据前，还可以包括：
按如下方式获取指数化证券组合的基础数据：从银行***中采集指数化证券组合的基础数据。
从银行***中采集指数化证券组合的基础数据，包括：
采集指数化证券组合中各个证券的个券收益率数据(即收益率参数)和因子指标数据(即因子指标)，其中个券收益率数据可从银行的资讯数据获取，因子指标数据则可分为估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子。
在上述实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据，可以包括：
对获取的指数化证券组合的基础数据进行筛选取值处理，可以包括：
对获取的指数化证券组合的基础数据进行数据清洗；上述数据清洗处理可以包括筛选处理和取值处理。
实施例中，数据清洗可以包括：按如下公式对各个证券的个券收益率数据统一取日度、月度等频率的复合收益率：
Rit＝ln(Pi，t)-ln(Pi，t-1)
其中Pi,t为第i个资产(即证券)i在日期t时点的收盘价，Ri,t为第i个资产(即证券)i在日期t时点的复合收益率。
数据清洗可以包括：对因子指标(及因子载荷)及进行标准化处理，如进行中位数去极值处理。
在上述实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据，有助于在后续步骤中对处理后的基础数据进行多元线性回归分析和显著性检验。
具体实施时，在对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据后，对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；上述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数。
实施例中，有效因子可为经显著性检验后显著性超过预设数值的各个证券的属性参数。
在上述实施例中，通过对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子，有助于在后续步骤中建立指数化证券组合的多因子风险模型。
具体实施时，在对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子后，根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；上述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；上述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数。
现代金融理论认为，股票的预期收益是对股票持有者所承担风险的报酬，而在上述实施例中的多因子模型，是对于风险-收益关系的定量表达，不同因子代表不同风险类型的解释变量。
在上述实施例中，多因子模型可以刻画指数化证券组合中的不同证券(如股票)的预期收益率，与指数化证券组合中的不同证券(如股票)在每个因子上的因子载荷(即风险敞口)，以及每个因子的每单位因子(风险敞口)的因子收益率之间的线性关系。通过建立多因子模型，可以有效提高投资组合收益-风险预测的计算效率。
在上述实施例中，与现有技术对比，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率。
具体实施时，在根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型后，根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
在上述实施例中，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率。
具体实施时，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据，如图2所示，可以包括：
步骤201：以预设的数据筛选频率，对指数化证券组合中各个证券的收益率参数进行筛选，得到各个证券的复合收益率参数；
步骤202：对指数化证券组合中各个证券的因子指标，进行去极值处理；上述因子指标包括估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子的其中之一或任意组合；
步骤203：根据各个证券的复合收益率参数，和去极值处理后的各个证券的因子指标，得到处理后的基础数据。
实施例中，以预设的数据筛选频率，对指数化证券组合中各个证券的收益率参数进行筛选，得到各个证券的复合收益率参数，可以包括：
按如下公式以预设的数据筛选频率，对指数化证券组合中各个证券的收益率参数进行筛选，得到各个证券的复合收益率参数：
对各个证券的个券收益率数据统一取日度、月度等频率的复合收益率：
Rit＝ln(Pi，t)-ln(Pi，t-1)
其中Pi,t为第i个资产(即证券)i在日期t时点的收盘价，Ri,t为第i个资产(即证券)i在日期t时点的复合收益率。
对指数化证券组合中各个证券的因子指标，进行去极值处理，可以包括：
对指数化证券组合中各个证券的因子指标进行标准化处理，如进行中位数去极值处理。
在上述实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，可以得到处理后的基础数据，该处理后的基础数据可以包括各个证券的复合收益率参数和各个证券的复合收益率参数。
具体实施时，对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子，如图3所示，可以包括：
步骤301：对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率；
步骤302：对每一因子指标的因子收益率进行显著性检验和因子有效性分析，确定每一因子指标的显著性；
步骤303：根据每一因子指标的显著性和因子收益率，对每一因子指标进行怀特检验，确定指数化证券组合的有效因子。
实施例中，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率，可以包括：
以收益率参数为因变量，以因子指标为自变量，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率。
以收益率参数为因变量，以因子指标为自变量，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率，可以包括：
使用多元线性回归(因变量为个券收益率，自变量为因子载荷)估计每期因子指标的因子收益率
Figure BDA0003077212130000121
可按如下方式对处理后的基础数据进行多元线性回归分析：
Figure BDA0003077212130000122
其中，j＝1～N，代表N个证券中第j个证券；k＝1～K，代表K个因子指标中第k个因子指标；rj为第j个证券的个券收益率参数；Xjk为第j个证券中第k个因子指标的因子载荷；uj为第j个证券的残差收益率序列项。
其中，因子收益
Figure BDA0003077212130000123
为每期的因子载荷系数的估计值。
对每一因子指标的因子收益率进行显著性检验和因子有效性分析，可以包括：
如对每一因子指标的因子收益率进行因子收益率序列的t检验和IC值分析；
其中，t检验为对每一个的因子指标的因子收益率
Figure BDA0003077212130000124
的t检验以及因子收益率序列的
Figure BDA0003077212130000125
的t检验，以保证在因子载荷在横截面以及时间序列上的显著性。
具体实施时，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率，如图4所示，可以包括：
步骤401：对处理后的基础数据进行多元线性回归分析，建立指数化证券组合的多元线性回归模型；
步骤402：根据指数化证券组合的多元线性回归模型，确定每一因子指标的因子收益率。
实施例中，对处理后的基础数据进行多元线性回归分析，建立指数化证券组合的多元线性回归模型，可以包括：
使用多元线性回归(因变量为个券收益率，自变量为因子载荷)估计每期因子指标的因子收益率
Figure BDA0003077212130000131
可按如下方式建立指数化证券组合的多元线性回归模型：
Figure BDA0003077212130000132
其中，j＝1～N，代表N个证券中第j个证券；k＝1～K，代表K个因子指标中第k个因子指标；rj为第j个证券的个券收益率参数；Xjk为第j个证券中第k个因子指标的因子载荷；uj为第j个证券的残差项。
在对处理后的基础数据进行多元线性回归分析，建立指数化证券组合的多元线性回归模型后，根据指数化证券组合的多元线性回归模型，确定每一因子指标的因子收益率。
在上述实施例中，通过指数化证券组合的有效因子，可建立指数化证券组合的多因子风险模型，其中该多因子风险模型可用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；该因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数。区别于现有技术下的的马克维茨的均值-方差模型及其衍生模型，本发明实施例建立的多因子风险模型，能够在很大程度上降低收益-风险预测时的方差-协方差矩阵参数估计个数，提高***计算效率和准确性。
具体实施时，本发明实施例提供的一种指数化证券组合的数据处理方法，还可以包括：
根据指数化证券组合的有效因子，建立指数化证券组合的有效因子的数据库；
根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型，可以包括：
以指数化证券组合的有效因子的数据库中存储的有效因子，建立指数化证券组合的多因子风险模型。
实施例中，通过建立指数化证券组合的有效因子的数据库，可为后续步骤中的多因子风险模型的应用，提供坚实的数据基础。
具体实施时，根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型，如图5所示，可以包括：
步骤501：根据指数化证券组合的有效因子，确定因子收益率协方差矩阵和残差风险矩阵；
步骤502：根据因子收益率协方差矩阵和残差风险矩阵，建立指数化证券组合的多因子风险模型。
实施例中，根据指数化证券组合的有效因子，确定因子收益率协方差矩阵，可以包括：
基于有效因子的因子收益率，对指数化证券组合的有效因子进行评估，确定因子收益率协方差矩阵。
实施例中，根据指数化证券组合的有效因子，确定残差风险矩阵，可以包括：
基于有效因子的残差收益率序列(对应上述多元线性回归模型
Figure BDA0003077212130000141
Figure BDA0003077212130000142
中的uj序列项)，对指数化证券组合的有效因子进行评估，确定残差风险矩阵。
实施例中，在多因子风险模型中，建立一个包含N只股票的指数组合，则股票收益率向量r的表达式为：r＝β×F+ε；
其矩阵表达式为：
Figure BDA0003077212130000143
其中，r是一个N维列向量，表示每只个券(即指指数化证券组合中的一个证券)的预期收益率；β是一个N×K的矩阵，表示N只股票对K个因子的暴露程度(即各个证券的因子指标)；F是K个因子收益率(即各个证券的收益率参数)，是一个K维列向量；ε表示模型面临的个券风险水平(残差风险)，是一个N维列向量。
实施例中，因子收益率的方差-协方差矩阵X，可以通过因子收益率序列估计得到，为K×K矩阵；
个券残差收益率的方差-协方差矩阵，可以通过对个券残差收益率序列估计得到，维度为N×N。
在上述实施例中，基于确定因子收益率协方差矩阵和残差风险矩阵，可有效协助建立指数化证券组合的多因子风险模型。与现有技术对比，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率；同时，避免了现有技术在因需使用参数的体量过大，而导致风险评估的准确率较低的问题，提升了对指数化证券组合进行收益和风险预测的准确性，降低了对指数化证券组合进行收益和风险预测的失效率。
具体实施时，本发明实施例提供的一种指数化证券组合的数据处理方法，还可以包括：
按如下方式根据指数化证券组合的多因子风险模型，对指数化证券组合中各个证券的投资权重进行分析及调整：
通过使用多因子风险模型设定指数化证券组合的优化目标，按照目标模拟出证券组合的最优权重，从而以此为标准对现有的证券组合中各个证券的投资权重进行分析及调整。
以预设置的指数化证券组合目标以及约束条件，根据指数化证券组合的多因子风险模型，确定指数化证券组合的有效边界；
根据指数化证券组合的有效边界，对指数化证券组合中各个证券的投资权重进行分析及调整。
实施例中，多因子风险模型在一定的目标函数和约束条件下，投资组合的预期收益率E(rp)和组合的标准差σp在风险-预期收益的二维空间中满足二次曲线关系，这条曲线被称为“马科维茨子弹头”。位于曲线最左侧的点即是投资可行集的最小方差组合。由最小方差组合开始，曲线的上半部分由给定预期收益水平下风险最小(同时也是给定风险水平下预期收益最高)的组合构成，也被称为“有效边界”。
在上述实施例中，通过指数化证券组合的有效边界，可对指数化证券组合中各个证券的投资权重进行分析及调整。对投资组合的收益-风险预测进行量化分析与合理平衡，从而使单位风险承担下的预期收益更高。基于投资者风险厌恶偏好理论，组合优化方法的核心是权衡指数组合的预期收益和预期风险，从而为用户建立在相同预期收益下，预期风险最小的组合，或相同预期风险下，预期收益最大的组合。
具体实施时，本发明实施例提供的一种指数化证券组合的数据处理方法，还可以包括：
以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的收益分析。
具体实施时，本发明实施例提供的一种指数化证券组合的数据处理方法，还可以包括：
以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的风险分析。
实施例中，可以在不同的目标函数以及约束下，帮助用户更好地实现对组合风险更好的控制和管理。在具体实践中，经典模型有着严格假设，理想化的有效边界与现实条件并不兼容，需要考虑交易成本的问题，这会带来换手率和市场中的做空约束等不可避免的问题，因此为解决上述问题，用户需要借助程序化的工具迅速在复杂的市场数据和变量关系中做出合理的投资决策。指数组合优化器可以对相关投资理论进行程序化描述，在用户设定了投资收益预期、风险预算、行业约束和个券约束等参数后，实现指数组合配置的最优化。
在上述实施例中，可以输出组合资产权重分配结果，并对优化组合进行历史数据回测，以验证组合优化效果，验证指标包括夏普比率、信息比率、最大回撤、特雷诺比率等。对于回测结果达到良好水准的指数组合策略模型及对应的多因子风险模型，可以保存在银行***中迭代使用和后续优化。
下面给出一个具体实施例，来说明本发明的方法的具体应用，该实施例中，如图6和图7所示，可以包括如下步骤：
一、数据采集和清洗(即对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据)
基础数据采集包括个券收益率数据和因子指标数据采集，其中个券收益率数据可从资讯数据获取，因子指标数据则分为估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子。数据清洗则是对个券收益率数据统一取日度、月度等频率的复合收益率：Rit＝ln(Pi，t)-ln(Pi，t-1)，其中Pi,t为资产i在日期t时点的收盘价，，Ri,t为第i个资产(即证券)i在日期t时点的复合收益率；以及对因子指标(因子载荷)的标准化处理-中位数去极值。
二、有效因子识别(即对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子)
1、使用多元线性回归(即对处理后的基础数据进行多元线性回归分析，得到指数化证券组合的有效因子)以因变量为个券收益率，自变量为因子载荷，估计每期因子收益
Figure BDA0003077212130000161
回归模型为：
Figure BDA0003077212130000162
其中j＝1～N，代表资产数量，k＝1～K，代表因子数量，rj为个券收益率，Xjk为因子载荷，uj为残差项。因子收益
Figure BDA0003077212130000163
为每期的因子载荷系数估计值；
2、进行因子收益率序列的t检验和IC值分析(即对处理后的基础数据进行显著性检验，得到指数化证券组合的有效因子)，其中t检验包括对每一个单期的因子收益率
Figure BDA0003077212130000171
的t检验以及因子收益率序列
Figure BDA0003077212130000172
的t检验，以保证在因子载荷在横截面以及时间序列上的显著性；
3、进行因子共线性分析，即计算因子载荷之间的相关系数矩阵：
Figure BDA0003077212130000173
对于相关性较高的因子进行多个因子合成单个因子或排除在有效因子识别t检验步骤中计算得到的有效性较低的因子；
4、多元线性回归方程的残差异方差分析，即使用怀特检验(White test)(即根据每一因子指标的显著性和因子收益率，对每一因子指标进行怀特检验，确定指数化证券组合的有效因子)：
具体检验标准为：1)如果残差项的条件方差相同，即
Figure BDA0003077212130000174
则成为同方差性；2)如果残差项的条件方差不同，即
Figure BDA0003077212130000175
则成为异方差性，对于存在异方差的模型，在进行回归的时候重新需要采用最小加权二乘法(WLS)来进行；
完成步骤a到步骤d后，可将有效因子筛选和检验出来，有效因子的识别可助于搭建因子库，为指数组合的构建和优化提供数据基础。
三、因子收益率协方差矩阵和残差风险矩阵(即根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型)
在多因子风险模型中，建立一个包含N只股票的指数组合，则股票收益率向量r的表达式为：r＝β×F+ε
其矩阵表达式为：
Figure BDA0003077212130000176
其中，r是一个N维列向量，表示每只个券的预期收益率；β是一个N×K的矩阵，表示N只股票对K个因子的暴露程度；F是K个因子收益率，是一个K维列向量；ε表示模型面临的个券风险水平(残差风险)，是一个N维列向量。
在该实例中，关于多因子模型收益-风险结构的详细推导说明如下所示：
从计量结构上看，收益回归模型的矩阵表达：
Figure BDA0003077212130000181
该方程可以简化表示为：r＝β×F+ε
其中r为组合收益，β为因子收益率的估计系数矩阵，F为因子收益率序列，ε
为残差序列。
因此组合的风险结构可以简化为：
Var(r)＝Var(β×F+ε)
Var(r)＝Var(β×F)+Var(ε)
Var(r)＝wTβXβTw+Var(ε)
其中w为资产权重向量，X为K个因子收益率的方差协方差矩阵，且需要假设因子收益率F与残差收益率ε独立。
从微观结构的角度看，在多因子模型的框架下，市场的风险结构变为：
Figure BDA0003077212130000182
其中Vi,j为股票i和股票j的协方差；βi,k1为股票i在因子k1上的因子暴露(因子载荷)；Fk1,k2为因子k1与因子k2之间的收益率协方差；Δi,j为股票i与股票j之间的残差收益率的协方差。
依照该风险结构，指数组合的整体风险可以表示为：
Figure BDA0003077212130000183
其中，σp表示组合的预期标准差，w表示组合中股票(资产)的投资权重向量，是一个N维列向量；β表示N只股票对K个因子的暴露程度，是一个N×K矩阵；X表示K个因子收益率的方差-协方差矩阵，是一个K×K矩阵；Δ表示个券残差收益率的方差-协方差矩阵，维度为N×N。
因子收益率的方差-协方差矩阵X可以通过因子收益率序列估计得到，为K×K矩阵；个券残差收益率的方差-协方差矩阵可以通过对个券残差收益率序列估计得到，维度为N×N。
四、指数组合构建和风险优化(即根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测、以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的收益分析和风险分析)
该实例中在发明实施例提供的指数化证券组合的数据处理方法，生成一个指数投资策略管理工具，用户可以根据个性化和定制化有效因子投资策略构建指数组合；进一步地，指数组合的构建只是多因子风险模型量化优化方法的起点，对已构建组合的预期风险进行优化控制才是本发明实施例的核心所在。
通过使用多因子风险模型设定指数化证券组合的优化目标，按照目标模拟出证券组合的最优权重，从而以此为标准对现有的证券组合中各个证券的投资权重进行分析及调整。
基于上述多因子风险模型，已构建的指数组合的风险可以表示为：
Figure BDA0003077212130000191
其中，σp表示组合的预期标准差，w表示组合中股票(资产)的投资权重向量，是一个N维列向量；β表示N只股票对K个因子的暴露程度，是一个N×K矩阵；X表示K个因子收益率的方差-协方差矩阵，是一个K×K矩阵；Δ表示个券残差收益率的方差-协方差矩阵，维度为N×N。
在该实例中，根据指数化证券组合的多因子风险模型，对指数化证券组合中各个证券的投资权重进行分析及调整，可以包括：
通过使用多因子风险模型设定指数化证券组合的优化目标，按照目标模拟出证券组合的最优权重，从而以此为标准对现有的证券组合中各个证券的投资权重进行分析及调整。
继而，实施例中，可以根据建立约束条件(对应约束参数设置)和目标函数的方式，从多因子风险模型下的投资组合可行集(有效边界)中选择更优组合。
①预期风险最小组合：
Figure BDA0003077212130000192
IT×w＝1
②在一定的预期风险约束条件下的收益最大的组合：
maxrT×w
Figure BDA0003077212130000193
IT×w＝1
③在一定的预期收益率约束条件下的风险最小的组合：
Figure BDA0003077212130000194
s.t rT×w＝rc
IT×w＝1
其中，I是一个N维单位向量，σc是一个给定的标准差水平，rc是一个给定的预期收益率水平。可以证明在上述目标函数和约束条件下，投资组合的预期收益率E(rp)和组合的标准差σp在风险-预期收益在二维空间中的边界满足二次曲线关系，如下图8所示：
图8中横轴为：组合的标准差σp纵轴：组合的预期收益率E(rp)
位于曲线最左上侧的点即是投资可行集的最小方差组合(对应目标函数1)。由最小方差组合开始，曲线的上半部分由给定预期收益水平下风险最小(同时也是给定风险水平下预期收益最高，对应目标函数2和3)的组合构成，也可被称为“有效边界”。
指数组合优化器(即上述的指数投资策略管理工具)，可以在不同的目标函数以及约束下，帮助用户更好地实现对组合风险更好的控制和管理。在具体实践中，经典模型有着严格假设，理想化的有效边界与现实条件并不兼容，需要考虑交易成本的问题，这会带来换手率和市场中的做空约束等不可避免的问题，因此为解决上述问题，用户需要借助程序化的工具迅速在复杂的市场数据和变量关系中做出合理的投资决策。
上述指数组合优化器，可以对相关投资理论进行程序化描述，在用户设定了投资收益预期、风险预算、行业约束和个券约束等参数后，实现指数组合配置的最优化。
指数组合优化器的设置参数为：
1、多因子模型：即选择加入模型的因子库有效因子
2、优化目标：
a、风险最小化：基于该选择，投研组合优化器将生成收益波动率最小的投资组合，不考虑预期收益率。
b、在一定的预期收益率约束条件下的风险最小的组合。
c、在一定的预期波动率约束条件下的收益最大的组合。
3、行业约束：
a、对所有行业的通用权重配置，可设置最大权重和最小权重
b、添加对单独行业的权重约束，可设置最大权重和最小权重
c、默认基于申万二级行业分类
4、个券权重约束：优化时单个资产的权重不超过设置范围
5、因子暴露约束：添加因子库中的已保存因子，输入因子暴露度(因子载荷)的上下限
6、跟踪误差约束：组合跟踪误差值上限
执行指数组合优化器功能，可以实现本发明实施例提供的一种指数化证券组合的数据处理方法的技术效果，即可以输出组合资产权重分配结果，并对优化组合进行历史数据回测，以验证组合优化效果，验证指标包括夏普比率、信息比率、最大回撤、特雷诺比率等。对于回测结果达到良好水准的指数组合策略模型及对应的多因子风险模型，可以保存在***中迭代使用和后续优化。
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
本发明实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；上述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；上述因子指标用于表征证券的属性参数；对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；上述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；上述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；上述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测，与现有技术对比，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率；同时，避免了现有技术在因需使用参数的体量过大，而导致风险评估的准确率较低的问题，提升了对指数化证券组合进行收益和风险预测的准确性，降低了对指数化证券组合进行收益和风险预测的失效率。
如上述，本发明实施例可建立指数组合有效因子库，以高精度算法，可实现多因子风险模型的高效优化，进而可依据本发明实施例提供的一种指数化证券组合的数据处理方法，生成指数组合风险优化器，最终可依托该工具实现建立一种指数投资策略管理工具和回测平台，为量化指数组合的提供了一种优化技术思路和一体化的解决方案。
本发明实施例区别于常规的马克维茨的均值-方差模型及其衍生模型，本发明使用多因子风险模型能够在很大程度上降低收益-风险预测时的方差-协方差矩阵参数估计个数，提高***计算效率和准确性。区别于大多投资经理用户传统的在线下或多个离散***中制定投资策略和优化管理的繁琐操作，本发明的用户可以借助程序化的工具迅速在复杂的市场数据和变量关系中做出合理的投资决策。即指数组合优化器可以对多因子模型等投资理论进行程序化描述，在用户设定了投资收益预期、风险预算、行业约束和个券约束等参数后，实现指数组合配置的自动最优化和线上迭代管理。
本发明实施例中还提供了一种指数化证券组合的数据处理装置，如下面的实施例上述。由于该装置解决问题的原理与指数化证券组合的数据处理方法相似，因此该装置的实施可以参见指数化证券组合的数据处理方法的实施，重复之处不再赘述。
本发明实施例提供的一种指数化证券组合的数据处理装置，用以提升对指数化证券组合进行收益和风险预测的准确性，如图9所示，该装置包括：
筛选取值处理模块01，用于对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；上述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；上述因子指标用于表征证券的属性参数；
有效因子确定模块02，用于对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；上述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；
多因子风险模型建模模块03，用于根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；上述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；上述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；
预测处理模块04，用于根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
在一个实施例中，筛选取值处理模块，具体用于：
以预设的数据筛选频率，对指数化证券组合中各个证券的收益率参数进行筛选，得到各个证券的复合收益率参数；
对指数化证券组合中各个证券的因子指标，进行去极值处理；上述因子指标包括估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子的其中之一或任意组合；
根据各个证券的复合收益率参数，和去极值处理后的各个证券的因子指标，得到处理后的基础数据。
在一个实施例中，筛选取值处理模块，具体用于：
对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率；
对每一因子指标的因子收益率进行显著性检验和因子有效性分析，确定每一因子指标的显著性；
根据每一因子指标的显著性和因子收益率，对每一因子指标进行怀特检验，确定指数化证券组合的有效因子。
在一个实施例中，筛选取值处理模块，具体用于：
以收益率参数为因变量，以因子指标为自变量，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率。
在一个实施例中，有效因子确定模块，具体用于：
对处理后的基础数据进行多元线性回归分析，建立指数化证券组合的多元线性回归模型；
根据指数化证券组合的多元线性回归模型，确定每一因子指标的因子收益率。
在一个实施例中，如图11所示，还包括：数据库建立模块05，用于：
根据指数化证券组合的有效因子，建立指数化证券组合的有效因子的数据库；
多因子风险模型建模模块，具体用于：
以指数化证券组合的有效因子的数据库中存储的有效因子，建立指数化证券组合的多因子风险模型。
在一个实施例中，多因子风险模型建模模块，具体用于：
根据指数化证券组合的有效因子，确定因子收益率协方差矩阵和残差风险矩阵；
根据因子收益率协方差矩阵和残差风险矩阵，建立指数化证券组合的多因子风险模型。
在一个实施例中，多因子风险模型建模模块，具体用于：
基于有效因子的因子收益率，对指数化证券组合的有效因子进行评估，确定因子收益率协方差矩阵。
在一个实施例中，多因子风险模型建模模块，具体用于：
基于有效因子的残差收益率，对指数化证券组合的有效因子进行评估，确定残差风险矩阵。
在一个实施例中，如图12所示，还包括，投资权重修正模块06，用于：
按如下方式根据指数化证券组合的多因子风险模型，对指数化证券组合中各个证券的投资权重进行分析及调整：
以预设置的指数化证券组合目标以及约束条件，根据指数化证券组合的多因子风险模型，确定指数化证券组合的有效边界；
根据指数化证券组合的有效边界，对指数化证券组合中各个证券的投资权重进行分析及调整。
在一个实施例中，如图13所示，还包括：指数化证券组合的收益分析模块07，用于：
以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的收益分析。
在一个实施例中，如图14所示，还包括：指数化证券组合的风险分析模块08，用于：
以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的风险分析。
本发明实施例提供一种用于实现上述指数化证券组合的数据处理方法中的全部或部分内容的计算机设备的实施例所述计算机设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现指数化证券组合的数据处理方法的实施例及用于实现指数化证券组合的数据处理装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图10为本申请实施例的计算机设备1000的***构成的示意框图。如图10所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，指数化证券组合的数据处理功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：
接收来自不同数据源的金融监控数据；
基于预配置的数据特征和数据类型的关联关系，以不同的数据特征，对金融监控数据进行数据分流处理，得到不同数据类型的金融监控分流数据；
针对每一数据类型的金融监控分流数据，以对应该数据类型的数据处理方式，对该数据类型的金融监控分流数据进行数据处理。
在另一个实施方式中，指数化证券组合的数据处理装置可以与中央处理器1001分开配置，例如可以将指数化证券组合的数据处理装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现指数化证券组合的数据处理功能。
如图10所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图10中所示的所有部件；此外，计算机设备1000还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序，以实现信息存储或处理等。
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器1002可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005还耦合到中央处理器1001，从而使得可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质，存储有执行上述指数化证券组合的数据处理方法的计算机程序。
本发明实施例中，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；所述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；所述因子指标用于表征证券的属性参数；对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；所述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；所述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；所述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测，与现有技术对比，通过以有效因子建立多因子风险模型，能够在很大程度上降低进行收益和风险预测建模分析时，需使用的方差-协方差矩阵参数的个数，从而避免了现有技术因在收益和风险预测建模时需使用参数的体量过大，而导致风险评估的建模分析很困难的问题，提升了收益和风险预测建模的效率；同时，避免了现有技术在因需使用参数的体量过大，而导致风险评估的准确率较低的问题，提升了对指数化证券组合进行收益和风险预测的准确性，降低了对指数化证券组合进行收益和风险预测的失效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (26)

1.一种指数化证券组合的数据处理方法，其特征在于，包括：
对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；所述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；所述因子指标用于表征证券金融特性的属性参数；
对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；所述有效因子为经显著性检验后显著性超过预设百分比数值的各个证券的属性参数；
根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；所述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；所述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；
根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
2.如权利要求1所述的方法，其特征在于，对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据，包括：
以预设的数据筛选频率，对指数化证券组合中各个证券的收益率参数进行筛选，得到各个证券的复合收益率参数；
对指数化证券组合中各个证券的因子指标，进行去极值处理；所述因子指标包括估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子的其中之一或任意组合；
根据各个证券的复合收益率参数，和去极值处理后的各个证券的因子指标，得到处理后的基础数据。
3.如权利要求1所述的方法，其特征在于，对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子，包括：
对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率；
对每一因子指标的因子收益率进行显著性检验和因子有效性分析，确定每一因子指标的显著性；
根据每一因子指标的显著性和因子收益率，对每一因子指标进行怀特检验，确定指数化证券组合的有效因子。
4.如权利要求3所述的方法，其特征在于，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率，包括：
以收益率参数为因变量，以因子指标为自变量，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率。
5.如权利要求3所述的方法，其特征在于，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率，包括：
对处理后的基础数据进行多元线性回归分析，建立指数化证券组合的多元线性回归模型；
根据指数化证券组合的多元线性回归模型，确定每一因子指标的因子收益率。
6.如权利要求1所述的方法，其特征在于，还包括：根据指数化证券组合的有效因子，建立指数化证券组合的有效因子的数据库；
根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型，包括：
以指数化证券组合的有效因子的数据库中存储的有效因子，建立指数化证券组合的多因子风险模型。
7.如权利要求1所述的方法，其特征在于，根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型，包括：
根据指数化证券组合的有效因子，确定因子收益率协方差矩阵和残差风险矩阵；
根据因子收益率协方差矩阵和残差风险矩阵，建立指数化证券组合的多因子风险模型。
8.如权利要求7所述的方法，其特征在于，根据指数化证券组合的有效因子，确定因子收益率协方差矩阵，包括：
基于有效因子的因子收益率，对指数化证券组合的有效因子进行评估，确定因子收益率协方差矩阵。
9.如权利要求7所述的方法，其特征在于，根据指数化证券组合的有效因子，确定残差风险矩阵，包括：
基于有效因子的残差收益率，对指数化证券组合的有效因子进行评估，确定残差风险矩阵。
10.如权利要求1所述的方法，其特征在于，还包括：按如下方式根据指数化证券组合的多因子风险模型，对指数化证券组合中各个证券的投资权重进行分析及调整：
以预设置的指数化证券组合目标以及约束条件，根据指数化证券组合的多因子风险模型，确定指数化证券组合的有效边界；
根据指数化证券组合的有效边界，对指数化证券组合中各个证券的投资权重进行分析及调整。
11.如权利要求10所述的方法，其特征在于，还包括：以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的收益分析。
12.如权利要求10所述的方法，其特征在于，还包括：以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的风险分析。
13.一种指数化证券组合的数据处理装置，其特征在于，包括：
筛选取值处理模块，用于对获取的指数化证券组合的基础数据进行筛选取值处理，得到处理后的基础数据；所述指数化证券组合的基础数据，包括指数化证券组合中各个证券的：收益率参数和因子指标；所述因子指标用于表征证券的属性参数；
有效因子确定模块，用于对处理后的基础数据进行多元线性回归分析和显著性检验，得到指数化证券组合的有效因子；所述有效因子为经显著性检验后显著性超过预设数值的各个证券的属性参数；
多因子风险模型建模模块，用于根据指数化证券组合的有效因子，建立指数化证券组合的多因子风险模型；所述多因子风险模型用于描述指数化证券组合的预期收益，与有效因子的因子收益率间的线性关系；所述因子收益率为经多元线性回归分析得到的证券的属性参数的估计系数；
预测处理模块，用于根据指数化证券组合的多因子风险模型，对指数化证券组合进行收益和风险的预测。
14.如权利要求13所述的装置，其特征在于，筛选取值处理模块，具体用于：
以预设的数据筛选频率，对指数化证券组合中各个证券的收益率参数进行筛选，得到各个证券的复合收益率参数；
对指数化证券组合中各个证券的因子指标，进行去极值处理；所述因子指标包括估值因子、成长因子、盈利因子、杠杆因子、规模因子、动量因子、波动率因子、流动性因子、分析师因子和技术因子的其中之一或任意组合；
根据各个证券的复合收益率参数，和去极值处理后的各个证券的因子指标，得到处理后的基础数据。
15.如权利要求13所述的装置，其特征在于，筛选取值处理模块，具体用于：
对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率；
对每一因子指标的因子收益率进行显著性检验和因子有效性分析，确定每一因子指标的显著性；
根据每一因子指标的显著性和因子收益率，对每一因子指标进行怀特检验，确定指数化证券组合的有效因子。
16.如权利要求15所述的装置，其特征在于，筛选取值处理模块，具体用于：
以收益率参数为因变量，以因子指标为自变量，对处理后的基础数据进行多元线性回归分析，确定每一因子指标的因子收益率。
17.如权利要求15所述的装置，其特征在于，有效因子确定模块，具体用于：
对处理后的基础数据进行多元线性回归分析，建立指数化证券组合的多元线性回归模型；
根据指数化证券组合的多元线性回归模型，确定每一因子指标的因子收益率。
18.如权利要求13所述的装置，其特征在于，还包括：数据库建立模块，用于：
根据指数化证券组合的有效因子，建立指数化证券组合的有效因子的数据库；
多因子风险模型建模模块，具体用于：
以指数化证券组合的有效因子的数据库中存储的有效因子，建立指数化证券组合的多因子风险模型。
19.如权利要求13所述的装置，其特征在于，多因子风险模型建模模块，具体用于：
根据指数化证券组合的有效因子，确定因子收益率协方差矩阵和残差风险矩阵；
根据因子收益率协方差矩阵和残差风险矩阵，建立指数化证券组合的多因子风险模型。
20.如权利要求19所述的装置，其特征在于，多因子风险模型建模模块，具体用于：
基于有效因子的因子收益率，对指数化证券组合的有效因子进行评估，确定因子收益率协方差矩阵。
21.如权利要求20所述的装置，其特征在于，多因子风险模型建模模块，具体用于：
基于有效因子的残差收益率，对指数化证券组合的有效因子进行评估，确定残差风险矩阵。
22.如权利要求13所述的装置，其特征在于，还包括，投资权重修正模块，用于：
按如下方式根据指数化证券组合的多因子风险模型，对指数化证券组合中各个证券的投资权重进行分析及调整：
以预设置的指数化证券组合目标以及约束条件，根据指数化证券组合的多因子风险模型，确定指数化证券组合的有效边界；
根据指数化证券组合的有效边界，对指数化证券组合中各个证券的投资权重进行分析及调整。
23.如权利要求22所述的装置，其特征在于，还包括：指数化证券组合的收益分析模块，用于：
以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的收益分析。
24.如权利要求22所述的装置，其特征在于，还包括：指数化证券组合的风险分析模块，用于：
以指数化证券组合历史数据，对进行分析及调整后指数化证券组合中各个证券的投资权重，进行指数化证券组合的风险分析。
25.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12任一所述方法。
26.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至12任一所述方法的计算机程序。
CN202110556048.0A 2021-05-21 2021-05-21 指数化证券组合的数据处理方法及装置 Pending CN113222767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110556048.0A CN113222767A (zh) 2021-05-21 2021-05-21 指数化证券组合的数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110556048.0A CN113222767A (zh) 2021-05-21 2021-05-21 指数化证券组合的数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN113222767A true CN113222767A (zh) 2021-08-06

Family

ID=77093616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110556048.0A Pending CN113222767A (zh) 2021-05-21 2021-05-21 指数化证券组合的数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN113222767A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035245A1 (zh) * 2021-09-10 2023-03-16 冀北电力交易中心有限公司 一种应用于电力市场价格的风险预警方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035245A1 (zh) * 2021-09-10 2023-03-16 冀北电力交易中心有限公司 一种应用于电力市场价格的风险预警方法

Similar Documents

Publication Publication Date Title
US10152752B2 (en) Methods and systems for computing trading strategies for use in portfolio management and computing associated probability distributions for use in option pricing
Farboodi et al. Where has all the big data gone?
Edirisinghe et al. Input/output selection in DEA under expert information, with application to financial markets
US20060271466A1 (en) System and method for evaluating investment portfolios
US20140258175A1 (en) Generating Personalized Investment Recommendations
JP2006522409A (ja) リスク予想を生成するための因子リスク・モデルに基づくシステム、方法、およびコンピュータ・プログラム製品
Bijak et al. Modelling LGD for unsecured retail loans using Bayesian methods
US20100017338A1 (en) Portfolio Optimization
CN111383091A (zh) 一种资产证券化定价方法和装置
US7698196B1 (en) Method and system for modeling and benchmarking private equity and applications of same
Güneş et al. Determinants of efficiencies in Turkish banking sector (Tobit analysis)
US7769661B1 (en) Conditional probability method for stock option valuation
CN116596563B (zh) 一种基于多因素模型的数字资产估值***
CN113222767A (zh) 指数化证券组合的数据处理方法及装置
Mallick et al. Interest rates forecasting and stress testing in India: a PCA-ARIMA approach
Manzo et al. Deep learning credit risk modeling
Pospíšil et al. Robustness and sensitivity analyses for stochastic volatility models under uncertain data structure
Volosov et al. Treasury management model with foreign exchange exposure
JP2010134840A (ja) 将来財務予測システム、将来財務予測方法及び将来財務予測プログラム
Hwang et al. A two-stage probit model for predicting recovery rates
Skoglund et al. Risk contributions, information and reverse stress testing
CN115186101A (zh) 一种投资管理后端***、方法、设备及存储介质
Weber et al. Hedge fund replication: Putting the pieces together
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
Salahnejhad Ghalehjooghi et al. Socio-economic differentiation in experienced mortality modelling and its pricing implications

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