CN107742131A - 金融资产分类方法和装置 - Google Patents
金融资产分类方法和装置 Download PDFInfo
- Publication number
- CN107742131A CN107742131A CN201711079216.1A CN201711079216A CN107742131A CN 107742131 A CN107742131 A CN 107742131A CN 201711079216 A CN201711079216 A CN 201711079216A CN 107742131 A CN107742131 A CN 107742131A
- Authority
- CN
- China
- Prior art keywords
- financial asset
- historical
- data
- updated
- multiple financial
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种金融资产分类方法和装置。该方法包括:针对预定时间段,获取与多个金融资产的绩效相关联的历史金融数据,以及获取与该多个金融资产相关联的一个或多个外生变量的历史变量数据;基于该历史金融数据,确定该多个金融资产的绩效参数;基于该多个金融资产的绩效参数和该历史变量数据,确定该多个金融资产的绩效参数与该一个或多个外生变量之间的相关系数;以及确定该相关系数之间的相似度以对该多个金融资产进行分类。本发明通过综合金融资产的绩效与外生变量以更准确地对金融资产进行分类。
Description
技术领域
本发明属于计算机数据处理领域,尤其涉及金融资产分类方法和装置。
背景技术
随着金融市场的日益发展,金融资产的投资渠道和投资标的也变得逐 渐丰富,比如股票、债券、商品期货、外汇、衍生品、基金等等。随着金 融资产的数量快速增长,如何挑选金融资产进行资产配置是投资者在投资 过程中必须面临的挑战,因此对金融资产进行分类具有一些益处。在对金 融资产进行分类之后,可以方便地对同一类型的金融资产的业绩互相比较, 而这种比较对于组合管理和财务规划具有重要的意义。
传统上对金融资产的分类包括根据行业进行分类、根据投资组合进行 分类等,通常仅考虑了金融资产本身的绩效(例如,收益等),但不能够完 全和准确描述金融资产的绩效的特征,即使是按照传统方法分类为同一类 型的金融资产,其行业、绩效等特点对于外生变量(例如,宏观经济指标) 的敏感度和弹性可能相差甚大。此外,传统的分类方法未考虑到金融资产 的投资风格随时间发生的变化,譬如,由于金融资产的管理人员的变动、 市场环境的变动和所处市场周期的不同而引起的变化。
因此,亟需一种能够更好地综合金融资产的绩效与外生变量以更及时 地捕捉金融资产随时间发生的风格变化以及更准确地对金融资产进行分类 的方法。
发明内容
本发明针对上述问题,提出一种通过利用金融资产的绩效参数和外生 变量来对金融资产进行分类的方法和装置。
本发明的第一方面提出了一种用于对金融资产进行分类的方法,包括: 针对预定时间段,获取与多个金融资产的绩效相关联的历史金融数据,以 及获取与所述多个金融资产相关联的一个或多个外生变量的历史变量数 据;基于所述历史金融数据,确定所述多个金融资产的绩效参数;基于所 述多个金融资产的绩效参数和所述历史变量数据,确定所述多个金融资产 的绩效参数与所述一个或多个外生变量之间的相关系数;以及确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
本发明的第二方面提出了一种有形的计算机可读存储介质,该介质包 括指令,该指令在被执行时引起计算设备至少用于:针对预定时间段,获 取与多个金融资产的绩效相关联的历史金融数据,以及获取与所述多个金 融资产相关联的一个或多个外生变量的历史变量数据;基于所述历史金融 数据,确定所述多个金融资产的绩效参数;基于所述多个金融资产的绩效 参数和所述历史变量数据,确定所述多个金融资产的绩效参数与所述一个 或多个外生变量之间的相关系数;以及确定所述相关系数之间的相似度以 对所述多个金融资产进行分类。
本发明的第三方面提出了一种用于对金融资产进行分类的装置,包括: 获取单元,其被配置为针对预定时间段,获取与多个金融资产的绩效相关 联的历史金融数据,以及获取与所述多个金融资产相关联的一个或多个外 生变量的历史变量数据;参数单元,其被配置为基于所述历史金融数据, 确定所述多个金融资产的绩效参数;确定单元,其被配置为基于所述多个 金融资产的绩效参数和所述历史变量数据,确定所述多个金融资产的绩效 参数与所述一个或多个外生变量之间的相关系数;以及分类单元,其被配 置为确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
上述方法、计算机可读存储介质和装置可以包括以下方面中的一个或 多个:
在一个方面中,获取所述历史金融数据和所述历史变量数据包括:获 取经预处理的历史金融数据和历史变量数据,所述预处理包括对数据进行 补全、归一化或标准化中的一个或多个。
在一个方面中,确定所述多个金融资产的绩效参数与所述一个或多个 外生变量之间的相关系数进一步包括:基于回归算法,确定所述多个金融 资产的绩效参数与所述一个或多个外生变量之间的相关系数。
在一个方面中,确定所述相关系数之间的相似度以对所述多个金融资 产进行分类是基于聚类(clustering)算法。
在一个方面中,该方法还包括:以时间窗口滚动的方式,获取与所述 多个金融资产的绩效相关联的经更新的历史金融数据,以及获取与所述多 个金融资产相关联的所述一个或多个外生变量的经更新的历史变量数据; 基于所述经更新的历史金融数据,确定所述多个金融资产的经更新的绩效 参数;基于所述多个金融资产的经更新的绩效参数和所述经更新的历史变 量数据,确定所述多个金融资产的经更新的绩效参数与所述一个或多个外 生变量之间的经更新的相关系数;以及确定所述经更新的相关系数之间的 相似度以对所述多个金融资产进行分类。
在一个方面中,该指令在被执行时引起所述计算设备进一步:获取经 预处理的历史金融数据和历史变量数据,所述预处理包括对数据进行补全、 归一化或标准化中的一个或多个。
在一个方面中,该指令在被执行时引起所述计算设备进一步:基于回 归算法,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之 间的相关系数。
在一个方面中,该指令在被执行时引起所述计算设备进一步:基于聚 类算法,确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
在一个方面中,该指令在被执行时引起所述计算设备:以时间窗口滚 动的方式,获取与所述多个金融资产的绩效相关联的经更新的历史金融数 据,以及获取与所述多个金融资产相关联的所述一个或多个外生变量的经 更新的历史变量数据;基于所述经更新的历史金融数据,确定所述多个金 融资产的经更新的绩效参数;基于所述多个金融资产的经更新的绩效参数 和所述经更新的历史变量数据,确定所述多个金融资产的经更新的绩效参 数与所述一个或多个外生变量之间的经更新的相关系数;以及确定所述经 更新的相关系数之间的相似度以对所述多个金融资产进行分类。
在一个方面中,所述获取单元进一步被配置为:获取经预处理的历史 金融数据和历史变量数据,所述预处理包括对数据进行补全、归一化或标 准化中的一个或多个。
在一个方面中,所述确定单元进一步包括:基于回归算法,确定所述 多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数。
在一个方面中,所述分类单元进一步被配置为:基于聚类算法,确定 所述相关系数之间的相似度以对所述多个金融资产进行分类。
在一个方面中,所述获取单元进一步被配置为以时间窗口滚动的方式, 获取与所述多个金融资产的绩效相关联的经更新的历史金融数据,以及获 取与所述多个金融资产相关联的所述一个或多个外生变量的经更新的历史 变量数据;所述参数单元进一步被配置为基于所述经更新的历史金融数据, 确定所述多个金融资产的经更新的绩效参数;所述确定单元进一步被配置 为基于所述多个金融资产的经更新的绩效参数和所述经更新的历史变量数 据,确定所述多个金融资产的经更新的绩效参数与所述一个或多个外生变 量之间的经更新的相关系数;以及所述分类单元进一步被配置为确定所述 经更新的相关系数之间的相似度以对所述多个金融资产进行分类。
本发明通过确定金融资产的绩效与外生变量之间的相关性而给出金融 资产的风险画像,并根据金融资产的风险画像之间的相似性来对金融资产 分类。由于额外考虑了外生变量对金融资产的影响,可以更准确地对金融 资产进行分类。此外,全部过程都可由计算机处理完成,不需要人工干预, 时间效率较高。
附图说明
参考附图示出并阐明实施例。这些附图用于阐明基本原理,从而仅仅 示出了对于理解基本原理必要的方面。这些附图不是按比例的。在附图中, 相同的附图标记表示相似的特征。
图1为依据本发明实施例的用于对金融资产进行分类的方法的流程图;
图2为依据本发明实施例的用于对金融资产进行分类的装置的结构图。
具体实施方式
在以下优选的实施例的具体描述中,将参考构成本发明一部分的所附 的附图。所附的附图通过示例的方式示出了能够实现本发明的特定的实施 例。示例的实施例并不旨在穷尽根据本发明的所有实施例。可以理解,在 不偏离本发明的范围的前提下,可以利用其他实施例,也可以进行结构性 或者逻辑性的修改。因此,以下的具体描述并非限制性的,且本发明的范 围由所附的权利要求所限定。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨 论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。 对于附图中的各单元之间的连线,仅仅是为了便于说明,其表示至少连线 两端的单元是相互通信的,并非旨在限制未连线的单元之间无法通信。
发明人通过研究发现,传统的金融资产方法基于行业或投资组合等建 立模型,在此基础上,对金融资产进行分类。但是,传统的分类方法忽略 了金融资产的投资风格随时间发生的变化,而对于金融领域,信息有时会 瞬息万变,譬如,金融资产管理人员的变动、市场环境的变动和所处市场 周期的不同等。此外,传统的分类方法也忽略了金融资产的绩效对外生变 量的敏感程度之间的差别。
首先对本申请中用到的一些术语进行说明。金融资产的绩效可以包括 但不限于收益、收益率、净值、回报率、波动率、规模等指标。变量的内 生性和外生性是相对于一个经济系统而言的,内生变量是指在经济系统中, 由给定的经济系统本身决定的变量;而外生变量是指在经济系统中,给定 的经济系统本身无法决定而由这个系统以外的因素决定的变量。例如,外 生变量可以包括但不限于各类宏观经济指标等(例如,利率、CPI、PPI、 失业率、通货膨胀率、黄金价格指数、股指、M2增速、存款利率、GDP 同比增速等)。
基于上述发明构思,本发明提出了基于与金融资产的绩效相关联的历 史金融数据和外生变量的历史变量数据来对金融资产进行分类。
图1为依据本发明实施例的用于对金融资产进行分类的方法的流程图。 如流程图所述,该方法包括以下步骤:
步骤S101:针对预定时间段,获取与多个金融资产的绩效相关联的历 史金融数据,以及获取与该多个金融资产相关联的一个或多个外生变量的 历史变量数据。
在该步骤中,针对预定时间段(例如,过去若干年、月或日),从特定 的存储装置或服务器或以其它方式等获取与多个金融资产的绩效相关联的 历史金融数据,以及获取针对与该多个金融产品相关联的一个或多个外生 变量的历史变量数据。
在步骤S101中,可选地,在一个实施方式中,获取历史金融数据和历 史变量数据进一步包括:获取经预处理的历史金融数据和历史变量数据, 该预处理可以包括对数据进行补全、归一化或标准化中的一个或多个。预 处理的目的至少包括:消除缺失数据的影响;使数据结构化,从而符合输 入的需要。例如,数据补全可以用插值法处理来补全历史数据中缺失的数 据。数据归一化是把待处理数据经某种算法限制在需要的一定范围内,为 了后面数据处理的方便。数据标准化可以包括例如最小-最大标准化、z-score 标准化和按小数定标标准化等。
步骤S102:基于该历史金融数据,确定该多个金融资产的绩效参数。
在该步骤中,由于历史金融数据与金融资产的绩效相关联,可以确定 该多个金融资产的绩效参数,该绩效参数不仅可以包括根据历史金融数据 直接获得的金融资产的绩效,还可以包括基于绩效来间接获得的其它类型 的参数。
步骤S103:基于该多个金融资产的绩效参数和该历史变量数据,确定 该多个金融资产的绩效参数与该一个或多个外生变量之间的相关系数。
在该步骤中,通过基于所确定的绩效参数和历史变量数据而确定绩效 参数与外生变量之间的相关系数,来得到金融资产的风险画像,从而描绘 了金融资产受各种外生变量影响的程度。
在步骤S103中,可选地,在一个实施方式中,基于回归算法,确定该 多个金融资产的绩效参数与该一个或多个外生变量之间的相关系数。回归 算法,也称回归分析,是确定变量间相互依赖的定量关系的一种统计分析 方法。例如,回归算法可以采用线性回归或非线性回归。
步骤S104:确定该相关系数之间的相似度以对该多个金融资产进行分 类。
在该步骤中,基于在步骤S103中所确定的相关系数,确定这些相关系 数之间的相似度,从而对金融资产进行分类。相似度是描述各个相关系数 之间的相似程度的一种度量。例如,相似度可以是基于距离的,譬如欧氏 距离上的远近;或者相似度可以是基于密度的,譬如是否属于相连的高密 度区域;等等。
在步骤S104中,可选地,在一个实施方式中,确定该相关系数之间的 相似度以对该多个金融资产进行分类是基于聚类算法,金融资产的分类结 果由聚类算法所产生的簇(cluster)定义。聚类算法,又称为聚类分析、群 分析,它是研究(样品或指标)分类问题的一种统计方法,同时也是数据 挖掘的一个重要算法。聚类算法可以包括基于划分的聚类算法(例如, k-means、CLARA等)、基于层次的聚类算法(例如,CURE、ROCK、BIRCH 等)、基于密度的聚类算法(例如,DBSCAN、OPTICS等)、基于网格的聚 类算法(例如,STING、WaveCluster等)、基于神经网络的聚类算法(例如, 自组织神经网络SOM等)、基于统计学的聚类算法(例如,COBWeb等)、 或其任意组合等。聚类算法是一种无监督学习算法,其可以在没有数据分类标签的基础上实现对数据的分类。
在步骤S104中,可选地,在一个实施方式中,可以基于分类结果来确 定关于分类的评价指标,并基于该评价指标来优化分类过程以对金融资产 进行分类,例如,可以基于评价指标来迭代地执行分类过程,直到评价指 标在阈值范围内。例如,在分类过程是基于聚类算法的情况下,评价指标 可以包括兰德系数、互信息、轮廓系数等。
此外,可选地,在一个实施方式中,在步骤S101中,以时间窗口滚动 的方式获取经更新的历史金融数据和历史变量数据,并基于经更新的历史 预测数据和实际数据,重复上述步骤S102、S103和S104以更新对金融资 产的分类。换句话说,随着历史金融数据和历史变量数据在时间上的动态 变化,该方法可以动态地更新对金融资产的分类。
本发明利用金融资产的历史金融数据和外生变量的历史变量数据来评 估金融资产对外生变量的敏感度,能更准确地对金融资产进行分类,有利 于金融资产的配置,从而使金融资产组合表现更好(例如,风险更低、收 益更高等)。
为了更好地表达本发明的构思,下面以金融资产为公募基金、外生变 量为宏观经济指标为例对上述方法进行阐述,但这仅是示例说明,并不是 进行限制。公募基金的定义:受政府主管部门监管的,向不特定的投资者 公开发行受益凭证的证券投资基金,这些基金在法律的严格监管下,有着 信息披露、利润分配、运行限制等行业规范。
在步骤S101,从存储在特定存储装置或服务器上的多方金融数据库或 通过其它方式,针对预定时间段(譬如,过去的3年里),获取与多个公募 基金的绩效相关联的历史金融数据,以及获取与该多个公募基金相关联的 一个或多个宏观经济指标的历史变量数据。例如,历史金融数据可以包括 基金历史收益、基金历史净值、或者关于基金的更具体的其它数据。例如, 宏观经济指标可以是如上所述的各种指标,例如CPI等若干个参数。
在步骤S101,可选地,获取历史金融数据和历史变量数据可以包括获 取经预处理的历史金融数据和历史变量数据,该预处理可以包括对数据进 行补全、归一化或标准化中的一个或多个。例如,如果某月的CPI数据缺 失,可以用前个月的CPI数据来补全。
在步骤S102,基于该历史金融数据,确定该多个公募基金的绩效参数。 该绩效参数可以是根据历史金融数据直接获得的基金历史收益、基金历史 净值等,或基于这些值来间接获得的其它类型的参数等。
在步骤S103,基于该多个公募基金的绩效参数和该历史变量数据,确 定该多个公募基金的绩效参数与该一个或多个宏观经济指标之间的相关系 数。假设有M(M≥2)个公募基金的绩效参数为Y=(Y1,Y2,...,YM),N(N≥1) 个宏观经济指标的历史变量数据为X=(X1,X2,...,XN),将第i个公募基金的 绩效参数Yi表示为关于X1、X2、…、XN的函数Yi=f(X1,bi,1;X2,bi,2;...;XN,bi,N), 其中,Bi=(bi,1,bi,2,...,bi,N)为Yi对应于X=(X1,X2,...,XN)的相关系数, Bi=(bi,1,bi,2,...,bi,N)可以被认为该公募基金的风险画像。
在步骤S103,可选地,可以基于回归算法来确定上述相关系数。以回 归算法是线性回归算法为例,继续上面的示例,对于第i个公募基金,建立 回归方程Yi=Bi·XT,可以确定相关系数Bi。
在步骤S104,确定该相关系数之间的相似度以对该多个公募基金进行 分类。继续上面的示例,例如,以该M个相关系数Bi之间在N维空间上的 欧式距离为相似度对该M个公募基金进行分类。
在步骤S104,可选地,确定该相关系数之间的相似度以对该多个公募 基金进行分类可以是基于聚类算法。以基于划分的聚类算法k-means为例, 其包括以下步骤:(1)对于所有样本(此处,样本即相关系数),适当地(例 如,随机地或以其它方式)选择k个类的初始中心;(2)在第j次迭代中, 对任意一个样本,求其到k个类各中心的距离,将该样本归到距离最短的 那个中心所在的类;(3)利用均值等方法更新该累的中心值;(4)对于所 有的k个聚类中心,如果利用步骤(2)和(3)的迭代法更新后,值保持 不变,则迭代结束;否则继续迭代。
此外,可以每隔一段时间重复步骤S101、S102、S103和S104,使用 滚动时间窗口以周期性更新的历史金融数据和历史变量数据来更新对该多 个公募基金的分类。
传统上对基金的分类例如遵照晨星分类方法,其以分析基金的投资组 合为基础,而不是仅仅按照基金招募说明书关于投资范围和投资比例的描 述,是目前行业的标准分类方法。虽然晨星基金分类方法给出了根据投资 组合的分类方法,但它描述的是投资组合内的资产的不同,却不能够完全 和准确地描述投资组合的收益与风险的特征。即使是同为某一类型的基金, 其投资的行业、收益、风险的特点对宏观经济变量的敏感度和弹性可能相 差甚大。本发明的公开内容提供了一种基于诸如基金之类的金融资产的绩 效对一系列外生变量变化的敏感程度来进行风格划分的技术。该技术契合 了资产配置的目的,避免了传统分类方法分类不准确的问题,从而有利于 资产配置的权重确定,从而使资产组合表现更好(例如,风险更低、收益 更高等)。
应当理解,上述的示例中的具体公式和计算过程仅仅用于解释本发明 的构思,对于本领域技术人员来说,可以对该具体公式和计算过程进行修 改或以其它方式实现类似的过程。
基于上述方法,本发明提出了一种用于对金融资产进行分类的装置。 图2为依据本发明实施例的用于对金融资产进行分类的装置200的架构图。
装置200包括:获取单元201;参数单元202;确定单元203;以及分 类单元204。
获取单元201被配置为执行如图1针对步骤S101所描述的功能。
参数单元202被配置为执行如图1针对步骤S102所描述的功能。
确定单元203被配置为执行如图1针对步骤S103所描述的功能。
分类单元204被配置为执行图1针对步骤S104所描述的功能。
此外,可选地,在一个实施方式中,获取单元201以时间窗口滚动的 方式获取经更新的历史金融数据和历史变量数据,参数单元202、确定单元203和分类单元204被配置为基于经更新的历史金融数据和历史变量数据来 执行如上面所描述的功能,以更新对金融产品进行分类。
图1中的数据处理方法的流程还代表机器可读指令,该机器可读指令 包括由处理器执行的程序。该程序可被实体化在被存储于有形计算机可读 介质的软件中,该有形计算机可读介质如CD-ROM、软盘、硬盘、数字通 用光盘(DVD)、蓝光光盘或其它形式的存储器。替代的,图1中的示例方 法中的一些步骤或所有步骤可利用专用集成电路(ASIC)、可编程逻辑器件 (PLD)、现场可编程逻辑器件(EPLD)、离散逻辑、硬件、固件等的任意 组合被实现。另外,虽然图1所示的流程图描述了该数据处理方法,但可 对该处理方法中的步骤进行修改、删除或合并。
如上所述,可利用编码指令(如计算机可读指令)来实现图1的示例 过程,该编程指令存储于有形计算机可读介质上,如硬盘、闪存、只读存 储器(ROM)、光盘(CD)、数字通用光盘(DVD)、高速缓存器、随机访 问存储器(RAM)和/或任何其他存储介质,在该存储介质上信息可以存储 任意时间(例如,长时间,永久地,短暂的情况,临时缓冲,和/或信息的 缓存)。如在此所用的,该术语有形计算机可读介质被明确定义为包括任意 类型的计算机可读存储的信号。附加地或替代地,可利用编码指令(如计 算机可读指令)实现图1的示例过程,该编码指令存储于非暂时性计算机 可读介质,如硬盘,闪存,只读存储器,光盘,数字通用光盘,高速缓存 器,随机访问存储器和/或任何其他存储介质,在该存储介质信息可以存储 任意时间(例如,长时间,永久地,短暂的情况,临时缓冲,和/或信息的 缓存)。
本发明没有采用传统上根据行业或投资组合等对金融资产进行分类, 而是通过分析金融资产的绩效与外生变量之间的潜在关系来刻画金融资产 的风险画像,以反映金融资产的绩效对于外生变量的敏感程度,使得更准 确地对金融资产进行分类。此外,本发明能够捕捉到金融资产的投资风格 随时间发生的变化,譬如,由于金融资产的管理人员的变动、市场环境的 变动和所处市场周期的不同而引起的变化。而且,在分类的运行周期内,全部过程可由计算机处理完成,不再需要人工干预,大大节约了成本,具 备智能化、高效性的特点,时间效率较高。
因此,虽然参照特定的示例来描述了本发明,其中这些特定的示例仅 仅旨在是示例性的,而不是对本发明进行限制,但对于本领域普通技术人 员来说显而易见的是,在不脱离本发明的精神和保护范围的基础上,可以 对所公开的实施例进行改变、增加或者删除。
Claims (15)
1.一种用于对金融资产进行分类的方法,其特征在于,包括:
针对预定时间段,获取与多个金融资产的绩效相关联的历史金融数据,以及获取与所述多个金融资产相关联的一个或多个外生变量的历史变量数据;
基于所述历史金融数据,确定所述多个金融资产的绩效参数;
基于所述多个金融资产的绩效参数和所述历史变量数据,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数;以及
确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
2.如权利要求1所述的方法,其特征在于,获取所述历史金融数据和所述历史变量数据包括:获取经预处理的历史金融数据和历史变量数据,所述预处理包括对数据进行补全、归一化或标准化中的一个或多个。
3.如权利要求1所述的方法,其特征在于,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数进一步包括:基于回归算法,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数。
4.如权利要求1所述的方法,确定所述相关系数之间的相似度以对所述多个金融资产进行分类是基于聚类算法。
5.如权利要求1所述的方法,其特征在于,还包括:
以时间窗口滚动的方式,获取与所述多个金融资产的绩效相关联的经更新的历史金融数据,以及获取与所述多个金融资产相关联的所述一个或多个外生变量的经更新的历史变量数据;
基于所述经更新的历史金融数据,确定所述多个金融资产的经更新的绩效参数;
基于所述多个金融资产的经更新的绩效参数和所述经更新的历史变量数据,确定所述多个金融资产的经更新的绩效参数与所述一个或多个外生变量之间的经更新的相关系数;以及
确定所述经更新的相关系数之间的相似度以对所述多个金融资产进行分类。
6.一种有形的计算机可读存储介质,该介质包括指令,该指令在被执行时引起计算设备至少用于:
针对预定时间段,获取与多个金融资产的绩效相关联的历史金融数据,以及获取与所述多个金融资产相关联的一个或多个外生变量的历史变量数据;
基于所述历史金融数据,确定所述多个金融资产的绩效参数;
基于所述多个金融资产的绩效参数和所述历史变量数据,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数;以及
确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
7.如权利要求6所述的计算机可读存储介质,其特征在于,该指令在被执行时引起所述计算设备进一步:获取经预处理的历史金融数据和历史变量数据,所述预处理包括对数据进行补全、归一化或标准化中的一个或多个。
8.如权利要求6所述的计算机可读存储介质,其特征在于,该指令在被执行时引起所述计算设备进一步:基于回归算法,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数。
9.如权利要求6所述的计算机可读存储介质,其特征在于,该指令在被执行时引起所述计算设备进一步:基于聚类算法,确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
10.如权利要求6所述的计算机可读存储介质,其特征在于,该指令在被执行时引起所述计算设备:
以时间窗口滚动的方式,获取与所述多个金融资产的绩效相关联的经更新的历史金融数据,以及获取与所述多个金融资产相关联的所述一个或多个外生变量的经更新的历史变量数据;
基于所述经更新的历史金融数据,确定所述多个金融资产的经更新的绩效参数;
基于所述多个金融资产的经更新的绩效参数和所述经更新的历史变量数据,确定所述多个金融资产的经更新的绩效参数与所述一个或多个外生变量之间的经更新的相关系数;以及
确定所述经更新的相关系数之间的相似度以对所述多个金融资产进行分类。
11.一种用于对金融资产进行分类的装置,其特征在于,包括:
获取单元,其被配置为针对预定时间段,获取与多个金融资产的绩效相关联的历史金融数据,以及获取与所述多个金融资产相关联的一个或多个外生变量的历史变量数据;
参数单元,其被配置为基于所述历史金融数据,确定所述多个金融资产的绩效参数;
确定单元,其被配置为基于所述多个金融资产的绩效参数和所述历史变量数据,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数;以及
分类单元,其被配置为确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
12.如权利要求11所述的装置,其特征在于,所述获取单元进一步被配置为:获取经预处理的历史金融数据和历史变量数据,所述预处理包括对数据进行补全、归一化或标准化中的一个或多个。
13.如权利要求11所述的装置,其特征在于,所述确定单元进一步包括:基于回归算法,确定所述多个金融资产的绩效参数与所述一个或多个外生变量之间的相关系数。
14.如权利要求11所述的装置,其特征在于,所述分类单元进一步被配置为:基于聚类算法,确定所述相关系数之间的相似度以对所述多个金融资产进行分类。
15.如权利要求11所述的装置,其特征在于,还包括:
所述获取单元进一步被配置为以时间窗口滚动的方式,获取与所述多个金融资产的绩效相关联的经更新的历史金融数据,以及获取与所述多个金融资产相关联的所述一个或多个外生变量的经更新的历史变量数据;
所述参数单元进一步被配置为基于所述经更新的历史金融数据,确定所述多个金融资产的经更新的绩效参数;
所述确定单元进一步被配置为基于所述多个金融资产的经更新的绩效参数和所述经更新的历史变量数据,确定所述多个金融资产的经更新的绩效参数与所述一个或多个外生变量之间的经更新的相关系数;以及
所述分类单元进一步被配置为确定所述经更新的相关系数之间的相似度以对所述多个金融资产进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711079216.1A CN107742131A (zh) | 2017-11-06 | 2017-11-06 | 金融资产分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711079216.1A CN107742131A (zh) | 2017-11-06 | 2017-11-06 | 金融资产分类方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742131A true CN107742131A (zh) | 2018-02-27 |
Family
ID=61233943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711079216.1A Pending CN107742131A (zh) | 2017-11-06 | 2017-11-06 | 金融资产分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742131A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408643A (zh) * | 2018-09-03 | 2019-03-01 | 平安科技(深圳)有限公司 | 基金相似度计算方法、系统、计算机设备和存储介质 |
CN109857816A (zh) * | 2019-01-11 | 2019-06-07 | 平安科技(深圳)有限公司 | 测试样本的选取方法及装置、存储介质、电子设备 |
CN110955735A (zh) * | 2018-09-26 | 2020-04-03 | 北京国双科技有限公司 | 一种企业融资性贸易分析方法及装置 |
CN113204603A (zh) * | 2021-05-21 | 2021-08-03 | 中国光大银行股份有限公司 | 金融数据资产的类别标注方法及装置 |
-
2017
- 2017-11-06 CN CN201711079216.1A patent/CN107742131A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408643A (zh) * | 2018-09-03 | 2019-03-01 | 平安科技(深圳)有限公司 | 基金相似度计算方法、系统、计算机设备和存储介质 |
CN109408643B (zh) * | 2018-09-03 | 2023-05-30 | 平安科技(深圳)有限公司 | 基金相似度计算方法、系统、计算机设备和存储介质 |
CN110955735A (zh) * | 2018-09-26 | 2020-04-03 | 北京国双科技有限公司 | 一种企业融资性贸易分析方法及装置 |
CN109857816A (zh) * | 2019-01-11 | 2019-06-07 | 平安科技(深圳)有限公司 | 测试样本的选取方法及装置、存储介质、电子设备 |
CN109857816B (zh) * | 2019-01-11 | 2024-05-28 | 平安科技(深圳)有限公司 | 测试样本的选取方法及装置、存储介质、电子设备 |
CN113204603A (zh) * | 2021-05-21 | 2021-08-03 | 中国光大银行股份有限公司 | 金融数据资产的类别标注方法及装置 |
CN113204603B (zh) * | 2021-05-21 | 2024-02-02 | 中国光大银行股份有限公司 | 金融数据资产的类别标注方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | A comparative study of supervised machine learning algorithms for stock market trend prediction | |
CN107742131A (zh) | 金融资产分类方法和装置 | |
CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
CN106599935A (zh) | 基于Spark大数据平台的三支决策不平衡数据过采样方法 | |
CN107230108A (zh) | 业务数据的处理方法及装置 | |
CN111951097A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN110675029A (zh) | 商户的动态管控方法、装置、服务器及可读存储介质 | |
Festag et al. | Generative adversarial networks for biomedical time series forecasting and imputation | |
CN115147155A (zh) | 一种基于集成学习的铁路货运客户流失预测方法 | |
Rosati et al. | Machine learning in capital markets: decision support system for outcome analysis | |
Raffinot et al. | Investing through economic cycles with ensemble machine learning algorithms | |
KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
Lin | [Retracted] Big Data Technology in the Macrodecision‐Making Model of Regional Industrial Economic Information Applied Research | |
Wu et al. | Study of comprehensive evaluation method of undergraduates based on data mining | |
CN106485363A (zh) | 一种股票日内价格趋势的量化及预测方法 | |
US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress | |
CN111612626A (zh) | 一种债券评估数据预处理方法和装置 | |
Takawira et al. | An analysis of sovereign credit ratings using random forest | |
Jackson et al. | Machine learning for classification of economic recessions | |
El Ghourabi et al. | A new financial stress index model based on support vector regression and control chart | |
Zhang | Forecasting financial performance of companies for stock valuation | |
Bowe et al. | A SMARTer way to forecast | |
Kocaoğlu et al. | Sector-Based Stock Price Prediction with Machine Learning Models | |
Kushwaha et al. | Prospective Stock Analysis Model to improve the investment chances using Machine Learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180227 |