CN109934381A - 基金实时估值方法、装置、计算机设备及存储介质 - Google Patents
基金实时估值方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109934381A CN109934381A CN201910069650.4A CN201910069650A CN109934381A CN 109934381 A CN109934381 A CN 109934381A CN 201910069650 A CN201910069650 A CN 201910069650A CN 109934381 A CN109934381 A CN 109934381A
- Authority
- CN
- China
- Prior art keywords
- fund
- valuated
- security element
- weight
- parameter
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基金实时估值方法、装置、计算机设备及存储介质。其中基金实时估值方法包括:获取待估值基金在预设时间段内的历史实际收益参数;利用预设的训练模型对历史实际收益参数进行训练,得到每个证券要素对应的收益权重;获取多个证券要素在当前交易日的收益参数;根据多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到当前交易日待估值基金的收益参数。本发明采用数据分析的方式,利用训练模型对历史参数进行样本处理,训练得到收益权重,用其来对当前的收益参数进行估计,相比现有技术中的线性回归的方式而言,估值的准确性大大提升,进而使得基金变化曲线波动幅度相对于实际变化曲线明显降低。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基金实时估值方法、装置、计算机设备及存储介质。
背景技术
在金融行业,基金的收益受到其所投入的股票或者债券的涨跌影响。目前类似于天天基金网和蚂蚁金服等基金代销平台,以及巨灵等数据服务商都有对基金进行实时估值的功能。这类基金估值的方式通常是以线性回归为基础,这种基金估值方式准确率不高,并且估值日波动幅度大。
发明内容
本发明的目的是提供一种基金实时估值方法、装置、计算机设备及存储介质,用于解决现有技术存在的问题。
为实现上述目的,本发明提供一种基金实时估值方法,包括以下步骤:获取待估值基金在预设时间段内的历史实际收益参数,所述实际收益参数包括:所述待估值基金对应的多个证券要素的实际收益参数;利用预设的训练模型对所述历史实际收益参数进行训练,得到每个证券要素对应的收益权重,所述收益权重为对应的证券要素在所述待估值基金进行估值计算时对应的权重系数;获取所述多个证券要素在当前交易日的收益参数;根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数。
可选地,根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数包括:由每个证券要素在当前交易日的收益参数乘以对应的收益权重,计算得到每个证券要素的贡献参数;计算所述待估值基金的所有证券要素在当前交易日的贡献参数的和,得到所述当前交易日所述待估值基金的收益参数。
可选地,所述收益参数为收益率,根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数包括:利用每个证券要素对应的收益权重对所述多个证券要素的收益率进行加权求和,得到所述当前交易日所述待估值基金的收益率。
可选地,还包括:获取所述待估值基金上一个交易日的收益净值S0;
通过以下公式计算得到所述待估值基金在所述当前交易日的收益净值S(t):
S(t)=S0(1+R(t))
其中,R(t)为所述待估值基金在所述当前交易日的收益率。
可选地,所述证券要素包括股票指数和/或债券指数。
可选地,利用预设的训练模型对所述多个证券要素的实际收益参数进行训练包括:
采用二次规划模型对多只股票指数的收益参数和多个债券指数的收益参数进行训练。
可选地,所述二次规划模型如下:
其中,nstock表示股票指数的数量,nindex表示债券指数的数量,nday表示历史交易日的数量,rij表示第i个交易日第j只股票指数的收益率,rik表示第i个交易日第k个债券指数的收益率,εi为第i天对所述待估值基金收益率预测的误差,wi为误差计算权重,βj为所述待估值基金在第j只股票指数上的收益权重,βk为所述待估值基金在第k个债券指数上的收益权重,wmin (stock)表示所述待估值基金在股票指数上配置的权重下限,wmax (stock)表示所述待估值基金在股票指数上配置的权重上限,wmin (index)表示所述待估值基金在证券实数上配置的权重下限,wmax (index)表示所述待估值基金在证券实数上配置的权重上限。
可选地,所述误差计算权重wi的值取历史交易日数量的倒数。
为实现上述目的,本发明还提供一种基金实时估值装置,其包括:第一获取模块,用于获取待估值基金在预设时间段内的历史实际收益参数,所述实际收益参数包括:所述待估值基金对应的多个证券要素的实际收益参数;训练模块,用于利用预设的训练模型对所述历史实际收益参数进行训练,得到每个证券要素对应的收益权重,所述收益权重为对应的证券要素在所述待估值基金进行估值计算时对应的权重系数;第二获取模块,用于获取所述多个证券要素在当前交易日的收益参数;计算模块,用于根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数。
可选地,所述计算模块包括:第一计算子模块,用于由每个证券要素在当前交易日的收益参数乘以对应的收益权重,计算得到每个证券要素的贡献参数;第二计算子模块,用于计算所述待估值基金的所有证券要素在当前交易日的贡献参数的和,得到所述当前交易日所述待估值基金的收益参数。
可选地,所述收益参数为收益率,所述计算模块具体用于:利用每个证券要素对应的收益权重对所述多个证券要素的收益率进行加权求和,得到所述当前交易日所述待估值基金的收益率。
可选地,装置还包括:第三获取模块,用于获取所述待估值基金上一个交易日的收益净值S0;
净值计算模块,用于通过以下公式计算得到所述待估值基金在所述当前交易日的收益净值S(t):
S(t)=S0(1+R(t))
其中,R(t)为所述待估值基金在所述当前交易日的收益率。
可选地,所述证券要素包括股票指数和/或债券指数。
可选地,所述训练模块具体用于采用二次规划模型对多只股票指数的收益参数和多个债券指数的收益参数进行训练。
可选地,所述二次规划模型如下:
其中,nstock表示股票指数的数量,nindex表示债券指数的数量,nday表示历史交易日的数量,rij表示第i个交易日第j只股票指数的收益率,rik表示第i个交易日第k个债券指数的收益率,εi为第i天对所述待估值基金收益率预测的误差,wi为误差计算权重,βj为所述待估值基金在第j只股票指数上的收益权重,βk为所述待估值基金在第k个债券指数上的收益权重,wmin (stock)表示所述待估值基金在股票指数上配置的权重下限,wmax (stock)表示所述待估值基金在股票指数上配置的权重上限,wmin (index)表示所述待估值基金在证券实数上配置的权重下限,wmax (index)表示所述待估值基金在证券实数上配置的权重上限。
可选地,所述误差计算权重wi的值取历史交易日数量的倒数。
为实现上述目的,本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
为实现上述目的,本发明还提供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上述方法的步骤。
根据本发明实施例,通过利用训练模型对历史参数进行训练,得出收益权重,利用该收益权重来对待估值基金当前的收益参数进行估计,相比现有技术中的线性回归的方式而言,估值的准确性大大提升,进而使得基金变化曲线波动幅度相对于实际变化曲线明显降低。
附图说明
图1为本发明基金实时估值方法实施例的流程图;
图2为本发明基金实时估值装置实施例的程序模块示意图;
图3为本发明基金实时估值装置实施例的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
本发明提供的基金实时估值方法、装置、计算机设备及存储介质,适用于金融业务领域,为利用待估值基金的日收益率的历史时间序列和其所属类型的股票指数和债券指数做优化。优化目标使误差的时间序列的某种加权均值最小,在上述误差最小时得到该基金配置在不同股票,债券指数和股票指数上的权重,以此权重根据当天的股票,债券指数以及股票指数的实时行情计算基金的实时估值。相比于线性回归而言,除了不需要考虑多重共线性的问题,还具有准确率高且不扩大真实日波动的优点。
请参阅图1,本实施例的一种基1金实时估值方法中,包括以下步骤:
步骤S101,获取待估值基金在预设时间段内的历史实际收益参数,所述实际收益参数包括:所述待估值基金对应的多个证券要素的实际收益参数。当然,实际收益参数还可以包括该待估值基金在该预设时间段内的每个交易日的收益净值。
每个证券要素均可以影响待估值基金的收益。本实施例中证券要素可以包括股票指数和债券指数,具体为该待估值基金所投入的股票和债券。预设时间段可以是指当前时间之前一段时间,例如,前10天。具体时间可以根据需要来设置。实际收益参数可以是指股票指数和债券指数的收益率。
具体地,获取待估值基金在预设时间段内的历史实际收益参数可以包括:获取nstock个股票指数和nindex个债券指数在nday个历史交易日中每一天nstock个股票指数对应的收益率rij和nindex个债券指数对应的收益率rik。
进一步地,多个证券要素可以包括该待估值基金的所有持仓股票,也可以是包含其部分持仓股票,例如上一季度的排名前10的持仓股票。由于排名靠后的持仓股票对结果影响较小并且全部获取之后,估值计算过程相对更加复杂,为了在保证准确性的基础上,降低计算量,本实施例中可以仅选取部分持仓股票,对于持仓数较少的股票则无需选取。
步骤S102,利用预设的训练模型对所述历史实际收益参数进行训练,得到每个证券要素对应的收益权重,所述收益权重为对应的证券要素在所述待估值基金进行估值计算时对应的权重系数。
可选地,本发明实施例中对于每个证券要素对应的收益权重可以采用二次规划模型进行训练。具体地,利用预设的训练模型对所述多个证券要素的实际收益参数进行训练包括:采用二次规划模型对多只股票指数的收益参数和多个债券指数的收益参数进行训练。
步骤S103,获取所述多个证券要素在当前交易日的收益参数。
对于nstock个股票指数和nindex个债券指数,分别获取其当前时间的收益参数,例如收益率,由于该收益参数为证券市场上可实时获取到的数据,获取到这些数据之后用于计算当前时间待估值基金的收益参数。
步骤S104,根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数。收益参数可以包括收益率和收益净值。
可选地,根据多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到当前交易日待估值基金的收益参数包括:由每个证券要素在当前交易日的收益参数乘以对应的收益权重,计算得到每个证券要素的贡献参数;计算待估值基金的所有证券要素在当前交易日的贡献参数的和,得到当前交易日待估值基金的收益参数。由于每个证券要素对待估值基金的贡献程度不一样,每个证券要素在当前交易日的收益参数也不一样,通过训练得到每个证券要素的收益权重来反应贡献程度,获取每个证券要素的当前交易日的收益参数,加权求和得到该待估值基金的收益参数。
具体地,对于收益率,本实施例中根据多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到当前交易日待估值基金的收益参数包括:利用每个证券要素对应的收益权重对多个证券要素的收益率进行加权求和,得到当前交易日待估值基金的收益率。也即是,每个证券要素的收益率乘以对应的收益权重的乘积相加,得到当前交易日待估值基金的收益率。
根据本发明实施例,通过利用训练模型对历史参数进行训练,得出收益权重,利用该收益权重来对待估值基金当前的收益参数进行估计,相比现有技术中的线性回归的方式而言,估值的准确性大大提升,进而使得基金变化曲线波动幅度相对于实际变化曲线明显降低。
作为一种可选实施方式,本发明实施例可以采用如下二次规划模型来训练得到各证券按要素的收益权重:
其中,nstock表示股票指数的数量,nindex表示债券指数的数量,nday表示历史交易日的数量,rij表示第i个交易日第j只股票指数的收益率,rik表示第i个交易日第k个债券指数的收益率,εi为第i天对所述待估值基金收益率预测的误差,wi为误差计算权重,βj为所述待估值基金在第j只股票指数上的收益权重,βk为所述待估值基金在第k个债券指数上的收益权重。wmin (stock)表示所述待估值基金在股票指数上配置的权重下限,wmax (stock)表示所述待估值基金在股票指数上配置的权重上限,wmin (index)表示所述待估值基金在证券实数上配置的权重下限,wmax (index)表示所述待估值基金在证券实数上配置的权重上限。公式中的“s.t.”表示后面所列举的公式为训练的约束条件。在训练各证券按要素的收益权重的过程中,通过利用历史参数中已知的Ri、rij、rik、wmin (stock)、wmax (stock)、wmin (index)、wmax (index)等参数,训练得到符合要求的βj和βk,用于计算当前交易日的收益参数。
通过采用上述二次规划模型来训练得到收益权重βj和βk,用来参与当前交易日的收益估值。可选地,为了提高收益权重计算的速度,本发明实施例中所述误差计算权重wi的值可以简单地取历史交易日数量的倒数,也即是无需进行额外的误差计算权重的设置和计算过程。
本发明实施例所列举的上述二次规划模型仅仅是本发明的一种可选实施例。对于本发明而言,由于不同的基金,具有不同的证券要素,例如,仅包含股票指数,或者仅包含债券指数;也可以包含或者仅包含其他类型的要素。上述情况均可以采用上述二次规划模型进行类比设置出相似的二次规划模型进行训练,本发明不做限定,均属于本发明的保护范围。
进一步地,对于采用上述二次规划模型训练得到的收益权重βj和βk,可以采用以下公式计算得到当前交易日的待估值基金的收益率R(t):
其中,t表示当前交易日。
进一步地,本发明实施例还可以计算出当前交易日的收益净值。所述基金实时估值方法还包括:
获取所述待估值基金上一个交易日的收益净值S0;
通过以下公式计算得到所述待估值基金在所述当前交易日的收益净值S(t):
S(t)=S0(1+R(t))
其中,R(t)为所述待估值基金在所述当前交易日的收益率。
需要说明的是,上述计算得到的收益率R(t)和实时净值S(t)均是估计值,通过利用训练模型对历史参数进行训练,得出收益权重,利用该收益权重来对待估值基金当前的收益参数进行估计,相比现有技术中的线性回归的方式而言,估值的准确性大大提升,进而使得基金变化曲线波动幅度相对于实际变化曲线明显降低。
由于基金数据的公布相对滞后,目前各基金公司对于旗下基金的净值数据仅在每个交易日收盘后进行一次披露,这使得用户获取实际数据的时间相对滞后,通过采用本发明实施例的基金实时估值方法,能够准确地预测出当前时间的基金日内净值的变化和波动情况,便于获取到更多的基金实时信息,并进行下一步的投资操作。
经过试验和比对,也证实本方案所能够得到的效果。表1是2018年4月24日全市场预测净值与实际公布净值在采用现有技术的线性回归估值和采用本发明的二次优化的试验对比结果:
表1
从该表可以看出,本发明中在进行估值时,误差百分比的绝对值小于0.1%的时候,能够达到36.05%,而线性回归版本则只有13.01%,而误差百分比的绝对值小于1%的情况下,本发明能够达到97.63%,而现有技术只能够达到53.37%。由此可见,本方案的效果十分明显。
请继续参阅图2,示出了一种基金实时估值装置,在本实施例中,基金实时估值装置10可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述基金实时估值方法。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述基金实时估值装置10在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
第一获取模块11,用于获取待估值基金在预设时间段内的历史实际收益参数,所述实际收益参数包括:所述待估值基金对应的多个证券要素的实际收益参数;
训练模块12,用于利用预设的训练模型对所述历史实际收益参数进行训练,得到每个证券要素对应的收益权重,所述收益权重为对应的证券要素在所述待估值基金进行估值计算时对应的权重系数;
第二获取模块13,用于获取所述多个证券要素在当前交易日的收益参数;
计算模块14,用于根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数。
根据本发明实施例,通过利用训练模型对历史参数进行训练,得出收益权重,利用该收益权重来对待估值基金当前的收益参数进行估计,相比现有技术中的线性回归的方式而言,估值的准确性大大提升,进而使得基金变化曲线波动幅度相对于实际变化曲线明显降低。
可选地,所述计算模块包括:第一计算子模块,用于由每个证券要素在当前交易日的收益参数乘以对应的收益权重,计算得到每个证券要素的贡献参数;第二计算子模块,用于计算所述待估值基金的所有证券要素在当前交易日的贡献参数的和,得到所述当前交易日所述待估值基金的收益参数。
可选地,所述收益参数为收益率,所述计算模块具体用于:利用每个证券要素对应的收益权重对所述多个证券要素的收益率进行加权求和,得到所述当前交易日所述待估值基金的收益率。
可选地,装置还包括:第三获取模块,用于获取所述待估值基金上一个交易日的收益净值S0;
净值计算模块,用于通过以下公式计算得到所述待估值基金在所述当前交易日的收益净值S(t):
S(t)=S0(1+R(t))
其中,R(t)为所述待估值基金在所述当前交易日的收益率。
可选地,所述证券要素包括股票指数和/或债券指数。
可选地,所述训练模块具体用于采用二次规划模型对多只股票指数的收益参数和多个债券指数的收益参数进行训练。
该装置中各模块的描述,具体参见上述方法实施例的描述,这里不再赘述。
本实施例还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于:可通过系统总线相互通信连接的存储器21、处理器22,如图3所示。需要指出的是,图3仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21包括可读存储介质,具体包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备20的内部存储单元,例如该计算机设备20的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件,例如实施例一的基金实时估值装置10的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行基金实时估值装置10,以实现实施例一的基金实时估值方法。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基金实时估值装置10,被处理器执行时实现实施例一的基金实时估值方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基金实时估值方法,其特征在于,包括以下步骤:
获取待估值基金在预设时间段内的历史实际收益参数,所述实际收益参数包括:所述待估值基金对应的多个证券要素的实际收益参数;
利用预设的训练模型对所述历史实际收益参数进行训练,得到每个证券要素对应的收益权重,所述收益权重为对应的证券要素在所述待估值基金进行估值计算时对应的权重系数;
获取所述多个证券要素在当前交易日的收益参数;
根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数。
2.根据权利要求1所述的方法,其特征在于,根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数包括:
由每个证券要素在当前交易日的收益参数乘以对应的收益权重,计算得到每个证券要素的贡献参数;
计算所述待估值基金的所有证券要素在当前交易日的贡献参数的和,得到所述当前交易日所述待估值基金的收益参数。
3.根据权利要求1所述的方法,其特征在于,所述收益参数为收益率;
根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数包括:
利用每个证券要素对应的收益权重对所述多个证券要素的收益率进行加权求和,得到所述当前交易日所述待估值基金的收益率。
4.根据权利要求3所述的方法,其特征在于,还包括:
获取所述待估值基金上一个交易日的收益净值S0;
通过以下公式计算得到所述待估值基金在所述当前交易日的收益净值S(t):
S(t)=S0(1+R(t))
其中,R(t)为所述待估值基金在所述当前交易日的收益率。
5.根据权利要求1所述的方法,其特征在于,所述证券要素包括股票指数和/或债券指数。
6.根据权利要求4所述的方法,其特征在于,利用预设的训练模型对所述多个证券要素的实际收益参数进行训练包括:
采用二次规划模型对多只股票指数的收益参数和多个债券指数的收益参数进行训练,所述二次规划模型如下:
其中,nstock表示股票指数的数量,nindex表示债券指数的数量,nday表示历史交易日的数量,rij表示第i个交易日第j只股票指数的收益率,rik表示第i个交易日第k个债券指数的收益率,εi为第i天对所述待估值基金收益率预测的误差,wi为误差计算权重,βj为所述待估值基金在第j只股票指数上的收益权重,βk为所述待估值基金在第k个债券指数上的收益权重,wmin (stock)表示所述待估值基金在股票指数上配置的权重下限,wmax (stock)表示所述待估值基金在股票指数上配置的权重上限,wmin (index)表示所述待估值基金在证券实数上配置的权重下限,wmax (index)表示所述待估值基金在证券实数上配置的权重上限。
7.根据权利要求6所述的方法,其特征在于,所述误差计算权重wi的值取历史交易日数量的倒数。
8.一种基金实时估值装置,其特征在于,包括以下步骤:
第一获取模块,用于获取待估值基金在预设时间段内的历史实际收益参数,所述实际收益参数包括:所述待估值基金对应的多个证券要素的实际收益参数;
训练模块,用于利用预设的训练模型对所述历史实际收益参数进行训练,得到每个证券要素对应的收益权重,所述收益权重为对应的证券要素在所述待估值基金进行估值计算时对应的权重系数;
第二获取模块,用于获取所述多个证券要素在当前交易日的收益参数;
计算模块,用于根据所述多个证券要素在当前交易日的收益参数和每个证券要素对应的收益权重计算得到所述当前交易日所述待估值基金的收益参数。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。
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权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069650.4A CN109934381A (zh) | 2019-01-24 | 2019-01-24 | 基金实时估值方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069650.4A CN109934381A (zh) | 2019-01-24 | 2019-01-24 | 基金实时估值方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934381A true CN109934381A (zh) | 2019-06-25 |
Family
ID=66985250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069650.4A Pending CN109934381A (zh) | 2019-01-24 | 2019-01-24 | 基金实时估值方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934381A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395329A (zh) * | 2020-11-17 | 2021-02-23 | 平安普惠企业管理有限公司 | 业务数据的处理方法、装置、设备及存储介质 |
CN112581282A (zh) * | 2020-12-28 | 2021-03-30 | 中国建设银行股份有限公司 | 估值结果损益变动监控方法、装置、电子设备及介质 |
CN112862526A (zh) * | 2021-02-04 | 2021-05-28 | 深圳迅策科技有限公司 | 一种大数据金融资产实时估值方法、装置及可读介质 |
CN113344710A (zh) * | 2021-06-25 | 2021-09-03 | 未鲲(上海)科技服务有限公司 | 模型训练方法、装置与存储介质 |
CN116630051A (zh) * | 2023-07-24 | 2023-08-22 | 中债金融估值中心有限公司 | 收益率曲线和债券估值实时计算系统、方法及设备 |
-
2019
- 2019-01-24 CN CN201910069650.4A patent/CN109934381A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395329A (zh) * | 2020-11-17 | 2021-02-23 | 平安普惠企业管理有限公司 | 业务数据的处理方法、装置、设备及存储介质 |
CN112581282A (zh) * | 2020-12-28 | 2021-03-30 | 中国建设银行股份有限公司 | 估值结果损益变动监控方法、装置、电子设备及介质 |
CN112862526A (zh) * | 2021-02-04 | 2021-05-28 | 深圳迅策科技有限公司 | 一种大数据金融资产实时估值方法、装置及可读介质 |
CN112862526B (zh) * | 2021-02-04 | 2024-01-12 | 深圳迅策科技有限公司 | 一种大数据金融资产实时估值方法、装置及可读介质 |
CN113344710A (zh) * | 2021-06-25 | 2021-09-03 | 未鲲(上海)科技服务有限公司 | 模型训练方法、装置与存储介质 |
WO2022267162A1 (zh) * | 2021-06-25 | 2022-12-29 | 未鲲(上海)科技服务有限公司 | 模型训练方法、装置与存储介质 |
CN116630051A (zh) * | 2023-07-24 | 2023-08-22 | 中债金融估值中心有限公司 | 收益率曲线和债券估值实时计算系统、方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934381A (zh) | 基金实时估值方法、装置、计算机设备及存储介质 | |
Hassani et al. | Forecasting the price of gold | |
Aliyu | Exchange rate volatility and export trade in Nigeria: An empirical investigation | |
Nicolau et al. | Dynamic relationships between spot and futures prices. The case of energy and gold commodities | |
Baños-Caballero et al. | The speed of adjustment in working capital requirement | |
Marchesi | Adoption of an IMF Programme and Debt Rescheduling. An empirical analysis | |
Felipe et al. | Is Pakistan's growth rate balance-of-payments constrained? Policies and implications for development and growth | |
Tran et al. | The dynamic impact of macroeconomic factors on initial public offerings: evidence from time-series analysis | |
Wu et al. | Farm capital structure choice: theory and an empirical test | |
Gomes et al. | Housing market dynamics: Any news? | |
WO2016123657A1 (en) | Computer implemented frameworks and methodologies configured to enable generation of a synthetic profit and loss report based on business data, and loan management based on including risk-based loan construction and pricing and/or pricing based on data analysis of default risk and loss given default parameters | |
Pierdzioch et al. | A boosting approach to forecasting gold and silver returns: economic and statistical forecast evaluation | |
Lan et al. | A factor-adjusted multiple testing procedure with application to mutual fund selection | |
Ramos-Requena et al. | A cooperative dynamic approach to pairs trading | |
Ghosh | Charter value and risk-taking: evidence from Indian banks | |
Tomura | Heterogeneous beliefs and housing-market boom-bust cycles | |
Lean et al. | On the role of commodity futures in portfolio diversification | |
Akinboade et al. | Interest rate reforms, financial deepening and economic growth in Cameroon: an empirical investigation | |
Aysan et al. | Macroeconomic drivers of loan quality in Turkey | |
Singh | Does public capital crowd-out or crowd-in private capital in India? | |
Baldovin et al. | Ensemble properties of high-frequency data and intraday trading rules | |
Österholm | The effect on the Swedish real economy of the financial crisis | |
Tavakoli Baghdadabad et al. | Global idiosyncratic risk moments | |
Chakrabarti et al. | Directed credit, financial development and financial structure: theory and evidence | |
CN110120082A (zh) | 金融数据的图像处理方法、装置、设备及可读存储介质 |
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 |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |