CN110555541A - 一种风险预测系统及方法 - Google Patents
一种风险预测系统及方法 Download PDFInfo
- Publication number
- CN110555541A CN110555541A CN201810552475.XA CN201810552475A CN110555541A CN 110555541 A CN110555541 A CN 110555541A CN 201810552475 A CN201810552475 A CN 201810552475A CN 110555541 A CN110555541 A CN 110555541A
- Authority
- CN
- China
- Prior art keywords
- risk
- prediction
- fluctuation
- fluctuation range
- control threshold
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及数据处理技术领域,尤其涉及一种风险预测系统,所述系统包括:涨跌幅预测模块,用于基于风险预测模型预测下一个预测周期中预设的电子金融产品的涨跌幅;风险处理模块,用于根据预测的所述涨跌幅,确定风险控制阈值;针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。通过风险预测系统,可以及时锁住风险投资过程中的风险收益,减小投资者损失。本申请还提供了一种风险预测方法及电子设备。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种风险预测系统及方法。
背景技术
股票投资是一种高收益,高风险的投资活动。对于一个理性的投资者,在进行风险投资时,需要正视股票风险,采取有效的防范手段及时的控制措施,减少损失。股票的投资风险,可分为系统性风险和非系统性风险。系统性风险是指影响所有股票的风险,具体包括宏观经济风险、市场风险和利率风险等。非系统性风险主要是指某些个别股票的风险,包括财务风险和企业投资风险等。
控制风险最有效的策略是止盈和止损,在实际操作的过程中,止盈价位点及止损价位点往往是根据经验来进行确定,很难适用于任意标的的股票。而且在交易过程中,投资者一般很难保持平和的心态,容易出现贪婪的、激进的赌博心态,从而导致很大的损失。对于很多投资者而言,投资时如果出现盈利,往往会进一步追加投资,或者期待股票进一步上涨以获取更大利润,从而导致不能及时锁住风险收益的情况。
发明内容
有鉴于此,本申请实施例提供一种风险预测系统及方法,可以对投资过程中的风险进行预测,使投资者可以及时锁住风险收益。
主要包括以下几个方面:
第一方面,本申请实施例提供了一种风险预测系统,所述系统包括:
涨跌幅预测模块,用于基于风险预测模型预测下一个预测周期中,预设电子金融产品的涨跌幅;
风险处理模块,用于根据预测的所述涨跌幅,确定风险控制阈值;针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。
上述技术方案中,所述系统还包括:模型训练模块;
所述模型训练模块,用于构建所述风险预测模型,并基于所述电子金融产品的历史交易信息和历史涨跌幅信息对构建的风险预测模型进行训练;
其中,所述构建所述风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与所述风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
上述技术方案中,所述风险处理模块,具体用于针对预测结果为跌的情况,将初始投入风险资产数量值确定为当前风险控制阈值;针对所述真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
上述技术方案中,所述风险处理模块,具体用于针对所述预测结果为涨的情况,根据预测的涨幅与风险控制阈值之间的预设函数关系,确定当前风险控制阈值;针对与预测结果对应的真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
上述技术方案中,所述系统还包括:模型训练模块;
所述模型训练模块,用于构建风险控制阈值预测模型,并基于所述电子金融产品的历史交易数据和历史风险控制阈值信息对构建的风险控制阈值预测模型进行训练;
其中,所述历史交易信息和历史风险控制阈值信息之间的时间间隔,与所述风险控制阈值预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
上述技术方案中,所述风险处理模块,还用于针对所述风险资产的真实涨跌幅为跌的情况,将预设最大损失率与第一风险调整系数的乘积确定为当前损失率阈值,并将真实跌幅对应的损失率与确定的当前损失率阈值进行比对;针对损失率达到当前损失率阈值的情况,将初始投入风险资产数量与第二风险调整系数的乘积确定为调整后的风险资产;并按照预设风险调整系数动态生成规则生成新的第一风险调整系数和新的第二风险调整系数;其中,新的第一风险调整系数小于原第一风险调整系数,新的第二风险调整系数小于原第二风险调整系数;第一风险调整系数。
第二方面,本申请实施例还提供了一种风险预测方法,所述方法包括:
基于风险预测模型预测下一个预测周期中预设电子金融产品的涨跌幅;
根据预测的所述涨跌幅,确定风险控制阈值;
针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。
上述技术方案中,所述基于风险预测模型预测下一个预测周期中预设电子金融产品的涨跌幅之前,还包括:
构建所述风险预测模型,并基于所述电子金融产品的历史交易信息和历史涨跌幅信息对构建的风险预测模型进行训练;
其中,所述构建所述风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与所述风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
上述技术方案中,所述针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整,包括:
针对预测结果为跌的情况,将初始投入风险资产数量值确定为当前风险控制阈值;针对所述真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
上述技术方案中,所述针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整,包括:
针对所述预测结果为涨的情况,根据预测的涨幅与风险控制阈值之间的预设函数关系,确定当前风险控制阈值;针对与预测结果对应的真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
上述技术方案中,还包括:
构建风险控制阈值预测模型,并基于所述电子金融产品的历史交易数据和历史风险控制阈值信息对构建的风险控制阈值预测模型进行训练;
其中,所述历史交易信息和历史风险控制阈值信息之间的时间间隔,与所述风险控制阈值预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
上述技术方案中,还包括:
针对所述风险资产的真实涨跌幅为跌的情况,将预设最大损失率与第一风险调整系数的乘积确定为当前损失率阈值,并将真实跌幅对应的损失率与确定的当前损失率阈值进行比对;针对损失率达到当前损失率阈值的情况,将初始投入风险资产数量与第二风险调整系数的乘积确定为调整后的风险资产;并按照预设风险调整系数动态生成规则生成新的第一风险调整系数和新的第二风险调整系数;其中,新的第一风险调整系数小于原第一风险调整系数,新的第二风险调整系数小于原第二风险调整系数。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述方法的步骤。
第四方面,一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
采用上述方案,风险预测系统可以利用风险预测模型预测下一个预测周期中电子金融产品的涨跌幅,并根据预测的涨跌幅确定风险资产的风险控制阈值,从而可以针对投资该电子金融产品的风险资产,在风险资产的真实长跌幅为涨的情况,根据真实涨跌幅及风险控制阈值,对风险资产的数量进行调整,进而可以及时锁住风险投资过程中的风险收益,减小投资者损失。
为使本申请实施例的上述目的、特征和优点能更明显易懂,下面将结合实施例,并配合所附附图,作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的风险预测系统的基本结构图;
图2示出了本申请实施例所提供的风险预测方法的基本流程图;
图3示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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实施例,而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例下述方法、装置、电子设备或计算机存储介质可以应用于任何需要对风险资产进行预测或调整的场景,比如,可以应用于股票投资系统或软件等。本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的风险预测系统的方案均在本申请保护范围内。
本申请实施例中,风险预测系统可以利用风险预测模型对投资的电子金融产品在下一预测周期中的涨跌幅进行预测,并根据预测的涨跌幅确定风险控制阈值。当电子金融产品为涨时,可以根据电子金融产品的真实涨跌幅以及风险控制阈值,对投资电子金融产品的风险资产的数量进行调整,以及时锁住风险资产的风险收益。风险预测系统还可以根据预设的最大损失率确定风险资产的损失率阈值,每当当前风险资产的损失率达到损失率阈值时,可以对当前风险资产的数量进行调整,使风险资产的总损失率不超过预设的最大损失率,从在风险资产损失时可以及时止损,保证投资者的权益。
下述实施例将会对投资风险控制的方法作详细说明。
本申请实施例提供的风险预测系统10的基本结构可以如图1所示,所述系统10包括:
涨跌幅预测模块11,用于基于风险预测模型预测下一个预测周期中预设电子金融产品的涨跌幅。
风险处理模块12,用于根据预测的所述涨跌幅,确定风险控制阈值;针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。
这里,电子金融产品可以包括股票、证券、基金等具有投资风险的货币基金。预设的电子金融产品可以理解为用户进行投资的电子金融产品。
在具体实施中,涨跌幅预测模块11可以利用风险预设模型预测下一个预测周期的电子金融产品的涨跌幅,其中的预设周期可以根据具体的投资情况进行设置,例如一天、一周或一个月等。本申请实施例中可以将预测周期设置为一天。风险处理模块12可以根据预测的涨跌幅确定风险控制阈值,并针对与涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据真实涨跌幅以及确定的风险控制阈值,对风险资产的数量进行调整。其中的真实涨跌幅可以为电子金融产品在预测周期内实际的涨跌幅。
进一步地,所述风险预测系统10还可以包括:模型训练模块13,用于构建上述风险预测模型,并基于电子金融产品的历史交易信息和历史涨跌幅信息对构建的风险预测模型进行训练。其中,构建风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
这里,电子金融产品的历史交易信息可以包括开盘价、收盘价、成交量、换手率、最低价、最高价、连续上涨天数、连续下跌天数等信息。电子金融产品的历史涨跌幅信息可以包括最高涨幅、最大跌幅、平均涨跌幅等信息。
在构建风险预测模型时,可以利用现有的机器学习模型,如逻辑回归模型、朴素贝叶斯模型、集成模型等模型,或者构建新的神经网络学习模型。在对构建的风险预测模型进行训练时,可以将历史交易信息作为风险预测模型的自变量,将历史涨跌幅信息作为风险预测模型的因变量。
需要说明的是,在利用风险预测模型对电子金融产品的涨跌幅进行预测时,使用的历史交易信息所对应的时间区域与待预测的涨跌幅所对应的时间区域之间的时间间隔,需要与风险预测模型进行训练时所使用的历史交易信息对应的时间区域与所使用的历史涨跌幅信息对应的时间区域之间的时间间隔一致。例如,在风险预测模型训练时,使用的历史交易信息为2018年5月18日该电子金融产品的交易信息,使用的历史涨跌幅信息为2018年5月19日该电子金融产品的涨跌幅信息,则在预测2018年5 月20日的电子金融产品的涨跌幅时,需要使用2018年5月19日该电子金融产品的交易信息。
进一步地,所述风险处理模块12在根据真实涨跌幅以及风险控制阈值对风险资产的数量进行调整时,可以包括以下几种情况:
针对预测的电子金融产品的涨跌幅为跌的情况,风险处理模块12可以将初始投入风险资产数量值确定为当前风险控制阈值,并在电子金融产品的真实涨跌幅为涨时,确定风险资产涨后的当前风险资产数量,进而可以将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产,从而可以将部分风险资产转变为非风险资产。
具体如,涨跌幅预测模块11预测未来5天内电子金融产品每天均为跌,可以将投资该电子金融产品的初始投入风险资产数量100万元作为当前风险控制阈值。在未来5天内,若该电子金融产品的真实涨跌幅为涨,即若当前风险资产数量超过100万元时,可以将当前风险资产数量超过100万元的部分转变为非风险资产,如果当前风险资产数量为105万元,则将5万元从风险资产的账户中提取出,存入非风险资产的账户。这里,非风险资产可以为银行金融机构资产等收益确定的资产。
针对预测的电子金融产品的涨跌幅为涨的情况,风险处理模块12可以根据预测的涨幅与风险控制阈值之间的预设函数关系,确定当前风险控制阈值,并在电子金融产品的真实涨跌幅为涨时,确定风险资产涨后的当前风险资产数量,并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
在确定当前风险控制阈值时,可以根据预测的涨幅计算未来预设时间内风险资产每天的预测值,并选取其中一天的预测值作为当前风险控制阈值;或者,可以将时间内预测的风险资产的最大预测值,作为当前风险控制阈值。具体如,涨跌幅预测模块11预测未来2天内电子金融产品的涨幅分别为1%和2%,进而可以根据预测的涨幅得到投资该电子金融产品的风险资产的预测值,假设风险资产的初始投入风险资产数量为100万元,则未来2天风险资产的预测值分别为101万元和103万元,则可以 103万元作为当前风险控制阈值。在未来2天内,若该电子金融产品的真实涨跌幅为涨,可以在当前风险资产数量超过103万元时,将当前风险资产数量超过103万元的部分转变为非风险资产,如果当前风险资产数量为105万元,则将2万元从风险资产的账户中提取出,存入非风险资产的账户。
可选地,上述风险控制阈值还可以由模型训练模块13构建的风险控制阈值预测模型得到。具体地,模型训练模块13可以构建风险控制阈值预测模型,并基于电子金融产品的历史交易数据和历史风险控制阈值信息对构建的风险控制阈值预测模型进行训练。其中,所述历史交易信息和历史风险控制阈值信息之间的时间间隔,与所述风险控制阈值预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
这里,模型训练模块13在训练风险控制阈值预测模型时,可以将电子金融产品的历史交易数据作为自变量,将电子金融产品的历史风险控制阈值信息作为因变量。在利用风险控制阈值预测模型对电子金融产品的风险控制阈值进行预测时,使用的历史交易信息所对应的时间区域与得到的风险控制阈值所对应的时间区域之间的时间间隔,需要与风险控制阈值预测模型进行训练时所使用的历史交易信息对应的时间区域,与所使用的风险控制阈值对应的时间区域之间的时间间隔一致。
进一步地,所述风险处理模块12还可以针对风险资产的真实涨跌幅为跌的情况,将预设最大损失率与第一风险调整系数的乘积确定为当前损失率阈值,并将真实跌幅对应的风险资产的损失率与当前损失率阈值进行比对,从而可以在风险资产的损失率达到当前损失率阈值时,将初始投入风险资产数量与第二风险调整系数的乘积确定为调整后的风险资产,进而可以及时调整风险资产的数量,使风险资产的总损失率不超过预设最大损失率。其中,初始时第二风险调整系数d=1-第一风险调整系数a,0<a< 1。这里,预设最大损失率可以为根据用户的输入进行确定的。
在调整风险资产的数量之后,风险处理模块12还可以按照预设风险调整系数动态生成规则生成新的第一风险调整系数和新的第二风险调整系数;其中,新的第一风险调整系数小于原第一风险调整系数,新的第二风险调整系数小于原第二风险调整系数;第一风险调整系数。这里,如果预设风险调整系数动态生成规则可以为:第n次生成的第一风险调整系数 dn=dn,第n次生成的第二风险调整系数an=ad(n-1);其中,n为正整数,d 为初始的第一风险调整系数,a为初始的第二风险调整系数,且初始时满足d=1-a。
通过上述方案,风险预测系统可以利用风险预测模型预测下一个预测周期中电子金融产品的涨跌幅,并根据预测的涨跌幅确定风险资产的风险控制阈值,从而可以针对投资该电子金融产品的风险资产,在风险资产的真实长跌幅为涨的情况,根据真实涨跌幅及风险控制阈值,对风险资产的数量进行调整,进而可以在风险资产盈利时及时锁住风险投资过程中的风险收益,并可以将风险资产的总损失率限制在预设最大损失率之内,减少用户的风险资产损失。
本申请实施例还提供了一种风险预测方法,所述风险预测方法的基本流程如图2所示,可以包括以下步骤:
S101,基于风险预测模型预测下一个预测周期中预设的电子金融产品的涨跌幅。
这里,可以利用机器学习模型构建所述风险预测模型,并利用电子金融产品的历史交易信息和历史涨跌幅信息,对构建的风险预测模型进行训练。在风险预测模型训练时,可以将历史交易信息作为风险预测模型的输入,即自变量,可以将历史涨跌幅信息作为风险预测模型的输出,即因变量。其中,所述构建所述风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与所述风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。例如,可以利用电子金融产品当天的历史交易信息预测电子金融产品后一天的涨跌幅。
S102,根据预测的所述涨跌幅,确定风险控制阈值。
这里,可以根据预测的电子金融产品的涨跌幅,计算风险资产的预测值,再根据风险资产的预测值确定风险控制阈值。如表一所示,假设利用风险预测模型预测的电子金融产品的在交日易2、交日易3、交日易4、交日易5的涨跌幅分别为2.00%、-0.98%、1.98%、1.94%,则可以利用交易日1的风险资产的数量计算交日易2、交日易3、交日易4、交日易5的风险资产的预测值,分别为102、101、103、105。进而可以风险资产的预测值确定风险控制阈值。这里,可以将风险资产的预测值中的最大预测值作为风险控制阈值,即105。如果利用风险预测模型预测的风险资产的数量均小于初始投入风险资产数量,则可以将初始投入风险资产数量作为风险控制阈值,即可以将100作为风险控制阈值。
表一
一些实施方式中,还可以根据用户的输入确定风险资产的预设最大损失率,并根据预测最大损失率与第一风险调整系数的乘积确定风险资产的当前损失率阈值。进而可以根据当前损失率阈值调整风险资产的数量以及时控制风险资产的损失。
S103,针对与涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据真实涨跌幅以及风险控制阈值,对风险资产的数量进行调整。
具体地,针对预测结果为跌的情况,可以将初始投入风险资产数量值确定为当前风险控制阈值,并在所述真实涨跌幅为涨的情况,确定风险资产的当前风险资产数量,并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
针对所述预测结果为涨的情况,可以根据预测的涨幅与风险控制阈值之间的预设函数关系,确定当前风险控制阈值,并在真实涨跌幅为涨时,确定所述风险资产的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
在具体实施中,可以实时监测风险资产的数量,并根据风险资产的数量确定风险资产的损失率。当投资预设电子金融产品的风险资产处于盈利状态时,可以在实际风险资产的数量超过风险控制阈值时,将实际风险资产的数量超过初始投入风险资产数量的部分转移为无风险资产。如表一中所示,当实际风险资产的数量超过105时,将则将超过105中超过100的部分5,提取为无风险资产。
针对所述风险资产的真实涨跌幅为跌的情况,可以将预设最大损失率与第一风险调整系数的乘积确定为当前损失率阈值,并将真实跌幅对应的损失率与确定的当前损失率阈值进行比对,如果损失率达到当前损失率阈值,则可以将初始投入风险资产数量与第二风险调整系数的乘积确定为调整后的风险资产,并按照预设风险调整系数动态生成规则生成新的第一风险调整系数和新的第二风险调整系数;其中,新的第一风险调整系数小于原第一风险调整系数,新的第二风险调整系数小于原第二风险调整系数。
具体地,可以根据用户的输入确定预设最大损失率,假设预设最大损失率m为30%,第一风险调整系数a为0.5,则可以确定当前损失率阈值为15%。如表二所示,如果风险资产的损失率达到当前损失率阈值时,即风险资产的损失率达到15%时,则可以将初始投入风险资产数量100调整为100×0.5=50,这里第二风险调整系数d=1-a。如果当前风险资产在调整风险资产数量后的基础上,当前风险资产的损失率达到15%,即在50的基础上又损失了15%,则可以将当前风险资产的数量调整为50×0.5=25,以此方式进行循环。通过这种方式,可以将风险资产的损失率控制在预设最大损失率之内,即30%。其中,预设最大损失率m与第一风险调整系数a及第二风险调整系数d之间的关系,可以根据以下公式进行确定:
其中,n为整数,0<m<1,0<a<1,0 <d<1。
表二
通过上述方案,可以利用风险预测模型预测下一个预测周期中电子金融产品的涨跌幅,并根据预测的涨跌幅确定风险资产的风险控制阈值,从而可以针对投资该电子金融产品的风险资产,在风险资产的真实长跌幅为涨的情况,根据真实涨跌幅及风险控制阈值,对风险资产的数量进行调整,进而可以在风险资产盈利时及时锁住风险投资过程中的风险收益,并可以将风险资产的总损失率限制在预设最大损失率之内,减少用户的风险资产损失。
本申请实施例还提供的一种电子设备30,所述电子设备30的结构如图3所示,包括:处理器31、存储器32和总线33。
所述存储器存储32有所述处理器31可执行的机器可读指令,当电子设备运行时,所述处理器31与所述存储器32之间通过总线33通信,所述机器可读指令被所述处理器31执行时执行如下处理:
基于风险预测模型预测下一个预测周期中预设的电子金融产品的涨跌幅;
根据预测的所述涨跌幅,确定风险控制阈值;针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。
在具体实施中,上述处理器31执行的处理中,所述基于风险预测模型预测下一个预测周期中预设电子金融产品的涨跌幅之前,还包括:
构建所述风险预测模型,并基于所述电子金融产品的历史交易信息和历史涨跌幅信息对构建的风险预测模型进行训练;
其中,所述构建所述风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与所述风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
在具体实施中,上述处理器31执行的处理中,所述针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整,包括:
针对预测结果为跌的情况,将初始投入风险资产数量值确定为当前风险控制阈值;针对所述真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
在具体实施中,上述处理器31执行的处理中,所述针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整,包括:
针对所述预测结果为涨的情况,根据预测的涨幅与风险控制阈值之间的预设函数关系,确定当前风险控制阈值;针对与预测结果对应的真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
在具体实施中,上述处理器31执行的处理中,还包括:
构建风险控制阈值预测模型,并基于所述电子金融产品的历史交易数据和历史风险控制阈值信息对构建的风险控制阈值预测模型进行训练;
其中,所述历史交易信息和历史风险控制阈值信息之间的时间间隔,与所述风险控制阈值预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
在具体实施中,上述处理器31执行的处理中,还包括:
针对所述风险资产的真实涨跌幅为跌的情况,将预设最大损失率与第一风险调整系数的乘积确定为当前损失率阈值,并将真实跌幅对应的损失率与确定的当前损失率阈值进行比对;针对损失率达到当前损失率阈值的情况,将初始投入风险资产数量与第二风险调整系数的乘积确定为调整后的风险资产;并按照预设风险调整系数动态生成规则生成新的第一风险调整系数和新的第二风险调整系数;其中,新的第一风险调整系数小于原第一风险调整系数,新的第二风险调整系数小于原第二风险调整系数。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例提供的投资风险控制方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述投资风险控制方法,从而解决目前。
本申请实施例所提供的投资风险控制方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种风险预测系统,其特征在于,所述系统包括:
涨跌幅预测模块,用于基于风险预测模型预测下一个预测周期中预设的电子金融产品的涨跌幅;
风险处理模块,用于根据预测的所述涨跌幅,确定风险控制阈值;针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。
2.根据权利要求1所述的系统,其特征在于,还包括:模型训练模块;
所述模型训练模块,用于构建所述风险预测模型,并基于所述电子金融产品的历史交易信息和历史涨跌幅信息对构建的风险预测模型进行训练;
其中,所述构建所述风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与所述风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
3.根据权利要求1所述的系统,其特征在于,所述风险处理模块,具体用于针对预测结果为跌的情况,将初始投入风险资产数量值确定为当前风险控制阈值;针对所述真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
4.根据权利要求1所述的系统,其特征在于,所述风险处理模块,具体用于针对所述预测结果为涨的情况,根据预测的涨幅与风险控制阈值之间的预设函数关系,确定当前风险控制阈值;针对与预测结果对应的真实涨跌幅为涨的情况,确定所述风险资产涨后的当前风险资产数量;并将当前风险资产数量超过初始投入风险资产数量的部分转移为非风险资产。
5.根据权利要求1所述的系统,其特征在于,还包括:模型训练模块;
所述模型训练模块,用于构建风险控制阈值预测模型,并基于所述电子金融产品的历史交易数据和历史风险控制阈值信息对构建的风险控制阈值预测模型进行训练;
其中,所述历史交易信息和历史风险控制阈值信息之间的时间间隔,与所述风险控制阈值预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
6.根据权利要求1所述的系统,其特征在于,所述风险处理模块,还用于针对所述风险资产的真实涨跌幅为跌的情况,将预设最大损失率与第一风险调整系数的乘积确定为当前损失率阈值,并将真实跌幅对应的损失率与确定的当前损失率阈值进行比对;针对损失率达到当前损失率阈值的情况,将初始投入风险资产数量与第二风险调整系数的乘积确定为调整后的风险资产;并按照预设风险调整系数动态生成规则生成新的第一风险调整系数和新的第二风险调整系数;其中,新的第一风险调整系数小于原第一风险调整系数,新的第二风险调整系数小于原第二风险调整系数。
7.一种风险预测方法,其特征在于,所述方法包括:
基于风险预测模型预测下一个预测周期中预设电子金融产品的涨跌幅;
根据预测的所述涨跌幅,确定风险控制阈值;
针对与所述涨跌幅的预测结果对应的真实涨跌幅为涨的情况,根据所述真实涨跌幅以及所述风险控制阈值,对风险资产的数量进行调整。
8.根据权利要求7所述的方法,其特征在于,所述基于风险预测模型预测下一个预测周期中预设电子金融产品的涨跌幅之前,还包括:
构建所述风险预测模型,并基于所述电子金融产品的历史交易信息和历史涨跌幅信息对构建的风险预测模型进行训练;
其中,所述构建所述风险预测模型时使用的历史交易信息和历史涨跌幅信息之间的时间间隔,与所述风险预测模型预测时使用的历史交易信息和预测结果之间的时间间隔一致。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求7~8任一所述方法的步骤。
10.一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求7~8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552475.XA CN110555541A (zh) | 2018-05-31 | 2018-05-31 | 一种风险预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552475.XA CN110555541A (zh) | 2018-05-31 | 2018-05-31 | 一种风险预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555541A true CN110555541A (zh) | 2019-12-10 |
Family
ID=68733792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810552475.XA Pending CN110555541A (zh) | 2018-05-31 | 2018-05-31 | 一种风险预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052706A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 基金风险等级预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355499A (zh) * | 2016-09-29 | 2017-01-25 | 河南理工大学 | 一种股票价格趋势预测及交易方法 |
CN106355497A (zh) * | 2016-09-12 | 2017-01-25 | 福建中金在线信息科技有限公司 | 一种股票自动交易的方法及装置 |
CN106845681A (zh) * | 2016-12-21 | 2017-06-13 | 广东工业大学 | 一种应用深度学习技术的股票趋势预测方法 |
CN104751363B (zh) * | 2015-03-24 | 2018-01-19 | 北京工商大学 | 基于贝叶斯分类器的股票中长期趋势预测方法及系统 |
CN107705205A (zh) * | 2017-09-04 | 2018-02-16 | 网易乐得科技有限公司 | 一种交易策略提供方法、介质、装置和计算设备 |
-
2018
- 2018-05-31 CN CN201810552475.XA patent/CN110555541A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751363B (zh) * | 2015-03-24 | 2018-01-19 | 北京工商大学 | 基于贝叶斯分类器的股票中长期趋势预测方法及系统 |
CN106355497A (zh) * | 2016-09-12 | 2017-01-25 | 福建中金在线信息科技有限公司 | 一种股票自动交易的方法及装置 |
CN106355499A (zh) * | 2016-09-29 | 2017-01-25 | 河南理工大学 | 一种股票价格趋势预测及交易方法 |
CN106845681A (zh) * | 2016-12-21 | 2017-06-13 | 广东工业大学 | 一种应用深度学习技术的股票趋势预测方法 |
CN107705205A (zh) * | 2017-09-04 | 2018-02-16 | 网易乐得科技有限公司 | 一种交易策略提供方法、介质、装置和计算设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052706A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 基金风险等级预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8706599B1 (en) | System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions | |
Gaudet | Natural resource economics under the rule of Hotelling | |
Krokhmal et al. | Modeling and optimization of risk | |
Hotz‐Behofsits et al. | Predicting crypto‐currencies using sparse non‐Gaussian state space models | |
JP2023171598A (ja) | 証券取引執行を最適化するためのシステム | |
Chang et al. | An investment and consumption problem with CIR interest rate and stochastic volatility | |
Catania et al. | Forecasting cryptocurrencies financial time series | |
Liu et al. | Optimal reinsurance/investment problems for general insurance models | |
González et al. | Investment crowding‐out and labor market effects of financialization in the US | |
Witbooi et al. | An optimal investment strategy in bank management | |
Giesecke et al. | Optimal credit swap portfolios | |
Storti et al. | Nonparametric expected shortfall forecasting incorporating weighted quantiles | |
Arouri et al. | What can we tell about monetary policy synchronization and interdependence over the 2007–2009 global financial crisis? | |
Di Nola et al. | Rescue policies for small businesses in the COVID-19 recession | |
Boloș et al. | Developing an adaptive fuzzy controller for risk management of company cash flow | |
CN110555541A (zh) | 一种风险预测系统及方法 | |
Zhang et al. | Optimal Investment‐Reinsurance Policy with Stochastic Interest and Inflation Rates | |
Zhang et al. | Robust Optimal Excess‐of‐Loss Reinsurance and Investment Problem with Delay and Dependent Risks | |
Aliaga‐Díaz et al. | Monetary Policy and Anti‐Cyclical Bank Capital Regulation | |
Li et al. | Optimal Time‐Consistent Investment and Reinsurance Strategy Under Time Delay and Risk Dependent Model | |
Damjanovic et al. | Seigniorage‐Maximizing Inflation under Sticky Prices | |
Li et al. | Optimal Time‐Consistent Investment and Reinsurance Strategies with Default Risk and Delay under Heston’s SV Model | |
Philip et al. | Cointegrated market-neutral strategy for basket trading | |
Zhao et al. | Portfolio selection based on Bayesian theory | |
Zhao et al. | Risk reduction and efficiency increase in large portfolios: leverage and shrinkage |
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 | ||
CB02 | Change of applicant information |
Address after: 101-8, 1st floor, building 31, area 1, 188 South Fourth Ring Road West, Fengtai District, Beijing Applicant after: Guoxin Youyi Data Co.,Ltd. Address before: 100070, No. 188, building 31, headquarters square, South Fourth Ring Road West, Fengtai District, Beijing Applicant before: SIC YOUE DATA Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |