CN109615532A - 根据业绩进行基金筛选的数据处理方法及装置 - Google Patents
根据业绩进行基金筛选的数据处理方法及装置 Download PDFInfo
- Publication number
- CN109615532A CN109615532A CN201910033485.7A CN201910033485A CN109615532A CN 109615532 A CN109615532 A CN 109615532A CN 201910033485 A CN201910033485 A CN 201910033485A CN 109615532 A CN109615532 A CN 109615532A
- Authority
- CN
- China
- Prior art keywords
- fund
- screening
- factor
- funds
- sequence
- 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
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种通过整数轮因子筛除的根据业绩进行基金筛选的数据处理方法及装置,方法包括:通过确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;确定备选基金池;其中,所述备选基金池中包括多只基金;依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金。达到了能够将市场上的基金按照其历史业绩表现分为若干档,进而给投资者做投资决策时提供一定的指引的目的。
Description
技术领域
本申请涉及金融方向数据处理技术领域,具体而言,涉及一种根据业绩进行基金筛选的数据处理方法及装置。
背景技术
中国公募基金市场近年来发展迅速,截至2018年底,市场上已有5000多只基金,管理着超过13万亿的资金,其中,超过3000只基金为主要投资于中国A股市场的基金。目前各家金融机构,包括证券、基金等,均有自己的公募基金精选及评价模型,虽目标都基本统一,但无法获得良好的基金筛选结果,导致效果参差不齐,不能够准确作为投资者进行投资决策时的指引。且相关技术中大多是通过投资分析师对大量的基金进行分析,进而得到投资项目,其中存在较多的人为分析过程,难免会有分析错漏等情况发生。
针对相关技术中存在的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种根据业绩进行基金筛选的数据处理方法及装置,以解决无法得到良好的基金筛选结果的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种根据业绩进行基金筛选的数据处理方法。
根据本申请的根据业绩进行基金筛选的数据处理方法包括:
确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;
确定备选基金池;其中,所述备选基金池中包括多只基金;
依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金,1<M<100。
进一步的,如前述的根据业绩进行基金筛选的数据处理方法,所述确定用于进行基金筛选的所有筛选因子,包括:
确定长期有效的6个筛选因子,分别是:
近N1个月波动率:
其中,Ri为日收益率序列,N1为大于等于1的整数;
近N2个月最大回撤:
其中,Navs,Navt分别表示s,t时刻的基金净值,且t>s,N2为大于等于1的整数;
近N3个月索提诺比率:
其中,downside_risk=std(min{0,Ri-rf}),且rf为市场无风险利率,N3为大于等于1的整数;
近N4个月择时能力:根据T-M模型:
Ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi,
通过线性回归可以得到模型中α,β1,β2的值,其中,β2为择时能力,N4为大于等于1的整数;
近N5个月收益率:
其中Navs,Navt分别表示s,t时刻的基金净值,且t>s,N5=t-s,且,N5为大于等于1的整数;
近N6个月信息率:
其中,α为主动管理超额收益,可通过方程Ri=α+β*rm+εi回归得到,而为基金的主动管理风险,N6为大于等于1的整数。
进一步的,如前述的根据业绩进行基金筛选的数据处理方法,确定用于进行基金筛选的所有筛选因子之后以及依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选之前,还包括:
确定每个所述筛选因子对应的有效性;
按照有效性由高至低的顺序对每个所述筛选因子进行排序,得到因子顺序。
进一步的,如前述的根据业绩进行基金筛选的数据处理方法,所述依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,包括:
计算所述备选基金池中的所有基金与各个筛选因子对应的因子表现;
确定同一个筛选因子所对应的所有基金的因子表现,按照因子表现由好至坏的顺序对所述所有基金进行排序以得到对应的基金序列,并逐项确定与各个筛选因子对应的基金序列;
按照所述因子顺序以及各个筛选因子对应的基金序列,对所述备选基金池中的所有基金进行筛选。
进一步的,如前述的根据业绩进行基金筛选的数据处理方法,在确定剩余的基金之后,还包括:
依次通过每个筛选因子对所有剩余的基金再次进行筛选,并得到精选的基金。
为了实现上述目的,根据本申请的另一方面,提供了一种根据业绩进行基金筛选的数据处理装置。
根据本申请的根据业绩进行基金筛选的数据处理装置包括:
筛选因子确定单元,用于确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;
基金池确定单元,用于确定备选基金池;其中,所述备选基金池中包括多只基金;
筛选单元,用于依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金,1<M<100。
进一步的,如前述的根据业绩进行基金筛选的数据处理装置,所述筛选因子确定单元,包括:
波动率因子模块,用于确定近N1个月波动率:
其中,Ri为日收益率序列,N1为大于等于1的整数;
回撤因子模块,用于确定近N2个月最大回撤:
其中,Navs,Navt分别表示s,t时刻的基金净值,且t>s,N2为大于等于1的整数;
索提诺比率因子模块,用于确定近N3个月索提诺比率:
其中,downside_risk=std(min{0,Ri-rf}),且rf为市场无风险利率,N3为大于等于1的整数;
择时能力因子模块,用于确定近N4个月择时能力:根据T-M模型:
Ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi,
通过线性回归可以得到模型中α,β1,β2的值,其中,β2为择时能力,N4为大于等于1的整数;
收益率因子模块,用于确定近N5个月收益率:
其中Navs,Navt分别表示s,t时刻的基金净值,且t>s,N5=t-s,且,N5为大于等于1的整数;
信息率因子模块,用于确定近N6个月信息率:
其中,α为主动管理超额收益,可通过方程Ri=α+β*rm+εi回归得到,而为基金的主动管理风险,N6为大于等于1的整数。
进一步的,如前述的根据业绩进行基金筛选的数据处理装置,还包括:因子顺序确定单元;所述因子顺序确定单元包括:
有效性确定模块,用于确定每个所述筛选因子对应的有效性;
顺序确定模块,用于按照有效性由高至低的顺序对每个所述筛选因子进行排序,得到因子顺序。
进一步的,如前述的根据业绩进行基金筛选的数据处理装置,所述筛选单元包括:
因子表现计算模块,用于计算所述备选基金池中的所有基金与各个筛选因子对应的因子表现;
排序模块,用于确定同一个筛选因子所对应的所有基金的因子表现,按照因子表现由好至坏的顺序对所述所有基金进行排序以得到对应的基金序列,并逐项确定与各个筛选因子对应的基金序列;
筛选模块,用于按照所述因子顺序以及各个筛选因子对应的基金序列,对所述备选基金池中的所有基金进行筛选。
进一步的,如前述的根据业绩进行基金筛选的数据处理装置,还包括:
重筛单元,用于依次通过每个筛选因子对所有剩余的基金再次进行筛选,并得到精筛的基金。
在本申请中,采用一种通过整数轮因子筛除的根据业绩进行基金筛选的数据处理方法及装置,方法包括:通过确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;确定备选基金池;其中,所述备选基金池中包括多只基金;依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金。达到了能够将市场上的基金按照其历史业绩表现分为若干档,进而给投资者做投资决策时提供一定的指引的目的。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请一种实施例的根据业绩进行基金筛选的数据处理方法的流程示意图;以及
图2是根据本申请一种实施例的根据业绩进行基金筛选的数据处理装置的功能模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个实施例,提供了一种根据业绩进行基金筛选的数据处理方法。如图1所示,该方法包括如下的步骤S1至步骤S3:
S1.确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;
也就是说,用于评价一只基金的表现的因子包括很多,会因为评价的方面以及时间等信息的不同都会造成因子的不同,因此此处可以通过大数据等形式对各个因子的评价结果进行判断,筛选出能够准确评价一只基金的优良水平的筛选因子;
S2.确定备选基金池;其中,所述备选基金池中包括多只基金;
也就是说,得预先确定需要进行基金筛选的目标,且包括所有所述基金的数据集则成为备选基金池;
S3.依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金,1<M<100;
具体的,当包括筛选因子A、B和C的时候,先通过筛选因子A对所述备选基金池中的所有基金进行筛选得到剩余的T%的基金(T=100-M);然后通过筛选因子B对剩余的T%的基金再次进行筛选,又得到剩余的(T%)2的基金,最后通过筛选因子C对剩余的(T%)2的基金进行筛选,则得到剩余的(T%)3的基金。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理方法,所述确定用于进行基金筛选的所有筛选因子,包括:
确定长期有效的6个筛选因子,分别是:
近N1个月波动率:
其中,Ri为日收益率序列,N1为大于等于1的整数;优选的,一般选择近9个月的波动率;且一个基金的波动率越小则认为其投资的价值越高;
近N2个月最大回撤:
一般的,选择近12个月的最大回撤;
其中,Navs,Navt分别表示s,t时刻的基金净值,且t>s,N2为大于等于1的整数;
近N3个月索提诺比率:
其中,downside_risk=std(min{0,Ri-rf}),且rf为市场无风险利率,N3为大于等于1的整数;具体的,一般选择近9个月的月索提诺比率,所述月索提诺比率越高,表明基金承担相同单位下行风险能获得更高的超额回报率;索提诺比率可以看做是夏普比率在衡量对冲基金/私募基金时的一种修正方式。
近N4个月择时能力:根据T-M模型:
Ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi,
通过线性回归可以得到模型中α,β1,β2的值,其中,β2为择时能力,N4为大于等于1的整数;一般的,选择近3个月的择时能力;
具体的,可以通过下述方法计算得到相应的基金的择时能力:
1.现金比例变化法
使用现金比例变化法时,成功的择时能力表现为在牛市中基金的现金比例或持有债券比例较小,而熊市中现金比例或持有债券比例较大。
择时损益=(股票实际配置比例-正常配置比例)*股票指数收益率+(现金实际配置比例-正常配置比例)*现金收益率
例如,某季度上证指数上涨20%,现金收益率为1%,基金契约规定股票投资比例为85%,现金或债券投资比例为15%,但基金的实际股票投资比例为70%,实际现金或债券投资比例为30%,那么基金的择时损益=(70%)*20%+(30%)*1%=-2.85%。结果为负,可见该基金因为其错误的择时活动导致了投资的损失。
2.成功概率法
成功概率法主要是通过计算基金预测牛熊市的成功概率来对基金择时能力进行衡量的方法。
成功概率=(正确预测到牛市的概率+正确预测到熊市的概率-1)*100%
举例来讲,30个季度里有20个季度市场上涨,10个季度市场下跌。在市场上涨的季度中,某只基金择时损益为正的季度数有15个;在市场下跌的季度中,择时损益为正的季度数有8个。那么成功概率=(15/20+8/10-1)*100%=55%,结果明显大于0,可见这只基金具有较强的择时能力。
3.二次项法
二次项法,即T-M模型,具体模型如下:
成功的市场选择者能够在上涨市场中提高其组合的贝塔值,而在市场处于下跌状态时降低组合贝塔值。如果>0,表明基金经理具有成功的市场选择能力。
4.双贝塔方法
双贝塔方法基于这样一个假设,在具有择时能力的情况下,组合的贝塔值只取两个值,即牛市贝塔取较大的值,熊市取较小的值。
如果为正,则说明存在择时能力。
5.C-L模型
指标反映的是基金经理能否正确预测市场收益与无风险收益之间的正负差异(即能否正确预测多头或空头市场),而后相机调整投资组合的贝塔值,从而在不同市场环境下取得较好收益。
依据资本资产定价模型(CAPM),在空头市场时,,在多头市场时,。通过对C.L。指标进行检验,可以判断基金经理的择时能力。若C.L。指标大于0,则基金投资组合在市场超额收益为正时保持较大的贝塔值,从而提高收益;在市场超额收益为负时保持较小的贝塔值,从而减少损失。C.L。指标越大,表明基金择时能力越强。
近N5个月收益率:
其中Navs,Navt分别表示s,t时刻的基金净值,且t>s,N5=t-s,且,N5为大于等于1的整数;一般的,为了防止时间过长,导致相应的基金的收益率发生较大波动,因此优选为近12个月的收益率;
近N6个月信息率:
其中,α为主动管理超额收益,可通过方程Ri=α+β*rm+εi回归得到,而为基金的主动管理风险,N6为大于等于1的整数;优选的,选择近9个月信息率;所述信息率用于衡量某一投资组合优于一个特定指数的风险调整超额报酬。是以马克维茨的均异模型为基础,用来衡量超额风险所带来的超额收益;它表示单位主动风险所带来的超额收益。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理方法,确定用于进行基金筛选的所有筛选因子之后以及依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选之前,还包括:
确定每个所述筛选因子对应的有效性;
按照有效性由高至低的顺序对每个所述筛选因子进行排序,得到因子顺序。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理方法,所述依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,包括:
计算所述备选基金池中的所有基金与各个筛选因子对应的因子表现;
确定同一个筛选因子所对应的所有基金的因子表现,按照因子表现由好至坏的顺序对所述所有基金进行排序以得到对应的基金序列,并逐项确定与各个筛选因子对应的基金序列;
按照所述因子顺序以及各个筛选因子对应的基金序列,对所述备选基金池中的所有基金进行筛选。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理方法,在确定剩余的基金之后,还包括:
依次通过每个筛选因子对所有剩余的基金再次进行筛选,并得到精选的基金。
采用本申请一种实施例中的方法的应用例如下所述:
i)首先,基于历史回测的结果,先确定长期有效的筛选因子,共有6个;
ii)确定备选基金池。针对例如3000只基金,根据不同需要,剔除一些与精选目标不符的基金(例如:持股比例过低、成立年限要求、特定行业基金等,可根据不同目标灵活更改条件),最终剩下符合要求的基金约530只;
iii)按照(i)中确定的因子顺序,计算所有(ii)确定的备选基金池中基金的因子表现并排序(由好到差排序);
iv)依据(iii)中的因子表现排序,筛除相应因子表现最差的20%基金;
v)重复(iii)、(iv)的操作,当遍历了六个因子后(即六个因子都使用过一次之后,我们称之为已完成一轮基金的筛除),剩下的基金仍有约26%。因此再进行一轮筛除,继续重复(iii)与(iv)
vi)第二轮筛除完成后,只剩下约7%的基金。至此,我们认为这7%的基金为满足要求的530只基金中业绩表现最为突出的基金,达到了精选的目标。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例,还提供了一种用于实施上述根据业绩进行基金筛选的数据处理方法的根据业绩进行基金筛选的数据处理装置,如图2所示,该装置包括:为了实现上述目的,根据本申请的另一方面,提供了一种根据业绩进行基金筛选的数据处理装置。
根据本申请的根据业绩进行基金筛选的数据处理装置包括:
筛选因子确定单元1,用于确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;
基金池确定单元2,用于确定备选基金池;其中,所述备选基金池中包括多只基金;
筛选单元3,用于依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金,1<M<100。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理装置,所述筛选因子确定单元,包括:
波动率因子模块,用于确定近N1个月波动率:
其中,Ri为日收益率序列,N1为大于等于1的整数;
回撤因子模块,用于确定近N2个月最大回撤:
其中,Navs,Navt分别表示s,t时刻的基金净值,且t>s,N2为大于等于1的整数;
索提诺比率因子模块,用于确定近N3个月索提诺比率:
其中,downside_risk=std(min{0,Ri-rf}),且rf为市场无风险利率,N3为大于等于1的整数;
择时能力因子模块,用于确定近N4个月择时能力:根据T-M模型:
Ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi,
通过线性回归可以得到模型中α,β1,β2的值,其中,β2为择时能力,N4为大于等于1的整数;
收益率因子模块,用于确定近N5个月收益率:
其中Navs,Navt分别表示s,t时刻的基金净值,且t>s,N5=t-s,且,N5为大于等于1的整数;
信息率因子模块,用于确定近N6个月信息率:
其中,α为主动管理超额收益,可通过方程Ri=α+β*rm+εi回归得到,而为基金的主动管理风险,N6为大于等于1的整数。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理装置,还包括:因子顺序确定单元;所述因子顺序确定单元包括:
有效性确定模块,用于确定每个所述筛选因子对应的有效性;
顺序确定模块,用于按照有效性由高至低的顺序对每个所述筛选因子进行排序,得到因子顺序。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理装置,所述筛选单元包括:
因子表现计算模块,用于计算所述备选基金池中的所有基金与各个筛选因子对应的因子表现;
排序模块,用于确定同一个筛选因子所对应的所有基金的因子表现,按照因子表现由好至坏的顺序对所述所有基金进行排序以得到对应的基金序列,并逐项确定与各个筛选因子对应的基金序列;
筛选模块,用于按照所述因子顺序以及各个筛选因子对应的基金序列,对所述备选基金池中的所有基金进行筛选。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的根据业绩进行基金筛选的数据处理装置,还包括:
重筛单元,用于依次通过每个筛选因子对所有剩余的基金再次进行筛选,并得到精筛的基金。
具体的,本发明实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种根据业绩进行基金筛选的数据处理方法,其特征在于,包括:
确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;
确定备选基金池;其中,所述备选基金池中包括多只基金;
依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金,1<M<100。
2.根据权利要求1所述的根据业绩进行基金筛选的数据处理方法,其特征在于,所述确定用于进行基金筛选的所有筛选因子,包括:
确定长期有效的6个筛选因子,分别是:
近N1个月波动率:
其中,Ri为日收益率序列,N1为大于等于1的整数;
近N2个月最大回撤:
其中,Navs,Navt分别表示s,t时刻的基金净值,且t>s,N2为大于等于1的整数;
近N3个月索提诺比率:
其中,downside_risk=std(min{0,Ri-rf}),且rf为市场无风险利率,N3为大于等于1的整数;
近N4个月择时能力:根据T-M模型:
Ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi,
通过线性回归可以得到模型中α,β1,β2的值,其中,β2为择时能力,N4为大于等于1的整数;
近N5个月收益率:
其中Navs,Navt分别表示s,t时刻的基金净值,且t>s,N5=t-s,且,N5为大于等于1的整数;
近N6个月信息率:
其中,α为主动管理超额收益,可通过方程Ri=α+β*rm+εi回归得到,而为基金的主动管理风险,N6为大于等于1的整数。
3.根据权利要求1所述的根据业绩进行基金筛选的数据处理方法,其特征在于,确定用于进行基金筛选的所有筛选因子之后以及依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选之前,还包括:
确定每个所述筛选因子对应的有效性;
按照有效性由高至低的顺序对每个所述筛选因子进行排序,得到因子顺序。
4.根据权利要求3所述的根据业绩进行基金筛选的数据处理方法,其特征在于,所述依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,包括:
计算所述备选基金池中的所有基金与各个筛选因子对应的因子表现;
确定同一个筛选因子所对应的所有基金的因子表现,按照因子表现由好至坏的顺序对所述所有基金进行排序以得到对应的基金序列,并逐项确定与各个筛选因子对应的基金序列;
按照所述因子顺序以及各个筛选因子对应的基金序列,对所述备选基金池中的所有基金进行筛选。
5.根据权利要求1所述的根据业绩进行基金筛选的数据处理方法,其特征在于,在确定剩余的基金之后,还包括:
依次通过每个筛选因子对所有剩余的基金再次进行筛选,并得到精选的基金。
6.一种根据业绩进行基金筛选的数据处理装置,其特征在于,包括:
筛选因子确定单元,用于确定用于进行基金筛选的所有筛选因子;其中,所述筛选因子包括一个或多个;
基金池确定单元,用于确定备选基金池;其中,所述备选基金池中包括多只基金;
筛选单元,用于依次通过每个筛选因子对所述备选基金池中的所有基金进行筛选,确定剩余的基金;其中,每通过一个筛选因子对所述备选基金池中的所有基金进行筛选后都筛除表现最差的M%的基金,1<M<100。
7.根据权利要求6所述的根据业绩进行基金筛选的数据处理装置,其特征在于,所述筛选因子确定单元,包括:
波动率因子模块,用于确定近N1个月波动率:
其中,Ri为日收益率序列,N1为大于等于1的整数;
回撤因子模块,用于确定近N2个月最大回撤:
其中,Navs,Navt分别表示s,t时刻的基金净值,且t>s,N2为大于等于1的整数;
索提诺比率因子模块,用于确定近N3个月索提诺比率:
其中,downside_risk=std(min{0,Ri-rf}),且rf为市场无风险利率,N3为大于等于1的整数;
择时能力因子模块,用于确定近N4个月择时能力:根据T-M模型:
Ri-rf=α+β1(rm-rf)+β2(rm-rf)2+εi,
通过线性回归可以得到模型中α,β1,β2的值,其中,β2为择时能力,N4为大于等于1的整数;
收益率因子模块,用于确定近N5个月收益率:
其中Navs,Navt分别表示s,t时刻的基金净值,且t>s,N5=t-s,且,N5为大于等于1的整数;
信息率因子模块,用于确定近N6个月信息率:
其中,α为主动管理超额收益,可通过方程Ri=α+β*rm+εi回归得到,而为基金的主动管理风险,N6为大于等于1的整数。
8.根据权利要求6所述的根据业绩进行基金筛选的数据处理装置,其特征在于,还包括:因子顺序确定单元;所述因子顺序确定单元包括:
有效性确定模块,用于确定每个所述筛选因子对应的有效性;
顺序确定模块,用于按照有效性由高至低的顺序对每个所述筛选因子进行排序,得到因子顺序。
9.根据权利要求8所述的根据业绩进行基金筛选的数据处理装置,其特征在于,所述筛选单元包括:
因子表现计算模块,用于计算所述备选基金池中的所有基金与各个筛选因子对应的因子表现;
排序模块,用于确定同一个筛选因子所对应的所有基金的因子表现,按照因子表现由好至坏的顺序对所述所有基金进行排序以得到对应的基金序列,并逐项确定与各个筛选因子对应的基金序列;
筛选模块,用于按照所述因子顺序以及各个筛选因子对应的基金序列,对所述备选基金池中的所有基金进行筛选。
10.根据权利要求6所述的根据业绩进行基金筛选的数据处理装置,其特征在于,还包括:
重筛单元,用于依次通过每个筛选因子对所有剩余的基金再次进行筛选,并得到精筛的基金。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910033485.7A CN109615532A (zh) | 2019-01-14 | 2019-01-14 | 根据业绩进行基金筛选的数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910033485.7A CN109615532A (zh) | 2019-01-14 | 2019-01-14 | 根据业绩进行基金筛选的数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615532A true CN109615532A (zh) | 2019-04-12 |
Family
ID=66016833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910033485.7A Pending CN109615532A (zh) | 2019-01-14 | 2019-01-14 | 根据业绩进行基金筛选的数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362186A (zh) * | 2021-06-10 | 2021-09-07 | 中国邮政储蓄银行股份有限公司 | 智能投顾策略的配置方法与装置 |
-
2019
- 2019-01-14 CN CN201910033485.7A patent/CN109615532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362186A (zh) * | 2021-06-10 | 2021-09-07 | 中国邮政储蓄银行股份有限公司 | 智能投顾策略的配置方法与装置 |
CN113362186B (zh) * | 2021-06-10 | 2023-12-05 | 中国邮政储蓄银行股份有限公司 | 智能投顾策略的配置方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schlegl et al. | The seniority structure of sovereign debt | |
US7418419B2 (en) | Method and system for comparison and evaluation of investment portfolios | |
D’errico et al. | How does risk flow in the credit default swap market? | |
US8195564B2 (en) | System and method for creating financial assets | |
US8738453B2 (en) | Data processing system for complex pricing and transactional analysis | |
US8577775B1 (en) | Systems and methods for managing investments | |
US10140661B2 (en) | Systems and methods for managing investments | |
US20030046219A1 (en) | System and method for trade settlement tracking and relative ranking | |
US20070255648A1 (en) | Cash flow system and method | |
US8209253B2 (en) | Matching resources of a securities research department to accounts of the department | |
US20070198389A1 (en) | Locality based index | |
US6052672A (en) | Data processing system for complex pricing and transactional analysis | |
CN107122386A (zh) | 数据的筛选方法及装置 | |
Boermans | A Literature Review of Securities Holdings Statistics Research and a Practitioner's Guide | |
CN109615532A (zh) | 根据业绩进行基金筛选的数据处理方法及装置 | |
Kräussl et al. | The predictive performance of Morningstar's mutual fund ratings | |
Majumder et al. | Limitation of ARIMA in extremely collapsed market: A proposed method | |
US7512556B2 (en) | System and method for evaluation of simulated hedging relationship assignments | |
CN109859050A (zh) | 对基金进行评价的数据处理方法及装置 | |
EP2706500A2 (en) | Method for displaying current disparate ratio for enterprise value using difference between market value for enterprise and basic analysis | |
Chen et al. | Stock valuation and investment strategies | |
Eck | Detecting financially troubled property-liability insurers | |
Agrawal et al. | Price to book ratio as a valuation model: An empirical investigation | |
US20140180964A1 (en) | Method for displaying current disparate ratio for enterprise value using difference between market value for enterprise and basic analysis | |
Comer | Evaluating bond fund sector timing skill |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |