CN109636620A - 资产配置方法、装置、电子设备及计算机可读存储介质 - Google Patents
资产配置方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109636620A CN109636620A CN201811535754.1A CN201811535754A CN109636620A CN 109636620 A CN109636620 A CN 109636620A CN 201811535754 A CN201811535754 A CN 201811535754A CN 109636620 A CN109636620 A CN 109636620A
- Authority
- CN
- China
- Prior art keywords
- investment
- assets
- investment combination
- weight
- fund
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000009434 installation Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 239000010931 gold Substances 0.000 description 5
- 229910052737 gold Inorganic materials 0.000 description 5
- 230000003466 anti-cipated effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
本发明涉及一种资产配置方法、装置、电子设备和计算机可读存储介质。所述方法包括:对获取的资产数据进行清洗并对清洗后的资产数据进行初步筛选形成基金池;通过聚类算法从基金池中确定出投资组合资产;对投资组合资产进行大类资产配置模型的资产配置,从而确定投资组合资产的初始投资权重;在每个预设周期内监测所述投资组合资产的投资权重相较于投资组合资产的初始投资权重的差值是否超过预设阈值范围;若超过预设阈值范围则对投资组合资产进行大类资产配置模型的资产配置以对投资组合资产的投资权重进行更新,否则按照前一预设周期的投资组合资产的权重调整投资组合资产的投资权重。本发明能够降低投资组合资产的组合波动率及提升夏普比率。
Description
技术领域
本发明涉及金融管理领域,具体涉及一种资产配置方法、装置、电子设备和计算机可读存储介质。
背景技术
现有大类资产配置的再平衡操作一般采用定期再平衡,例如,一个月或者一个季度再平衡一次。然而大类资产配置的定期再平衡不能在定期时点之外干预资产配置组合,如果在定期时点之间发生了严重的系统性风险而不加以干预,会提高资产配置组合的波动率及降低资产配置组合的夏普比率。
发明内容
鉴于以上内容,有必要提出一种资产配置方法、装置、电子设备和计算机可读存储介质,以降低资产配置组合的波动率及提升资产配置组合的夏普比率。
本申请的第一方面提供一种资产配置方法,所述方法包括:
获取资产数据;
对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池;
通过聚类算法从所述基金池中确定出投资组合资产;
对所述投资组合资产进行大类资产配置模型的资产配置,确定所述投资组合资产的初始投资权重;
在每个预设周期内监测所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值是否超过预设阈值范围;
在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值未超过所述预设阈值范围时,对所述投资组合资产进行大类资产配置模型的资产配置以对所述投资组合资产的投资权重进行更新,并存储所述投资组合资产的历次投资权重;及
在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值超过所述预设阈值范围时,按照前一预设周期的投资组合资产的投资权重调整当前预设周期内的所述投资组合资产的投资权重。
优选地,所述对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池包括:
从所述资产数据中去除无净资产的基金;
从所述资产数据中去除分级基金和货币市场型基金;
及
从所述资产数据中去除每月末的最近季报披露的基金净资产低于预设数值的基金。
优选地,所述通过聚类算法从所述基金池中确定出投资组合资产包括:
利用夏普比率指标对所述基金池中的基金进行筛选;
利用所述基金池中基金间的相关系数计算筛选后的基金间的度量距离,并根据所述度量距离构建基金间的连通网络;及
通过AAP聚类算法对所述连通网络进行聚类,提取每簇的聚类中心形成所述投资组合资产。
优选地,所述大类资产配置模型为风险平价模型。
优选地,所述风险评价模型为:
其中,w=[w1,w2,…wN]′表示投资组合权重,E为利用N个资产收益率所计算的资产的协方差矩阵的特征值所对应的特征向量排列构成的特征向量矩阵;当目标函数等于0时,所述目标函数的数值解即为风险平价模型的投资组合权重。
优选地,所述预设周期为一个月、一个季度或一年。
优选地,所述预设阈值范围为百分之十。
本申请的第二方面提供一种资产配置装置,所述装置包括:
获取模块,用于获取资产数据;
清洗模块,用于对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池;
投资组合确定模块,用于通过聚类算法从所述基金池中确定出投资组合资产;
初始投资权重确定模块,用于对所述投资组合资产进行大类资产配置模型的资产配置并确定所述投资组合资产的初始投资权重;
判断模块,用于在每个预设周期内监测所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值是否超过预设阈值范围;
第一更新模块,用于在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值未超过所述预设阈值范围时,对所述投资组合资产进行大类资产配置模型的资产配置以对所述投资组合资产的投资权重进行更新,并存储所述投资组合资产的历次投资权重;及
第二更新模块,用于在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值超过所述预设阈值范围时,按照前一预设周期的投资组合资产的权重调整所述投资组合资产的投资权重。
本申请的第三方面提供一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述资产配置方法。
本申请的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述资产配置方法。
本案中利用风险平价模型对投资组合资产进行资产配置,从而确定各基金原资产的投资权重,然后利用定期再平衡及触发再平衡两种再平衡方式对投资组合资产的权重进行调整,从而能够降低投资组合资产的组合波动率及提升夏普比率。
附图说明
图1是本发明一实施方式中资产配置方法的流程图。
图2是本发明一实施方式中资产配置装置的结构图。
图3为本发明电子设备较佳实施例的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明的资产配置方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本发明一实施方式中资产配置方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
参阅图1所示,所述产配置方法具体包括以下步骤:
步骤S11,获取资产数据。
本实施方式中,可以从各个业务系统对应的服务器中获取资产数据。其中,所述资产数据包括,但不限于货基指数基金、债基指数基金、股基指数基金。
例如所述多个业务系统可以为第一业务系统、第二业务系统、…、第N业务系统。本实施方式中,一个业务系统可以是同一个金融体系下的金融服务机构的业务系统,例如各家银行或证券公司分别有各自的业务系统,第一业务系统可以是金融服务机构A的业务系统,第二业务系统可以是金融服务机构B的业务系统。每个业务系统包括至少一台服务器,所述至少一台服务器通过网络连接所述金融服务机构的所有客户的终端装置,以及所述金融服务机构的工作人员的终端装置。本实施方式中,所述至少一台服务器连接存储设备。所述存储设备存储了金融服务机构的所有客户的资料,例如客户身份信息、账号信息及资产配置信息等资料。所述至少一台服务器连接的存储设备可以是本地的存储设备,也可以是通过网络连接的存储设备。
步骤S12,对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池。
本实施方式中,对获取到的资产数据从基金类型、基金净资产等方面对数据进行清洗,得到可以用于研究的基金数据。例如,可以将无净资产的基金从所述资产数据中去除。具体的,步骤S12“对获取的资产数据进行清洗,并对清洗后的数据进行初步筛选形成基金池”包括:从所述资产数据中去除无净资产的基金;从所述资产数据中去除分级基金和货币市场型基金;及从所述资产数据中去除每月末的最近季报披露的基金净资产低于预设数值的基金。本实施方式中,所述预设数值为一千万元。
步骤S13,通过聚类算法从所述基金池中确定出投资组合资产。
本实施方式中,利用基金池中各基金之间的收益相关性关系构建基金网络,通过聚类算法从所述基金池中筛选出低相关性的基金作为投资组合的基础资产,通过对基础资产进行线性组合形成互不相关的投资组合资产。
在具体实施方式中,步骤S13“通过聚类算法从所述基金池中确定出投资组合资产”包括:
(S131)利用夏普比率指标对基金池中的基金进行筛选。
本实施方式中,夏普比率是基金绩效评价标准化指标。夏普比率在现代投资理论的研究表明,风险的大小在决定组合的表现上具有基础性的作用。夏普比率是一个可以同时对收益与风险加以综合考虑的指标之一。投资中投资标的的预期报酬越高,投资人所能忍受的波动风险越高;反之,预期报酬越低,波动风险也越低。
(S132)利用基金池中基金间的相关系数计算筛选后的基金间的度量距离,并根据所述度量距离构建基金间的连通网络。
(S133)通过AAP聚类算法对所述连通网络进行聚类,提取每簇的聚类中心形成所述投资组合资产。
本实施方式中,基金池的连通网络的构建主要通过基金间的相关系数转化为度量距离,以度量距离为标准形成基金网络。设pit表示第i(i=1,2,...,m)只基金第t个交易日的前复权净值,其对数收益率可定义为:ri(t)=lnpi(t)-lnpi(t-1)。如此,可得到每只基金的对数收益率序列。根据对数收益率序列可计算任意两只基金i和j在观测时间内净值波动的线性相关系数ρij,即:
其中:E(ri)表示第i只基金在T期内对数收益率的期望值,
可根据任意两只基金间的相关系数构建相应的相关系数矩阵C,其中C为对角线为1的对称矩阵。由于相关系数集合不满足度量空间的条件,为便于进一步研究基金间的内在性质,需要将相关系数ρij转化为对应的度量距离dij,即一般的,随着基金i与j间的相关性越高,ρij越大,相应的dij越小。当dij集合已满足度量空间的基本条件时,相关系数矩阵C可转化为距离矩阵D,D为对角线为0的对称阵。以度量矩阵D表示任意两只基金间的相关性,可以形成基金间的连通网络。
本实施方式中,对基金间的连通网络进行自适应仿射传播AAP聚类,通过不断调整偏向参数值确定一系列包含不同簇的聚类结果,并提取每一组聚类结果的每簇的聚类中心,筛选出相关性低的基金作为所述投资组合资产。
步骤S14,对所述投资组合资产进行大类资产配置模型的资产配置,从而确定所述投资组合资产的初始投资权重。本实施方式中,所述大类资产配置模型可以为风险平价模型。本实施方式中,对投资组合资产进行大类资产配置模型的资产配置是指对投资组合资产进行风险平价模型的资产配置以确定所述投资组合资产的投资权重。
本实施方式中,风险平价模型基于主成分分析法,通过对原资产进行线性组合形成互不相关的投资组合资产,针对不相关的投资组合资产进行风险平价模型的资产配置,最终确定投资组合资产的初始投资权重。例如,在一实施方式中,假设投资组合资产中共有N个资产,资产的收益率为R=[r1,r2,…rN]′,针对投资组合权重w=[w1,w2,…wN]′,投资组合的总收益为:Rw=w′R。然后,利用N个资产的收益率计算资产的协方差矩阵Σ=Cov(R),因协方差阵Σ的对称性,可将Σ分解为N个正交的特征向量:EΛE′=∑,其中:Λ=diag(λ1,λ2,…,λN)为Σ特征值构建的对角阵,且λi满足λ1≥λ2≥…≥λN;E为λi对应特征向量ei列排列构成的特征向量矩阵,且E为正交矩阵,其中E′=E-1且E′E=I。因此,协方差阵可分解为:∑=λ1e1e'1+λ2e2e'2+···+λNeNe'N。特征向量可形成N个正交的投资组合,又被称作主成分因子。主成分因子的收益率可定义为:RPC=E′R,同时,Cov(RPC)=Cov(E′R)=E′Cov(R)E=E′ΣE=E′EΛE′E=Λ。针对单个主成分投资组合有对于任意两个主成分因子和有可以发现,N个主成分因子是不相关的且他们的方差分别与λ1,λ2,…,λN相等。因此,主成分因子的投资权重可由原权重的线性组合构成,即:wPC=E′w。本实施方式中,所述主成分因子的总收益为:Rw=wPC′RPC=(E′w)′(E′R)=w′EE′R=w′R。对主成分因子风险平价模型,由风险贡献RCi的定义可得
所述主成分因子的风险平价模型可转换为:
上述等式可以转化为优化模型求解最优权重,从而可以定义主成分风险平价模型,即:
当目标函数等于0时,有所述数值解即为投资组合资产的投资权重。
步骤S15,在每个预设周期内监测投资组合资产的投资权重相较于投资组合资产的初始投资权重的差值是否超过一预设阈值范围。在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值未超过所述预设阈值范围时执行步骤S16。在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值超过所述预设阈值范围时触发再平衡并执行步骤S17。在一实施方式中,所述预设阈值范围为百分之十。所述预设阈值范围还可根据用户需要设定为其他的值。
步骤S16,对所述投资组合资产进行大类资产配置模型的资产配置以对投资组合资产的投资权重进行定期更新,并存储投资组合资产的历次投资权重。本实施方式中,所述预设周期根据用户需要进行设定,例如设定预设周期为一个月、一个季度或一年。
步骤S17,按照前一预设周期的投资组合资产的权重调整所述投资组合资产的投资权重。
本实施方式中,利用风险平价模型对投资组合资产进行资产配置,从而确定各基金原资产的投资权重,然后利用定期再平衡及触发再平衡两种再平衡方式对投资组合资产的权重进行调整,从而能够降低投资组合资产的组合波动率及提升夏普比率。
实施例2
图2为本发明一实施方式中资产配置装置10的结构图。
在一些实施例中,所述资产配置装置10运行于电子设备中。所述资产配置装置10可以包括多个由程序代码段所组成的功能模块。所述资产配置装置10中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行资产配置的功能。
本实施例中,所述电子设备的资产配置装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图2所示,所述资产配置装置10可以包括获取模块201、清洗模块202、投资组合确定模块203、初始投资权重确定模块204、判断模块205、第一更新模块206及第二更新模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在一些实施例中,关于各模块的功能将在后续的实施例中详述。
所述获取模块201获取资产数据。
本实施方式中,所述获取模块201可以从各个业务系统对应的服务器中获取资产数据。其中,所述资产数据包括,但不限于货基指数基金、债基指数基金、股基指数基金。
例如所述多个业务系统可以为第一业务系统、第二业务系统、…、第N业务系统。本实施方式中,一个业务系统可以是同一个金融体系下的金融服务机构的业务系统,例如各家银行或证券公司分别有各自的业务系统,第一业务系统可以是金融服务机构A的业务系统,第二业务系统可以是金融服务机构B的业务系统。每个业务系统包括至少一台服务器,所述至少一台服务器通过网络连接所述金融服务机构的所有客户的终端装置,以及所述金融服务机构的工作人员的终端装置。本实施方式中,所述至少一台服务器连接存储设备。所述存储设备存储了金融服务机构的所有客户的资料,例如客户身份信息、账号信息及资产配置信息等资料。所述至少一台服务器连接的存储设备可以是本地的存储设备,也可以是通过网络连接的存储设备。
所述清洗模块202对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池。
本实施方式中,所述清洗模块202对获取到的资产数据从基金类型、基金净资产等方面对数据进行清洗,得到可以用于研究的基金数据。例如,可以将无净资产的基金从所述资产数据中去除。具体的,所述清洗模块202对获取的资产数据进行清洗包括:从所述资产数据中去除无净资产的基金;从所述资产数据中去除分级基金和货币市场型基金;及从所述资产数据中去除每月末的最近季报披露的基金净资产低于1千万元的基金。
所述投资组合确定模块203通过聚类算法从所述基金池中确定出投资组合资产。
本实施方式中,所述投资组合确定模块203利用基金池中各基金之间的收益相关性关系构建基金网络,通过聚类算法从所述基金池中筛选出低相关性的基金作为投资组合的基础资产,通过对基础资产进行线性组合形成互不相关的投资组合资产。
在具体实施方式中,所述投资组合确定模块203利用夏普比率指标对基金池中的基金进行筛选,利用基金池中基金间的相关系数计算筛选后的基金间的度量距离,并根据所述度量距离构建基金间的连通网络,及通过AAP聚类算法对所述连通网络进行聚类,提取每簇的聚类中心形成所述投资组合资产。
本实施方式中,夏普比率是基金绩效评价标准化指标。夏普比率在现代投资理论的研究表明,风险的大小在决定组合的表现上具有基础性的作用。夏普比率是一个可以同时对收益与风险加以综合考虑的指标之一。投资中投资标的的预期报酬越高,投资人所能忍受的波动风险越高;反之,预期报酬越低,波动风险也越低。
本实施方式中,基金池的连通网络的构建主要通过基金间的相关系数转化为度量距离,以度量距离为标准形成基金网络。设pit表示第i(i=1,2,...,m)只基金第t个交易日的前复权净值,其对数收益率可定义为:ri(t)=lnpi(t)-lnpi(t-1)。如此,可得到每只基金的对数收益率序列。根据对数收益率序列可计算任意两只基金i和j在观测时间内净值波动的线性相关系数ρij,即:
其中:E(ri)表示第i只基金在T期内对数收益率的期望值,
所述投资组合确定模块203可根据任意两只基金间的相关系数构建相应的相关系数矩阵C,其中C为对角线为1的对称矩阵。由于相关系数集合不满足度量空间的条件,为便于进一步研究基金间的内在性质,需要将相关系数ρij转化为对应的度量距离dij,即一般的,随着基金i与j间的相关性越高,ρij越大,相应的dij越小。当dij集合已满足度量空间的基本条件时,相关系数矩阵C可转化为距离矩阵D,D为对角线为0的对称阵。以度量矩阵D表示任意两只基金间的相关性,可以形成基金间的连通网络。
本实施方式中,所述投资组合确定模块203对基金间的连通网络进行自适应仿射传播AAP聚类,通过不断调整偏向参数值确定一系列包含不同簇的聚类结果,并提取每一组聚类结果的每簇的聚类中心,筛选出相关性低的基金作为所述投资组合资产。
所述初始投资权重确定模块204对所述投资组合资产进行大类资产配置模型的资产配置,从而确定所述投资组合资产的初始投资权重。
本实施方式中,所述大类资产配置模型可以为风险平价模型。本实施方式中,对投资组合资产进行大类资产配置模型的资产配置是指对投资组合资产进行风险平价模型的资产配置以确定所述投资组合资产的投资权重。
本实施方式中,风险平价模型基于主成分分析法,通过对原资产进行线性组合形成互不相关的投资组合资产,针对不相关的投资组合资产进行风险平价模型的资产配置,最终确定投资组合资产的初始投资权重。例如,在一实施方式中,假设投资组合资产中共有N个资产,资产的收益率为R=[r1,r2,…rN]′,针对投资组合权重w=[w1,w2,…wN]′,投资组合的总收益为:Rw=w′R。然后,利用N个资产的收益率计算资产的协方差矩阵Σ=Cov(R),因协方差阵Σ的对称性,可将Σ分解为N个正交的特征向量:EΛE′=∑,其中:Λ=diag(λ1,λ2,…,λN)为Σ特征值构建的对角阵,且λi满足λ1≥λ2≥…≥λN;E为λi对应特征向量ei列排列构成的特征向量矩阵,且E为正交矩阵,其中E′=E-1且E′E=I。因此,协方差阵可分解为:∑=λ1e1e'1+λ2e2e'2+···+λNeNe'N。特征向量可形成N个正交的投资组合,又被称作主成分因子。主成分因子的收益率可定义为:RPC=E′R,同时,Cov(RPC)=Cov(E′R)=E′Cov(R)E=E′ΣE=E′EΛE′E=Λ。针对单个主成分投资组合有对于任意两个主成分因子和有可以发现,N个主成分因子是不相关的且他们的方差分别与λ1,λ2,…,λN相等。因此,主成分因子的投资权重可由原权重的线性组合构成,即:wPC=E′w。本实施方式中,所述主成分因子的总收益为:Rw=wPC′RPC=(E′w)′(E′R)=w′EE′R=w′R。对主成分因子风险平价模型,由风险贡献RCi的定义可得
所述主成分因子的风险平价模型可转换为:
上述等式可以转化为优化模型求解最优权重,从而可以定义主成分风险平价模型,即:
当目标函数等于0时,有所述数值解即为投资组合资产的投资权重。
所述判断模块205在每个预设周期内监测投资组合资产的投资权重相较于投资组合资产的初始投资权重的差值是否超过预设阈值范围。在一实施方式中,所述预设阈值范围为百分之十。
所述第一更新模块206在确定在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值未超过所述阈值范围时对所述投资组合资产进行大类资产配置模型的资产配置以对投资组合资产的投资权重进行定期更新,并存储投资组合资产的历次投资权重。本实施方式中,所述预设周期为一个月、一个季度或一年。
所述第二更新模块207在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值超过所述预设阈值范围时按照前一预设周期的投资组合资产的权重调整所述投资组合资产的投资权重。
本实施方式中,利用风险平价模型对投资组合资产进行资产配置,从而确定各基金原资产的投资权重,然后利用定期再平衡及触发再平衡两种再平衡方式对投资组合资产的权重进行调整,从而能够降低组合波动率及提升夏普比率。
实施例三
图3为本发明电子设备4较佳实施例的示意图。
所述电子设备4包括存储器41、处理器42以及存储在所述存储器41中并可在所述处理器42上运行的计算机程序43。所述处理器42执行所述计算机程序43时实现上述资产配置方法实施例中的步骤,例如图1所示的步骤S11~S17。或者,所述处理器42执行所述计算机程序43时实现上述资产配置装置实施例中各模块/模块的功能,例如图2中的模块201~207。
示例性的,所述计算机程序43可以被分割成一个或多个模块/模块,所述一个或者多个模块/模块被存储在所述存储器41中,并由所述处理器43执行,以完成本发明。所述一个或多个模块/模块可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序43在所述计算机装置1中的执行过程。例如,所述计算机程序43可以被分割成图2中的获取模块201、清洗模块202、投资组合确定模块203、初始投资权重确定模块204、判断模块205、第一更新模块206及第二更新模块207,各模块具体功能参见实施例二。
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器42可以是中央处理模块(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器42也可以是任何常规的处理器等,所述处理器42是所述电子设备4的控制中心,利用各种接口和线路连接整个电子设备4的各个部分。
所述存储器41可用于存储所述计算机程序43和/或模块/模块,所述处理器42通过运行或执行存储在所述存储器41内的计算机程序和/或模块/模块,以及调用存储在存储器41内的数据,实现所述计电子设备4的各种功能。所述存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备4的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备4集成的模块/模块如果以软件功能模块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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应所述理解到,所揭露的电子设备和方法,可以通过其它的方式实现。例如,以上所描述的电子设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能模块可以集成在相同处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种资产配置方法,其特征在于,所述方法包括:
获取资产数据;
对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池;
通过聚类算法从所述基金池中确定出投资组合资产;
对所述投资组合资产进行大类资产配置模型的资产配置,确定所述投资组合资产的初始投资权重;
在每个预设周期内监测所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值是否超过预设阈值范围;
在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值未超过所述预设阈值范围时,对所述投资组合资产进行大类资产配置模型的资产配置以对所述投资组合资产的投资权重进行更新,并存储所述投资组合资产的历次投资权重;及
在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值超过所述预设阈值范围时,按照前一预设周期的投资组合资产的投资权重调整当前预设周期内的所述投资组合资产的投资权重。
2.如权利要求1所述的资产配置方法,其特征在于,所述对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池包括:
从所述资产数据中去除无净资产的基金;
从所述资产数据中去除分级基金和货币市场型基金;及
从所述资产数据中去除每月末的最近季报披露的基金净资产低于预设数值的基金。
3.如权利要求1所述的资产配置方法,其特征在于,所述通过聚类算法从所述基金池中确定出投资组合资产包括:
利用夏普比率指标对所述基金池中的基金进行筛选;
利用所述基金池中基金间的相关系数计算筛选后的基金间的度量距离,并根据所述度量距离构建基金间的连通网络;及
通过AAP聚类算法对所述连通网络进行聚类,提取每簇的聚类中心形成所述投资组合资产。
4.如权利要求1所述的资产配置方法,其特征在于,所述大类资产配置模型为风险平价模型。
5.如权利要求4所述的资产配置方法,其特征在于,所述风险评价模型为:
其中,w=[w1,w2,…wN]′表示投资组合权重,E为利用N个资产收益率所计算的资产的协方差矩阵的特征值所对应的特征向量排列构成的特征向量矩阵;当目标函数等于0时,所述目标函数的数值解即为风险平价模型的投资组合权重。
6.如权利要求1所述的资产配置方法,其特征在于,所述预设周期为一个月、一个季度或一年。
7.如权利要求1所述的资产配置方法,其特征在于,所述预设阈值范围为百分之十。
8.一种资产配置装置,其特征在于,所述装置包括:
获取模块,用于获取资产数据;
清洗模块,用于对获取的资产数据进行清洗,并对清洗后的资产数据进行初步筛选形成基金池;
投资组合确定模块,用于通过聚类算法从所述基金池中确定出投资组合资产;
初始投资权重确定模块,用于对所述投资组合资产进行大类资产配置模型的资产配置并确定所述投资组合资产的初始投资权重;
判断模块,用于在每个预设周期内监测所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值是否超过预设阈值范围;
第一更新模块,用于在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值未超过所述预设阈值范围时,对所述投资组合资产进行大类资产配置模型的资产配置以对所述投资组合资产的投资权重进行更新,并存储所述投资组合资产的历次投资权重;及
第二更新模块,用于在确定当前预设周期内所述投资组合资产的投资权重相较于所述投资组合资产的初始投资权重的差值超过所述预设阈值范围时,按照前一预设周期的投资组合资产的权重调整所述投资组合资产的投资权重。
9.一种电子设备,其特征在于:所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述资产配置方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述资产配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535754.1A CN109636620A (zh) | 2018-12-14 | 2018-12-14 | 资产配置方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535754.1A CN109636620A (zh) | 2018-12-14 | 2018-12-14 | 资产配置方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636620A true CN109636620A (zh) | 2019-04-16 |
Family
ID=66074298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811535754.1A Pending CN109636620A (zh) | 2018-12-14 | 2018-12-14 | 资产配置方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636620A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184414A (zh) * | 2020-09-24 | 2021-01-05 | 中国建设银行股份有限公司 | 一种资产评估方法、装置、电子设备及可读存储介质 |
CN112465647A (zh) * | 2019-09-06 | 2021-03-09 | 北京财蕴天下信息技术有限责任公司 | 一种智能投资管理系统 |
CN113269414A (zh) * | 2021-05-10 | 2021-08-17 | 北京同邦卓益科技有限公司 | 数据处理的方法、装置、设备、存储介质及程序产品 |
WO2022267171A1 (zh) * | 2021-06-23 | 2022-12-29 | 未鲲(上海)科技服务有限公司 | 产品数据调整的匹配方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174313B1 (en) * | 1999-03-04 | 2007-02-06 | Merrill, Lynch, Pierce, Fenner & Smith | Portfolio rebalancing system |
US20090012911A1 (en) * | 2007-01-26 | 2009-01-08 | Antoine Segaud | Systems and Methods for Providing a Sector Momentum Index |
CN108009925A (zh) * | 2017-11-27 | 2018-05-08 | 苏州点对点信息科技有限公司 | 一种基于网络聚类的基金资产配置系统及方法 |
-
2018
- 2018-12-14 CN CN201811535754.1A patent/CN109636620A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174313B1 (en) * | 1999-03-04 | 2007-02-06 | Merrill, Lynch, Pierce, Fenner & Smith | Portfolio rebalancing system |
US20090012911A1 (en) * | 2007-01-26 | 2009-01-08 | Antoine Segaud | Systems and Methods for Providing a Sector Momentum Index |
CN108009925A (zh) * | 2017-11-27 | 2018-05-08 | 苏州点对点信息科技有限公司 | 一种基于网络聚类的基金资产配置系统及方法 |
Non-Patent Citations (1)
Title |
---|
李一等: "再平衡策略及对社保基金投资的建议", 金融与经济, no. 2, 25 February 2010 (2010-02-25), pages 67 - 69 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465647A (zh) * | 2019-09-06 | 2021-03-09 | 北京财蕴天下信息技术有限责任公司 | 一种智能投资管理系统 |
CN112184414A (zh) * | 2020-09-24 | 2021-01-05 | 中国建设银行股份有限公司 | 一种资产评估方法、装置、电子设备及可读存储介质 |
CN113269414A (zh) * | 2021-05-10 | 2021-08-17 | 北京同邦卓益科技有限公司 | 数据处理的方法、装置、设备、存储介质及程序产品 |
WO2022267171A1 (zh) * | 2021-06-23 | 2022-12-29 | 未鲲(上海)科技服务有限公司 | 产品数据调整的匹配方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636620A (zh) | 资产配置方法、装置、电子设备及计算机可读存储介质 | |
Karamessini | Introduction—Women's Vulnerability to Recession and Austerity: A different crisis, a different context | |
Rao et al. | Modeling movements in oil, gold, forex and market indices using search volume index and twitter sentiments | |
Chu et al. | High frequency momentum trading with cryptocurrencies | |
CN108665366A (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
de la Vega et al. | A new measure of regional competitiveness | |
CN102236870A (zh) | 一种用于获得稳定回报的数量化多因子投资组合控制方法 | |
Kyle et al. | Microstructure invariance in US stock market trades | |
Neves et al. | Are ETFs good vehicles for diversification? New evidence for critical investment periods | |
Ulucan et al. | A multiple criteria sorting methodology with multiple classifi cation criteria and an application to country risk evaluation | |
Chunikhin et al. | Studying the banking industry’s stability through market concentration indices | |
CN113487410A (zh) | 一种授信管理方法、装置、电子设备及计算机可读介质 | |
CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
CN110457469A (zh) | 基于长短期记忆网络的信息分类方法、装置、计算机设备 | |
CN112270431A (zh) | 大类资产配置方法、装置、计算机设备及存储介质 | |
Bataev | Financial technology: Efficiency evaluation of challenger banks | |
Bedoui et al. | Portfolio optimization through hybrid deep learning and genetic algorithms vine Copula-GARCH-EVT-CVaR model | |
Champita | Causality between government revenue and expenditure: empirical evidence from Zambia | |
CN108596493A (zh) | 拆单式交易方法及装置 | |
Habbab et al. | Improving REITs Time Series Prediction Using ML and Technical Analysis Indicators | |
Nadarajah et al. | Dependence between bitcoin and African currencies | |
Tabak et al. | Topological properties of bank networks: the case of Brazil | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109461081A (zh) | 债权投资方法及装置、存储介质、电子装置 | |
Aslam et al. | Portfolio Construction with K-Means Clustering Algorithm Based on Three Factors |
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 |