CN115797076A - 一种优化金融投资组合的语义分析方法 - Google Patents
一种优化金融投资组合的语义分析方法 Download PDFInfo
- Publication number
- CN115797076A CN115797076A CN202211501117.9A CN202211501117A CN115797076A CN 115797076 A CN115797076 A CN 115797076A CN 202211501117 A CN202211501117 A CN 202211501117A CN 115797076 A CN115797076 A CN 115797076A
- Authority
- CN
- China
- Prior art keywords
- updating
- particle
- investor
- options
- particles
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 239000002245 particle Substances 0.000 claims abstract description 173
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 239000000470 constituent Substances 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims description 18
- 238000003672 processing method Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002028 premature Effects 0.000 description 4
- 241000272201 Columbiformes Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种优化金融投资组合的语义分析方法,包括:参照成分股选取标准选择成分股;参照期权选取标准选择期权;针对选择的成分股和期权通过粒子群算法进行迭代寻优,获得优化结果;根据优化结果分析选择的成分股和期权在不同市场条件下的趋势,得到分析数据,并根据分析数据得的数据分析结果;将分析数据和优化结果呈现给投资者。本发明提出的一种优化金融投资组合的语义分析方法,采用粒子群算法进行投资组合,通过投资组合有效降低投资风险,而且还能够达到损失最低但收益最高的效果。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种优化金融投资组合的语义分析方法。
背景技术
随着资本市场的不断完善以及金融行业的不断发展壮大,当前可供人们选择的投资方式越来越多。股票、债券、基金等资本类证券因投资方式便捷、操作容易、投资门槛低、潜在收益高以及由国家监管等特点而深受投资者青睐。但每类证券所包含的投资标的数量众多,投资者往往只能通过基本面分析或技术分析的方式分析预测某一项的收益来选择投资,这不仅不明智,而且风险极高,因此,本发明提出了一种优化金融投资组合的语义分析方法,以股票为例,采用粒子群算法进行投资组合,通过投资组合有效降低投资风险,而且还能够达到损失最低但收益最高的效果。
发明内容
本发明的目的在于提供一种优化金融投资组合的语义分析方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种优化金融投资组合的语义分析方法,包括:
参照成分股选取标准选择成分股;
参照期权选取标准选择期权;
针对选择的成分股和期权通过粒子群算法进行迭代寻优,获得优化结果;
根据所述优化结果分析选择的成分股和期权在不同市场条件下的趋势,得到分析数据,并根据所述分析数据得的数据分析结果;
将所述分析数据和所述优化结果呈现给投资者。
进一步地,在选择成分股和/或期权时,通过自动筛选得到选择的成分股和/或期权;所述自动筛选包括:建立与信息资源库之间的联系;将所述成分股选取标准和/或期权选取标准导入,并根据所述成分股选取标准和/或期权选取标准在所述信息资源库中进行标准筛选,得到符合所述成分股选取标准和/或期权选取标准的成分股和/或期权;其中信息资源库中包含所有的股票的信息和期权的信息。
进一步地,所述针对选择的成分股和期权通过粒子群算法进行迭代寻优包括:
根据选择的成分股和期权进行初始化种群;
确定初始最优值,所述初始最优值包括粒子最优点和群体最优点;
更新粒子的权重;
更新粒子的变异率;
针对所述变异率进行判断,并根据判断结果对所述粒子进行位置更新;
对位置更新后的粒子重新确定更新后的最优值,并根据更新前后的最优值确定较优数据;
判断是否满足停止条件,当满足停止条件时,将所述较优数据输出,当不满足停止条件时,返回到更新粒子的权重步骤中进行循环。
进一步地,在更新粒子的权重时,在[0,1]范围内生成一个随机数,根据所述随机数以及当前迭代更新次数确定粒子的权重,其中,生成的随机数是符合正态分布的。
进一步地,在更新粒子的变异率时,将迭代更新初期的变异率设置的较高,迭代后期的变异率设置的较低,其中,所述变异率根据最大变异率、最小变异率、当前迭代更新次数和最大迭代次数确定。
进一步地,针对所述变异率进行判断时,分析所述变异率和所述生成的随机数之间的大小关系,将所述变异率与所述生成的随机数进行比较,当所述变异率大于所述生成的随机数,则采用第一处理方法进行位置更新,当所述变异率大于所述随机数,则采用第二处理方法进行位置更新;其中,所述第一处理方法与所述第二处理方法不同,当采用所述第一处理方法在进行更新时,在更新前粒子的位置以及粒子的速度的基础上引入位置变化的变异因子和过度因子进行位置更新;当采用所述第二处理方法在进行更新时,根据粒子的速度与位置之间的关系按照粒子的速度进行位置更新。
进一步地,对位置更新后的粒子重新确定更新后的最优值时,将所述粒子最优点和所述群体最优点对应的粒子作为带电粒子,根据所述带电粒子的电荷量和带电粒子间的相互作用合力确定个体最优位置,得到更新后的最优值。
进一步地,根据更新前后的最优值确定较优数据时,针对更新前后的最优值进行分析,如果更新前的最优值比更新后的最优值对应的粒子位置更好,则将更新前的最优值作为较优数据,如果更新后的最优值比更新前的最优值对应的粒子位置更好,则将更新后的最优值替换更新前的最优值,并将更新后的最优值作为较优数据。
进一步地,在根据选择的成分股和期权进行初始化种群之前还针对选择的成分股和期权通过构建多目标规划模型进行组合初步筛选;所述多目标规划模型中的目标包括:收益最大化和风险最小化,根据投资者的意向在两个目标中选择一个作为主目标;然后根据投资者的投资资金和所述选择的成分股和期权的基本信息进行约束条件限制,在进行约束条件限制时包括:成分股和期权的组合投资金额小于投资者的投资资金,股票的最小交易单位和期权的最小交易单位;利用所述多目标规划模型得到多组解,并将得到的多组解分别作为粒子,通过粒子群算法针对粒子进行迭代寻优;其中得到的多组解中包括:绝对最优解、有效解和弱有效解。
进一步地,将所述分析数据和所述优化结果呈现给投资者时,所述分析数据在进行呈现时还根据所述投资者的要求进行形式转换,当所述投资者未设置信息呈现要求,则将所述分析数据以表格的形式呈现,而且是在不同的市场条件下分别生成一个表格呈现给所述投资者,当所述投资者设置了信息呈现要求时,根据设置的信息呈现要求针对所述分析数据对应的表格进行信息提取,获得重要信息,并根据所述重要信息进行目标形式转换,得到符合信息呈现要求呈现信息,将所述符合信息呈现要求呈现信息呈现给所述投资者;在所述分析数据呈现给投资者的同时也将所述优化结果呈现给所述投资者,但所述优化结果在进行呈现时作为推荐意见向所述投资者提供投资组合方案。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述的一种优化金融投资组合的语义分析方法的步骤示意图;
图2为本发明所述的一种优化金融投资组合的语义分析方法中步骤三的步骤示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种优化金融投资组合的语义分析方法,包括:
步骤一、参照成分股选取标准选择成分股;
步骤二、参照期权选取标准选择期权;
步骤三、针对选择的成分股和期权通过粒子群算法进行迭代寻优,获得优化结果;
步骤四、根据所述优化结果分析选择的成分股和期权在不同市场条件下的趋势,得到分析数据,并根据所述分析数据得的数据分析结果;
步骤五、将所述分析数据和所述数据分析结果呈现给投资者。
上述技术方案提供了一种优化金融投资组合的语义分析方法,投资者在进行金融投资时通过将股票以及期权语义化数据分析进行投资分析与投资组合,具体步骤如下:首先根据成分股选取标准选择成分股,其中成分股选取标准至少包括:行业覆盖及行业市值占比相似;各资产最小交易单位的价格相近;在实证数据期间不存在退市、暂停交易等情况,然后再根据期权选取标准选择期权,其中期权选取标准为选择平值的认购和认沽期权;接着针对选择的成分股和期权通过粒子群算法在选择的成分股以及期权中进行迭代寻优从而获得优化结果;然后再根据所述优化结果分析选择的成分股和期权在不同市场条件下的趋势,得到分析数据,其中不同市场条件至少包括:动荡市场、多头市场和空头市场,在得到分析数据后根据分析数据表中大盘走向趋势进行分析得到数据分析结果,最后将分析数据和数据分析结果一并呈现给投资者。
上述技术方案使得投资者在进行金融投资时,采用粒子群算法进行投资组合,实现了对投资对象的人工智能分析,从而降低投资风险,使得投资者达到损失最低但收益最高的效果,通过粒子群算法进行迭代寻优,获得优化结果使得推荐给投资者的投资组合是在损失最低,收益最高的,降低了投资者的投资风险,而且还无需投资者逐个分析,有效节省了投资者的时间,此外,还通过将分析数据和优化结果呈现给投资者使得投资者能够直观便捷地从呈现的信息中确定投资组合,而且还能够全面了解这样进行投资组合的原因,同时也能提高对投资项目的了解程度。
本发明提供的一个实施例中,在选择成分股和/或期权时,通过自动筛选得到选择的成分股和/或期权;所述自动筛选包括:建立与信息资源库之间的联系;将所述成分股选取标准和/或期权选取标准导入,并根据所述成分股选取标准和/或期权选取标准在所述信息资源库中进行标准筛选,得到符合所述成分股选取标准和/或期权选取标准的成分股和/或期权;其中信息资源库中包含所有的股票的信息和期权的信息。
上述技术方案在参照成分股选取标准选择成分股或者参照期权选取标准选择期权时,通过自动筛选的方式得到选择的成分股和/或期权;在进行自动筛选时,首先要建立与信息资源库之间的联系,然后将成分股选取标准和/或期权选取标准导入,获得成分股选取标准和/或期权选取标准,并根据成分股选取标准和/或期权选取标准在信息资源库中进行标准筛选,从而得到符合成分股选取标准和/或期权选取标准的成分股和/或期权,这里的信息资源库包含了所有的股票的信息和期权的信息。
上述技术方案通过自动筛选不仅能够高效快速将符合成分股选取标准和/或期权选取标准的成分股和/或期权选择出来,而且准确性还高,同时还能够降低对相关筛选人员的专业性要求以及减少相关筛选人员的工作量。
本发明提供的一个实施例中,所述针对选择的成分股和期权通过粒子群算法进行迭代寻优包括:
根据选择的成分股和期权进行初始化种群;
确定初始最优值,所述初始最优值包括:粒子最优点和群体最优点;
更新粒子的权重;
更新粒子的变异率;
针对所述变异率进行判断,并根据判断结果对所述粒子进行位置更新;
对位置更新后的粒子重新确定更新后的最优值,并根据更新前后的最优值确定较优数据;
判断是否满足停止条件,当满足停止条件时,将所述较优数据输出,当不满足停止条件时,返回到更新粒子的权重步骤中进行循环。
上述技术方案在针对选择的成分股和期权通过粒子群算法进行迭代寻优时,如图2所示,包括如下步骤:
S301、根据选择的成分股和期权进行初始化种群;对粒子的属性和变异率进行确定,其中,粒子即为投资组合中各个证券的数量配比,粒子的属性包括:粒子群大小,各个粒子的位置和速度,权重以及确定最大迭代次数,粒子的维度即为成分股和期权的数量之和;
S302、确定初始最优值,所述初始最优值包括每个粒子的最优状态和整体最优粒子;
S303、更新粒子的权重;
S304、更新粒子的变异率;
S305、针对所述变异率进行判断,并根据判断结果对所述粒子进行位置更新;
S306、对位置更新后的粒子重新确定更新后的最优值,并根据更新前后的最优值确定较优数据;
S307、判断是否满足停止条件,当满足停止条件时,将较优数据输出,当不满足停止条件时,返回到S303,循环进行S303至S308,直至满足停止条件,在这里的停止条件包括迭代更新次数和数据标准,当达到迭代更新次数和满足数据标准两者达到其一即可将最优数据输出,得到优化结果。
上述技术方案通过利用粒子群算法实现了对成分股和期权的优化组合获取,使得得到的投资组合能够降低投资者的投资风险以及提高投资的收益,而且粒子群算法简单,容易实现,无需进行过多的设置,对投资者的操作要求低。此外,通过针对较优数据进行调整,获得调整后的最优数据来避免粒子的个体最优与群里最优互相限制的弊端,从而降低了发生停滞概率和过早收敛情况。
本发明提供的一个实施例中,在更新粒子的权重时,在[0,1]范围内生成一个随机数,根据所述随机数以及当前迭代更新次数确定粒子的权重,其中,生成的随机数是符合正态分布的。
上述技术方案在更新粒子权重时,首先要在[0,1]范围内生成一个随机数,然后根据生成的随机数以及当前迭代更新次数确定粒子的权重,其中,在[0,1]范围内生成一个随机数时,生成的随机数是符合正态分布的,特别地,粒子的权重计算公式如下:
上述公式中,ω(t)表示第t次迭代更新的粒子权重,ωmax表示权重取值范围上限,ωmin表示权重取值范围下限,Tmax表示最大迭代次数,rand(j)表示随机数,σ表示随机数符合的正态分布对应的方差,t表示当前迭代更新次数。
上述技术方案通过根据随机数来确定粒子权重能够在保持种群多样性的基础上,针对性地提高了粒子群算法的全局搜索能力,使粒子跳出局部最优,避免粒子陷入早熟收敛现象中。
本发明提供的一个实施例中,在更新粒子的变异率时,将迭代更新初期的变异率设置的较高,迭代后期的变异率设置的较低,其中,所述变异率根据最大变异率、最小变异率、当前迭代更新次数和最大迭代次数确定。
上述技术方案在更新粒子的变异率时,将迭代更新初期的变异率设置的较高,迭代后期的变异率设置的较低,其中,变异率根据最大变异率、最小变异率、当前迭代更新次数和最大迭代次数确定,具体计算方式如下:
其中,pm表示更新后的变异率,pm,min表示最小变异率,pm,max表示最大变异率,t表示当前迭代次,Tmax表示最大迭代次数。
上述技术方案通过将迭代更新初期的变异率设置的较高,迭代后期的变异率设置的较低,保障了种群多样性和全局能力,避免粒子在迭代后期出现局部最优的现象,进而减小较优数据的误差,提高粒子群算法的精度。
本发明提供的一个实施例中,针对所述变异率进行判断时,分析所述变异率和所述生成的随机数之间的大小关系,将所述变异率与所述生成的随机数进行比较,当所述变异率大于所述生成的随机数,则采用第一处理方法进行位置更新,当所述变异率大于所述随机数,则采用第二处理方法进行位置更新;其中,所述第一处理方法与所述第二处理方法不同,当采用所述第一处理方法在进行更新时,在更新前粒子的位置以及粒子的速度的基础上引入位置变化的变异因子和过度因子进行位置更新;当采用所述第二处理方法在进行更新时,根据粒子的速度与位置之间的关系按照粒子的速度进行位置更新。
上述技术方案针对变异率进行判断时,分析变异率和生成的随机数之间的大小关系,将变异率与生成的随机数进行比较,当变异率大于生成的随机数,则采用第一处理方法进行位置更新,当变异率大于随机数,则采用第二处理方法进行位置更新;其中,第一处理方法与第二处理方法不同,当采用第一处理方法在进行更新时,在更新前粒子的位置以及粒子的速度的基础上引入位置变化的变异因子和过度因子进行位置更新,其更新公式如下:
上述公式中,表示第t次迭代更新的第i个粒子的位置;表示第t-1次迭代更新的第i个粒子速度;t表示迭代次数;表示更新迭代率;xgbest表示粒子群中最优粒子的位置;表示第t-1次迭代更新折半保留下的粒子的中心坐标位置;M、N和Y均为参数;表示第t-1次迭代更新的第i个粒子的位置;δ表示过渡因子,取值在(0,1)范围内;c表示变异因子,其值为所有粒子定义域的最小值;R表示地罗盘因子,其值是通过如下公式确定的:
其中,Rmin表示最小的地图罗盘因子值,Rmax表示最大的地图罗盘因子值,pm表示变异率,t表示当前迭代次,,Tmax表示最大迭代次数,Q表示大于0小于1的参数。
当采用第二处理方法在进行更新时,根据粒子的速度与位置之间的关系按照粒子的速度进行位置更新,其更新公式如下:
其中,ω(t-1)表示第t-1次迭代的权重;表示第t-2次迭代更新的第i个粒子速度;u表示参数;rand(j)表示生成的随机数;pbest(i)表示表示第i个粒子的最优位置;gbest(i)表示粒子群中最优粒子的位置;表示第t-1次迭代更新的第i个粒子的位置。
上述技术方案确定粒子的最优位置,在确定过程中考虑到个体最优粒子会和群体最优粒子间发生作用,从而降低了发生停滞概率和过早收敛情况,同时,最优位置确定的公式中的搜索算子也是通过具体的表达式得到的,从而也降低了主观因素的影响。
本发明提供的一个实施例中,对位置更新后的粒子重新确定更新后的最优值时,将所述粒子最优点和所述群体最优点对应的粒子作为带电粒子,根据所述带电粒子的电荷量和带电粒子间的相互作用合力确定个体最优位置,得到更新后的最优值。
上述技术方案中对位置更新后的粒子重新确定更新后的最优值时,将粒子最优点和群体最优点对应的粒子作为带电粒子,根据带电粒子的电荷量和带电粒子间的相互作用合力确定个体最优位置,得到更新后的最优值,其中,粒子的电荷量根据如下公式:
上述公式中,qi表示第i个粒子的电荷量,n表示变异率,m表示粒子的数量,f(pbest(i))表示第i个粒子的最优位置的适应度值,f(gbest)表示粒子群中最优粒子的使用度值;
作用力的计算公式如下:
上述公式中,Fi表示第i个粒子受到的作用力合力,qi表示第i个粒子的电荷量,qj表示第j个粒子的电荷量,f(pj)表示粒子pj的适应度值,f(pi)表示粒子pi的适应度值,pi表示粒子个体最优点,pj表示粒子除个体最优点以外的其它点。
根据粒子受到作用力合力和搜索算子重新计算粒子最优位置,其具体公式表示为:
其中,所述搜索算子根据如下公式确定:
上述公式中,表示第t次迭代更新时的搜索算子,表示第t-1次迭代更新的第i个鸽群粒子速度,R表示地罗盘因子,t表示迭代次数,δ表示过渡因子,rand2和rand1均表示随机生成数,表示更新迭代率,表示第t-1次迭代更新的第i个鸽群粒子的位置,xgbest表示粒子群中最优粒子的位置,表示第t-1次迭代更新折半保留下的鸽子的中心坐标位置。
上述技术方案引入吸引-排斥机制,把个体最优粒子和群体最优粒子看作带电粒子,然后求出各个粒子的电荷量,从而可以得出粒子间吸引或者排斥作用大小,个体最优粒子会和群体最优粒子间发生作用,从而降低了发生停滞概率和过早收敛情况。
本发明提供的一个实施例中,根据更新前后的最优值确定较优数据时,针对更新前后的最优值进行分析,如果更新前的最优值比更新后的最优值对应的粒子位置更好,则将更新前的最优值作为较优数据,如果更新后的最优值比更新前的最优值对应的粒子位置更好,则将更新后的最优值替换更新前的最优值,并将更新后的最优值作为较优数据。
上述技术方案在根据更新前后的最优值确定较优数据时,针对更新前后的最优值进行分析,如果更新前的最优值比更新后的最优值对应的粒子位置更好,则将更新前的最优值作为较优数据,如果更新后的最优值比更新前的最优值对应的粒子位置更好,则将更新后的最优值替换更新前的最优值,并将更新后的最优值作为较优数据。
上述技术方案通过根据更新前后的最优值确定较优数据从而避免在迭代更新次数较多时,最优值随着迭代更新次数的增加错过较优数据。
本发明提供的一个实施例中,在根据选择的成分股和期权进行初始化种群之前还针对选择的成分股和期权通过构建多目标规划模型进行组合初步筛选;所述多目标规划模型中的目标包括:收益最大化和风险最小化,根据投资者的意向在两个目标中选择一个作为主目标;然后根据投资者的投资资金和所述选择的成分股和期权的基本信息进行约束条件限制,在进行约束条件限制时包括:成分股和期权的组合投资金额小于投资者的投资资金,股票的最小交易单位和期权的最小交易单位;利用所述多目标规划模型得到多组解,并将得到的多组解分别作为粒子,通过粒子群算法针对粒子进行迭代寻优;其中得到的多组解中包括:绝对最优解、有效解和弱有效解。
上述技术方案在根据选择的成分股和期权进行初始化种群之前还针对选择的成分股和期权通过构建多目标规划模型进行组合初步筛选;多目标规划模型中的目标包括:收益最大化和风险最小化,根据投资者的意向在两个目标中选择一个作为主目标;然后根据投资者的投资资金和选择的成分股和期权的基本信息进行约束条件限制,在进行约束条件限制时包括:成分股和期权的组合投资金额小于投资者的投资资金,股票的最小交易单位和期权的最小交易单位;利用多目标规划模型得到多组解,并将得到的多组解分别作为粒子,通过粒子群算法针对粒子进行迭代寻优;其中得到的多组解中包括:绝对最优解、有效解和弱有效解。
上述技术方案通过构建多目标规划模型将成分股和期权进行投资组合中明显不合适的组合过滤掉,从而减少粒子群算法中数据对象的数目,进而提高优化结果的获取效率,实现收益与风险的双重目标的筛选,而且还通过约束条件进行限制使得得到的多组解的数据是符合成分股与期权在实际上的要求,避免出现离谱数据。
本发明提供的一个实施例中,将所述分析数据和所述优化结果呈现给投资者时,所述分析数据在进行呈现时还根据所述投资者的要求进行形式转换,当所述投资者未设置信息呈现要求,则将所述分析数据以表格的形式呈现,而且是在不同的市场条件下分别生成一个表格呈现给所述投资者,当所述投资者设置了信息呈现要求时,根据设置的信息呈现要求针对所述分析数据对应的表格进行信息提取,获得重要信息,并根据所述重要信息进行目标形式转换,得到符合信息呈现要求呈现信息,将所述符合信息呈现要求呈现信息呈现给所述投资者;在所述分析数据呈现给投资者的同时也将所述优化结果呈现给所述投资者,但所述优化结果在进行呈现时作为推荐意见向所述投资者提供投资组合方案。
上述技术方案在将分析数据和优化结果呈现给投资者时,在分析数据呈现给投资者的同时也将优化结果呈现给投资者,而且优化结果在进行呈现时作为推荐意见向投资者提供投资组合方案,此外,分析数据在进行呈现时还根据投资者的要求进行形式转换,如果投资者未设置信息呈现要求,则以默认的形式进行呈现,默认形式为将分析数据以表格的形式呈现,而且是在不同的市场条件下分别生成一个表格呈现给投资者,如果投资者设置了信息呈现要求,则根据设置的信息呈现要求针对分析数据对应的表格进行信息提取,获得重要信息,并根据重要信息进行目标形式转换,得到符合信息呈现要求呈现信息,将符合信息呈现要求呈现信息呈现给投资者。
上述技术方案在分析数据呈现给投资者的同时也将优化结果呈现给投资者不仅能够使得投资者对可供投资的成分股和期权详细了解,而且还能够获得风险较低,收益较高的投资组合,此外,通过根据投资者的要求进行形式转换使得呈现信息符合投资者阅读习惯,方便投资者从呈现信息中高效快速获得有效信息,帮助投资者进行投资行情分析。
本领域技术人员应当理解的是,本发明中的第一、第二仅仅指的是不同应用阶段而已。
本领域技术客户员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种优化金融投资组合的语义分析方法,其特征在于,包括:
参照成分股选取标准选择成分股;
参照期权选取标准选择期权;
针对选择的成分股和期权通过粒子群算法进行迭代寻优,获得优化结果;
根据所述优化结果分析选择的成分股和期权在不同市场条件下的趋势,得到分析数据,并根据所述分析数据得的数据分析结果;
将所述分析数据和所述优化结果呈现给投资者。
2.根据权利要求1所述的方法,其特征在于,在选择成分股和/或期权时,通过自动筛选得到选择的成分股和/或期权;所述自动筛选包括:建立与信息资源库之间的联系;将所述成分股选取标准和/或期权选取标准导入,并根据所述成分股选取标准和/或期权选取标准在所述信息资源库中进行标准筛选,得到符合所述成分股选取标准和/或期权选取标准的成分股和/或期权;其中,信息资源库中包含所有的股票的信息和期权的信息。
3.根据权利要求1所述的方法,其特征在于,所述针对选择的成分股和期权通过粒子群算法进行迭代寻优包括:
根据选择的成分股和期权进行初始化种群;
确定初始最优值,所述初始最优值包括:粒子最优点和群体最优点;
更新粒子的权重;
更新粒子的变异率;
针对所述变异率进行判断,并根据判断结果对所述粒子进行位置更新;
对位置更新后的粒子重新确定更新后的最优值,并根据更新前后的最优值确定较优数据;
判断是否满足停止条件,当满足停止条件时,将所述较优数据输出,当不满足停止条件时,返回到更新粒子的权重步骤中进行循环。
4.根据权利要求3所述的方法,其特征在于,在更新粒子的权重时,在[0,1]范围内生成一个随机数,根据所述随机数以及当前迭代更新次数确定粒子的权重,其中,生成的随机数是符合正态分布的。
5.根据权利要求4所述的方法,其特征在于,在更新粒子的变异率时,将迭代更新初期的变异率设置的较高,迭代后期的变异率设置的较低,其中,所述变异率根据最大变异率、最小变异率、当前迭代更新次数和最大迭代次数确定。
6.根据权利要求5所述的方法,其特征在于,针对所述变异率进行判断时,分析所述变异率和所述生成的随机数之间的大小关系,将所述变异率与所述生成的随机数进行比较,当所述变异率大于所述生成的随机数,则采用第一处理方法进行位置更新,当所述变异率大于所述随机数,则采用第二处理方法进行位置更新;其中,所述第一处理方法与所述第二处理方法不同,当采用所述第一处理方法在进行更新时,在更新前粒子的位置以及粒子的速度的基础上引入位置变化的变异因子和过度因子进行位置更新;当采用所述第二处理方法在进行更新时,根据粒子的速度与位置之间的关系按照粒子的速度进行位置更新。
7.根据权利要求6所述的方法,其特征在于,对位置更新后的粒子重新确定更新后的最优值时,将所述粒子最优点和所述群体最优点对应的粒子作为带电粒子,根据所述带电粒子的电荷量和带电粒子间的相互作用合力确定个体最优位置,得到更新后的最优值。
8.根据权利要求7所述的方法,其特征在于,根据更新前后的最优值确定较优数据时,针对更新前后的最优值进行分析,如果更新前的最优值比更新后的最优值对应的粒子位置更好,则将更新前的最优值作为较优数据,如果更新后的最优值比更新前的最优值对应的粒子位置更好,则将更新后的最优值替换更新前的最优值,并将更新后的最优值作为较优数据。
9.根据权利要求3所述的方法,其特征在于,在根据选择的成分股和期权进行初始化种群之前还针对选择的成分股和期权通过构建多目标规划模型进行组合初步筛选;所述多目标规划模型中的目标包括:收益最大化和风险最小化,根据投资者的意向在两个目标中选择一个作为主目标;然后根据投资者的投资资金和所述选择的成分股和期权的基本信息进行约束条件限制,在进行约束条件限制时包括:成分股和期权的组合投资金额小于投资者的投资资金,股票的最小交易单位和期权的最小交易单位;利用所述多目标规划模型得到多组解,并将得到的多组解分别作为粒子,通过粒子群算法针对粒子进行迭代寻优;其中得到的多组解中包括:绝对最优解、有效解和弱有效解。
10.根据权利要求1所述的方法,其特征在于,将所述分析数据和所述优化结果呈现给投资者时,所述分析数据在进行呈现时还根据所述投资者的要求进行形式转换,当所述投资者未设置信息呈现要求,则将所述分析数据以表格的形式呈现,而且是在不同的市场条件下分别生成一个表格呈现给所述投资者,当所述投资者设置了信息呈现要求时,根据设置的信息呈现要求针对所述分析数据对应的表格进行信息提取,获得重要信息,并根据所述重要信息进行目标形式转换,得到符合信息呈现要求呈现信息,将所述符合信息呈现要求呈现信息呈现给所述投资者;在所述分析数据呈现给投资者的同时也将所述优化结果呈现给所述投资者,但所述优化结果在进行呈现时作为推荐意见向所述投资者提供投资组合方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501117.9A CN115797076A (zh) | 2022-11-28 | 2022-11-28 | 一种优化金融投资组合的语义分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501117.9A CN115797076A (zh) | 2022-11-28 | 2022-11-28 | 一种优化金融投资组合的语义分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797076A true CN115797076A (zh) | 2023-03-14 |
Family
ID=85442129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211501117.9A Pending CN115797076A (zh) | 2022-11-28 | 2022-11-28 | 一种优化金融投资组合的语义分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797076A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101228547A (zh) * | 2005-07-01 | 2008-07-23 | 理查德·查尔斯·莱顿·戴维斯 | 投资组合管理工具 |
CN110633845A (zh) * | 2019-08-27 | 2019-12-31 | 江苏大学 | 一种基于加权偏好的pso用于金融投资问题优化的方法 |
CN112036124A (zh) * | 2020-08-28 | 2020-12-04 | 中国平安财产保险股份有限公司 | 表格转换方法、装置、计算机设备和存储介质 |
CN114155097A (zh) * | 2021-10-29 | 2022-03-08 | 暨南大学 | 股票预测与投资组合优化方法、系统、计算机及存储介质 |
-
2022
- 2022-11-28 CN CN202211501117.9A patent/CN115797076A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101228547A (zh) * | 2005-07-01 | 2008-07-23 | 理查德·查尔斯·莱顿·戴维斯 | 投资组合管理工具 |
CN110633845A (zh) * | 2019-08-27 | 2019-12-31 | 江苏大学 | 一种基于加权偏好的pso用于金融投资问题优化的方法 |
CN112036124A (zh) * | 2020-08-28 | 2020-12-04 | 中国平安财产保险股份有限公司 | 表格转换方法、装置、计算机设备和存储介质 |
CN114155097A (zh) * | 2021-10-29 | 2022-03-08 | 暨南大学 | 股票预测与投资组合优化方法、系统、计算机及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100751965B1 (ko) | 탈퇴 고객들을 예측하기 위한 방법 및 시스템 | |
Babaei et al. | A multi-objective instance-based decision support system for investment recommendation in peer-to-peer lending | |
MXPA01008619A (es) | Metodos y sistemas para optimizar el valor de devolucion y el presente. | |
CA2362442A1 (en) | Rapid valuation of portfolios of assets such as financial instruments | |
MXPA01008623A (es) | Metodos y sistemas para muestrear de manera eficiente carteras para suscripcion optima. | |
Arciero et al. | Exploring agent-based methods for the analysis of payment systems: A crisis model for StarLogo TNG | |
JP2003526147A (ja) | 自動的にポートフォリオ記述統計値を求める相互相関ツール | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
US7346569B2 (en) | Method and apparatus for producing time variant asset allocation | |
CN107808337A (zh) | 因子聚类方法与装置、设备与存储介质 | |
CN110633845A (zh) | 一种基于加权偏好的pso用于金融投资问题优化的方法 | |
CN115280353A (zh) | 基于人工智能的基金组合更新方法、装置、设备及介质 | |
Ghosh | Liberalization, growth and regional disparities in India | |
Chen et al. | MOEA/D with an improved multi-dimensional mapping coding scheme for constrained multi-objective portfolio optimization | |
CN115797076A (zh) | 一种优化金融投资组合的语义分析方法 | |
US20030120576A1 (en) | Method and apparatus for diversifying investment based on risk tolerance | |
CN110807543A (zh) | 一种基于群决策智能搜索的投资组合优化方法和装置 | |
CN115731054A (zh) | 待推荐对象组合的确定方法、装置及存储介质 | |
Deng et al. | Non-dominated sorting genetic algorithm-II for possibilistic mean-semiabsolute deviation-Yager entropy portfolio model with complex real-world constraints | |
Museba | Adaptive Particle Swarm Optimized XGBoost Ensemble Algorithm for Online Credit Scoring | |
CN117333302A (zh) | 基于层次风险平价模型的基金组合构建方法及设备 | |
WO2022082710A1 (en) | System and method for analysing financial products | |
Hajimiri | Use of genetic algorithm in algorithmic trading to optimize technical analysis in the international stock market (Forex) | |
Walczah | Forecasting Emerging Market indexes with neural networks | |
Reis et al. | Mavis: A multiagent value investing system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230314 |