CN114155110A - 一种基金净值估算方法、装置、设备及存储介质 - Google Patents
一种基金净值估算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114155110A CN114155110A CN202210118751.8A CN202210118751A CN114155110A CN 114155110 A CN114155110 A CN 114155110A CN 202210118751 A CN202210118751 A CN 202210118751A CN 114155110 A CN114155110 A CN 114155110A
- Authority
- CN
- China
- Prior art keywords
- target
- fund
- stock
- target fund
- bond
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000012417 linear regression Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
技术领域
本发明实施例涉及金融产品估值技术,尤其涉及一种基金净值估算方法、装置、设备及存储介质。
背景技术
随着社会经济的发展和科技的高速进步,近些年来,基金已经成为人们资产配置的重要手段。而其中,场外基金作为人们持有基金的主要方式,其特点是可以通过基金公司或者基金代理销售渠道购买,并采用T+1(也就是T日交易,T+1日确认份额)的方式进行结算。由于场外基金的这种T+1结算特点,其最新净值份额往往要在每个交易日的晚上才能完成结算和公布。而基金净值是判断当日或近期是否交易的重要判断依据,因此,如果能准确估算基金的实时净值,则可以有效提高交易成功率。
现有的基金净值估算多是基于基金交易报告中披露的持仓直接进行估算,一般是通过获取最新报告中披露的基金持仓明细,按照持仓比例加权计算出实时的估算值。但是,该方法的缺陷在于报告中的持仓一般只有前十大重仓股,无法完整代表基金的持仓。同时,由于基金经理存在调仓的行为,导致披露的持仓明细和实际明细往往有不小的区别,从而导致估算值的不准确甚至偏离很大。且目前公众获取股票、基金数据一般通过交易所屏幕、APP券商交易软件屏幕的实时数据变化来看交易情况;但是软件不能实现目标净值估算的分析功能,且不能自定义实时获取目标分析时间段内的净值变化趋,采用自动化手段分析预计估算目标基金净值的方法亟待提升。
发明内容
本发明提供一种基金净值估算方法、装置、设备及存储介质,能够解决现有技术无法准确估算基金净值的技术问题。
第一方面,本发明实施例提供了一种基金净值估算方法,所述方法包括:
确定待估算净值的目标基金的类型,所述类型包括权益类基金和债券类基金;
当所述目标基金为所述权益类基金时,确定与所述目标基金匹配的目标股票池,摄像头实时采集屏幕上目标股票池内股票价格视频流数据,根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值;
当所述目标基金为所述债券类基金时,摄像头实时采集屏幕上目标基金持仓占比及涨跌幅视频流数据,基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值。
进一步的,在获取摄像头实时采集股票价格或目标基金持仓占比及涨跌幅视频流数据;从第二帧开始,实时计算第n帧与前一帧视频图像的变化度,当在目标分析时间段内变化度大于T的次数多于设定阈值时,则该目标基金的估算净值与分析时间初始值相同,否则目标基金的估算净值呈现上升或下降趋势;变化度表示如下:
其中,表示第n帧与第n-1帧视频HSI图像的H通道的H值矩阵之差,表示第n帧与第n-1帧视频HSI 图像的S通道的S值矩阵之差, 表示第n帧与第n-1帧视频HSI图像的I通道的I值矩阵之差, 、、分别为 H通道、S通道、I通道的矩阵归一化比例系数。
可选的,所述确定与所述目标基金匹配的目标股票池,可以包括:
选取与所述目标基金所覆盖行业相同的多支股票构建股票池;
按照所述股票池在预设的历史时间段内的第一涨跌幅数据与所述目标基金在所述历史时间段内的第二涨跌幅数据之间的相关性,确定与所述目标基金匹配的目标股票池。
可选的,所述按照所述股票池在预设的历史时间段内的第一涨跌幅数据与所述目标基金在所述历史时间段内的第二涨跌幅数据之间的相关性,确定与所述目标基金匹配的目标股票池,可以包括:
获取所述股票池中每支股票在预设的历史时间段内的第一涨跌幅数据和所述目标基金在所述历史时间段内的第二涨跌幅数据;
针对所述股票池中的每支股票,计算该股票的第一涨跌幅数据与所述第二涨跌幅数据之间的积差相关系数;
选取所述积差相关系数大于预设的第一阈值的股票构建候选股票池;
剔除所述候选股票池中存在共线性的股票,得到与所述目标基金匹配的目标股票池。
可选的,所述剔除所述候选股票池中存在共线性的股票,得到与所述目标基金匹配的目标股票池,可以包括:
计算所述候选股票池中两两股票相互之间的积差相关系数;
将所述积差相关系数大于预设的第二阈值的股票作为存在共线性的股票从所述候选股票池中剔除,得到与所述目标基金匹配的目标股票池。
可选的,所述根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值,可以包括:
确定所述目标股票池中每支股票在预设的目标时间段内的第三涨跌幅数据作为自变量;
确定所述目标基金在所述目标时间段内的第四涨跌幅数据作为因变量;
基于所述因变量和多个所述自变量之间的关系构建回归模型,所述回归模型表示所述目标股票池与所述目标基金之间的映射关系;
在所述回归模型中输入所述目标股票池中股票的实时数据,输出得到对所述目标基金估算的净值。
可选的,所述持仓组分包括股票组分和债券组分;所述基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值,可以包括:
确定所述股票组分在所述目标基金中的股票持仓占比以及股票涨跌幅;
按照所述股票持仓占比和所述股票涨跌幅加权计算第一数值;
确定所述债券组分在所述目标基金中的债券持仓占比以及债券涨跌幅;
按照所述债券持仓占比和所述债券涨跌幅加权计算第二数值;
合并所述第一数值与所述第二数值得到所述目标基金的净值。
可选的,所述债券组分包括可转债和其他债券;所述确定所述债券组分在所述目标基金中的债券持仓占比以及债券涨跌幅,包括:
获取所述债券组分在所述目标基金中的持仓明细;
基于所述持仓明细确定所述可转债在所述目标基金中的债券持仓占比和所述其他债券在所述目标基金中的债券持仓占比;
按照所述可转债的实时数据计算所述可转债的债券涨跌幅;
采用预设的债券指数计算所述其他债券的债券涨跌幅,所述债券指数包括国债指数、企业债指数。
第二方面,本发明实施例还提供了一种基金净值估算装置,所述装置包括:
类型确定模块,用于确定待估算净值的目标基金的类型,所述类型包括权益类基金和债券类基金;
第一估算模块,用于当所述目标基金为所述权益类基金时,确定与所述目标基金匹配的目标股票池,根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值;
第二估算模块,用于当所述目标基金为所述债券类基金时,基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值;
变化度分析模块,在获取摄像头实时采集股票价格或目标基金持仓占比及涨跌幅视频流数据;从第二帧开始,实时计算第n帧与前一帧视频图像的变化度,当在目标分析时间段内变化度大于T的次数多于设定阈值时,则该目标基金的估算净值与分析时间初始值相同,否则目标基金的估算净值呈现上升或下降趋势;变化度表示如下:
其中,表示第n帧与第n-1帧视频HSI图像的H通道的H值矩阵之差,表示第n帧与第n-1帧视频HSI 图像的S通道的S值矩阵之差, 表示第n帧与第n-1帧视频HSI图像的I通道的I值矩阵之差, 、、分别为 H通道、S通道、I通道的矩阵归一化比例系数。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的基金净值估算方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的基金净值估算方法。
本发明通过确定待估算净值的目标基金的类型,实时获取屏幕图像视频流股票价格等数据,通过对HSI各通道变化对图像的变化程度进行目标基金净值的预测,大大降低了人工盯屏幕、计算的费时、费力的便易程度;目标基金类型包括权益类基金和债券类基金;当目标基金为权益类基金时,确定与目标基金匹配的目标股票池,根据目标股票池与目标基金之间的映射关系估算目标基金的净值;当目标基金为债券类基金时,基于目标基金中各持仓组分的持仓占比和涨跌幅估算目标基金的净值。上述技术方案根据标的基金(即目标基金)的持仓特点,将其分为权益类基金和债券类基金两类,对待估算净值的目标基金先预判类型,再针对不同的基金类型确定与其对应的净值估算方法,具有净值估算的普适性和通用性,可以更为准确的估算基金的净值。其中,针对类型为权益类基金的目标基金是通过建立一个和目标基金相关性较大的目标股票池,基于该目标股票池与目标基金之间的映射关系来估算目标基金的净值,由于股票具有实时数据,因此当确定目标股票池与目标基金之间的映射关系后,可以基于目标股票池中股票的实时数据代入该映射关系中,以估算目标基金的实时净值,可有效解决传统估算方法不及时的问题;针对类型为债券类基金的目标基金,则将最新持仓分为可转债、其它债和股票三大部分,并按照各持仓组分的持仓仓位进行加权求和,得到目标基金的估算值。本发明可以有效地解决传统估算方法不准确、不及时以及实用性不强的问题,同时自动实时获取股票、基金数据,提升了计算分析智能化程度。
附图说明
图1为本发明实施例一提供的一种基金净值估算方法的流程图;
图2为本发明实施例二提供的一种基金净值估算装置的结构框图;
图3为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。实施例中的条件可以根据具体条件做进一步的调整,在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基金净值估算方法的流程图。应该理解的是,基金作为一种金融理财产品,一般分为场内基金和场外基金两种。场外基金是指不在证券交易所上市交易,在银行、证券公司、第三方理财平台或基金公司直销平台交易的基金。目前,大多数基金都是场外基金。
本实施例可适用于对场外基金实时估算净值的情况,本实施例所提出的基金净值估算方法可以由基金净值估算装置来执行,该基金净值估算装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、个人电脑、移动终端等计算设备,等等,该方法具体包括如下步骤:
S110、确定待估算净值的目标基金的类型。
在本实施例中,目标基金是指场外基金中待估算净值的基金,目标基金的类型包括权益类基金和债券类基金。
其中,权益类基金通常指以获得红利等的投资形式的基金,简而言之,以投资债票券或类货币型商品之开放型基金称为固定收益类开放式基金,以投资证券为主的开放型基金称为权益类开放式基金。权益类基金一般包括股票型基金、指数型基金等。
债券类基金是指以国债、金融债等固定收益类金融工具为主要投资对象的基金,因为其投资的产品收益比较稳定,又被称为“固定收益基金”。 债券类基金的主要持仓为债券,包括国债、企业债、地方债等,并且可以持有少部分股票(不超过20%)。根据投资股票的比例不同,债券型基金又可分为纯债券型基金与偏债券型基金。
在本实施例的具体实现中,优先确定场外基金中待估算净值的基金作为目标基金,再判定该目标基金的类型,确定该目标基金是归属于权益类基金还是债券类基金。
S120、当目标基金为权益类基金时,确定与目标基金匹配的目标股票池,根据目标股票池与目标基金之间的映射关系估算目标基金的净值。
当确定目标基金为权益类基金时,可以依据权益类基金的特性,为该目标基金建立模拟持仓模型,例如用计算得到的股票持仓池来近似目标基金的实际持仓,即该股票持仓池可作为该目标基金的模拟持仓模型,再根据该目标基金的持仓明细和各持仓组分的持仓比例,确定目标基金与模拟持仓模型之间的映射关系,在模拟持仓模型中代入实时股票或者指数数据,计算目标基金的实时估值,得到估算的净值。
进一步的,在获取摄像头实时采集股票价格或目标基金持仓占比及涨跌幅视频流数据;从第二帧开始,实时计算第n帧与前一帧视频图像的变化度,当在目标分析时间段内变化度大于T的次数多于设定阈值时,则该目标基金的估算净值与分析时间初始值相同,否则目标基金的估算净值呈现上升或下降趋势;变化度表示如下:
其中,表示第n帧与第n-1帧视频HSI图像的H通道的H值矩阵之差,表示第n帧与第n-1帧视频HSI 图像的S通道的S值矩阵之差, 表示第n帧与第n-1帧视频HSI图像的I通道的I值矩阵之差, 、、分别为 H通道、S通道、I通道的矩阵归一化比例系数。
在本实施例的一种实现方式中,确定与目标基金匹配的目标股票池,可以包括如下具体步骤:
S1201、选取与目标基金所覆盖行业相同的多支股票构建股票池。
其中,股票池中的每支股票的选取标准还应该考虑该股票的基本面,确定各行业中基本面较好的股票来构建与目标基金对应的股票池,该基本面指的是国家宏观经济,以及公司所处行业,还有公司本身经营财政状况等。
S1202、按照股票池在预设的历史时间段内的第一涨跌幅数据与目标基金在历史时间段内的第二涨跌幅数据之间的相关性,确定与目标基金匹配的目标股票池。
该历史时间段可以是在对目标基金的净值进行预测估算之前的时间段内的任一段时间周期,例如目标基金产品上线的过去一年、一个月、一个季度,等等;确定目标基金在预设的历史时间段内的涨跌幅数据,并确定股票池中的股票在同一历史时间段内的涨跌幅数据,分析两者数据在同一时间段内的数据波动情况,确定两者数据之间的相关性,依据该相关性从初始构建的股票池中筛选出与目标基金相关程度较高的股票池作为与目标基金匹配的目标股票池。需要说明的是,为了区别股票池与目标基金两者涨跌幅数据的描述,将股票池在预设的历史时间段内的涨跌幅数据作为第一涨跌幅数据,将目标基金在历史时间段内的涨跌幅数据作为第二涨跌幅数据,“第一”和“第二”这类次序词不代表先后顺序,仅用于区分描述。
在本实施例中,确定第一涨跌幅数据与第二涨跌幅数据之间的相关性,可以通过计算相关系数来表示,或者通过回归分析来确认目标基金与股票池之间的相关性,其中,相关系数的计算方式有很多,例如积差相关系数(Pearson系数)、斯皮尔曼等级相关系数(Spearman系数)、肯德尔和谐系数(Kendall系数)等等,本实施例对此不作具体限定。
在一个优选的实施方式中,S1202可以具体包括如下步骤:
S1、获取股票池中每支股票在预设的历史时间段内的第一涨跌幅数据和目标基金在历史时间段内的第二涨跌幅数据。
S2、针对股票池中的每支股票,计算该股票的第一涨跌幅数据与第二涨跌幅数据之间的积差相关系数。
S3、选取积差相关系数大于预设的第一阈值的股票构建候选股票池。
S4、剔除候选股票池中存在共线性的股票,得到与目标基金匹配的目标股票池。
在该实施方式中,积差相关系数又称积矩相关系数,是统计学家皮尔森(Pearson)提出的一种计算相关系数的方法,故也称皮尔森系数(Pearson系数),是一种线性相关系数,可以记为r,用来反映两个变量X和Y的线性相关程度,r值介于-1到1之间,r的绝对值越大表明两个变量之间的相关性越强。在具体计算中,例如,设变量与变量作为两个向量,向量的长度相同都为n,变量,变量,则变量X与变量Y之间的皮尔森系数计算公式为:
其中,、分别为变量X、Y的标准差,、分别为变量X、Y的平均值。皮尔森系数主要用于比较变量间的线性相关性。实际使用过程中,的绝对值越大,变量X与Y的线性相关性越强,当等于1时,说明变量X与Y的正线性相关性最大,等于0说明变量X与Y的相关性最小或几乎不相关。
需要说明的是,在该实施方式中,剔除候选股票池中存在共线性的股票是为了对候选股票池作进一步的股票筛选,共线性是指候选股票池中的股票之间存在较强的线性关系,该线性关系可以通过分析两两股票在最近一个时间段内的涨跌幅确定,股票之间存在共线性表示这些股票在涨跌数据上存在较强的相似性,为了减少与目标基金匹配的目标股票池中出现冗余的股票,降低计算的数据量,所以需要将候选股票池中存在共线性的股票剔除,以保证从候选股票池中筛选得到的目标股票池中仅存在多支具有唯一代表性的股票,便于后续对目标股票池与目标基金建立映射关系,可以进一步提高计算效率。
在本实施例的一个示例中,剔除候选股票池中存在共线性的股票,得到与目标基金匹配的目标股票池,可以具体包括:
计算候选股票池中两两股票相互之间的积差相关系数;
将积差相关系数大于预设的第二阈值的股票作为存在共线性的股票从候选股票池中剔除,得到与目标基金匹配的目标股票池。应当理解的是,通过计算候选股票池中两两股票相互之间的积差相关系数来分析股票之间共线性的目的在于确保目标股票池中的股票是相互独立的,从而减少多余的扰动,同时也能减少计算量,避免后续构建目标股票池与目标基金之间的映射关系容易失真、数据分析的准确率较低的问题。
本实施例中,在确定与目标基金匹配的目标股票池之后,根据目标股票池与目标基金之间的映射关系估算目标基金的净值,可以通过如下具体步骤实现:
S1203、确定目标股票池中每支股票在预设的目标时间段内的第三涨跌幅数据作为自变量。
S1204、确定目标基金在目标时间段内的第四涨跌幅数据作为因变量。
S1205、基于因变量和多个自变量之间的关系构建回归模型,回归模型表示目标股票池与目标基金之间的映射关系。
S1206、在回归模型中输入目标股票池中股票的实时数据,输出得到对目标基金估算的净值。
需要说明的是,确定目标股票池与目标基金之间的映射关系可以通过分析目标股票池与目标基金各自在相同时间段内的涨跌幅数据、对两者的涨跌幅数据构建回归模型得到,该回归模型可以是线性回归、多项式回归、岭回归等等,本实施例对此不作限定。其中,线性回归模型在回归分析中最为常用,原理在于线性回归通过使用最佳的拟合直线,建立因变量(Y)和一个或多个自变量(X)之间的关系;它的表达式可以为Y=a+b*X+e,a为直线截距,b为直线斜率,e为误差项。在该线性回归模型中,若给出了自变量 X,就能通过这个线性回归表达式计算出预测值,即因变量 Y。因此,在本实施例中,若选用线性回归模型来表示目标股票池与目标基金之间的映射关系,则可以将目标股票池中每支股票在预设的目标时间段内的第三涨跌幅数据作为自变量,将目标基金在目标时间段内的第四涨跌幅数据作为因变量,对因变量和自变量进行直线拟合,确定因变量和多个自变量之间的关系,将该关系表示为固定的函数表达式,若直线拟合成功,则可以确定目标股票池与目标基金之间的映射关系能够适用线性回归模型。然而,应当理解的是,目标基金的涨跌数据与目标股票池中每支股票的涨跌数据之间不一定存在线性关系,上述示例仅是对确定目标股票池与目标基金之间的映射关系的一种实现方式的说明,本实施例对此不作具体限定。为了区别股票池与目标基金两者涨跌幅数据的描述,将股票池在预设的目标时间段内的涨跌幅数据作为第三涨跌幅数据,将目标基金在目标时间段内的涨跌幅数据作为第四涨跌幅数据,同本实施例中出现的“第一”和“第二”这类次序词一样,“第三”和“第四”这类次序词的表述不代表先后顺序,仅用于区分描述。
在本实施例中,对回归模型求解表达式可以通过最小二乘法、梯度下降法等方法得到。
S130、当目标基金为债券类基金时,基于目标基金中各持仓组分的持仓占比和涨跌幅估算目标基金的净值。
在本实施例中,持仓组分可以包括股票组分和债券组分;其中,基于目标基金中各持仓组分的持仓占比和涨跌幅估算目标基金的净值,可以包括如下具体步骤:
S1301、确定股票组分在目标基金中的股票持仓占比以及股票涨跌幅。
S1302、按照股票持仓占比和股票涨跌幅加权计算第一数值。
S1303、确定债券组分在目标基金中的债券持仓占比以及债券涨跌幅。
S1304、按照债券持仓占比和债券涨跌幅加权计算第二数值。
S1305、合并第一数值与第二数值得到目标基金的净值。
在本实施例中,债券组分包括可转债和其他债券,可转债即可转换的债券,是指债券持有人可按照债券发行时约定的价格将债券转换成公司的普通股票的债券;其他债券是指债券组分中除可转债以外的债券,例如国债、企业债、地方债等。根据债券类基金的特性,目标基金的债券组分中除可转债以外,其他债券一般都没有实时数据,因此计算其他债券的涨跌幅可以统一用国债指数代替。
在一种优选的实施方式中,确定债券组分在目标基金中的债券持仓占比以及债券涨跌幅,可以包括:
获取债券组分在目标基金中的持仓明细;
基于持仓明细确定可转债在目标基金中的债券持仓占比和其他债券在目标基金中的债券持仓占比;
按照可转债的实时数据计算可转债的债券涨跌幅;
采用预设的债券指数计算其他债券的债券涨跌幅,债券指数包括国债指数、企业债指数。
本实施例通过确定待估算净值的目标基金的类型,类型包括权益类基金和债券类基金;当目标基金为权益类基金时,确定与目标基金匹配的目标股票池,根据目标股票池与目标基金之间的映射关系估算目标基金的净值;当目标基金为债券类基金时,基于目标基金中各持仓组分的持仓占比和涨跌幅估算目标基金的净值。上述技术方案根据标的基金(即目标基金)的持仓特点,将其分为权益类基金和债券类基金两类,对待估算净值的目标基金先预判类型,再针对不同的基金类型确定与其对应的净值估算方法,具有净值估算的普适性和通用性,可以更为准确的估算基金的净值。其中,针对类型为权益类基金的目标基金是通过建立一个和目标基金相关性较大的目标股票池,基于该目标股票池与目标基金之间的映射关系来估算目标基金的净值,由于股票具有实时数据,因此当确定目标股票池与目标基金之间的映射关系后,可以基于目标股票池中股票的实时数据代入该映射关系中,以估算目标基金的实时净值,可有效解决传统估算方法不及时的问题;针对类型为债券类基金的目标基金,则将最新持仓分为可转债、其它债和股票三大部分,并按照各持仓组分的持仓仓位进行加权求和,得到目标基金的估算值。本发明可以有效地解决传统估算方法不准确、不及时以及实用性不强的问题。
实施例二
图2为本发明实施例二提供的一种基金净值估算装置的结构框图,该装置可由软件和\或硬件来实现。该装置包括:类型确定模块201、第一估算模块202和第二估算模块203,其中,
类型确定模块201,用于确定待估算净值的目标基金的类型,所述类型包括权益类基金和债券类基金;
第一估算模块202,用于当所述目标基金为所述权益类基金时,确定与所述目标基金匹配的目标股票池,根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值;
第二估算模块203,用于当所述目标基金为所述债券类基金时,基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值。变化度分析模块,在获取摄像头实时采集股票价格或目标基金持仓占比及涨跌幅视频流数据;从第二帧开始,实时计算第n帧与前一帧视频图像的变化度,当在目标分析时间段内变化度大于T的次数多于设定阈值时,则该目标基金的估算净值与分析时间初始值相同,否则目标基金的估算净值呈现上升或下降趋势;变化度表示如下:
其中,表示第n帧与第n-1帧视频HSI图像的H通道的H值矩阵之差,表示第n帧与第n-1帧视频HSI 图像的S通道的S值矩阵之差, 表示第n帧与第n-1帧视频HSI图像的I通道的I值矩阵之差, 、、分别为 H通道、S通道、I通道的矩阵归一化比例系数。
在本发明的一个实施例中,所述第一估算模块202包括:
股票池构建子模块,用于选取与所述目标基金所覆盖行业相同的多支股票构建股票池;
目标股票池确定子模块,用于按照所述股票池在预设的历史时间段内的第一涨跌幅数据与所述目标基金在所述历史时间段内的第二涨跌幅数据之间的相关性,确定与所述目标基金匹配的目标股票池。
在本发明的一个实施例中,所述目标股票池确定子模块包括:
历史涨跌幅数据确定单元,用于获取所述股票池中每支股票在预设的历史时间段内的第一涨跌幅数据和所述目标基金在所述历史时间段内的第二涨跌幅数据;
积差相关系数计算单元,用于针对所述股票池中的每支股票,计算该股票的第一涨跌幅数据与所述第二涨跌幅数据之间的积差相关系数;
候选股票池确定单元,用于选取所述积差相关系数大于预设的第一阈值的股票构建候选股票池;
目标股票池确定单元,用于剔除所述候选股票池中存在共线性的股票,得到与所述目标基金匹配的目标股票池。
在本发明的一个实施例中,所述目标股票池确定单元包括:
积差相关系数计算子单元,用于计算所述候选股票池中两两股票相互之间的积差相关系数;
目标股票池确定子单元,用于将所述积差相关系数大于预设的第二阈值的股票作为存在共线性的股票从所述候选股票池中剔除,得到与所述目标基金匹配的目标股票池。
在本发明的一个实施例中,所述第一估算模块202还包括:
自变量确定子模块,用于确定所述目标股票池中每支股票在预设的目标时间段内的第三涨跌幅数据作为自变量;
因变量确定子模块,用于确定所述目标基金在所述目标时间段内的第四涨跌幅数据作为因变量;
回归模型构建子模块,用于基于所述因变量和多个所述自变量之间的关系构建回归模型,所述回归模型表示所述目标股票池与所述目标基金之间的映射关系;
净值估算子模块,用于在所述回归模型中输入所述目标股票池中股票的实时数据,输出得到对所述目标基金估算的净值。
在本发明的一个实施例中,所述持仓组分包括股票组分和债券组分;所述第二估算模块203包括:
股票组分确定子模块,用于确定所述股票组分在所述目标基金中的股票持仓占比以及股票涨跌幅;
第一数值计算子模块,用于按照所述股票持仓占比和所述股票涨跌幅加权计算第一数值;
债券组分确定子模块,用于确定所述债券组分在所述目标基金中的债券持仓占比以及债券涨跌幅;
第二数值计算子模块,用于按照所述债券持仓占比和所述债券涨跌幅加权计算第二数值;
净值确定子模块,用于合并所述第一数值与所述第二数值得到所述目标基金的净值。
在本发明的一个实施例中,所述债券组分包括可转债和其他债券;所述债券组分确定子模块包括:
持仓明细获取单元,用于获取所述债券组分在所述目标基金中的持仓明细;
债券持仓占比确定单元,用于基于所述持仓明细确定所述可转债在所述目标基金中的债券持仓占比和所述其他债券在所述目标基金中的债券持仓占比;
第一债券涨跌幅确定单元,用于按照所述可转债的实时数据计算所述可转债的债券涨跌幅;
第二债券涨跌幅确定单元,用于采用预设的债券指数计算所述其他债券的债券涨跌幅,所述债券指数包括国债指数、企业债指数。
本发明实施例所提供的基金净值估算装置可执行本发明任意实施例所提供的基金净值估算方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种计算机设备的结构示意图,如图3所示,该计算机设备包括处理器300、存储器310、输入装置320和输出装置330;计算机设备中处理器300的数量可以是一个或多个,图3中以一个处理器300为例;计算机设备中的处理器300、存储器310、输入装置320和输出装置330可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器310作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基金净值估算方法对应的程序指令/模块(例如,基金净值估算装置中的类型确定模块201、第一估算模块202和第二估算模块203)。处理器300通过运行存储在存储器310中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的基金净值估算方法。
存储器310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;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器310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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器310可进一步包括相对于处理器300远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置320可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置330可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基金净值估算方法,该方法包括:
确定待估算净值的目标基金的类型,所述类型包括权益类基金和债券类基金;
当所述目标基金为所述权益类基金时,确定与所述目标基金匹配的目标股票池,根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值;
当所述目标基金为所述债券类基金时,基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的点云噪点的分类方法中的相关操作.
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述基金净值估算装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基金净值估算方法,其特征在于,包括:
确定待估算净值的目标基金的类型,所述类型包括权益类基金和债券类基金;
当所述目标基金为所述权益类基金时,确定与所述目标基金匹配的目标股票池,摄像头实时采集屏幕上目标股票池内股票价格视频流数据,根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值;
当所述目标基金为所述债券类基金时,摄像头实时采集屏幕上目标基金持仓占比及涨跌幅视频流数据,基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值;
进一步的,在获取摄像头实时采集股票价格或目标基金持仓占比及涨跌幅视频流数据;从第二帧开始,实时计算第n帧与前一帧视频图像的变化度,当在目标分析时间段内变化度大于T的次数多于设定阈值时,则该目标基金的估算净值与分析时间初始值相同,否则目标基金的估算净值呈现上升或下降趋势;变化度表示如下:
2.根据权利要求1所述的方法,其特征在于,所述确定与所述目标基金匹配的目标股票池,包括:
选取与所述目标基金所覆盖行业相同的多支股票构建股票池;
按照所述股票池在预设的历史时间段内的第一涨跌幅数据与所述目标基金在所述历史时间段内的第二涨跌幅数据之间的相关性,确定与所述目标基金匹配的目标股票池。
3.根据权利要求2所述的方法,其特征在于,所述按照所述股票池在预设的历史时间段内的第一涨跌幅数据与所述目标基金在所述历史时间段内的第二涨跌幅数据之间的相关性,确定与所述目标基金匹配的目标股票池,包括:
获取所述股票池中每支股票在预设的历史时间段内的第一涨跌幅数据和所述目标基金在所述历史时间段内的第二涨跌幅数据;
针对所述股票池中的每支股票,计算该股票的第一涨跌幅数据与所述第二涨跌幅数据之间的积差相关系数;
选取所述积差相关系数大于预设的第一阈值的股票构建候选股票池;
剔除所述候选股票池中存在共线性的股票,得到与所述目标基金匹配的目标股票池。
4.根据权利要求3所述的方法,其特征在于,所述剔除所述候选股票池中存在共线性的股票,得到与所述目标基金匹配的目标股票池,包括:
计算所述候选股票池中两两股票相互之间的积差相关系数;
将所述积差相关系数大于预设的第二阈值的股票作为存在共线性的股票从所述候选股票池中剔除,得到与所述目标基金匹配的目标股票池。
5.根据权利要求1-4任一所述的方法,其特征在于,所述根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值,包括:
确定所述目标股票池中每支股票在预设的目标时间段内的第三涨跌幅数据作为自变量;
确定所述目标基金在所述目标时间段内的第四涨跌幅数据作为因变量;
基于所述因变量和多个所述自变量之间的关系构建回归模型,所述回归模型表示所述目标股票池与所述目标基金之间的映射关系;
在所述回归模型中输入所述目标股票池中股票的实时数据,输出得到对所述目标基金估算的净值。
6.根据权利要求1-4任一所述的方法,其特征在于,所述持仓组分包括股票组分和债券组分;所述基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值,包括:
确定所述股票组分在所述目标基金中的股票持仓占比以及股票涨跌幅;
按照所述股票持仓占比和所述股票涨跌幅加权计算第一数值;
确定所述债券组分在所述目标基金中的债券持仓占比以及债券涨跌幅;
按照所述债券持仓占比和所述债券涨跌幅加权计算第二数值;
合并所述第一数值与所述第二数值得到所述目标基金的净值。
7.根据权利要求6所述的方法,其特征在于,所述债券组分包括可转债和其他债券;所述确定所述债券组分在所述目标基金中的债券持仓占比以及债券涨跌幅,包括:
获取所述债券组分在所述目标基金中的持仓明细;
基于所述持仓明细确定所述可转债在所述目标基金中的债券持仓占比和所述其他债券在所述目标基金中的债券持仓占比;
按照所述可转债的实时数据计算所述可转债的债券涨跌幅;
采用预设的债券指数计算所述其他债券的债券涨跌幅,所述债券指数包括国债指数、企业债指数。
8.一种基金净值估算装置,其特征在于,包括:
类型确定模块,用于确定待估算净值的目标基金的类型,所述类型包括权益类基金和债券类基金;
第一估算模块,用于当所述目标基金为所述权益类基金时,确定与所述目标基金匹配的目标股票池,根据所述目标股票池与所述目标基金之间的映射关系估算所述目标基金的净值;
第二估算模块,用于当所述目标基金为所述债券类基金时,基于所述目标基金中各持仓组分的持仓占比和涨跌幅估算所述目标基金的净值;
变化度分析模块,在获取摄像头实时采集股票价格或目标基金持仓占比及涨跌幅视频流数据;从第二帧开始,实时计算第n帧与前一帧视频图像的变化度,当在目标分析时间段内变化度大于T的次数多于设定阈值时,则该目标基金的估算净值与分析时间初始值相同,否则目标基金的估算净值呈现上升或下降趋势;变化度表示如下:
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的基金净值估算方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的基金净值估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118751.8A CN114155110B (zh) | 2022-02-08 | 2022-02-08 | 一种基金净值估算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118751.8A CN114155110B (zh) | 2022-02-08 | 2022-02-08 | 一种基金净值估算方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155110A true CN114155110A (zh) | 2022-03-08 |
CN114155110B CN114155110B (zh) | 2022-07-12 |
Family
ID=80450252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118751.8A Active CN114155110B (zh) | 2022-02-08 | 2022-02-08 | 一种基金净值估算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155110B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002551A (zh) * | 2018-08-01 | 2018-12-14 | 中国建设银行股份有限公司 | 一种股票型基金的净值确定方法及系统 |
CN109242696A (zh) * | 2018-09-18 | 2019-01-18 | 兴业证券股份有限公司 | 基金估值方法及存储介质 |
CN109285070A (zh) * | 2018-08-22 | 2019-01-29 | 平安科技(深圳)有限公司 | 基金的持仓调整方法及装置、存储介质、计算机设备 |
US20200202442A1 (en) * | 2018-12-19 | 2020-06-25 | John Paul Kepros | Systems and methods for intrinsic value driven dynamic asset reallocation |
CN113435515A (zh) * | 2021-06-29 | 2021-09-24 | 青岛海尔科技有限公司 | 图片识别方法和装置、存储介质及电子设备 |
CN113793222A (zh) * | 2021-09-16 | 2021-12-14 | 北银金融科技有限责任公司 | 一种判断基金财报信息预测基金调仓方法 |
-
2022
- 2022-02-08 CN CN202210118751.8A patent/CN114155110B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002551A (zh) * | 2018-08-01 | 2018-12-14 | 中国建设银行股份有限公司 | 一种股票型基金的净值确定方法及系统 |
CN109285070A (zh) * | 2018-08-22 | 2019-01-29 | 平安科技(深圳)有限公司 | 基金的持仓调整方法及装置、存储介质、计算机设备 |
CN109242696A (zh) * | 2018-09-18 | 2019-01-18 | 兴业证券股份有限公司 | 基金估值方法及存储介质 |
US20200202442A1 (en) * | 2018-12-19 | 2020-06-25 | John Paul Kepros | Systems and methods for intrinsic value driven dynamic asset reallocation |
CN113435515A (zh) * | 2021-06-29 | 2021-09-24 | 青岛海尔科技有限公司 | 图片识别方法和装置、存储介质及电子设备 |
CN113793222A (zh) * | 2021-09-16 | 2021-12-14 | 北银金融科技有限责任公司 | 一种判断基金财报信息预测基金调仓方法 |
Non-Patent Citations (2)
Title |
---|
孙刘杰 等: "《印刷图像处理》", 28 February 2013 * |
张晶: "《多媒体信息与通信》", 30 November 2017 * |
Also Published As
Publication number | Publication date |
---|---|
CN114155110B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Copeland et al. | How Much Is Flexibility Worth?» | |
JP4244188B2 (ja) | モーゲージ証券インデックスを管理する方法およびシステム | |
Grunert et al. | The role of non-financial factors in internal credit ratings | |
Abad et al. | From PIN to VPIN: An introduction to order flow toxicity | |
JPH0652174A (ja) | 確定利付債有価証券明細表データ処理装置 | |
JP2010118084A (ja) | 取引コストの評価および最適化のためのシステム並びに方法 | |
US7580876B1 (en) | Sensitivity/elasticity-based asset evaluation and screening | |
Jurek et al. | Option-implied currency risk premia | |
CN107180386A (zh) | 一种量化策略直播系统 | |
US8442891B2 (en) | Intermarket analysis | |
JP6794431B2 (ja) | 当初証拠金標準モデルに基づいて当初証拠金を計算及び提供する方法及びシステム | |
US20220292597A1 (en) | System and method for valuation of complex assets | |
Hultin et al. | A generative model of a limit order book using recurrent neural networks | |
Zhou et al. | Information or noise: What does algorithmic trading incorporate into the stock prices? | |
Kwan et al. | High-frequency trading and execution costs | |
CN114155110B (zh) | 一种基金净值估算方法、装置、设备及存储介质 | |
Sharma | Impact of Investors’ sentiments on selected sectoral indices return volatility: Special reference to NSE | |
Amir et al. | Investigating the performance of an order imbalance based trading strategy in a high-frequency trading | |
CN113222767A (zh) | 指数化证券组合的数据处理方法及装置 | |
Dahlström et al. | The determinants of limit order cancellations | |
CN112990550A (zh) | 企业估值方法、装置、电子设备及介质 | |
Ohonba | Effects of International Financial Reporting Standard (IFRS) on Value Relevance of Accounting Information | |
Bhattacharya et al. | Persistence in liquidity measures: evidence from India | |
Gabauer et al. | Stock market bubbles and the forecastability of gold returns and volatility | |
Ben Ami et al. | Event-based trading: Building superior trading strategies with state-of-the-art information extraction tools |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |