CN106251218A - 投资组合方式的生成方法和装置 - Google Patents

Abstract

本发明提供了投资组合方式的生成方法和装置，涉及金融领域。本发明提供的投资组合方式的生成方法，采用历史模型和实时模型共同计算出最终投资组合方式的方案，其通过先获取了待计算目标集合，并分别使用历史模型和实时模型对待计算目标集合中的每个元素进行计算，进而生成了每个元素的第一预估结果和所述第二预估结果，并最终依据这两个预估结果确定了最有投资组合方式。由于实时模型考虑到了当前市场的情况，因此，计算出结果更为贴合当前市场状况，同时也兼顾到了历史数据的稳定性。

Description

投资组合方式的生成方法和装置

技术领域

本发明涉及金融领域，具体而言，涉及投资组合方式的生成方法和装置。

背景技术

当前，投资理财已经成为一种常见的生活、工作方式。投资的目的是获取高额的回报(即具有较高的回报率)，但同时，投资者除了高回报率以外还会考虑投资的风险概率。也就是在投资者进行投资的时候，通常会考虑两个方面，即风险率和回报率。同时，可以想到的是，不同投资组合方式所对应的风险率和回报率是不同的。如现存有A-D这四种不同的投资产品，那么采用ABD组合的投资组合方式、采用BC组合的投资组合方式和采用ACD组合的投资组合方式所对应的风险率和回报率通常均是不相同的。

现代投资组合理论通常强调采用分散投资的方式，来降低非系统性风险,进而依据该种分散投资的方式向用户提供目标函数解(投资组合方式)。随着计算效率提升，在对未来的资产走势进行预估的方面,近年来Markowitz配置模型,逐渐于国内主流私人银行被广泛运用。下面对该配置模型进行简要介绍。

Markowitz Model配置模型，其目标函数(投资组合方式/最优函数解)主要由两个方面的因素所决定，分别是报酬率和波动率。

下面对目标函数的获取过程进行简要介绍：

1，按照预设的算法，依次对权重矩阵中的每个元素进行计算，以计算出每个元素所对应的收益风险；其中，收益风险＝报酬率/波动率，每个元素对应着一种唯一的投资方式

2，统计每个元素所对应的收益风险，并将符合要求的元素，及该元素所对应的收益风险作为最优解提取出来作为最终的投资组合方式。其中，收益风险是评价某种投资组合方式是否合理的指标。

在Markowitz Model配置模型中，仅以历史数据对报酬率和波动率对每种投资组合方式的收益风险进行预估/计算，并且，历史数据是相对固定的数据，这直接导致计算出的最优解的实用度较低，即，该投资组合方式不够准确。

发明内容

本发明的目的在于提供投资组合方式的生成方法和装置，以提高确定投资组合方式的准确性。

第一方面，本发明实施例提供了投资组合方式的生成方法，包括：

获取待计算目标集合，待计算目标集合中的每个元素代表唯一的一种投资组合方式；

采用历史模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果；

采用实时模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第二预估结果；其中，实时模型是依据最近预定时间段内的市场数据计算得到的；

根据第一预估结果和第二预估结果计算每个元素的收益风险；

选择收益风险符合预设要求的元素，作为最优投资组合方式输出。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，还包括：

获取最近预定时间段内的市场数据；

采用支持向量机法，和/或决策树法对市场数据进行建模，以生成实时模型。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，在步骤采用支持向量机法，和/或决策树法对市场数据进行建模，以生成实时模型后还包括：

实时获取最新的市场数据；

若最新的市场数据的总量超过预设的数值，则根据最新的市场数据更新实时模型。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，步骤根据第一预估结果和第二预估结果计算每个元素的收益风险包括：

按照如下公式计算指定元素的收益风险；

收益风险＝A*X+B*Y，其中，X和Y分别为第一预估结果和第二预估结果；A和B为预设的权值。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，还包括：

根据实时模型已经建立的时间调整权值B的数值，实时模型已经建立的时间与权值B呈负相关性。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，还包括：获取用户属性信息；

根据用户属性信息生成投资组合约束条件；

获取投资组合的权重矩阵，权重矩阵中的每个元素代表唯一的一种投资组合方式；

去除权重矩阵中，不符合投资组合约束条件的元素，以生成待计算目标集合。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，步骤根据用户属性信息生成投资组合约束条件包括：

根据用户属性信息和当前市场条件，生成投资组合约束条件。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，用户属性信息包括用户风险偏好和用户的年龄。

第二方面，本发明实施例还提供了投资组合方式的生成装置，包括：

第一获取模块，用于获取待计算目标集合，待计算目标集合中的每个元素代表唯一的一种投资组合方式；

第一计算模块，用于采用历史模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果；

第二计算模块，用于采用实时模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第二预估结果；其中，实时模型是依据最近预定时间段内的市场数据计算得到的；

第三计算模块，用于根据第一预估结果和第二预估结果计算每个元素的收益风险；

输出模块，用于选择收益风险符合预设要求的元素，作为最优投资组合方式输出。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括：

第二获取模块，用于获取最近预定时间段内的市场数据；

模型建立模块，用于采用支持向量机法，和/或决策树法对市场数据进行建模，以生成实时模型。

本发明实施例提供的投资组合方式的生成方法，采用历史模型和实时模型共同计算出最终投资组合方式的方案，与现有技术中只通过固定的历史数据模型来计算每个元素的收益风险，导致计算出的结果 难以和当前市场相结合，进而导致得到的投资组合方式不够准确相比，其通过先获取了待计算目标集合，并分别使用历史模型和实时模型对待计算目标集合中的每个元素进行计算，进而生成了每个元素的第一预估结果和第二预估结果，并最终依据这两个预估结果确定了最有投资组合方式。由于实时模型考虑到了当前市场的情况，因此，计算出结果更为贴合当前市场状况，同时也兼顾到了历史数据的稳定性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例所提供的投资组合方式的生成方法的基本流程图；

图2示出了本发明实施例所提供的使用投资组合方式的生成方法所得到的预估结果与使用传统方法得到的预估结果的对比图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护 的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

现有技术中，使用Markowitz Model配置模型来计算最有投资组合方式的时候，由于该配置模型通常只使用固定的计算模型来计算每个投资组合方式的收益风险，这导致计算出的结果难以适应当前市场的变化，也就是计算出的收益风险的参考价值较低。

针对该种情况，本申请提供了投资组合方式的生成方法，如图1所示，包括如下步骤：

S101，获取待计算目标集合，待计算目标集合中的每个元素代表唯一的一种投资组合方式；

S102，采用历史模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果；

S103，采用实时模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第二预估结果；其中，实时模型是依据最近预定时间段内的市场数据计算得到的；

S104，根据第一预估结果和第二预估结果计算每个元素的收益风险；

S105，选择收益风险符合预设要求的元素，作为最优投资组合方式输出。

步骤S101中，首先需要得到待计算目标集合，该集合中的每个元素均代表了一种投资组合方式，且不同的元素所对应的投资组合方式是不相同的。具体而言，如现有4种投资可选产品，分别是A、B、C和D，那么第一种投资组合方式可以是20％A、30％B、20％C和30％D；第二种投资组合方式可以是22％A、28％B、22％C和28％D；第三种投资组合方式可以是24％A、26％B、24％C和26％D等等。 可见不同的元素所对应投资组合方式均是不相同的。投资组合方式中的百分比代表了将现有资金中的多少占比投入到对应的可选产品中。对于第一种投资组合方式，就是将资金的20％投入到A产品中，将资金的30％投入到B产品中，将资金的20％投入到C产品中，将资金的30％投入到D产品中。

步骤S102中，需要使用历史模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果(历史预估结果)。此处所使用的历史模型主要指的是使用不会发生相对调整的数据进行计算，而得到的数学模型。利用该数学模型能够直接计算出该投资组合方式所对应的受益预估值(即第一预估结果)。该收益预估值可以是未来一个月、未来3个月、未来一年的结果。具体生成历史模型的方式可以是采用一般的历史数据学习方式，即提取一段时间以前的投资组合方式，及其对应的收益实际值，并采用预定的算法进行计算，就可以生成历史模型。通常，此处的历史模型可以采用Markowitz Model配置模型，当然，用户可以依据具体的使用情况来调整模型的具体内容。

相对于历史模型而言，步骤S103中所提及的实时模型是实时的进行调整的。如历史模型可以是参照十年前至1年前这段时间的数据而建立的，可见历史模型所关注的是长期走势。而实时模型所关注的则是近期数月时间段内的数据走势。由于市场具有一定的突变性，因此，为了得到足够准确的预估结果，应当即考虑历史数据的长期走势，也要考虑实时数据的变化。具体的，实时模型在建立时可以考虑很多因素，如仅以股市而言,建立实时模型所使用到的实时数据有估值比率、每股营收、技术指标等等。具体操作时，收集到的实时数据与第二预估结果之间的关系可以是定量的关系，也可以是定性的关系，可以依据实时数据的可信程度来确定该实时数据对第二预估结果造成 影响的程度(也就是依据实时数据的可信程度来调节实时数据的权值)。步骤S103与步骤S102计算出的结果是相同的，均是受益预估值。

步骤S104，可以使用第一预估结果和第二预估结果来计算每个元素所对应的最终受益风险。其中，收益风险是综合评价投资组合方式的参数。其具体计算公式可以是收益风险＝报酬率/波动率，报酬率＝(第一预估结果+第二预估结果)/2。其中，波动率(斜方差矩阵)的计算方式可以与现有技术中的计算方式相同，可以是将波动率的计算也分为两种，一种是依据历史数据进行波动率的计算，另一种是依据实时数据进行波动率的计算。

在计算出了每个元素的收益风险后，步骤S105，就可以选择收益风险较为合理的投资组合方式作为结果输出，即提供给用户使用。一般情况下，选择出来的最优投资组合方式是所有投资组合方式中，收益风险最高的一个，或几个。当然，具体选择最优投资组合方式的时候，可以依据用户的需要进行选择。

如前文中的描述，历史模型可以直接采用现有的Markowitz Model配置模型使用，而考虑到当前市场上，实时数据的特殊性，在建立实时模型的时候，则应当采用支持向量机法，和/或决策树法来进行。

建立数学模型的首要任务是获取最近预定时间段内的市场数据；之后再采用支持向量机法，和/或决策树法对市场数据进行建模，以生成实时模型。

其中，支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

决策树分析法是一种运用概率与图论中的树对决策中的不同方案进行比较，从而获得最优方案的风险型决策方法。图论中的树是连通且无回路的有向图，入度为0的点称为树根，出度为0的点称为树叶，树叶以外的点称为内点。决策树由树根(决策节点)、其他内点(方案节点、状态节点)、树叶(终点)、树枝(方案枝、概率枝)、概率值、损益值组成。

正是由于在投资组合方式具有多变性、建立实时模型的过程所使用到得数据十分繁杂，因此，发明人认为，采用支持向量机法和决策树法能够更好的针对这种工作环境进行使用。同时，如果在建立实时模型的时候，同时使用支持向量机法和决策树法，则应当先分别使用这两种方法建立支持向量机模型和决策树模型，之后，将这两种模型融合成为一个完整的实时模型。

实时模型与历史模型的差异主要体现在数据的实时性。一旦实时模型长时间不进行更新，那么实时模型对得到最有投资组合方式的贡献就会很小了。因此，针对该种情况，本申请提供了相对应的两种处理方案，第一种应对方案是实时的更新实时模型。具体的，本申请所提供的投资组合方式的生成方法中，在步骤采用支持向量机法，和/或决策树法对市场数据进行建模，以生成实时模型后还包括：

实时获取最新的市场数据；

若最新的市场数据的总量超过预设的数值，则根据最新的市场数据更新实时模型。

其中，市场数据的总量有两种衡量方式，第一种是按照时间进行衡量，即如果市场数据的统计时间超过了预设时间，则需要按照最新的市场数据更新实时模型(此处的最新的市场数据指的是：建立未更新的实时模型时，没有使用到得市场数据)；第二种是按照数据所占存储空间的大小进行衡量，即如果市场数据占用的存储空间超过预设 数量的存储单位，则需要对市场模型进行更新。当然，进行市场模型更新时，应当先查验新的市场数据的种类是否足够(如市场数据共有10种，则新的市场数据至少应当由8种时，才能够进行实时模型的更新，否则更新后的实时模型的准确度会下降)。

如前文中的说明，另一种应对的处理方式是采用权值对实时模型计算出的结果进行限制。具体的，在进行收益风险的计算式，可以采用加权平均的方式，使用第一预估结果和第二预估结果进行计算。如步骤S104，根据第一预估结果和第二预估结果计算每个元素的收益风险可以有如下步骤实现：

即按照如下公式计算指定元素的收益风险；

收益风险＝A*X+B*Y，其中，X和Y分别为第一预估结果和第二预估结果；A和B为预设的权值。

更优选的，还可以按照如下限制方式来保证计算结果的准确性：

根据实时模型已经建立的时间调整权值B的数值，实时模型已经建立的时间与权值B呈负相关性。也就是实时模型建立的时间越短，权值B的数值就越高，此时第二预估结果(实时模型计算出的结果)对确定最优投资组合方式的影响就越大。

上述方案论述了如何保证最终得到最优投资组合方式的准确性，在实际操作的时候，还应当考虑如何减少计算量，以较快的得到用户所需求的结果。

具体的，本申请所提供的投资组合方式的生成方法中，还包括如下步骤：

获取用户属性信息；

根据用户属性信息生成投资组合约束条件；

获取投资组合的权重矩阵，权重矩阵中的每个元素代表唯一的一种投资组合方式；

去除权重矩阵中，不符合投资组合约束条件的元素，以生成待计算目标集合。

其中，权重矩阵中的每个元素均代表了一种投资组合方式，如投资组合方式中有两个投资产品，A和B，并且，A的可选方案有一百种(1％、2％...100％)，类似的B的可选方案也有一百种，那么投资组合方式就有100*100＝10000种，当投资产品增加，可选方案的步长(1％、2％的变化方式，步长为1％；0.1％、0.2％的变化方式，步长就为0.1％)缩小时，可以组合出来的投资组合方式就会呈指数形式增加。因此，实际操作中，如果将权重矩阵中每个元素都进行计算，则计算的工作量是非常巨大的。因此，本申请所提供的方案中，才采用用户属性信息降低权重矩阵中元素的数量，以降低系统计算压力。

当然，更优选的，在去除不符合投资组合约束条件的元素时，还可以进一步考虑当前的市场条件，这样在进行去除时能够将更多不合理的元素去除掉。

其中，用户属性信息包括用户风险偏好和用户的年龄。当前市场条件如当前市场波动、出现明显问题的投资选项(如可选产品出现兑现危机，则应去除包含有过多占比的该产品的投资组合方式)。

下面以表格的形式提供了几个用户属性信息对应投资组合约束条件的实例。其中，客户分层细项中，L、M、H分别指年龄较低阶段(如20-40岁)、年龄中阶段(如40-60岁)和年龄较高阶段(如60-80岁)。客户风险属性可以是用户自己提供了，也可以是针对该客户的历史投资记录来对应的生成。如第一张表格中，国内现金类的投资下线为0，上线为0.4，则说明，只有投资组合方式中，国内现金类的投资额度在0-0.4范围内的投资组合方式应当被保留，其余的应当删除。其余表格中的数据也是相类似的解读方式。

由上述说明可见，本申请所提供的投资组合方式的生成方法，采用历史模型和实时模型共同计算风险收益，避免了使用单一预估方式导致预估结果可信度较低的问题。并且采用用户属性信息和当前市场条件，对权重矩阵中的元素进行了过滤，实际使用两种模型进行计算的时候，只需要计算过滤后的元素即可，提高了计算效率和降低了计算系统的负担。如图2所示，使出了传统技术中，使用Markowitz Model配置模型计算出的收益风险走势，和使用本申请所提供的采用历史模型+实时模型所就按出的收益风险走势。可见采用了历史模型+实时模型的计算方式，能够对结果产生明显的影响。

与前述所提供的投资组合方式的生成方法相对应的，本申请实施例还提供了投资组合方式的生成装置，包括：

第一获取模块，用于获取待计算目标集合，待计算目标集合中的每个元素代表唯一的一种投资组合方式；

第一计算模块，用于采用历史模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果；

第二计算模块，用于采用实时模型对待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第二预估结果；其中，实时模型是依据最近预定时间段内的市场数据计算得到的；

第三计算模块，用于根据第一预估结果和第二预估结果计算每个元素的收益风险；

输出模块，用于选择收益风险符合预设要求的元素，作为最优投资组合方式输出。

优选的，还包括：

第二获取模块，用于获取最近预定时间段内的市场数据；

模型建立模块，用于采用支持向量机法，和/或决策树法对市场数据进行建模，以生成实时模型。

优选的，还包括：

第三获取模块，用于获取用户属性信息；

约束条件生成模块，用于根据用户属性信息生成投资组合约束条件；

第四获取模块，用于获取投资组合的权重矩阵，权重矩阵中的每个元素代表唯一的一种投资组合方式；

去除模块，用于去除权重矩阵中，不符合投资组合约束条件的元素，以生成待计算目标集合。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品 存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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，可轻易想到变化或替换，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所述以权利要求的保护范围为准。

Claims (10)

1.投资组合方式的生成方法，其特征在于，包括：

获取待计算目标集合，所述待计算目标集合中的每个元素代表唯一的一种投资组合方式；

采用历史模型对所述待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果；

采用实时模型对所述待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第二预估结果；其中，所述实时模型是依据最近预定时间段内的市场数据计算得到的；

根据所述第一预估结果和所述第二预估结果计算每个元素的收益风险；

选择所述收益风险符合预设要求的元素，作为最优投资组合方式输出。

2.根据权利要求1所述的投资组合方式的生成方法，其特征在于，还包括：

获取最近预定时间段内的市场数据；

采用支持向量机法，和/或决策树法对所述市场数据进行建模，以生成所述实时模型。

3.根据权利要求2所述的投资组合方式的生成方法，其特征在于，在步骤所述采用支持向量机法，和/或决策树法对所述市场数据进行建模，以生成所述实时模型后还包括：

实时获取最新的市场数据；

若所述最新的市场数据的总量超过预设的数值，则根据所述最新的市场数据更新所述实时模型。

4.根据权利要求3所述的投资组合方式的生成方法，其特征在于，步骤所述根据所述第一预估结果和所述第二预估结果计算每个元素的收益风险包括：

按照如下公式计算指定元素的收益风险；

收益风险＝A*X+B*Y，其中，X和Y分别为所述第一预估结果和所述第二预估结果；A和B为预设的权值。

5.根据权利要求4所述的投资组合方式的生成方法，其特征在于，还包括：

根据所述实时模型已经建立的时间调整权值B的数值，所述实时模型已经建立的时间与所述权值B呈负相关性。

6.根据权利要求1所述的投资组合方式的生成方法，其特征在于，还包括：获取用户属性信息；

根据所述用户属性信息生成投资组合约束条件；

获取投资组合的权重矩阵，所述权重矩阵中的每个元素代表唯一的一种投资组合方式；

去除所述权重矩阵中，不符合投资组合约束条件的元素，以生成待计算目标集合。

7.根据权利要求6所述的投资组合方式的生成方法，其特征在于，步骤所述根据所述用户属性信息生成投资组合约束条件包括：

根据所述用户属性信息和当前市场条件，生成投资组合约束条件。

8.根据权利要求6所述的投资组合方式的生成方法，其特征在于，所述用户属性信息包括用户风险偏好和用户的年龄。

9.投资组合方式的生成装置，其特征在于，包括：

第一获取模块，用于获取待计算目标集合，所述待计算目标集合中的每个元素代表唯一的一种投资组合方式；

第一计算模块，用于采用历史模型对所述待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第一预估结果；

第二计算模块，用于采用实时模型对所述待计算目标集合中的每个元素进行计算，以生成每个元素所对应的第二预估结果；其中，所述实时模型是依据最近预定时间段内的市场数据计算得到的；

第三计算模块，用于根据所述第一预估结果和所述第二预估结果计算每个元素的收益风险；

输出模块，用于选择所述收益风险符合预设要求的元素，作为最优投资组合方式输出。

10.根据权利要求9所述的投资组合方式的生成装置，其特征在于，还包括：

第二获取模块，用于获取最近预定时间段内的市场数据；

模型建立模块，用于采用支持向量机法，和/或决策树法对所述市场数据进行建模，以生成所述实时模型。