CN113947492A - 基金追踪系统、基金追踪方法及图形用户接口 - Google Patents

基金追踪系统、基金追踪方法及图形用户接口 Download PDF

Info

Publication number
CN113947492A
CN113947492A CN202011264592.XA CN202011264592A CN113947492A CN 113947492 A CN113947492 A CN 113947492A CN 202011264592 A CN202011264592 A CN 202011264592A CN 113947492 A CN113947492 A CN 113947492A
Authority
CN
China
Prior art keywords
fund
etf
representative
etfs
simulated
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
Application number
CN202011264592.XA
Other languages
English (en)
Inventor
王恩慈
左聪文
韩传祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from TW109136450A external-priority patent/TWI824187B/zh
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN113947492A publication Critical patent/CN113947492A/zh
Pending legal-status Critical Current

Links

Images

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基金追踪系统、基金追踪方法及图形用户接口。基金追踪方法用以对目标基金进行追踪。基金追踪方法包括以下步骤。依据目标基金的基金基准指数获得多个ETF资产类别。依据此些ETF资产类别，获得多个代表ETF。依据此些代表ETF，生成模拟投资组合。验证模拟投资组合是否满足验证条件。若模拟投资组合满足验证条件，则输出模拟投资组合。

Description

基金追踪系统、基金追踪方法及图形用户接口
技术领域
本发明涉及一种基金追踪系统、基金追踪方法及图形用户接口。
背景技术
共同基金的报酬取决于其持有风险性资产的报酬。如果能够预判其持有风险性资产的未来趋势，将有助于预测该基金的未来报酬。例如：OPEC宣布石油减产，往往有助于石油类相关指数上涨。因此，能够预判那些大量持有石油资产的基金将会有一段涨幅。
然而，基金持有风险性资产是横跨多个产业及多个市场，每种资产其持有比重不同，就单一资产趋势推测该基金未来趋势较困难。
尤其是基金对外揭露的信息甚少，仅有公布较大加权系数资产的公司及其加权系数、以国家来分类的加权系数、以各产业分类的加权系数等等综合性信息。此外，基金揭露周期较长，持有资产信息揭露的周期最短一个月，甚至有一季或者半年。
因为信息有限，导致无法使投资人有效地把信息与市场做连接产生交易决策。
发明内容
本发明有关于一种基金追踪系统、基金追踪系统及图形用户接口。
根据本发明的一实施例，提出一种基金追踪方法。基金追踪方法用以对目标基金进行追踪。基金追踪方法包括以下步骤。依据目标基金的基金基准指数获得多个指数股票型基金(Exchange Traded Fund，ETF)资产类别。依据此些ETF资产类别，获得多个代表ETF。依据此些代表ETF，生成一模拟投资组合。验证模拟投资组合是否满足一验证条件。若模拟投资组合满足验证条件，则输出模拟投资组合。
根据本发明的另一实施例，提出一种基金追踪系统。基金追踪系统用以对目标基金进行追踪。基金追踪系统包括选定单元及生成单元。选定单元包括资产类别选定器及指数股票型基金(Exchange Traded Fund，ETF)选定器。资产类别选定器用以依据目标基金的基金基准指数获得多个ETF资产类别。ETF选定器用以依据此些ETF资产类别，获得多个代表ETF。生成单元包括组合器及验证器。组合器用以依据此些代表ETF，生成模拟投资组合。验证器用以验证模拟投资组合是否满足验证条件。若模拟投资组合满足验证条件，则输出模拟投资组合。
根据本发明的又一实施例，提出一种图形用户接口。图形用户接口用以供用户对目标基金进行追踪。图形用户接口包括设定按钮及基金预测结果按钮。设定按钮用以输入目标基金。多个指数股票型基金(Exchange Traded Fund，ETF)资产类别依据目标基金的基金基准指数获得。多个代表ETF依据此些ETF资产类别获得。模拟投资组合依据此些代表ETF生成。基金预测结果按钮用以显示模拟投资组合的上涨期望值或综合趋势。
为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合附图详细说明如下：
附图说明
图1绘示根据一实施例的基金追踪系统的方块图；
图2绘示根据一实施例的基金追踪方法的流程图；
图3示例说明资产类别选定器执行步骤S110的一实施例；
图4示例说明组合器执行步骤S130且验证器执行步骤S140的一实施例；
图5示例说明执行验证程序P45的一实施例；
图6示例说明趋势预测单元执行步骤S160的一实施例；
图7示例说明市场观点处理程序P61的一实施例；
图8示例说明执行特征撷取程序P62的一实施例；
图9示例说明执行预测程序P63的一实施例；
图10示例说明根据一实施例的图形用户接口的示意图。
符号说明：
100：基金追踪系统
110：选定单元
111：资产类别选定器
112：ETF选定器
120：生成单元
121：组合器
122：验证器
130：趋势预测单元
900：图形用户接口
Ci，C1，C2：ETF资产类别
DCi：ETF看涨分数
Dt：资产看涨分数
DX：基金基准指数
ECi，EC1，EC2：代表ETF
FC1：短期趋势
FC2：中期趋势
FC3：长期趋势
FC4：综合趋势
FS，FS’：模拟投资组合
K1：设定按钮
K2：资产预测结果按钮
K3：ETF预测结果按钮
K4：基金预测结果按钮
MD：深度学习模型
P31：基金基准指数撷取程序
P32：类别撷取程序
P41：加权系数计算程序
P43：加权系数确认程序
P44：删除程序
P45：验证程序
P61：市场观点处理程序
P62：特征撷取程序
P63：预测程序
P71：自然语言处理程序
P72：ETF上涨期望值计算程序
P73：基金上涨期望值计算程序
P81：夏普值撷取程序
P82：价格撷取程序
P83：特征正规化程序
P84：填0程序
P85：嵌入特征撷取程序
P86：特征整合程序
PEF：价格嵌入特征
PF：价格特征
Pij：挑选机率
R0：无风险利率
Rij：评分信息排名
S110，S120，S130，S140，S150，S160：步骤
SCij：被挑选次数
SD：财经情绪字典
SF：夏普值特征
St：资产
T1，T2，T3，T4，T5，T6：时间点
TB：基金基准指数与类别对应表
TF：目标基金
TX：市场观点
UTV：上涨期望值
WCi：加权系数
Wij：挑选机率加权系数
Wit：配置比例
Figure BDA0002775056250000051
空值
具体实施方式
指数股票型基金(Exchange Traded Fund，ETF)是由多个风险性资产所组成。相较于个别资产，ETF符合基金的组成特征。此外，相较于基金，ETF的资产配置透明、交易信息更新频率相当的高(例如是每日更新)、并且低追踪误差的ETF可以直接代表其追踪的指数。因此，在本实施例中，研究人员利用ETF来追踪基金，以进一步预测基金的未来走向。
请参照图1，其绘示根据一实施例的基金追踪系统100的方块图。基金追踪系统100例如是一服务器主机、一电脑、一云端计算中心或一智能手机。基金追踪系统100包括一选定单元110、一生成单元120及一趋势预测单元130。选定单元110、生成单元120及趋势预测单元130例如是一电路、一晶片、一电路板、或存储程序码的存储装置。选定单元110包括资产类别选定器111及ETF选定器112。生成单元120包括一组合器121及一验证器122。资产类别选定器111、ETF选定器112、组合器121及验证器122例如是一电路、一晶片、一电路板、或存储程序码的存储装置。本实施例的基金追踪系统100通过选定单元110选定出多个代表ETF ECi(i＝1，2，…)。生成单元120再根据这些代表ETF ECi(i＝1，2，…)来生成模拟投资组合FS。有了模拟投资组合FS之后，即可准确地追踪目标基金TF。进一步还可利用模拟投资组合FS来预测目标基金TF的趋势。以下还搭配一流程图详细说明上述各项元件的运作。
请参照图1及图2，图2绘示根据一实施例的基金追踪方法的流程图。在步骤S110中，资产类别选定器111依据目标基金TF的一基金基准指数DX获得多个ETF资产类别Ci(i＝1，2，…)。ETF资产类别Ci例如是产业类别、区域类别、固定收入类别、汇率类别等，下表一也有示例说明ETF资产类别Ci与基金基准指数DX的关系。
请参照图3，其示例说明资产类别选定器111执行步骤S110的一实施例。资产类别选定器111取得目标基金TF后，利用基金基准指数撷取程序(benchmark indexextraction)P31从基金公开说明书或基金网站撷取到基金基准指数DX。举例来说，股票型基金“富达基金-全球入息基金”的基金基准指数DX为“MSCI ACWI NR USD”；债券型基金“富达基金-美元债券基金”的基金基准指数DX为“ICE BofA US LC Corp&Govt TR USD”。基金基准指数DX对应到的是目标基金TF的投资目标及区域。两档不同的目标基金TF如果基金基准指数DX一样，则两档目标基金TF的投资目标及区域一样。
接着，在类别撷取程序(class extraction)P32中，利用一查找表(如基金基准指数与类别对应表TB)取得ETF资产类别Ci(i＝1，2，…)。由于基金基准指数DX的数量有限，可以人工方式提供并维护。举例来说，如下表一所示，其示例说明基金基准指数与类别对应表TB。不同的基金基准指数DX所对应到的ETF资产类别Ci(i＝1，2，…)的数量可能不同。由于基金基准指数DX的变化有限，故可以轻松维护基金基准指数与类别对应表TB。
Figure BDA0002775056250000061
表一
然后，在图2的步骤S120中，ETF选定器112依据此些ETF资产类别Ci(i＝1，2，…)，获得多个代表ETF ECi(i＝1，2，…)。在此步骤中，所获得的代表ETF EC1为ETF资产类别C1的多个ETF的最佳者；所获得的代表ETF EC2为ETF资产类别C2的多个ETF的最佳者；依此类推。最佳者的挑选则是依据一ETF评分信息排名Rij来获得各个代表ETF ECi(i＝1，2，…)。评分信息的内容例如是“字母等级/Fit值”。字母等级为有效性和可交易性部分(Efficiency and Tradability)的得分，字母等级可以客观地衡量ETF的运行状况以及买卖的容易程度。Fit值实质上是衡量ETF占领更大市场的能力，可视投资者需求选择。如想跟随大盘，会选择Fit值分数较高者；如不想与广泛市场相同的，则选择Fit值较低者。本实施例以选择Fit值分数较高者为例。
举例来说，某三笔ETF的评分信息例如是“A/85”、“B/72”、“B/85”。三笔ETF评分信息进行比较时，先以字母等级进行排序(A优先于B，B优先于C，依此类推)。再以Fit值进行排序(数字大者优先)。故这三笔ETF的评分信息的顺序为“A/85”、“B/85”、“B/72”，其评分信息排名Rij分别为1、2、3。
请参照下表二，其示例说明依据评分信息排名Rij针对11个ETF资产类别Ci(i＝1，2，…)所获得的11个代表ETF ECi(i＝1，2，…)。
Figure BDA0002775056250000071
Figure BDA0002775056250000081
表二
在一实施例中，除了直接以评分信息排名Rij的最佳者来挑选代表ETF以外，也可进一步参考被挑选次数SCij来进行选择。举例来说，被挑选到的某一代表ETF在后续合成模拟投资组合FS的过程中可能被判定不合适合而被移除。故在步骤S120挑选代表ETF时，则不适合一直去挑选经常被移除者。
ETF选定器112可以利用以下公式(1)、(2)来挑选代表ETF ECi(i＝1，2，…)。
Figure BDA0002775056250000082
Figure BDA0002775056250000083
在本文中，i指不同ETF资产类别，j指同一ETF资产类别中的不同ETF。第i个ETF资产类别Ci中第j个ETF具有评分信息排名Rij、被挑选次数SCij、挑选机率加权系数Wij及挑选机率Pij。
如公式(1)所示，评分信息排名Rij越小，挑选机率加权系数Wij越大；被挑选次数SCij越小，挑选机率加权系数Wij越大。因此，评分信息排名Rij越佳者且被挑选次数SCij越低者，越容易被挑选到。
接着，在图2的步骤S130中，组合器121依据此些代表ETF ECi(i＝1，2，…)，生成模拟投资组合FS。并且在图2的步骤S140中，验证器122判断模拟投资组合FS是否满足一验证条件。
模拟投资组合FS为这些代表ETF ECi(i＝1，2，...)与加权系数WCi(i＝1，2，...)的乘积合(即∑iWCi*ECi)。请参照图4，其示例说明组合器121执行步骤S130且验证器122执行步骤S140的一实施例。
组合器121取得代表ETF ECi(i＝1，2，...)之后，可以在加权系数计算程序P41中依据回归模型(regression model)来计算出加权系数WCi(i＝1，2，...)。回归模型例如是套索回归模型(lasso regression model)或节脊回归模型(Ridge Regression model)。组合器121在计算加权系数WCi(i＝1，2，...)的过程中，必须满足以下几个限制条件：所有加权系数WCi(i＝1，2，...)的和为1(即∑iWCi＝1)。并且任何加权系数WCi(i＝1，2，…)皆大于或等于0(即WCi1≥0)，代表没有放空的情况。倘若组合器121在这些限制条件下无法计算出加权系数WCi(i＝1，2，…)，则输出空值
Figure BDA0002775056250000091
然后，在加权系数确认程序P43中，组合器121确认加权系数WCi(i＝1，2，…)是否皆大于一预定权重值。当某一加权系数不大于预定权重值时，表示对应的代表ETF的代表性不足，而需要在删除程序P44中予以删除，并重新回到加权系数计算程序P41。
顺利通过加权系数计算程序P41、加权系数确认程序P43后，则可进入验证程序P45。
在验证程序P45中，验证器122验证模拟投资组合FS是否满足验证条件。验证条件为模拟投资组合FS与目标基金TF的一报酬变化近似度小于一临界值。验证器122例如是利用柯尔莫哥洛夫-斯米尔诺夫检验(kolmogorov-smirnov test，K-S test)分析出报酬变化近似度。
请参照图5，其示例说明执行验证程序P45的一实施例。如图5上侧图示所示，组合器121利用时间点T1～T2的信息在时间点T2建立出模拟投资组合FS。接着，验证器122即可在时间点T2～T3采集模拟投资组合FS的报酬变化与目标基金TF的报酬变化，并判断两者的近似度是否小于临界值。通过验证后，模拟投资组合FS即可用来进行时间点T4后的预测。
此外，如图5下侧图示所示，若要进行时间点T8后的预测，可以在时间点T5～T6重新建立新的模拟投资组合FS’。倘若时间点T6建立出的模拟投资组合FS’能够在时间点T6～T7通过验证。模拟投资组合FS’即可用来进行时间点T8后的预测。
一般而言，目标基金TF在短时间内对相同产业类别的投资百分比变化不会太大。前后两期(最短一个月)，相同产业的投资百分比变化通常不会超过1％。因此，通常模拟投资组合FS可以维持一段时间的有效性。
如图4所示，若验证器122验证出模拟投资组合FS满足验证条件，则输出模拟投资组合FS(如图2的步骤S140的结果为“是”时，进入步骤S150)；若验证器122验证出模拟投资组合FS不满足验证条件，则输出空值
Figure BDA0002775056250000101
并重新挑选代表ETF(如图2步骤S140的结果为“否”时，回至步骤S120)。
在图2的步骤S150中，验证器122输出模拟投资组合FS至趋势预测单元130。
在步骤S160中，趋势预测单元130基于模拟投资组合FS，利用一深度学习模型预测目标基金TF的趋势。请参照图6，其示例说明趋势预测单元130执行步骤S160的一实施例。在市场观点处理程序P61中，依据一市场观点计算模拟投资组合FS的一上涨期望值UTV。
请参照图7，其示例说明市场观点处理程序P61的一实施例。在自然语言处理程序P71中，取得市场观点TX，并根据财经情绪字典(Financial sentiment dictionary)SD计算出各种资产St(t＝1，2，…)的资产看涨分数Dt(t＝1，2，…)。t是指不同的资产。举例来说，某一市场观点TX为“麦格理预期金价有望逼近每盎司2000美元”。根据财经情绪字典SD可以分析出：“麦格理”为法人，“金价”为资产St，“望”为3分观点，“逼近每盎司2000美元”为7分观点。经过计算资产看涨分数Dt为5.0(即(3+7)/2)。每一资产St(t＝1，2，…)都可通过同样方式计算出资产看涨分数Dt(t＝1，2，…)。
接着，在ETF上涨期望值计算程序P72中，依据各个代表ETF ECi(i＝1，2，…)对于资产的配置比例Wit，计算出代表ETF ECi(i＝1，2，…)的ETF看涨分数DCi(i＝1，2，…)。ETF看涨分数DCi例如是依据以下公式(3)进行计算。
DCi＝∑tWit*Dt…………………………………………………(3)
然后，在基金上涨期望值计算程序P73中，依据ETF看涨分数DCi(i＝1，2，…)计算模拟投资组合FS的上涨期望值UTV。上涨期望值UTV例如是依据以下公式(4)进行计算。
UTV＝∑iWCi*DCi………………………………………………(4)
回到图6，除了需要在市场观点处理程序P61取得上涨期望值UTV以外，还需要在特征撷取程序P62中取得价格嵌入特征PEF与夏普值特征SF。请参照图8，其示例说明执行特征撷取程序P62的一实施例。在夏普值撷取程序P81中，依据无风险利率R0撷取出夏普值特征SF。在价格撷取程序P82中，撷取过去一段时间的价格特征PF。并且，经过特征正规化程序P83，将价格特征PF的数值移动到0以上的区间。再通过填0程序P84，将价格特征PF填满为某一预设长度的数值串列。接着，再利用嵌入特征撷取程序(embedded feature extraction)P85取得价格嵌入特征PEF。最后，则在特征整合程序P86中将夏普值特征SF与价格嵌入特征PEF进行整合。在训练模型时，所有的基金是一起训练的。因为每档基金的代表ETF ECi的个数不一样，造成训练模型中的输入有的较多(代表ETF ECi的个数多)，有的较少(代表ETFECi的个数少)。输入数量不一致是无法进行深度学习的。所有输入的数量必须要一致，才能取出一样个数的特征。因此，本实施例通过上述的填0程序P84，对于较少代表ETF ECi个数的基金把空缺的特征补0，以进行对齐的动作。
回到图6，取得上涨期望值UTV、夏普值特征SF与价格嵌入特征PEF后，则可利用预测程序P63进行趋势的预测。
请参照图9，其示例说明执行预测程序P63的一实施例。在预测程序P63中，主要是利用深度学习模型MD预测目标基金TF的趋势。上述上涨期望值UTV、夏普值特征SF与价格嵌入特征PEF可以输入深度学习模型MD分别预测出短期趋势FC1、中期趋势FC2及长期趋势FC3。接着，再将短期趋势FC1、中期趋势FC2、长期趋势FC3、上涨期望值UTV、夏普值特征SF与价格嵌入特征PEF一起输入至深度学习模型MD，以预测出综合趋势FC4。有了综合趋势FC4之后，即可据以给予是否买进的建议。
除了上述实施方式以外，再计算出上涨期望值UTV时，也可直接根据上涨期望值UTV给予是否买进的建议。
通过上述实施例即可准确地追踪目标基金TF，并进一步还可利用模拟投资组合FS来预测目标基金TF的趋势。
此外，请参照图10，其示例说明根据一实施例的图形用户接口900的示意图。为了方便用户直接在智能手机、笔记本电脑、台式电脑进行操作，还可提供一图形用户接口900来执行上述基金追踪方法。图形用户接口900包括一设定按钮K1、一资产预测结果按钮K2、一ETF预测结果按钮K3及一基金预测结果按钮K4。设定按钮K1用以进入一视窗，以供用户设定目标基金TF。资产预测结果按钮K2用以显示上述各种资产St(t＝1，2，…)的资产看涨分数Dt(t＝1，2，…)。ETF预测结果按钮K3用以显示上述代表ETF ECi(i＝1，2，…)的ETF看涨分数DCi(i＝1，2，…)。基金预测结果按钮K4用以显示上述模拟投资组合FS的上涨期望值UTV、或者是综合趋势FC4。
综上所述，虽然本发明已以实施例揭露如上，然其并非用以限定本发明。本领域技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书范围所界定的为准。

Claims (21)

1.一种基金追踪方法，用以对目标基金进行追踪，其特征在于，该基金追踪方法包括：
依据该目标基金的基金基准指数获得多个ETF资产类别；
依据该些ETF资产类别，获得多个代表ETF；
依据该些代表ETF，生成模拟投资组合；
验证该模拟投资组合是否满足验证条件；以及
若该模拟投资组合满足该验证条件，则输出该模拟投资组合。
2.如权利要求1所述的基金追踪方法，其中，在获得该些ETF资产类别的步骤中，依据查找表获得该些ETF资产类别。
3.如权利要求1所述的基金追踪方法，其中，在获得该些代表ETF的步骤中，所获得的各该代表ETF为各该ETF资产类别的多个ETF的最佳者。
4.如权利要求1所述的基金追踪方法，其中，在获得该些代表ETF的步骤中，至少依据ETF评分信息获得各该代表ETF。
5.如权利要求4所述的基金追踪方法，其中，在获得该些代表ETF的步骤中，还依据被挑选次数获得各该代表ETF。
6.如权利要求1所述的基金追踪方法，其中，在生成该模拟投资组合的步骤中，获得各该代表ETF的加权系数，各该加权系数之和为1，且各该加权系数大于或等于0。
7.如权利要求1所述的基金追踪方法，其中，该验证条件为该模拟投资组合与该目标基金的报酬变化近似度小于临界值。
8.如权利要求1所述的基金追踪方法，其特征在于，还包括：
基于该模拟投资组合，利用深度学习模型预测该目标基金的趋势。
9.如权利要求8所述的基金追踪方法，其中，在利用该深度学习模型预测该目标基金的趋势的步骤中，至少依据市场观点的一上涨期望值进行预测。
10.如权利要求8所述的基金追踪方法，其中，在利用该深度学习模型预测该目标基金的趋势的步骤中，至少依据夏普值及价格嵌入特征进行预测。
11.一种基金追踪系统，用以对目标基金进行追踪，其特征在于，该基金追踪系统包括：
选定单元，包括：
资产类别选定器，用以依据该目标基金的基金基准指数获得多个ETF资产类别；及
ETF选定器，用以依据该些ETF资产类别，获得多个代表ETF；以及
生成单元，包括：
组合器，用以依据该些代表ETF，生成模拟投资组合；及
验证器，用以验证该模拟投资组合是否满足验证条件，若该模拟投资组合满足该验证条件，则输出该模拟投资组合。
12.如权利要求11所述的基金追踪系统，其中，该资产类别选定器依据查找表获得该些ETF资产类别。
13.如权利要求11所述的基金追踪系统，其中，该ETF选定器所获得的各该代表ETF为各该ETF资产类别的多个ETF的最佳者。
14.如权利要求11所述的基金追踪系统，其中，该ETF选定器至少依据ETF评分信息获得各该代表ETF。
15.如权利要求14所述的基金追踪系统，其中，该ETF选定器还依据被挑选次数获得各该代表ETF。
16.如权利要求11所述的基金追踪系统，其中，该组合器获得各该代表ETF的加权系数，各该加权系数之和为1，且各该加权系数大于或等于0。
17.如权利要求11所述的基金追踪系统，其中，该验证条件为该模拟投资组合与该目标基金的报酬变化近似度小于临界值。
18.如权利要求11所述的基金追踪系统，其特征在于，还包括：
趋势预测单元，用以基于该模拟投资组合，利用深度学习模型预测该目标基金的趋势。
19.如权利要求18所述的基金追踪系统，其中，该趋势预测单元至少依据市场观点的上涨期望值进行预测。
20.如权利要求18所述的基金追踪系统，其中，该趋势预测单元至少依据夏普值及价格嵌入特征进行预测。
21.一种图形用户接口，用以供一用户对目标基金进行追踪，其特征在于，该图形用户接口包括：
设定按钮，用以输入该目标基金，多个ETF资产类别依据该目标基金的基金基准指数获得，多个代表ETF依据该些ETF资产类别获得，模拟投资组合依据该些代表ETF生成；以及
基金预测结果按钮，用以显示该模拟投资组合的上涨期望值或综合趋势。
CN202011264592.XA 2020-07-15 2020-11-12 基金追踪系统、基金追踪方法及图形用户接口 Pending CN113947492A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063051951P 2020-07-15 2020-07-15
US63/051,951 2020-07-15
TW109136450A TWI824187B (zh) 2020-07-15 2020-10-21 基金追蹤系統、基金追蹤方法及圖案化使用者介面
TW109136450 2020-10-21

Publications (1)

Publication Number Publication Date
CN113947492A true CN113947492A (zh) 2022-01-18

Family

ID=79292583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011264592.XA Pending CN113947492A (zh) 2020-07-15 2020-11-12 基金追踪系统、基金追踪方法及图形用户接口

Country Status (2)

Country Link
US (1) US20220020092A1 (zh)
CN (1) CN113947492A (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150348195A1 (en) * 2000-03-27 2015-12-03 Nyse Mkt Llc Systems and methods for trading actively managed funds
US7584132B2 (en) * 2001-02-06 2009-09-01 Strategic Capital Network, Llc System for facilitating selection of investments
SG10201912696XA (en) * 2019-09-26 2021-04-29 Kim Hwa Lim Dynamically-Generated Electronic Database for Portfolio Selection

Also Published As

Publication number Publication date
US20220020092A1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
Henry et al. Measuring qualitative information in capital markets research: Comparison of alternative methodologies to measure disclosure tone
Serrano-Cinca et al. The use of accounting anomalies indicators to predict business failure
US10185996B2 (en) Stock fluctuation prediction method and server
US11688017B1 (en) Computer system and method for detecting, extracting, weighing, benchmarking, scoring, reporting and capitalizing on complex risks found in buy/sell transactional agreements, financing agreements and research documents
CN112750029A (zh) 信用风险预测方法、装置、电子设备及存储介质
KR102551906B1 (ko) 기업정보를 이용한 기업 평가 시스템
CN113742492A (zh) 保险方案生成方法、装置、电子设备及存储介质
CN111179051A (zh) 金融目标客户确定方法、装置及电子设备
CN113283795A (zh) 基于二分类模型的数据处理方法及装置、介质、设备
CN109035025A (zh) 评价股票评论可靠性的方法和装置
Chen et al. Forecasting PGR of the financial industry using a rough sets classifier based on attribute-granularity
CN111143533A (zh) 一种基于用户行为数据的客服方法及系统
Yao et al. A study of correlation between investor sentiment and stock market based on Copula model
CN113947492A (zh) 基金追踪系统、基金追踪方法及图形用户接口
TWI824187B (zh) 基金追蹤系統、基金追蹤方法及圖案化使用者介面
CN109300030A (zh) 实现股票投资推荐的方法和装置
KR100363775B1 (ko) 인터넷을 이용하여 투자 정보를 제공하는 정보 제공자의신뢰성 평가 방법 및 그 시스템
Lee et al. An Integral Predictive Model of Financial Distress
CN113874901A (zh) 贷款对象信用度判定程序及系统
CN111414699A (zh) 信息分析预测方法、装置、计算机系统及可读存储介质
Andersson et al. Bankruptcy determinants among Swedish SMEs:-The predictive power of financial measures
Lui et al. Influence of investor sentiment, characteristics, and information sequence on stock investment decision: evidence from the taiwanese market
US20220284450A1 (en) System and method for determining sentiment index for transactions
CN116843172A (zh) 一种生成电商数据风险样本的方法及电子设备
CN116843173A (zh) 基于大数据建立电商风险评级的方法及电子设备

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