CN116882737A - 一种投资风险预测预警方法、装置、终端和存储介质 - Google Patents

一种投资风险预测预警方法、装置、终端和存储介质 Download PDF

Info

Publication number
CN116882737A
CN116882737A CN202310782002.XA CN202310782002A CN116882737A CN 116882737 A CN116882737 A CN 116882737A CN 202310782002 A CN202310782002 A CN 202310782002A CN 116882737 A CN116882737 A CN 116882737A
Authority
CN
China
Prior art keywords
generic set
investment
risk
current
investment risk
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
CN202310782002.XA
Other languages
English (en)
Inventor
庄永锐
郭福城
张辰睿
白志忠
何颖芳
余俊林
夏梓健
杨凯
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.)
E Fund Management Co ltd
Original Assignee
E Fund Management Co ltd
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
Application filed by E Fund Management Co ltd filed Critical E Fund Management Co ltd
Priority to CN202310782002.XA priority Critical patent/CN116882737A/zh
Publication of CN116882737A publication Critical patent/CN116882737A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种投资风险预测预警方法、装置、终端和存储介质，包括：按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有持仓个券进行类属划分，得到多个类属集合；其中，个券信息包括持仓市值数据和风险指标数据；利用AG‑Grid的透视模式，根据用户选定的金融聚合函数，结合各个类属集合中所有持仓个券的个券信息，对各个类属集合进行投资风险预测分析，得到各个类属集合的投资风险预测值；根据投资风险预测值与预设风险阈值，实时判断并输出待预测投资组合中的各类属集合的风险预警等级。本发明利用AG‑Grid的透视模式，辅助用户多维度监控并预测投资风险，以辅助用户规避高风险的投资决策。

Description

一种投资风险预测预警方法、装置、终端和存储介质
技术领域
本发明涉及金融数据分析领域，尤其涉及一种投资风险预测预警方法、装置、终端和存储介质。
背景技术
在金融市场中，当选定的投资组合中的某些不确定性因素发生变化时，存在投资组合的实际收益与预期收益相差甚多的投资风险。然而，为了监控金融风险，目前的金融数据分析装置通过监控用户选定的投资产品的历史收益、投资周期与投资比例等信息，分析预测在完成投资之后该投资方案可能产生的收益或者亏损，并没有办法直观且全面地监控投资方案中不同类型的投资产品的投资风险。
发明内容
本发明提供了一种投资风险预测预警方法、装置、终端和存储介质，辅助用户多维度监控并预测投资风险，以辅助用户规避高风险的投资决策。
为了解决上述技术问题，本发明实施例提供了一种投资风险预测预警方法，包括：
按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有所述持仓个券进行类属划分，得到多个类属集合；其中，各所述类属集合包括一个或若干个所述持仓个券以及所述持仓个券的个券信息，所述个券信息包括持仓市值数据和风险指标数据；
利用AG-Grid的透视模式，根据用户选定的金融聚合函数，结合各所述类属集合中所有所述持仓个券的个券信息，对各所述类属集合进行投资风险预测分析，得到各所述类属集合的投资风险预测值，以实现对所述待预测投资组合的投资风险预测；
根据所述投资风险预测值与预设风险阈值，实时判断并输出所述待预测投资组合中的各所述类属集合的风险预警等级。
实施本发明实施例，按照预设的多个分类维度，并根据待预测投资组合中的所有持仓个券的持仓市值数据和风险指标数据，将待预测投资组合中的所有持仓个券划分为多个分类维度对应的属类集合，并利用AG-Grid的透视模式，对用户选定的金融聚合函数进行抽象，实现任意属类层级的持仓个券的聚合，为用户全面且实时呈现动态的多维度的投资风险分析结果，以辅助用户规避高风险的投资决策。此外，用于对持仓个券进行类属划分的分类维度可以为日期、行业、评级等等内容，以便根据用户的实际需求，高效地预测不同维度的投资风险结果和风险预警等级。
作为优选方案，所述的一种投资风险预测预警方法，还包括：
若所述用户选定的金融聚合函数为平层函数，则遍历每个所述类属集合，按照预设的平层函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的平层函数算法，具体为：
式中，ωi1表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，F1表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数。
实施本发明实施例的优选方案，当用户选定的金融聚合函数为平层函数时，通过AG-Grid的透视模式，将类属集合的金融聚合过程剥离为将类属集合中的所有持仓个券的个券权重系数和风险指标数据的相乘结果进行汇总求和的过程，即能够将某一类属集合看作为单一组合进行风险预测分析，能够忽略单一类属集合的权重配置不同影响不同类属集合之间的对比效果，并根据各个个券持仓的持仓市值数据在当前类属集合的所有持仓市值数据中的占比情况，分析各个个券持仓的个券权重系数，以实现持仓个券的任意分类聚合。
作为优选方案，所述的一种投资风险预测预警方法，还包括：
若所述用户选定的金融聚合函数为有效函数，则遍历每个所述类属集合，按照预设的有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的有效函数算法，具体为：
式中，ωi2表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，z表示当前类属集合中所有持仓个券的组合净资产，F2表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数。
实施本发明实施例的优选方案，当用户选定的金融聚合函数为有效函数时，通过AG-Grid的透视模式，将类属集合的金融聚合过程剥离为将类属集合中的所有持仓个券的个券权重系数和风险指标数据的相乘结果进行汇总求和的过程，并根据各个个券持仓的持仓市值数据在当前类属集合的组合净资产中的占比情况，分析各个个券持仓的个券权重系数，以实现持仓个券的任意分类聚合。
作为优选方案，所述的一种投资风险预测预警方法，还包括：
若所述用户选定的金融聚合函数为类属占比函数，则遍历每个所述类属集合，按照预设的类属占比函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属占比函数算法，具体为：
式中，F3表示当前类属集合的投资风险预测值，Yi表示当前类属集合中所有持仓个券的风险指标数据的总和，表示待预测投资组合中所有持仓个券的风险指标数据的总和。
实施本发明实施例的优选方案，当用户选定的金融聚合函数为类属占比函数时，通过AG-Grid的透视模式，将类属集合的金融聚合过程剥离为分析当前类属集合中所有持仓个券的风险指标数据与待预测投资组合中所有持仓个券的风险指标数据的总和的比例情况，以实现持仓个券的任意分类聚合。
作为优选方案，所述的一种投资风险预测预警方法，还包括：
若所述用户选定的金融聚合函数为类属有效函数，则遍历每个所述类属集合，按照预设的类属有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属有效函数算法，具体为：
式中，ωi3表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，表示待预测投资组合中所有持仓个券的持仓市值数据的总和，F4表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据。
实施本发明实施例的优选方案，当用户选定的金融聚合函数为类属有效函数时，通过AG-Grid的透视模式，将类属集合的金融聚合过程剥离为将类属集合中的所有持仓个券的个券权重系数和风险指标数据的相乘结果进行汇总求和的过程，并根据各个个券持仓的持仓市值数据在待预测投资组合中所有持仓个券的持仓市值数据的总和中的占比情况，分析各个个券持仓的个券权重系数，以实现持仓个券的任意分类聚合。
作为优选方案，所述根据所述投资风险预测值与预设风险阈值，实时判断并输出所述待预测投资组合中的各所述类属集合的风险预警等级，具体为：
遍历每个所述类属集合的所述投资风险预测值，并比较当前所述类属集合的所述投资风险预测值与所述预设风险阈值的大小；
若当前所述类属集合的所述投资风险预测值大于所述预设风险阈值，则判定当前所述类属集合的风险预警等级为高投资风险，并触发风险预警；
若当前所述类属集合的所述投资风险预测值小于或等于所述预设风险阈值，则判定当前所述类属集合的风险预警等级为低投资风险，并且不触发风险预警；
其中，所述预设风险阈值为基准指数节点平层聚合值、基准指数节点有效聚合值、基准指数节点类属占比聚合值或者基准指数节点类属有效聚合值。
实施本发明实施例的优选方案，若当前类属集合的投资风险预测值大于预设风险阈值，则判定当前类属集合的风险预警等级为高投资风险，并相应地触发风险预警，以提醒用户谨慎作出投资决策。另外地，不局限于对待预测投资组合进行分析，还通过当前类属集合的投资风险预测值与预设风险阈值的大小比较，对比待预测投资组合和市场基准指数的风险收益情况。
为了解决相同的技术问题，本发明实施例还提供了一种投资风险预测预警装置，包括：划分模块、预测模块和预警模块；
其中，所述划分模块，用于按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有所述持仓个券进行类属划分，得到多个类属集合；其中，各所述类属集合包括一个或若干个所述持仓个券以及所述持仓个券的个券信息，所述个券信息包括持仓市值数据和风险指标数据；
所述预测模块，用于利用AG-Grid的透视模式，根据用户选定的金融聚合函数，结合各所述类属集合中所有所述持仓个券的个券信息，对各所述类属集合进行投资风险预测分析，得到各所述类属集合的投资风险预测值，以实现对所述待预测投资组合的投资风险预测；
所述预警模块，用于根据所述投资风险预测值与预设风险阈值，实时判断并输出所述待预测投资组合中的各所述类属集合的风险预警等级。
作为优选方案，所述预测模块，具体包括：第一预测单元、第二预测单元、第三预测单元和第四预测单元；
其中，所述第一预测单元，用于若所述用户选定的金融聚合函数为平层函数，则遍历每个所述类属集合，按照预设的平层函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的平层函数算法，具体为：
式中，ωi1表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，F1表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数；
所述第二预测单元，用于若所述用户选定的金融聚合函数为有效函数，则遍历每个所述类属集合，按照预设的有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的有效函数算法，具体为：
式中，ωi2表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，z表示当前类属集合中所有持仓个券的组合净资产，F2表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数；
所述第三预测单元，用于若所述用户选定的金融聚合函数为类属占比函数，则遍历每个所述类属集合，按照预设的类属占比函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属占比函数算法，具体为：
式中，F3表示当前类属集合的投资风险预测值，Yi表示当前类属集合中所有持仓个券的风险指标数据的总和，表示待预测投资组合中所有持仓个券的风险指标数据的总和；
所述第四预测单元，用于若所述用户选定的金融聚合函数为类属有效函数，则遍历每个所述类属集合，按照预设的类属有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属有效函数算法，具体为：
式中，ωi3表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，表示待预测投资组合中所有持仓个券的持仓市值数据的总和，F4表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据。
为了解决相同的技术问题，本发明还提供了一种终端，包括处理器、存储器及存储于所述存储器内的计算机程序；其中，所述计算机程序能够被所述处理器执行，以实现所述的一种投资风险预测预警方法。
为了解决相同的技术问题，本发明还提供了一种计算机可读存储介质，述计算机可读存储介质包括存储的计算机程序；其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的一种投资风险预测预警方法。
附图说明
图1：为本发明实施例一提供的一种投资风险预测预警方法的流程示意图；
图2：为本发明实施例一提供的一种投资风险预测预警装置的结构示意图。
具体实施方式
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作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。
实施例一:
请参照图1，为本发明实施例提供的一种投资风险预测预警方法，该方法包括步骤S1至步骤S3，各步骤具体如下：
步骤S1，按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有持仓个券进行类属划分，得到多个类属集合。
其中，各个类属集合作为聚合节点，其包括一个或若干个持仓个券以及持仓个券的个券信息；个券信息作为聚合节点下的子节点，其包括持仓市值数据和风险指标数据。持仓个券的风险指标数据，包括但不限于个券久期、关键利率久期、静态收益和骑乘效应。
在本实施例中，分类维度，包括但不限于行业维度、评级维度、品种维度和期限维度。
步骤S2，利用AG-Grid的透视模式，根据用户选定的金融聚合函数，结合各个类属集合中所有持仓个券的个券信息，对各个类属集合进行投资风险预测分析，得到各个类属集合的投资风险预测值，以实现对待预测投资组合的投资风险预测。
需要说明的是，AG-Grid是一个企业级的数据网格组件，该组件支持用户通过其内嵌的数据透视图模式，由用户自主选择表格数据中的字符串列，并通过拖拽的方式对字符串列进行组合来构建二维的多层级分组视图，此外也可对指定的数值列数据按均值，求和等聚合方式来计算各个子分组汇总后的数据。
通过步骤S21至步骤S24，利用AG-Grid的透视模式，对金融函数进行抽象，这种抽象方式保证了算法简洁性，其过程基于前端即可完成，而算法穿透到个券层的最小粒度抽象，也保证了基于个券做任意分类聚合可行性。另外地，固收组合和债券指数分析往往需要获取大量历史数据，传统数据库获取方式的耗时长、用户体验差，基于此，在个券指标计算上，本实施例还利用了Ignite分布式缓存技术。一方面，Ignite分布式缓存技术可以解决取数性能问题，另一方面，IIgnite分布式缓存技术的并置计算能力也为未来支持更大数据量和更复杂的分析场景打下基础。
作为优选方案，步骤S2包括步骤S21至步骤S24，各步骤具体如下：
步骤S21，若用户选定的金融聚合函数为平层函数，则遍历每个类属集合，按照预设的平层函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的平层函数算法，具体请参见式(1)(2)。
式中，ωi1表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，F1表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数。
步骤S22，若用户选定的金融聚合函数为有效函数，则遍历每个类属集合，按照预设的有效函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的有效函数算法，具体请参见式(3)(4)。
式中，ωi2表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，z表示当前类属集合中所有持仓个券的组合净资产，F2表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数。
步骤S23，若用户选定的金融聚合函数为类属占比函数，则遍历每个类属集合，按照预设的类属占比函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的类属占比函数算法，具体请参见式(5)。
式中，F3表示当前类属集合的投资风险预测值，Yi表示当前类属集合中所有持仓个券的风险指标数据的总和，表示待预测投资组合中所有持仓个券的风险指标数据的总和。
步骤S24，若用户选定的金融聚合函数为类属有效函数，则遍历每个类属集合，按照预设的类属有效函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的类属有效函数算法，具体请参见式(6)(7)。
式中，ωi3表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，表示待预测投资组合中所有持仓个券的持仓市值数据的总和，F4表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据。
步骤S3，根据投资风险预测值与预设风险阈值，实时判断并输出待预测投资组合中的各个类属集合的风险预警等级。
作为优选方案，步骤S3包括步骤S31至步骤S33，各步骤具体如下：
步骤S31，遍历每个类属集合的投资风险预测值，并比较当前类属集合的投资风险预测值与预设风险阈值的大小。
其中，预设风险阈值为基准指数节点平层聚合值、基准指数节点有效聚合值、基准指数节点类属占比聚合值或者基准指数节点类属有效聚合值。
在本实施例中，若用户选定的金融聚合函数为平层函数，则将步骤S21中的当前类属集合的投资风险预测值作为待预测投资组合节点平层聚合值，然后计算待预测投资组合节点平层聚合值与基准指数节点平层聚合值的差值，作为待预测投资组合的节点聚合值，并基于待预测投资组合的节点聚合值对比待预测投资组合和市场基准指数的风险收益情况，进而分析其风险预警等级。若用户选定的金融聚合函数为有效函数，则将步骤S22中的当前类属集合的投资风险预测值作为待预测投资组合节点有效聚合值，然后计算待预测投资组合节点有效聚合值与基准指数节点有效聚合值的差值，作为待预测投资组合的节点聚合值，并基于待预测投资组合的节点聚合值对比待预测投资组合和市场基准指数的风险收益情况，进而分析其风险预警等级。若用户选定的金融聚合函数为类属占比函数，则将步骤S23中的当前类属集合的投资风险预测值作为待预测投资组合节点类属占比聚合值，然后计算待预测投资组合节点类属占比聚合值与基准指数节点类属占比聚合值的差值，作为待预测投资组合的节点聚合值，并基于待预测投资组合的节点聚合值对比待预测投资组合和市场基准指数的风险收益情况，进而分析其风险预警等级。若用户选定的金融聚合函数为类属有效函数，则将步骤S24中的当前类属集合的投资风险预测值作为待预测投资组合节点类属有效聚合值，然后计算待预测投资组合节点类属有效聚合值与基准指数节点类属有效聚合值的差值，作为待预测投资组合的节点聚合值，并基于待预测投资组合的节点聚合值对比待预测投资组合和市场基准指数的风险收益情况，进而分析其风险预警等级。
步骤S32，若当前类属集合的投资风险预测值大于预设风险阈值，则判定当前类属集合的风险预警等级为高投资风险，并触发风险预警，以辅助用户规避高投资风险的投资决策。
步骤S33，若当前类属集合的投资风险预测值小于或等于预设风险阈值，则判定当前类属集合的风险预警等级为低投资风险，并且不触发风险预警。
请参照图2，为本发明实施例提供的一种投资风险预测预警装置的结构示意图，该装置包括划分模块M1、预测模块M2和预警模块M3，各模块具体如下：
其中，划分模块M1，用于按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有持仓个券进行类属划分，得到多个类属集合；其中，各个类属集合包括一个或若干个持仓个券以及持仓个券的个券信息，个券信息包括持仓市值数据和风险指标数据；
预测模块M2，用于利用AG-Grid的透视模式，根据用户选定的金融聚合函数，结合各个类属集合中所有持仓个券的个券信息，对各个类属集合进行投资风险预测分析，得到各个类属集合的投资风险预测值，以实现对待预测投资组合的投资风险预测；
预警模块M3，用于根据投资风险预测值与预设风险阈值，实时判断并输出待预测投资组合中的各个类属集合的风险预警等级。
作为优选方案，预测模块M2，具体包括第一预测单元21、第二预测单元22、第三预测单元23和第四预测单元24，各单元具体如下：
其中，第一预测单元21，用于若用户选定的金融聚合函数为平层函数，则遍历每个类属集合，按照预设的平层函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的平层函数算法，具体为：
式中，ωi1表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，F1表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数；
第二预测单元22，用于若用户选定的金融聚合函数为有效函数，则遍历每个类属集合，按照预设的有效函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的有效函数算法，具体为：
式中，ωi2表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，z表示当前类属集合中所有持仓个券的组合净资产，F2表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数；
第三预测单元23，用于若用户选定的金融聚合函数为类属占比函数，则遍历每个类属集合，按照预设的类属占比函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的类属占比函数算法，具体为：
式中，F3表示当前类属集合的投资风险预测值，Yi表示当前类属集合中所有持仓个券的风险指标数据的总和，表示待预测投资组合中所有持仓个券的风险指标数据的总和；
第四预测单元24，用于若用户选定的金融聚合函数为类属有效函数，则遍历每个类属集合，按照预设的类属有效函数算法，对当前类属集合进行投资风险预测，得到当前类属集合的投资风险预测值；其中，预设的类属有效函数算法，具体为：
式中，ωi3表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，表示待预测投资组合中所有持仓个券的持仓市值数据的总和，F4表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据。
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。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种投资风险预测预警方法、装置、终端和存储介质，按照预设的多个分类维度，并根据待预测投资组合中的所有持仓个券的持仓市值数据和风险指标数据，将待预测投资组合中的所有持仓个券划分为多个分类维度对应的属类集合，并利用AG-Grid的透视模式，对用户选定的金融聚合函数进行抽象，实现任意属类层级的持仓个券的聚合，为用户全面且实时呈现动态的多维度的投资风险分析结果，并根据投资风险预测值与预设风险阈值，实时判断待预测投资组合中的各个类属集合的风险预警等级，以辅助用户规避高风险的投资决策。此外，用于对持仓个券进行类属划分的分类维度可以为日期、行业、评级等等内容，以便根据用户的实际需求，高效地预测不同维度的投资风险结果和风险预警等级。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种投资风险预测预警方法，其特征在于，包括：
按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有所述持仓个券进行类属划分，得到多个类属集合；其中，各所述类属集合包括一个或若干个所述持仓个券以及所述持仓个券的个券信息，所述个券信息包括持仓市值数据和风险指标数据；
利用AG-Grid的透视模式，根据用户选定的金融聚合函数，结合各所述类属集合中所有所述持仓个券的个券信息，对各所述类属集合进行投资风险预测分析，得到各所述类属集合的投资风险预测值，以实现对所述待预测投资组合的投资风险预测；
根据所述投资风险预测值与预设风险阈值，实时判断并输出所述待预测投资组合中的各所述类属集合的风险预警等级。
2.如权利要求1所述的一种投资风险预测预警方法，其特征在于，还包括：
若所述用户选定的金融聚合函数为平层函数，则遍历每个所述类属集合，按照预设的平层函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的平层函数算法，具体为：
式中，ωi1表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，F1表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数。
3.如权利要求1所述的一种投资风险预测预警方法，其特征在于，还包括：
若所述用户选定的金融聚合函数为有效函数，则遍历每个所述类属集合，按照预设的有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的有效函数算法，具体为：
式中，ωi2表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，z表示当前类属集合中所有持仓个券的组合净资产，F2表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数。
4.如权利要求1所述的一种投资风险预测预警方法，其特征在于，还包括：
若所述用户选定的金融聚合函数为类属占比函数，则遍历每个所述类属集合，按照预设的类属占比函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属占比函数算法，具体为：
式中，F3表示当前类属集合的投资风险预测值，Yi表示当前类属集合中所有持仓个券的风险指标数据的总和，表示待预测投资组合中所有持仓个券的风险指标数据的总和。
5.如权利要求1所述的一种投资风险预测预警方法，其特征在于，还包括：
若所述用户选定的金融聚合函数为类属有效函数，则遍历每个所述类属集合，按照预设的类属有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属有效函数算法，具体为：
式中，ωi3表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，表示待预测投资组合中所有持仓个券的持仓市值数据的总和，F4表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据。
6.如权利要求1所述的一种投资风险预测预警方法，其特征在于，所述根据所述投资风险预测值与预设风险阈值，实时判断并输出所述待预测投资组合中的各所述类属集合的风险预警等级，具体为：
遍历每个所述类属集合的所述投资风险预测值，并比较当前所述类属集合的所述投资风险预测值与所述预设风险阈值的大小；
若当前所述类属集合的所述投资风险预测值大于所述预设风险阈值，则判定当前所述类属集合的风险预警等级为高投资风险，并触发风险预警；
若当前所述类属集合的所述投资风险预测值小于或等于所述预设风险阈值，则判定当前所述类属集合的风险预警等级为低投资风险，并且不触发风险预警；
其中，所述预设风险阈值为基准指数节点平层聚合值、基准指数节点有效聚合值、基准指数节点类属占比聚合值或者基准指数节点类属有效聚合值。
7.一种投资风险预测预警装置，其特征在于，包括：划分模块、预测模块和预警模块；
其中，所述划分模块，用于按照预设的多个分类维度，根据待预测投资组合中的所有持仓个券的个券信息，对所有所述持仓个券进行类属划分，得到多个类属集合；其中，各所述类属集合包括一个或若干个所述持仓个券以及所述持仓个券的个券信息，所述个券信息包括持仓市值数据和风险指标数据；
所述预测模块，用于利用AG-Grid的透视模式，根据用户选定的金融聚合函数，结合各所述类属集合中所有所述持仓个券的个券信息，对各所述类属集合进行投资风险预测分析，得到各所述类属集合的投资风险预测值，以实现对所述待预测投资组合的投资风险预测；
所述预警模块，用于根据所述投资风险预测值与预设风险阈值，实时判断并输出所述待预测投资组合中的各所述类属集合的风险预警等级。
8.如权利要求7所述的一种投资风险预测预警装置，其特征在于，所述预测模块，具体包括：第一预测单元、第二预测单元、第三预测单元和第四预测单元；
其中，所述第一预测单元，用于若所述用户选定的金融聚合函数为平层函数，则遍历每个所述类属集合，按照预设的平层函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的平层函数算法，具体为：
式中，ωi1表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，F1表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数；
所述第二预测单元，用于若所述用户选定的金融聚合函数为有效函数，则遍历每个所述类属集合，按照预设的有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的有效函数算法，具体为：
式中，ωi2表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，z表示当前类属集合中所有持仓个券的组合净资产，F2表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据，n表示当前类属集合中持仓个券的个数；
所述第三预测单元，用于若所述用户选定的金融聚合函数为类属占比函数，则遍历每个所述类属集合，按照预设的类属占比函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属占比函数算法，具体为：
式中，F3表示当前类属集合的投资风险预测值，Yi表示当前类属集合中所有持仓个券的风险指标数据的总和，表示待预测投资组合中所有持仓个券的风险指标数据的总和；
所述第四预测单元，用于若所述用户选定的金融聚合函数为类属有效函数，则遍历每个所述类属集合，按照预设的类属有效函数算法，对当前所述类属集合进行投资风险预测，得到当前所述类属集合的投资风险预测值；其中，预设的类属有效函数算法，具体为：
式中，ωi3表示当前类属集合中第i个持仓个券的个券权重系数，xi表示当前类属集合中第i个持仓个券的持仓市值数据，表示待预测投资组合中所有持仓个券的持仓市值数据的总和，F4表示当前类属集合的投资风险预测值，yi表示当前类属集合中第i个持仓个券的风险指标数据。
9.一种终端，其特征在于，包括处理器、存储器及存储于所述存储器内的计算机程序；其中，所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所述的一种投资风险预测预警方法。
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包括存储的计算机程序；其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的一种投资风险预测预警方法。
CN202310782002.XA 2023-06-29 2023-06-29 一种投资风险预测预警方法、装置、终端和存储介质 Pending CN116882737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310782002.XA CN116882737A (zh) 2023-06-29 2023-06-29 一种投资风险预测预警方法、装置、终端和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310782002.XA CN116882737A (zh) 2023-06-29 2023-06-29 一种投资风险预测预警方法、装置、终端和存储介质

Publications (1)

Publication Number Publication Date
CN116882737A true CN116882737A (zh) 2023-10-13

Family

ID=88256035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310782002.XA Pending CN116882737A (zh) 2023-06-29 2023-06-29 一种投资风险预测预警方法、装置、终端和存储介质

Country Status (1)

Country Link
CN (1) CN116882737A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012168599A (ja) * 2011-02-10 2012-09-06 Futurebridge Partners Co Ltd 金融ポートフォリオ分析システム
WO2018008835A1 (ko) * 2016-07-08 2018-01-11 주식회사 인텔리퀀트 증권 포트폴리오를 위한 리스크 관리 방법 및 이를 위한 리스크 관리 장치.
CN108090837A (zh) * 2018-02-08 2018-05-29 上海译会信息科技有限公司 一种多种金融产品组合投资策略风险评估方法
CN109829628A (zh) * 2019-01-07 2019-05-31 平安科技（深圳）有限公司 基于大数据的风险预警方法、装置和计算机设备
CN112102076A (zh) * 2020-11-09 2020-12-18 成都数联铭品科技有限公司 一种平台综合风险预警系统
CN112700149A (zh) * 2021-01-05 2021-04-23 中国光大银行股份有限公司 一种投资组合风险评估系统、方法及计算机设备
CN113469818A (zh) * 2021-07-08 2021-10-01 建信金融科技有限责任公司 投资风险预警方法、装置、电子设备及计算机可读介质
CN115237985A (zh) * 2022-03-28 2022-10-25 中国人寿保险股份有限公司 基于etl的投资风险指标分析平台

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012168599A (ja) * 2011-02-10 2012-09-06 Futurebridge Partners Co Ltd 金融ポートフォリオ分析システム
WO2018008835A1 (ko) * 2016-07-08 2018-01-11 주식회사 인텔리퀀트 증권 포트폴리오를 위한 리스크 관리 방법 및 이를 위한 리스크 관리 장치.
CN108090837A (zh) * 2018-02-08 2018-05-29 上海译会信息科技有限公司 一种多种金融产品组合投资策略风险评估方法
CN109829628A (zh) * 2019-01-07 2019-05-31 平安科技（深圳）有限公司 基于大数据的风险预警方法、装置和计算机设备
CN112102076A (zh) * 2020-11-09 2020-12-18 成都数联铭品科技有限公司 一种平台综合风险预警系统
CN112700149A (zh) * 2021-01-05 2021-04-23 中国光大银行股份有限公司 一种投资组合风险评估系统、方法及计算机设备
CN113469818A (zh) * 2021-07-08 2021-10-01 建信金融科技有限责任公司 投资风险预警方法、装置、电子设备及计算机可读介质
CN115237985A (zh) * 2022-03-28 2022-10-25 中国人寿保险股份有限公司 基于etl的投资风险指标分析平台

Similar Documents

Publication Publication Date Title
Hsiao et al. Using fuzzy super-efficiency slack-based measure data envelopment analysis to evaluate Taiwan’s commercial bank efficiency
CN109784959B (zh) 一种目标用户预测方法、装置、后台服务器及存储介质
Hayden et al. Statistical methods to develop rating models
CN117350766B (zh) 一种基于私域电商平台的数据处理方法、系统及存储介质
CN111861759B (zh) 产品与客户群体的匹配方法和系统
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
Xu et al. A hybrid interpretable credit card users default prediction model based on RIPPER
CN108364107A (zh) 一种投资数据处理方法及装置
CN107451249A (zh) 事件发展趋势的预测方法及装置
DeSarbo et al. A friction model for describing and forecasting price changes
KR101438050B1 (ko) 거래처 모니터링 시스템
CN116882737A (zh) 一种投资风险预测预警方法、装置、终端和存储介质
Pierreval et al. Robust simulation with a base environmental scenario
Sukarsa et al. Estimation of Gourami Supplies Using Gradient Boosting Decision Tree Method of XGBoost.
CN114518988B (zh) 资源容量系统及其控制方法和计算机可读存储介质
CN115146729A (zh) 异常店铺识别方法、装置、计算机设备和存储介质
CN110490682A (zh) 分析商品属性的方法和装置
JP2008305229A (ja) 需要予測方法および装置
CN113010782A (zh) 需求量获取方法、装置、电子设备以及计算机可读介质
CN115222177A (zh) 业务数据处理方法、装置、计算机设备和存储介质
Gupta et al. Megamart sales prediction using machine learning techniques
Bidyuk et al. The algorithm for predicting the cryptocurrency rate taking into account the influence of posts of a group of famous people in social networks
Song et al. Entropy based measure sentiment analysis in the financial market
CN117933677B (zh) 基于区域调频的水力发电厂关联数据预测方法和装置
Sancar et al. Testing the performance of feature selection methods for customer churn analysis: Case study in B2B business

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