CN110298759A - 一种基金诊断方法、装置及计算机可读存储介质 - Google Patents
一种基金诊断方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110298759A CN110298759A CN201910456467.XA CN201910456467A CN110298759A CN 110298759 A CN110298759 A CN 110298759A CN 201910456467 A CN201910456467 A CN 201910456467A CN 110298759 A CN110298759 A CN 110298759A
- Authority
- CN
- China
- Prior art keywords
- fund
- data
- index
- dimension
- manager
- 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
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013506 data mapping Methods 0.000 description 4
- 244000097202 Rathbunia alamosensis Species 0.000 description 3
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 241000238366 Cephalopoda Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基金诊断方法、装置及计算机可读存储介质，属于金融数据分析技术领域，方法包括：构建包含多个评级主体的基金诊断体系；从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理；基于数据处理得到的数据，计算基金诊断体系中各个指标的指标数据；基于各个指标的指标数据和各个指标对应的权重，计算得到各个维度的维度数据；基于各个维度的维度数据和各个维度对应的权重，计算得到基金、基金经理和基金公司各自的评分值；在基金所属的基金小类中，对基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布。本发明实施例能够提供科学、客观、全面的基金诊断数据来辅助资产配置及选基决策。
Description
技术领域
本发明涉及金融数据分析技术领域，尤其涉及一种基金诊断方法、装置及计算机可读存储介质。
背景技术
公募基金投资是国内外最流行的投资理财方式之一。由于基金对应的投资对象比较丰富，投资者可以通过配置不同的大类基金进行收益、风险结合的大类资产配置，投资灵活方便。
与此同时，对金融市场的公募基金进行评诊也变得相当重要，投资者需要科学、客观的基金诊断数据来辅助资产配置及选基决策。
目前现有的公募基金诊断体系还存在如下问题：
1、基金诊断涉及的数据往往单凭一个第三方数据供应商或者基金评级机构通过数据处理得到的，而单一数据源难以保证数据的完整性和准确性；
2、基金诊断涉及的评级主体往往只是诊断基金进行评级，存在评级主体不够全面的缺陷；
3、现有的基金分类较粗，比如QDII基金，其包括QDII主动型和QDII被动型，在基金诊断是评价是将QDII主动型和QDII被动型结合在一起进行评价的，不能很好的体现其中的差异性。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一，为此本发明提供了一种基金诊断方法、装置及计算机可读存储介质。
本发明实施例提供的具体技术方案如下：
第一方面，本发明提供了一种基金诊断方法，所述方法包括：
构建包含多个评级主体的基金诊断体系，所述多个评级主体包括基金评级、基金经理评级和基金公司评级，各评级主体下均包含多个维度，各个维度下均包含若干指标；
从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理；
基于数据处理得到的数据，计算所述基金诊断体系中各个指标的指标数据；
基于所述各个指标的指标数据和所述各个指标对应的权重，计算得到所述各个维度的维度数据；
基于所述各个维度的维度数据和所述各个维度对应的权重，计算得到所述基金、基金经理和基金公司各自的评分值；
在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布，其中，所述基金小类为多个基金小类中的一个，所述多个基金小类被划分到不同基金大类中。
进一步地，所述从多种数据源中获取与基金、基金经理和基金公司相关的数据，并进行数据处理包括：
按照数据分类对爬虫数据库和多个第三方数据库中的数据进行数据整合与校验，以构成数据仓库，其中，所述数据分类包括股票指数、银行利率、债券指数和基金；
对所述数据仓库中的数据进行数据清洗。
进一步地，所述对所述数据仓库中的数据进行数据清洗，包括：
对所述数据仓库中的数据进行缺失值处理以及异常值处理。
进一步地，所述基于数据处理得到的数据，计算所述基金诊断体系中各个指标的指标数据包括：
基于所述基金的一年、三年或五年的基金数据以及年化指标计算公式，计算所述基金诊断体系中基金评级的各个指标的指标数据；
基于所述基金经理的年化指标结果以及指数移动平均计算公式，计算所述基金诊断体系中基金经理评级的各个指标的指标数据；
基于所述基金公司的年化指标结果以及指数移动平均计算公式，计算所述基金诊断体系中基金公司评级的各个指标的指标数据。
进一步地，所述基于所述各个指标的指标数据和所述各个指标对应的权重，计算得到所述各个维度的维度数据包括：
对所述各个指标的指标数据进行离群值处理，并对离群值处理后的所述各个指标的指标数据进行归一化；
根据归一化后的所述各个指标的指标数据以及所述各个指标的权重，计算得到所述各个维度的维度数据。
进一步地，所述基于所述各个维度的维度数据和所述各个维度对应的权重，计算得到所述基金、基金经理和基金公司各自的评分值包括：
在所有基金大类中，确定所述基金对应的基金大类；
根据所述基金对应的基金大类，确定所述基金、基金经理分别对应的多个维度；
根据所述基金对应的多个维度的维度数据以及对应的维度权重，计算得到所述基金的评分值；
根据所述基金经理对应的多个维度的维度数据以及对应的维度权重，计算得到所述基金经理的评分值；以及
根据所述基金公司对应的多个维度的维度数据以及对应的维度权重，计算得到所述基金公司的评分值。
进一步地，所述在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级包括：
在所述基金所属的基金小类中，分别采用正态分布排序法对对所述基金、基金经理和基金公司各自的评分值进行评级。
第二方面，提供了一种基金诊断装置，所述装置包括：
体系构建模块，用于构建包含多个评级主体的基金诊断体系，所述多个评级主体包括基金评级、基金经理评级和基金公司评级，各评级主体下均包含多个维度，各个维度下均包含若干指标；
数据处理模块，用于从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理；
指标计算模块，用于基于数据处理得到的数据，计算所述基金诊断体系中各个指标的指标数据；
维度计算模块，用于基于所述各个指标的指标数据和所述各个指标对应的权重，计算得到所述各个维度的维度数据；
评分计算模块，用于基于所述各个维度的维度数据和所述各个维度对应的权重，计算得到所述基金、基金经理和基金公司各自的评分值；
评级模块，用于在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布，其中，所述基金小类为多个基金小类中的一个，所述多个基金小类被划分到不同基金大类中。
第三方面，提供了一种基金诊断装置，所述装置包括：
一个或者多个处理器；
存储器；
所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行上述第一方面任意一项所述的基金诊断方法的步骤。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行上述第一方面任意一项所述的基金诊断方法的步骤。
本发明实施例提供的技术方案带来的有益效果是：
1、对基金、基金经理和基金公司分别作出多维度和多指标的细分评价，从而提供了一个从星级指标(面)、到多维度多指标评分信息(点)的完整评诊结构，使得提供的基金星级评分数据更科学、客观、全面；
2、数据源全面，通过从多数据源中获取与基金、基金经理、基金公司相关的基础数据，避免了由于单一数据源可能潜在的完整性和准确性问题，从而能够确保后续评级结果更合理；
3、多主体全面诊断，对基金、基金经理、基金公司进行评级，弥补了当前市面上评价主体不够全面的缺点；
4、创新性地按照基金分类进行基金评级，有利于提升基金评级数据的易用性、客观性、可比较性，方便辅助投资者选基决策。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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是本发明实施例提供的一种基金诊断方法的流程图；
图2是本发明实施例提供的基金诊断体系的示意图；
图3为本发明实施例提供的一种基金诊断装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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。
参照图1所示，本发明实施例提供了一种基金诊断方法，该方法包括如下步骤：
S1、构建包含多个评级主体的基金诊断体系，多个评级主体包括基金评级、基金经理评级和基金公司评级，各评级主体下均包含多个维度，各个维度下均包含若干指标。
其中，预先对所有基金划分成多个基金大类，包括主动类、被动类和现金类，每个基金大类分别包括多个基金小类，其中，主动类包括股票、基金、债券、避险策略、QDII主动、FOF；被动类包括指数和QDII被动类；现金类包括货币和理财。可以以分析基金的投资标的、投资风格为基础进行划分基金小类。
具体地，基于层次分析法构建包含多个评级主体的基金诊断体系，其中，基金诊断体系的总体目标是“基金评级”、分目标为“基金经理评级”、“基金公司评级”，各评级主体均包含目标层、准则层和指标层。
其中，基金评级的目标层是在所有基金大类下每个小类中进行基金星级评分；基金评级的准则层是：主动类从盈利、连涨、抗跌、稳定和管理五个维度进行分析，被动类从盈利、跟踪误差、连涨、抗跌、稳定五个维度进行分析，现金类从盈利、稳定、规模进行分析；基金评级的指标层是：主动类包括13个指标，被动类包括11个指标，现金类包括9个指标。
其中，基金经理评级的目标层是在所有基金大类下每个小类中进行基金经理星级评分；基金经理评级的准则层是：主动类从管理(分开为择时、选股两个维度)、盈利、风险和经验五个维度进行分析，被动类从跟踪误差、经验、盈利三个维度进行分析，现金类从盈利、稳定、经验进行分析；基金评级的指标层是：主动类包括15个指标，被动类包括10个指标，现金类包括11个指标。
其中，基金公司评级的目标层是进行基金公司星级评分；基金公司评级的准则层是：从能力、经验、稳定三个维度进行分析；基金评级的指标层共包括10个指标。
在具体实施过程中，可以依照如下几点针对基金诊断体系中各评级主体的维度进行指标选取：
1、所选指标为业内常用且有数据统计意义的指示性；
2、要求所选指标能较全面反映相应维度的信息；
3、要求指标间不能相关性过高；
4、是要考虑算法实现的可行性。
此外，在指标开发过程中，还需考虑到如下几点：
1、注意不同时间周期的划分；
2、不同指标在基金、基金经理、基金公司同一时间点上的同步性；
3、计算过程中的异常操作处理(如除数为0时的保护)；
4、为基金经理、基金公司评价体系提供额外的指标的指数移动平均计算模块，以反映指标数据的时间价值。
经数据验证、指标筛选及设计，可以得到如图2所示的基金诊断体系。
下面对本实施例中的核心指标的算法进行解释说明。
夏普率(Sharpe Ratio)：这里计算的是年化指标，其中T为一年中的周期数(如果是月，则为12；如果是交易日，则一般取242)；rp是策略组合年化超额收益率(在基金诊断中表示基金年化收益率)；σ是策略组合年化波动率(基金诊断中是指基金收益年化波动率)。金融市场常用的衡量风险调整后的收益能力，表示每承受一单位风险，会产生多少的超额收益。若为正值，代表基金报酬率高过波动风险；若为负值，代表基金操作风险大过于报酬率。比例越高，投资组合越佳。
贝塔系数与阿尔法收益(β，α)：rp-rf＝α+β(rb-rf)+ε。贝塔系数β，阿尔法收益α来自该回归方程，ε是均值为零的随机项。其中rp是策略组合收益率(在基金诊断中表示基金收益率)，rf是无风险收益率，rb是基准收益率。贝塔系数衡量基金收益相对于基准收益的总体波动性，是一个相对指标。β越高，意味着基金组合相对于业绩基准的波动性越大。β大于1，则股票的波动性大于业绩基准的波动性。反之亦然。β(rb-rf)则对应的是贝塔收益，即基准收益相关部分。阿尔法收益α(也叫残差收益率)是投资者获得与基准波动无关的回报，一般用来度量投资者的投资管理能力，α越大，表示投资管理能力越强。
最大回撤(Max Drawdown，DDmax)：其中xi、xj为用户所选区间内所有的市场价格(对基金来说是其复权净值)，i>j，即xi对应的净值日期必须在xj的后面。其意义是在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。该指标衡量基金经理的风险控制能力，该值越小风险控制得越好，反之越差。
卡玛比率(Calmar Ratio)：其中T为一年中的周期数；α×T是基金组合年化残差收益率；DDmax是一年期中发生的最大回撤。卡玛比率描述的是收益和最大回撤之间的关系。卡玛比率数值越大，基金的风险收益表现越好。反之，基金的风险收益表现越差。
主动风险(Active Risk，)：其中rp是策略组合收益率(在基金诊断中表示基金收益率)，rb是基准收益率，T为一年中的周期数，rpa＝rp-rb则称为主动收益率。该指标反映的是基金投资组合收益率与基金组合收益率之间差异的年化标准差。主动风险指标(或者说跟踪误差指标)越小，主动收益越平稳(跟踪效果越好)，反之越波动(越差)。该指标在指数基金上叫为跟踪误差(TracingError)，它描述了基金组合对业绩基准的跟踪效果。
信息比率(Information Ratio，IR)：(α为组合的年化残差收益率，ω为主动风险)。信息比率是用来衡量基金组合优于业绩基准的风险调整超额报酬，或者说是用来衡量超额风险所带来的超额收益。信息比率越高，该基金表现持续优于基准的程度越高。
TM模型二次项(择时能力，γ)：贝塔系数与阿尔法收益(β，α)中回归方程的β表示为择时能力γ的函数：β＝β′-γ(rb-rf)，代入回归方程得到：rp-rf＝α+β′(rb-rf)+γ(rb-rf)2+ε。计算二次回归系数便得到TM模型(Treynor和Masuy于1966年提出)二次项γ。该指标反映了基金经理的择时能力，如果γ大于0，表示基金经理具有成功的市场择时能力，该值越大，择时能力越强。
本发明实施例中，在借鉴行业中“晨星评级”等传统基金评级方案的同时，充分结合了互联网基金电销平台业务特征以及面向的客群需求，横向上，扩展了基金经理、基金公司两个领域；纵向上，则加深了各维度(连涨、收益……)的刻画指标，从过去行业单个、多个指标的“平面化”基金诊断体系发展为全方位的“立体化”基金诊断体系。
S2、从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理。
其中，多种数据源包括爬虫数据库和多个第三方数据库。
爬虫数据库的数据包括股票指数、银行利率、债券指数、基金数据，其中，股票指数是通过从主流财经网(例如东方财富、新浪财经)及金融官网(例如中证指数官网)的网页上进行数据爬取得到的，银行利率是通过从主流财经网(例如中国外汇交易中心)的网页上进行数据爬取得到的，债券指数数据是通过从主流财经网(例如东方财富、新浪财经)及金融官网(例如中证中债官网)的网页上进行数据爬取得到的，基金数据是通过从主流财经网(例如东方财富、新浪财经)及金融官网(例如基金公司官网)的网页上进行数据爬取得到的。
多个第三方数据库可以包括第三方数据供应商(例如恒生聚源数据、万得信息)提供的基金数据库、债券数据库、指数数据库、银行利率数据库。其中，基金数据库中的数据可细分为基金档案数据、基金净值数据、基金复权净值数据、基金基准收益率、基金费率数据、基金经理管理数据、基金经理基本资料数据、基金公司信息数据、基金持仓信息数据。
具体的，步骤S2的过程可以包括：
S21、按照数据分类对爬虫数据库和多个第三方数据库中的数据进行数据整合与校验，以构成数据仓库，其中，数据分类包括股票指数、银行利率、债券指数和基金。
其中，爬虫数据主要分两类：结构化数据(如指数数据、债券数据、基金净值数据等等)和非结构化数据(如来自于基金募集说明书的基金基准信息等等)。结构化的数据校验可以使用成熟的算法库台JSON文件使用Python的json库，XML文件使用python的xmltodict等进行数据校验。非结构化数据诸如文本、HTML文件则使用正则表达式、CSS选择器等进行数据校验。
具体的，对爬虫数据库中的股票指数数据与第三方数据供应商提供的指数数据库中的股票指数数据进行整合；对爬虫数据库中的银行利率与第三方数据供应商提供的银行利率数据库中的银行利率进行整合；对爬虫数据库中的债券指数数据与第三方数据供应商提供的债券指数数据库中的债券指数数据进行整合；对爬虫数据库中的基金数据与第三方数据供应商提供的基金数据库中的基金数据进行整合。根据数据整合后的所有数据，构成数据仓库。
其中，该数据仓库是通过Hadoop框架下的HDFS实现数据存储，并提供数据源接口，以供后续基金诊断过程中的各算法进行调度使用。
本实施例中，通过从多数据源中获取与基金、基金经理、基金公司相关的基础数据，避免了由于单一数据源可能潜在的完整性和准确性问题，从而能够确保后续评级结果更合理，且通过对基金、基金经理、基金公司相关的基础数据进行数据处理而构建的数据仓库是通过Hadoop框架下的HDFS实现数据存储，从而能够为后续基金诊断中采用大规模并行计算提供了数据结构的保障。
S22、对数据仓库中的数据进行数据清洗。
具体地，对数据仓库中的数据进行缺失值处理以及异常值处理。
其中，对数据仓库中的数据进行缺失值处理，该过程可以包括：
对数据仓库中的基金复权净值采用直接删除法或数据插补法进行缺失处理。基金复权净值有三种缺失情形：一是基金在证券交易日中由于风控事件(如暂停交易)或者产品设计(如定开基金)而没有净值数据；二是基金经理停业期间数据中断没有基金管理数据；三是银行利率数据是定期公布的，期间数据缺失。第一、第二种情形的数据缺失若采用插补法对诊断评估影响极大，因此采用直接删除法进行缺失处理；第三种数据由于数值缺失对基金诊断指标计算影响极大，因此使用数据插补法进行缺失处理，以确保指标计算体系完整可行。其中，数据插补法可以采用前推法(LOCF，Last Observation Carried Forward，将每个缺失值替换为缺失之前的最后一次观测值)或后推法(NOCB，Next ObservationCarried Backward，与LOCF方向相反——使用缺失值后面的观测值进行填补)。
其中，对数据仓库中的数据进行异常值处理，该过程可以包括：
使用MAD法(Median absolute deviation,中位数绝对偏差)对数据仓库中的数据进行异常值处理。其中，MAD是单变量数据集中样本差异性的稳健度量。由于金融市场收益率数据的高峰度与肥尾特性，使用MAD法(相比于3σ法)不受极端值影响，且算法简单有效。
S3、基于数据处理得到的数据，计算基金诊断体系中各个指标的指标数据。
具体地，步骤S3的过程可以包括：
S31、基于一年、三年或五年的基金数据以及年化指标计算公式，计算基金诊断体系中基金的各个指标的指标数据。
S32、基于基金经理的年化指标结果以及指数移动平均计算公式，计算基金诊断体系中基金经理的各个指标的指标数据；
S33、基于基金公司的年化指标结果以及指数移动平均计算公式，计算基金诊断体系中基金公司的各个指标的指标数据。
其中，指数移动平均计算公式具体如下：
其中IT就是原始指标结果，T表示当期，T-1表示前一期，可以看出EMAT指标拉高了当期IT的权重。在基金经理评级中，按年为间隔，取N＝5，评估基金经理五年期的表现。这样就得到了反映时间价值的指标体系，时间越近，权重越高。
本发明实施例中，基金评级是通过一、三、五年的展现短中长期的评价，基金经理评价指标则通过指数移动平均算法来反映主体随时间推移的提升程度，从而使计算得到的指标数据更科学适用。
需要说明的是，可以采用Spark数据计算架构执行步骤S3的过程，以保证评级数据产生的稳定性、可靠性和及时性；另外，步骤S3得到的各个指标的指标数据被同时用于计算同类平均、基准参考指数。
S4、基于各个指标的指标数据和各个指标对应的权重，计算得到各个维度的维度数据。
具体地，该过程可以包括：
S41、对各个指标的指标数据进行离群值处理，并对离群值处理后的各个指标的指标数据进行归一化。
具体地，离群值处理可以采用经偏度调整的Boxplot法(箱线图)，归一化处理可以采用Z-score标准化进行归一化。
本实施例中，由于基金、基金经理、基金公司数据年限长短不同、交易发行与交易状态的多样性、以及相关基础数据公布的及时性不同等原因，会给指标层的计算结果带来异常值，或者使计算得到的指标数据呈非正态分布。通过经偏度调整的Boxplot法得到的指标数据进行后续评分，使评级分布更能反映常规主体的业绩与风险表现，避免离群点造成的指标偏离；此外，Boxplot法还具备偏度校正能力，且对异常值的识别能力较强。
S42、根据归一化后的各个指标的指标数据以及各个指标的权重，计算得到各个维度的维度数据。
其中，各个指标的权重是采用层次分析法计算得到的，计算过程可以包括：
针对指标层的每一指标，构造各指标之间的两两判断矩，并采用一致矩阵法进行指标权重计算，其中，判断矩阵中的元素表示某层次因素有关的下一层次因素之间的两两比较的相对重要性。
需要说明的是，步骤S4得到的各个维度的维度数据被同时用于计算同类平均、基准参考指数。
S5、基于各个维度的维度数据和各个维度对应的权重，计算得到基金、基金经理和基金公司各自的评分值。
具体地，步骤S5的过程可以包括：
S51、在所有基金大类中，确定基金对应的基金大类；
S52、根据基金对应的基金大类，确定基金、基金经理分别对应的多个维度；
S53、根据基金对应的多个维度的维度数据以及对应的维度权重，计算得到基金的评分值；
S54、根据基金经理对应的多个维度的维度数据以及对应的维度权重，计算得到基金经理的评分值；以及
S55、根据基金公司对应的多个维度的维度数据以及对应的维度权重，计算得到基金公司的评分值。
其中，各个维度的权重可以采用层次分析法计算得到，计算过程可以包括：
针对准则层的每一维度因素，构造两两判断矩阵，采用一致矩阵法进行指标权重计算，其中，判断矩阵中的元素表示某层次因素有关的下一层次因素之间的两两比较的相对重要性。
示例性地，假如对股票类的基金以及该基金关联的基金经理、基金公司进行计算评分值，先确定股票类的基金是属于主动类的，对于基金评级，主动类是从盈利、连涨、抗跌、稳定和管理五个维度进行分析，对于基金经理评级，主动类是从管理(分开为择时、选股两个维度)、盈利、风险和经验五个维度进行分析，进而可以确定股票类的基金对应的维度包括盈利、连涨、抗跌、稳定和管理，股票类的基金关联的基金经理对应的维度包括管理(分开为择时、选股两个维度)、盈利、风险和经验，之后便可以对相应的维度数据和对应的维度权重进行加权求和，计算得到基金、基金经理各自的评分值。
在具体实施过程中，在计算基金、基金经理、基金公司各自的评分值之前，需要对各个维度的维度数据进行归一化，归一化处理可以采用Z-score标准化方法；根据归一化后的各个维度的维度数据以及各个维度的权重，计算得到基金、基金经理和基金公司各自的评分值。
S6、在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布，其中，基金小类为多个基金小类中的一个，多个基金小类被划分到不同基金大类中。
具体地，在基金所属的基金小类中，分别采用正态分布排序法对对基金、基金经理和基金公司各自的评分值进行评级。
示例性地，前10％评为五星，接下来22.5％评为四星，中间35％评为三星，随后22.5％评为二星，最后10％评为一星。
本实施例中，由于基金诊断的评级数据是结合基金所属的基金小类给出的，这样能够避免不同类别基金的错位比较问题。
其中，生成的评级数据被发布到指定的APP客户端上。
具体地，评级数据的展示风格布局可以包括星级图示、雷达图、曲线图等。其中，展示上可以从五星评级到各个维度的评分，然后到相关指标的数据信息；从基金评级主体到关联的基金经理、基金公司的评价信息。通过多个维度视角进行一个综合的基金评级和基金经理评级。这样，整个体系就提供了一个从星级指标(面)、到多维度多指标评分信息(点)的完整评诊结构，用户能得到一个由浅到深、由面到点的评级信息。由此，可以弥补传统基金评级方式单一化的呈现方式，以简单、直观、全面的图表呈现信息重点、数据要点，从过去基金评价结果面向数据、面向金融的服务方式转变为面向市场、面向顾客的服务方式，为投资者提供全面的辅助投资决策信息，帮助投资者快速得到基金及其基金经理和基金公司的收益能力、抗风险能力、业绩稳定性及公司综合实力等信息，从而结合自己的投资理念，做出相应的基金配置决策。
本发明实施例提供了一种基金诊断方法，该方法通过对基金、基金经理和基金公司分别作出多维度和多指标的细分评价，从而提供了一个从星级指标(面)、到多维度多指标评分信息(点)的完整评诊结构，使得提供的基金星级评分数据更科学、客观、全面；通过从多数据源中获取与基金、基金经理、基金公司相关的基础数据，避免了由于单一数据源可能潜在的完整性和准确性问题，从而能够确保后续评级结果更合理；此外，通过对基金、基金经理、基金公司进行评级，弥补了当前市面上评价主体不够全面的缺点；此外，创新性地按照基金分类进行基金评级，有利于提升基金评级数据的易用性、客观性、可比较性，方便辅助投资者选基决策。
实施例二
本发明实施例提供了一种基金诊断装置，参照图3所示，装置包括：
体系构建模块31，用于构建包含多个评级主体的基金诊断体系，多个评级主体包括基金评级、基金经理评级和基金公司评级，各评级主体下均包含多个维度，各个维度下均包含若干指标；
数据处理模块32，用于从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理；
指标计算模块33，用于基于数据处理得到的数据，计算基金诊断体系中各个指标的指标数据；
维度计算模块34，用于基于各个指标的指标数据和各个指标对应的权重，计算得到各个维度的维度数据；
评分计算模块35，用于基于各个维度的维度数据和各个维度对应的权重，计算得到基金、基金经理和基金公司各自的评分值；
评级模块36，用于在基金所属的基金小类中，对基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布，其中，基金小类为多个基金小类中的一个，多个基金小类被划分到不同基金大类中。
进一步地，数据处理模块32具体用于：
按照数据分类对爬虫数据库和多个第三方数据库中的数据进行数据整合与校验，以构成数据仓库，其中，数据分类包括股票指数、银行利率、债券指数和基金；
对数据仓库中的数据进行数据清洗。
进一步地，数据处理模块32具体还用于：
对数据仓库中的数据进行缺失值处理以及异常值处理。
进一步地，指标计算模块33具体用于：
基于基金的一年、三年或五年的基金数据以及年化指标计算公式，计算基金诊断体系中基金评级的各个指标的指标数据；
基于基金经理的年化指标结果以及指数移动平均计算公式，计算基金诊断体系中基金经理评级的各个指标的指标数据；
基于基金公司的年化指标结果以及指数移动平均计算公式，计算基金诊断体系中基金公司评级的各个指标的指标数据。
进一步地，维度计算模块34具体用于：
对各个指标的指标数据进行离群值处理，并对离群值处理后的各个指标的指标数据进行归一化；
根据归一化后的各个指标的指标数据以及各个指标的权重，计算得到各个维度的维度数据。
进一步地，评分计算模块35具体用于：
在所有基金大类中，确定基金对应的基金大类；
根据基金对应的基金大类，确定基金、基金经理分别对应的多个维度；
根据基金对应的多个维度的维度数据以及对应的维度权重，计算得到基金的评分值；
根据基金经理对应的多个维度的维度数据以及对应的维度权重，计算得到基金经理的评分值；以及
根据基金公司对应的多个维度的维度数据以及对应的维度权重，计算得到基金公司的评分值。
进一步地，评级模块36具体用于：
在基金所属的基金小类中，分别采用正态分布排序法对对基金、基金经理和基金公司各自的评分值进行评级。
本实施例提供的基金诊断装置，与本发明实施例所提供的基金诊断方法属于同一发明构思，可执行本发明实施例所提供的基金诊断方法，具备执行基金诊断方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的基金诊断方法，此处不再加以赘述。
此外，本发明实施例还提供一种基金诊断装置，该装置包括：
一个或者多个处理器；
存储器；
存储在存储器中的程序，当被一个或者多个处理器执行时，程序使处理器执行上述实施例一中的基金诊断方法的步骤。
本发明另一实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有程序，当程序被处理器执行时，使得处理器执行上述实施例一中的基金诊断方法的步骤。
本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基金诊断方法，其特征在于，所述方法包括：
构建包含多个评级主体的基金诊断体系，所述多个评级主体包括基金评级、基金经理评级和基金公司评级，各评级主体下均包含多个维度，各个维度下均包含若干指标；
从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理；
基于数据处理得到的数据，计算所述基金诊断体系中各个指标的指标数据；
基于所述各个指标的指标数据和所述各个指标对应的权重，计算得到所述各个维度的维度数据；
基于所述各个维度的维度数据和所述各个维度对应的权重，计算得到所述基金、基金经理和基金公司各自的评分值；
在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布，其中，所述基金小类为多个基金小类中的一个，所述多个基金小类被划分到不同基金大类中。
2.根据权利要求1所述的方法，其特征在于，所述从多种数据源中获取与基金、基金经理和基金公司相关的数据，并进行数据处理包括：
按照数据分类对爬虫数据库和多个第三方数据库中的数据进行数据整合与校验，以构成数据仓库，其中，所述数据分类包括股票指数、银行利率、债券指数和基金；
对所述数据仓库中的数据进行数据清洗。
3.根据权利要求2所述的方法，其特征在于，所述对所述数据仓库中的数据进行数据清洗，包括：
对所述数据仓库中的数据进行缺失值处理以及异常值处理。
4.根据权利要求1所述的方法，其特征在于，所述基于数据处理得到的数据，计算所述基金诊断体系中各个指标的指标数据包括：
基于所述基金的一年、三年或五年的基金数据以及年化指标计算公式，计算所述基金诊断体系中基金评级的各个指标的指标数据；
基于所述基金经理的年化指标结果以及指数移动平均计算公式，计算所述基金诊断体系中基金经理评级的各个指标的指标数据；
基于所述基金公司的年化指标结果以及指数移动平均计算公式，计算所述基金诊断体系中基金公司评级的各个指标的指标数据。
5.根据权利要求1所述的方法，其特征在于，所述基于所述各个指标的指标数据和所述各个指标对应的权重，计算得到所述各个维度的维度数据包括：
对所述各个指标的指标数据进行离群值处理，并对离群值处理后的所述各个指标的指标数据进行归一化；
根据归一化后的所述各个指标的指标数据以及所述各个指标的权重，计算得到所述各个维度的维度数据。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于所述各个维度的维度数据和所述各个维度对应的权重，计算得到所述基金、基金经理和基金公司各自的评分值包括：
在所有基金大类中，确定所述基金对应的基金大类；
根据所述基金对应的基金大类，确定所述基金、基金经理分别对应的多个维度；
根据所述基金对应的多个维度的维度数据以及对应的维度权重，计算得到所述基金的评分值；
根据所述基金经理对应的多个维度的维度数据以及对应的维度权重，计算得到所述基金经理的评分值；以及
根据所述基金公司对应的多个维度的维度数据以及对应的维度权重，计算得到所述基金公司的评分值。
7.根据权利要求1所述的方法，其特征在于，所述在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级包括：
在所述基金所属的基金小类中，分别采用正态分布排序法对对所述基金、基金经理和基金公司各自的评分值进行评级。
8.一种基金诊断装置，其特征在于，所述装置包括：
体系构建模块，用于构建包含多个评级主体的基金诊断体系，所述多个评级主体包括基金评级、基金经理评级和基金公司评级，各评级主体下均包含多个维度，各个维度下均包含若干指标；
数据处理模块，用于从多种数据源中获取与基金、基金经理和基金公司相关的基础数据，并进行数据处理；
指标计算模块，用于基于数据处理得到的数据，计算所述基金诊断体系中各个指标的指标数据；
维度计算模块，用于基于所述各个指标的指标数据和所述各个指标对应的权重，计算得到所述各个维度的维度数据；
评分计算模块，用于基于所述各个维度的维度数据和所述各个维度对应的权重，计算得到所述基金、基金经理和基金公司各自的评分值；
评级模块，用于在所述基金所属的基金小类中，对所述基金、基金经理和基金公司各自的评分值进行评级，生成评级数据并发布，其中，所述基金小类为多个基金小类中的一个，所述多个基金小类被划分到不同基金大类中。
9.一种基金诊断装置，其特征在于，所述装置包括：
一个或者多个处理器；
存储器；
所述存储在所述存储器中的程序，当被所述一个或者多个处理器执行时，所述程序使所述处理器执行如权利要求1～7中任意一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如权利要求1～7中任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456467.XA CN110298759A (zh) | 2019-05-29 | 2019-05-29 | 一种基金诊断方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456467.XA CN110298759A (zh) | 2019-05-29 | 2019-05-29 | 一种基金诊断方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298759A true CN110298759A (zh) | 2019-10-01 |
Family
ID=68027262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910456467.XA Pending CN110298759A (zh) | 2019-05-29 | 2019-05-29 | 一种基金诊断方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298759A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539832A (zh) * | 2020-04-21 | 2020-08-14 | 林树 | 一种多维度基金评价系统及方法 |
| CN112541829A (zh) * | 2020-12-18 | 2021-03-23 | 未鲲(上海)科技服务有限公司 | 数据处理方法、装置、设备及可读存储介质 |
| CN114238775A (zh) * | 2021-12-24 | 2022-03-25 | 富途网络科技(深圳)有限公司 | 数据查询方法、装置、计算机可读介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895322A (zh) * | 2017-12-08 | 2018-04-10 | 上海贝贝鱼信息科技有限公司 | 一种基金组合产品选取并动态监控调整的方法及系统 |
| CN109767333A (zh) * | 2018-12-15 | 2019-05-17 | 平安科技（深圳）有限公司 | 选基方法、装置、电子设备及计算机可读存储介质 |
| CN109801170A (zh) * | 2019-01-21 | 2019-05-24 | 广发证券股份有限公司 | 基金产品评分方法、装置及设备 |
-
2019
- 2019-05-29 CN CN201910456467.XA patent/CN110298759A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895322A (zh) * | 2017-12-08 | 2018-04-10 | 上海贝贝鱼信息科技有限公司 | 一种基金组合产品选取并动态监控调整的方法及系统 |
| CN109767333A (zh) * | 2018-12-15 | 2019-05-17 | 平安科技（深圳）有限公司 | 选基方法、装置、电子设备及计算机可读存储介质 |
| CN109801170A (zh) * | 2019-01-21 | 2019-05-24 | 广发证券股份有限公司 | 基金产品评分方法、装置及设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539832A (zh) * | 2020-04-21 | 2020-08-14 | 林树 | 一种多维度基金评价系统及方法 |
| CN112541829A (zh) * | 2020-12-18 | 2021-03-23 | 未鲲(上海)科技服务有限公司 | 数据处理方法、装置、设备及可读存储介质 |
| CN114238775A (zh) * | 2021-12-24 | 2022-03-25 | 富途网络科技(深圳)有限公司 | 数据查询方法、装置、计算机可读介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Niemira et al. | An analytic network process model for financial-crisis forecasting | |
| Nazlioglu et al. | Oil prices and financial stress: A volatility spillover analysis | |
| TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
| Wong et al. | Predicting banking distress in the EMEAP economies | |
| US11593886B1 (en) | Methods and systems to quantify and index correlation risk in financial markets and risk management contracts thereon | |
| KR100796058B1 (ko) | 예비 실사 문제에 관한 협력 방법과 시스템 및 컴퓨터 | |
| TW530236B (en) | Cross correlation tool for automated portfolio descriptive statistics | |
| KR20030004316A (ko) | 최종 입찰 결정 방법과 그 시스템, 및 컴퓨터 | |
| KR20020063614A (ko) | 신용점수의 자동 추론 평가를 위한 방법 및 시스템 | |
| Kolodiziev et al. | Use of causal analysis to improve the monitoring of the banking system stability | |
| KR20020063615A (ko) | 어세트 가치 평가에 대한 최저 변동 가정 선택 방법과,포트폴리오 가치 평가 시스템 및 컴퓨터 | |
| Dincer | Profit-based stock selection approach in banking sector using Fuzzy AHP and MOORA method | |
| CN110298759A (zh) | 一种基金诊断方法、装置及计算机可读存储介质 | |
| Oktarina | Macroeconomic indicators and corporate financial ratios in predicting financial distress | |
| Parveen et al. | Decision making and behavioral heuristics of investors in non-financial sector: A case of Pakistan Stock Exchange | |
| CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
| KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
| Önder et al. | Comparing macroeconomic performance of the union for the mediterranean countries using grey relational analysis and multi-dimensional scaling | |
| Hakim | Estimating foreign exchange reserve adequacy | |
| Ezazi et al. | Predicting earning management using RBF, ICA, and SVM in firms listed in Tehran security exchange | |
| Uwakaeme | Analysis of non-oil private sector investment determinants (1980-2015): A tool for economic diversification | |
| Wu et al. | Marionettes behind co-movement of commodity prices: Roles of speculative and hedging activities | |
| El Ghourabi et al. | A new financial stress index model based on support vector regression and control chart | |
| YAQOOB et al. | Determinants of Pakistan stock exchange (PSX) index under optimal conditions: A factor analysis approach | |
| Rondonuwu et al. | The Effect Analysis Of Stock Market And Stok’s Financial Indicators To In/Out Shares In Lq-45 Index |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210726 Address after: Room 834, Yingying building, No.99, Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province Applicant after: Nanjing Xingyun Digital Technology Co.,Ltd. Address before: 210000 No. 1 Suning Avenue, Xuanwu District, Nanjing City, Jiangsu Province Applicant before: SUNING.COM Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |