CN107808254A - 一种公募基金评价及投资建议方法 - Google Patents

Abstract

本发明公开了一种公募基金评价及投资建议方法，包括以下步骤：S1：数据挖掘，建立多维分析模型，根据大数据测算并循环回测得出最优筛选方法，所得结果进行排名和数值化，得出的综合评分，反映基金的综合能力；S2：行业周期判断，结合投资模型对市场和板块的交易机会进行预判；S3：综合评测并给出建议，结合S1和S2，形成基金的综合建议，并将这些模型算法导入机器，由机器每日执行算法，直接在客户的投资决策建议中形成决策。本发明的有益效果：通过多维度数据综合评测，并采纳专家意见，针对不同类别的基金进行有侧重有依据的评级或打分，依此给客户提供更加快速、更贴近市场的决策建议。

Description

一种公募基金评价及投资建议方法

技术领域

本发明涉及一种公募基金评价及投资建议方法。

背景技术

目前大众理财越来越受到重视，几乎每个家庭都会面临如何投资的问题，而公募基金也是他们主要选择的方向。但目前市场上近1000只货币基金，3000多只股权型基金，2000多只债券基金，还有一些海外QDII基金，如何在那么多基金中找到较优，以及对他们进行质量检测，是我们一直探索的问题。

目前现有的公募基金评价体系：部分专业金融软件，比如wind、晨星，会对基金做多维数据研究，比如结合基金的收益、风险、基金经理、管理团队等进行综合评价，形成一个雷达图或者5星评级，让使用者直观看到几个维度的情况。通常用的方法为：数据库整理、数据挖掘、程序建模等。

现有技术的问题和缺点：

1、作为结果的呈现：雷达图和5星评级比较直观，但是不够量化。比如5星，能看到评价较好，但是具体排名，不知道；

2、仅针对基金进行评价，但评价后不能结合投资者的持有情况进行分析管理和建议；

3、所以针对基金的评价，均为过往历史数据的客观判断，而基金是投资的未来，现有技术没有针对未来的投资基金进行更多预测和展望；

4、现有的基金分类较粗，比如QDII基金，其实投资了美、港、新兴市场等，但现有的评价是结合在一起的，不能很好的体现其中的差异性。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种公募基金评价及投资建议方法，能够。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种公募基金评价及投资建议方法，包括以下步骤：

S1：数据挖掘，建立多维分析模型，根据大数据测算并循环回测得出最优筛选方法，所得结果进行排名和数值化，得出的综合评分，反映基金的综合能力；

S2：行业周期判断，结合投资模型对市场和板块的交易机会进行预判；

S3：综合评测并给出建议，结合S1和S2，形成基金的综合建议，并将这些模型算法导入机器，由机器每日执行算法，直接在客户的投资决策建议中形成决策。

进一步的，S1具体包括：

S11对公募基金进行更细的聚类分析，将包括债权基金、股票基金、混合基金、QDII基金和保本基金在内的基金进行更细的切分，同时将股票型和混合型基金再细分为包括大盘、中小以及灵活在内的多种风格；

S12对经过细分的数据进行建模评测，将基金的分析维度分为盈利能力、抗风险能力和基金经理能力，并分别对其长期表现和短期表现进行评测，所得结果进行排名和数值化，得出的综合评分。

进一步的，所述盈利能力维度分析包括从2年的长期盈利、8个季度的季度盈利以及9周的短期盈利方面分别进行打分排名，对时间长度不够的基金进行惩罚性补充。

进一步的，所述抗风险能力维度分析包括从季度表现的盈利稳定性、1年的波动率以及1年的最大回撤率方面分别进行打分排名，对时间长度不够的基金进行惩罚性补充。

进一步的，所述基金经理能力维度分析包括从基金经理的任职年限、基金经理所管理同一分类下所有基金的收益表现以及波动率方面分别进行打分排名，对时间长度不够的基金经理进行惩罚性补充。

进一步的，S2具体包括：

S21通过包括logistics、决策树模型、神经网络在内的机器学习和因子分析的方法，对市场投资机会进行趋势判断，如买多或卖空的有效性，哪些板块更具有投资机会；

S22聘请各行业专家团，对市场机会进行预判，专家团综合决策后，形成观点。

本发明的有益效果：通过多维度数据综合评测，并采纳专家意见，针对不同类别的基金进行有侧重有依据的的评级或打分，依此给客户提供更加快速、更贴近市场的决策建议。

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。

图1是根据本发明实施例所述的一种公募基金评价及投资建议方法的流程示意图。

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所获得的所有其他实施例，都属于本发明保护的范围。

目前现有的公募基金评价体系，在一些专业金融软件中有涉及，但存在不够量化、不够全面、无法直接运用于客户投资决策等问题。

我们的创新发明，一方面解决上述几个问题，另一方面也应用到我们实际的投资者决策中。具体方法为：

层次1：“数据挖掘”判断——多维分析模型，根据大数据测算并循环回测得出最优筛选方法。

数据收集：购买专业数据库“恒生聚源数据”，以获取基金净值、规模、波动、盈利、管理人、费率、投向等多个方向的数据，所有的数据要求追索到历史最长，并且更新到最新发布的数据。

数据检索和处理：

1、对公募基金的数据进行更细的聚类分析(如下体现)：将债券基金、股票基金、混合型基金、QDII基金、保本基金等进行更细的切分，同时，将股票型和混合型基金再细分为大盘、中小、灵活风格，以使得数据模型的底层数据更具有对比性。这些分类，一方面会从基础数据库调取相应的特征进行提取，一方面也会对基金表现跟大盘进行拟合对比，比如通过基金跟市场指数(沪深300、中证500等)的β值、标准差、同一阶段的收益率等特征，将基金聚类。

2、其次，在这个细分的数据里，又进行建模评测，将基金的分析维度分为“盈利能力”、“抗风险能力”、“基金经理能力”，并分别对其长期表现和短期表现进行评测，所得结果进行排名和数值化，得出的综合评分，以10以内

表1

小分类
	未选择
股票型
	混合型
债权型未分类
	短期纯债基金或被动指数基金
混合债劵一级基金
	混合债券二级基金
可转债基金
	中长期纯债基金
其它债券基金
	保本型
QDII
	货币型
指数型
	其它类型未分类
全球股票
	美国股票
香港股票
	新兴市场股票
资源类股票
	全球债券
新兴市场债券
	房地产类股
商品

的数字形式，反映基金的综合能力，并为买卖建议提供参考。基金的分析维度其实有很多种，但从目标导向的角度，我们希望基金能够稳定而快速地增长。所以从最基础的分析角度，就是风险与收益两个方面。其中，基金的收益能力可以从两个角度来分析，其一是过去的业绩(基金团队的整体能力)即“盈利能力”，另一个是基金经理人的水平即“基金经理能力”。这里考虑两种情况，如果这个基金一直由该基金经理人主持，那么这两个能力会有一定的重合，但如果这个基金刚换成另一位基金经理人，则主要关注这个基金经理人的历史水平。

具体步骤为：

盈利维度：长期盈利(2年)、季度盈利(8个季度)、短期盈利(9周)，这3个维度的表现，分别对基金表现进行排名，然后形成相对得分，分值从2～10。时间长度不够的基金，补充其表现，假设为同类第60％排名的表现(即，略有一些惩罚)。补充技术背景

抗风险维度：盈利稳定性(看季度表现的排名)、1年的波动率、1年的最大回撤率，分别对这3个特征进行排名，然后形成相对得分分值从2～10。同样，也会补充其表现，并对长度不够的数据基金进行惩罚。补充技术背景

基金经理维度：基金经理的任职年限(综合考量同一分类下的最长年限)、基金经理所管理同一分类下所有基金的收益表现、波动率等，形成相对得分，分值从2～10。并对长度不够的基金经理，直接进行惩罚。补充技术背景

3、综合得分，需要依据“2”中涉及的模块进行复权打分。不同类型的基金，复权分值略有不同。比如股权类在收益上复权较高，而债权类在抗风险能力上复权较高。

表2

基金类型	基金盈利能力	基金抗风险能力	基金经理能力
				股票型+混合型	0.4	0.3	0.3
债券型
				货币型	0.4	0.5	0.1
保本型	0.4	0.3	0.3
				其他型

债券型基金分类

基金类型	基金盈利能力	基金抗风险能力	基金经理能力
				短期纯债与指数型	0.6	0.3	0.1
混合债券二级	0.4	0.3	0.3
				混合债券一级	0.4	0.4	0.2
可转债	0.4	0.3	0.3
				中长期纯债	0.5	0.3	0.2
其他债券	0.4	0.4	0.2

QDII基金分类

基金类型	基金盈利能力	基金抗风险能力	基金经理能力
				全球股票	0.4	0.3	0.3
美国股票	0.4	0.3	0.3
				新兴市场股票	0.4	0.3	0.3
香港股票	0.4	0.3	0.3
				资源类股票	0.4	0.3	0.3

4、“行业周期”判断——结合投资模型对市场和板块的交易机会进行预判。维度1：通过logistics、决策树模型、神经网络等一些机器学习和因子分析的方法，对市场投资机会进行趋势判断，比如买多或卖空的有效性，哪些板块更具有投资机会。维度2：聘请各行业专家团，对市场机会进行预判，专家团综合决策后，形成观点。行业周期的调整是动态的，“看多”、“中性”、“看空”，其中，同样，我们也对其进行量化到分值，这个分值会跟基金综合评分的分值形成影响。并且模型中有针对不同分类或者单一基金的“行业周期”修改的功能，通过及时的调整和修改，更好的把握基金的质量。

定性、结论和实际应用：通过综合评测并给出建议。结合综合评分+行业周期，形成基金的综合建议。我们用了一系列约束，来定义基金的综合建议。比如行业周期判断较好的基金，且综合评分排名在“规定阈值”以上的基金可予以保留，而行业周期判断较差的基金，且综合评分排名在“规定阈值”以下的基金可建议卖出。

上述所有的数据都导入机器，由机器每日执行算法，并直接在客户的投资决策建议中形成快速高效的决策。有效的实现了快速、更贴合市场、批量处理等决策案例。

为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。

在具体使用时，2017年9月14日当日数据，以混合型基金为例：

数据收集：从恒生聚源基础数据库提取数据(具体技术背景：)

数据处理和检索：

1、客观综合得分：数据市场上有2583只混合型基金，其中大盘风格522只、中小风格458只、灵活风格1603只。对这些基金进行3个维度(收益、抗风险、基金经理)维度的测算，其中长度不足2年的基金，用同类基金第60％的表现，予以补全到2015年9月15日数据，每个需要补全的基金依据成立时间不同，补全的时间也不同。然后依据盈利权重0.4，抗风险权重0.3，基金经理权重0.3，得出905只基金综合评分处于后1/3，但因为成立时间不足半年的基金，需保留评价，暂时可考虑观望，故最终638只基金综合评分处于后1/3。

2、行业周期：专家团当日评估市场投资机会，认为券商类、钢铁类、以及小盘指数类基金具有投资机会，对相应基金进行分值调整，并输入看法。

3、综合上2点，最终，598只基金综合评分较弱，处于被卖出行列。

结论和实际应用：用户在系统中输入其产品，比如10只持仓基金。系统马上反映其表现，一方面体现基金的综合评分(结合客观综合得分+行业周期)，一方面，如有处于那“598只”基金，则给出卖出建议，其余基金予以“保留并观望”。

综上所述，借助于本发明的上述技术方案，通过多维度数据综合评测，并采纳专家意见，针对不同类别的基金进行有侧重有依据的的评级或打分，依此给客户提供更加快速、更贴近市场的决策建议。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种公募基金评价及投资建议方法，其特征在于，包括以下步骤：

S1：数据挖掘，建立多维分析模型，根据大数据测算并循环回测得出最优筛选方法，所得结果进行排名和数值化，得出的综合评分，反映基金的综合能力；

S2：行业周期判断，结合投资模型对市场和板块的交易机会进行预判；

S3：综合评测并给出建议，结合S1和S2，形成基金的综合建议，并将这些模型算法导入机器，由机器每日执行算法，直接在客户的投资决策建议中形成决策。

2.根据权利要求1所述的公募基金评价及投资建议方法，其特征在于，S1具体包括：

S11 对公募基金进行更细的聚类分析，将包括债权基金、股票基金、混合基金、QDII基金和保本基金在内的基金进行更细的切分，同时将股票型和混合型基金再细分为包括大盘、中小以及灵活在内的多种风格；

S12对经过细分的数据进行建模评测，将基金的分析维度分为盈利能力、抗风险能力和基金经理能力，并分别对其长期表现和短期表现进行评测，所得结果进行排名和数值化，得出的综合评分。

3.根据权利要求2所述的公募基金评价及投资建议方法，其特征在于，所述盈利能力维度分析包括从2年的长期盈利、8个季度的季度盈利以及9周的短期盈利方面分别进行打分排名，对时间长度不够的基金进行惩罚性补充。

4.根据权利要求2所述的公募基金评价及投资建议方法，其特征在于，所述抗风险能力维度分析包括从季度表现的盈利稳定性、1年的波动率以及1年的最大回撤率方面分别进行打分排名，对时间长度不够的基金进行惩罚性补充。

5.根据权利要求2所述的公募基金评价及投资建议方法，其特征在于，所述基金经理能力维度分析包括从基金经理的任职年限、基金经理所管理同一分类下所有基金的收益表现以及波动率方面分别进行打分排名，对时间长度不够的基金经理进行惩罚性补充。

6.根据权利要求1所述的公募基金评价及投资建议方法，其特征在于，S2具体包括：

S21 通过包括logistics、决策树模型、神经网络在内的机器学习和因子分析的方法，对市场投资机会进行趋势判断，如买多或卖空的有效性，哪些板块更具有投资机会；

S22 聘请各行业专家团，对市场机会进行预判，专家团综合决策后，形成观点。