TW202207139A - 投資組合選擇系統 - Google Patents
投資組合選擇系統 Download PDFInfo
- Publication number
- TW202207139A TW202207139A TW109126598A TW109126598A TW202207139A TW 202207139 A TW202207139 A TW 202207139A TW 109126598 A TW109126598 A TW 109126598A TW 109126598 A TW109126598 A TW 109126598A TW 202207139 A TW202207139 A TW 202207139A
- Authority
- TW
- Taiwan
- Prior art keywords
- module
- stocks
- data
- financial
- level
- Prior art date
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種投資組合選擇系統,包含資料儲存裝置及資料處理裝置。資料儲存裝置包含ESG程度資料庫、技術面資料庫及基本面資料庫,ESG程度資料庫儲存有多個金融商品股的ESG程度資料,技術面資料庫儲存有金融商品股的技術面資料,基本面資料庫儲存有金融商品股的基本面資料。經由分析ESG程度評比、技術面資料及基本面資料,篩選出投資組合名單,以達到穩健投資、風險控管的目的。
Description
一種投資系統,尤指一種經由分析而篩選投資組合名單的系統。
投資已為現今社會的一種習慣、休閒或是理財行為。傳統的投資理財系統繁雜,存在許多缺失,例如無法有效篩選以提供使用者合適的投資名單及投資配比、獲利的成效不彰或有限、危機處理緩慢甚至無預警,導致使用者財務損失嚴重等等。
因此,使得使用者大多聽從經理人的建議以及自己的主觀直覺投入市場,在無效率的投資運作及風險控管下,使用者損失嚴重,即使有獲利,獲利的幅度也相當有限。
有鑑於此,本發明提出一實施例之一種投資組合選擇系統,包含資料儲存裝置及資料處理裝置。
資料儲存裝置包含ESG程度資料庫、技術面資料庫及基本面資料庫,ESG程度資料庫儲存有多個金融商品股的ESG程度資料,技術面資料庫儲存有金融商品股的技術面資料,基本面資料庫儲存有金融商品股的基本面資料。
資料處理裝置連接資料儲存裝置,並包含模型評分模組、第一預選模組、第一篩選模組及處理模組。
模型評分模組依據金融商品股的技術面資料,經加權計算及比較得到各金融商品股的評分等級;第一預選模組連接模型評分模組,挑選且儲存評分等級為預設等級以上且ESG程度評比為預設評比以上的金融商品股;第一篩選模組連接第一預選模組,於第一預選模組中篩選並儲存評分等級為限定等級以上的金融商品股,限定等級大於等於預設等級;處理模組分別連接模型評分模組、第一預選模組及第一篩選模組,對於第一篩選模組所儲存的金融商品股,找尋對應技術面資料中的一技術線資料及基本面資料,進行分析比對以決定將符合條件的金融商品股放入投資組合名單。
如上述的投資組合選擇系統,在一實施例中,投資組合名單包含各金融商品股的持股比重。
如上述的投資組合選擇系統,在一實施例中,第一預選模組還依據金融商品股的基本面資料、一預估獲利資料與ESG程度的評比資料,挑選且儲存ESG程度評比為預設評比以上的金融商品股;第一篩選模組依據基本面資料及一預設條件,於第一預選模組中篩選且儲存符合預設條件的金融商品股。
如上述的投資組合選擇系統,在一實施例中,資料處理裝置還包含第二預選模組及第二篩選模組,第二預選模組連接該模型評分模組,第二預選模組依據技術面資料及基本面資料,挑選且儲存ESG程度評比為預設評比以上的金融商品股;第二篩選模組連接第二預選模組,於第二預選模組中篩選並儲存評分等級為該限定等級以上的金融商品股,且不重複於第一篩選模組所篩選出的金融商品股。
如上述的投資組合選擇系統,在一實施例中,金融商品股包含多個指數成分股及多個非指數成分股,多個指數成分股的數量大於非指數成分股。
如上述的投資組合選擇系統,在一實施例中,模型評分模組係依據各金融商品股的至少一期日的股價,經加權計算後評分各金融商品股。
如上述的投資組合選擇系統,在一實施例中,資料處理裝置還包含配比模組,連接處理模組,依據投資組合名單的金融商品股的基本面資料與技術面資料,調配投資組合名單內各金融商品股的持股比重。
如上述的投資組合選擇系統,在一實施例中,處理模組還分析投資組合名單內各金融商品股的股價及大盤狀況,於投資組合名單內金融商品股的股價漲幅大於大盤漲幅一預設幅度時,進一步分析投資組合名單內金融商品股的技術面資料,決定是否發出一賣出訊息。
如上述的投資組合選擇系統,在一實施例中,處理模組還分析投資組合名單內各金融商品股的股價及大盤狀況,於發生下列條件之一時,處理模組發出一賣出訊息:1.投資組合名單內的金融商品股報酬率下跌10%以上;2.投資組合名單內的金融商品股的基本面資料出現重大變化;3.投資組合名單內的金融商品股的一中長技術面資料呈下降趨勢。
如上述的投資組合選擇系統,在一實施例中,處理模組於發生下列條件之一時,再次對於準投資組合資料庫裡的金融商品股,找尋對應的基本面資料及技術面資料,進行分析比對以決定另一個投資組合名單:1.模型評分模組提示出弱勢訊號,弱勢訊號係指金融商品股的評分低於預設評分等級;2.投資組合名單內金融商品股的股價在一預設期間後趨勢落後大盤超過5%;3.投資組合名單內金融商品股的一中長技術面資料呈下降趨勢。
經由本發明一個或多個實施例,可追求一穩健的投資組合名單,經由系統分析、調整持股所建立的投資組合名單,可達到漲幅優於大盤的投資效益。而在一實施例中,注重風險控管,在獲利已達一預設程度時(例如在一期間後投資組合名單內金融商品股的漲幅大於大盤15%),系統會將投資組合名單中的該些金融商品股重新檢視,依據基本面資料及技術面資料分析後,系統判斷應賣出獲利了結,則系統直接執行賣出步驟。而在一實施例中,系統則以提醒或建議的方式,將該賣出獲利了結訊息通知客戶(或系統使用者),由客戶(或系統使用者)決定是否賣出該些金融商品股。另一方面,在大盤呈現跌勢,系統亦會建議賣出停損。整體而言,藉由本發明投資組合選擇系統所做的投資,其獲利優於大盤,在大盤呈現跌勢時,其損失少於大盤,因此,可以有效的達到穩健投資、風險控管的目的。
請參閱圖1及圖2,圖1為本發明一實施例之投資組合選擇系統1架構示意圖。圖2為本發明一實施例之投資組合選擇系統1運作流程示意圖。
投資組合選擇系統1包含資料儲存裝置11及資料處理裝置12。資料儲存裝置11包含ESG程度資料庫111、技術面資料庫112及基本面資料庫113,ESG程度資料庫111儲存有多個金融商品股的ESG程度資料,技術面資料庫112儲存有金融商品股的技術面資料,例如K線及移動平均線(五日線、十日線)等資料。基本面資料庫113儲存有金融商品股的基本面資料,例如歷年財務報表、股價淨值比、殖利率、ROE及本益比等資料。
資料處理裝置12連接資料儲存裝置11,並包含模型評分模組121、第一預選模組122a、第一篩選模組123a及處理模組124。
模型評分模組121依據金融商品股的技術面資料,經加權計算得到各金融商品股的評分等級,例如將該金融商品股的1日、5日、1個月與3個月股價的漲跌進行一預設權重的加權計算,及比較後而得到評分等級。評分等級範圍為-10至+10分,-7分以下為弱勢評分。+7分以上為強勢評分,評分分數越高者表示該金融商品股為一較佳的投資標的。在一些實施例中,模型評分模組121係依據各金融商品股的至少一期日的股價,經加權計算後評分各金融商品股。所述期日例如以週、月計算,或是以短天數,例如1日、5日計算,本發明並無限制。
第一預選模組122a連接模型評分模組121,執行下列步驟S11:挑選且儲存評分等級為預設等級以上且ESG程度評比為預設評比以上的金融商品股。所述預設等級例如為7分,所述預設評比例如為C,也就是說,在所舉的實施例中,第一預選模組122a將挑選7分等級以上且ESG程度評比為C以上的金融商品股,並儲存起來。ESG程度評比不同於過往企業僅就財務表現進行評估,而是亦將環境、社會和公司治理等因素納入投資決策或者企業經營之考量。E(environment)即指對於環境的關懷、S(social responsibilty)則是對社會責任的考量,而G(Corporate Governance)則是公司治理。在環境層面,考慮包括如生物多樣性、環境污染防治與控制等面向;在社會考量層面則可能包括如勞工的工作條件、工作安全、社區健康與安全、與受產業影響之利害關係人的關係維繫、土地的佔用與非自願性遷徙、對於當地原住民之補償與照料、文化遺產之保存等等,並且強調公司治理的透明度與公開度。如評比為A+,可表示該公司(金融商品股)在環境、社會和公司治理等面向的治理條件為優等生。
第一篩選模組123a連接第一預選模組122a,第一篩選模組123a執行下列步驟S12:於第一預選模組122a中篩選並儲存評分等級為限定等級以上的金融商品股,所述限定等級等於或大於所述預設等級。以上述實施例而言,限定等級為9分,則此時第一篩選模組123a將第一預選模組122a選出的金融商品股中,篩選評分為9分以上且ESG程度評比為C以上的金融商品股。而評分為7分至8分且ESG程度評比為C以上的金融商品股則另儲存為一觀察群組。
處理模組124分別連接模型評分模組121、第一預選模組122a及第一篩選模組123a,處理模組124執行下列步驟S13:對於第一篩選模組123a所儲存的金融商品股(上述評分為9分以上且ESG程度評比為C以上的金融商品股),找尋對應技術面資料中的技術線資料及基本面資料,進行分析比對以決定將符合條件的金融商品股放入投資組合名單L,所述的條件可為使用者預先設定,例如股價、殖利率、股東權益(ROE)、資本額、本益比及移動平均線(五日線、十日線)等條件。處理模組124經分析比對後,列舉出符合上述預先設定條件下的金融商品股作為投資組合名單L。進一步的,在一些實施例中,處理模組124還依據該些技術面資料及基本面資料及使用者預先設定的條件,提供各金融商品股的持股比重的建議,例如投資組合名單L中非指數成分股的金融商品股持重最高只能有1%,又例如於投資組合名單L中檢視指數成分股的金融商品股之原始權占比重,依據該金融商品股的基本面資料及技術面資料,而調整其在投資組合名單L中的持股比例。如某A股的原始權占比重為0.05%,然依據其基本面資料及技術面資料,處理模組124建議將該A股於投資組合名單L中的持股比例調整為0.9%。在一實施例中,若使用者認為欲增加投資組合名單L的金融商品股,可將上述的觀察群組中,預設條件(如上述)交由處理模組124進行分析,篩選出較佳的金融商品股列入投資組合名單L中。
請再參閱圖2,在一些實施例中,第一預選模組122a還執行下列步驟S21:依據金融商品股的基本面資料、預估獲利資料與ESG程度的評比資料,挑選且儲存ESG程度評比為預設評比以上的金融商品股,例如尋找公司預估其獲利會持續成長、實質價值被低估金融商品股,所述的預估獲利資料例如金融分析師所預估的公司營收增長資料。第一篩選模組123a還執行下列步驟S22:依據基本面資料及一預設條件,於第一預選模組122a中篩選且儲存符合預設條件的金融商品股,所述的預設條件例如所選的金融商品股在一中長期下,獲利成長趨勢明確上升,或是對應時事具有契機或轉機的標的,例如發生疫情時,航空、觀光股呈現低迷情況,於疫情減緩或結束時期,所述航空股、觀光股恐為具有契機或轉機的標的。同樣的,處理模組124亦將這些金融商品股經分析比對後,歸類強勢評分、中間評分及弱勢評分(強、弱勢評分請參閱上述),搭配技術面資料及基本面資料,將符合預先設定條件下的金融商品股放入投資組合名單L裡。以此實施例,可以擴增投資組合名單L內金融商品股的組合,使用者可依據該投資組合名單L選擇真正欲投資的標的。
此外,請再參閱圖2,資料處理裝置12還包含第二預選模組122b及第二篩選模組123b(如圖1所示),第二預選模組122b連接模型評分模組121,第二篩選模組123b連接第二預選模組122b。於此實施例中,第二預選模組122b執行下列步驟S31:依據技術面資料及基本面資料,挑選且儲存ESG程度評比為預設評比以上的金融商品股。第二篩選模組123b執行下列步驟S32:於第二預選模組122b中篩選並儲存評分等級為限定等級以上的金融商品股,經挑選出的金融商品股不重複於第一篩選模組123a所篩選出的金融商品股。依據上述的步驟S11-S22選擇方式,可能遺漏一些具有潛力的金融商品股,此時該第二預選模組122b及第二篩選模組123b具補充投資組合名單L的功能,例如於該些剩餘金融商品股中,挑選出符合設定條件且ESG程度評比為C以上的金融商品股,接著由處理模組124依據基本面資料及技術面資料分析比對,歸類強、弱勢評分的金融商品,找尋適合的金融商品股,列入投資組合名單L中,讓使用者擁有更多元的投資組合。
在上述中,金融商品股包含多個指數成分股及多個非指數成分股,且多個指數成分股的數量大於非指數成分股。在一些實施例中,於步驟S11中,第一預選模組122a選擇的金融商品股為指數成分股;在步驟S21中,第一預選模組122a選擇的金融商品股為指數成分股及非指數成分股。然而本發明並不限定,在另一些實施例中,於步驟S11中,第一預選模組122a選擇的金融商品股包含指數成分股及非指數成分股。
在一實施例中,在投資組合名單L中,經步驟S11-S13所挑選出的金融商品股與經步驟S21-S13、S31-S13挑選出的金融商品股,其比例約8:2。
請再參閱圖1,在此實施例中,資料處理裝置12還包含配比模組125,連接處理模組124,依據投資組合名單L的金融商品股的技術面資料及基本面資料,調配投資組合名單L內各金融商品股的持股比重。也就是說,本發明的投資組合選擇系統1一實施例中所具有的風險控管功能之一,即是依據投資組合名單L的金融商品股的基本面資料、技術面資料,及依據目前投資組合名單L投資的綜合效益,給予使用者持重比例調整的建議,以獲取更大的利益,或是能快速的停損,減少損失。在一些實施例中,使用者可以自行設定持股比例,於設定後,配比模組125依據使用者的設定進行分析,再給予調整建議。換言之,配比模組125具有優化持股比例的功能,且可以彈性調整持股比例,以達到穩健投資的目的。例如上述中,例如配比模組125限定投資組合名單L中非指數成分股的金融商品股持重最高只能有1%,且於投資組合名單L中檢視指數成分股的金融商品股之原始權重占比,依據該金融商品股的基本面資料及技術面資料,而調整其在投資組合名單L中的持股比例。如某B股的原始權重占比為0.06%,依據其基本面資料及技術面資料,配比模組125建議將該B股於投資組合名單L中的持股比例調整為0.1%。在一些實施例中,配比模組125所建議調高持股比例會有一個可調整的限制門檻。
此外,本發明的投資組合選擇系統1一實施例中所具有的風險控管功能之一,即在於處理模組124分析投資組合名單L內各金融商品股的股價及大盤狀況,當於投資組合名單L內金融商品股的股價漲幅大於大盤漲幅一預設幅度時,例如已達10%或15%,進一步分析投資組合名單L內金融商品股的技術面資料,交叉比對後,決定是否發出一賣出訊息,即促使使用者獲利了結,在一些情況下,投資組合選擇系統1將強制賣出該些滿足上述獲利條件的金融商品股。
而在虧損的風險管控下,處理模組124還分析投資組合名單L內各金融商品股的股價及大盤狀況,於發生下列條件之一時,處理模組124發出賣出訊息:1.投資組合名單L內的金融商品股報酬率下跌10%以上;2.投資組合名單L內的金融商品股的基本面資料出現重大新聞,例如公司財報虧損,或公司人事變動,或是公司股東持股變動等新聞;3.投資組合名單L內的金融商品股的一中長技術面資料呈下降趨勢。此時,處理模組124將提醒使用者應將該金融商品股賣出,停止虧損。而在一些情況下,投資組合選擇系統1將強制賣出該金融商品股,防免損失持續擴大。
另一方面,處理模組124於發生下列條件之一時,再次對於準投資組合資料庫裡的金融商品股,找尋對應的技術面資料及該基本面資料,進行分析比對以決定另一個投資組合名單L:1.模型評分模組121提示出弱勢訊號,弱勢訊號係指金融商品股的評分低於預設評分等級,例如低於-7分時;2.投資組合名單L內金融商品股的股價在一預設期間(例如30日)後趨勢落後大盤超過5%;3.投資組合名單L內金融商品股的一中長技術面資料呈下降趨勢。也就是說,處理模組124將調整投資組合裡的名單,可能包含購入新的金融商品股,賣出虧損的金融商品股,抑或是調整調持股比例。
本發明的投資組合選擇系統1,在一實施例中,可應用於個人電腦設備,例如桌上型電腦、筆記型電腦或平版電腦等。例如,資料儲存裝置11為一實體硬碟或雲端硬碟,資料處理裝置12為一運算裝置,執行軟體來實現前述之模型評分模組121、第一預選模組122a、第二預選模組122b、第一篩選模組123a、第二篩選模組123b、處理模組124及配比模組125。資料處理裝置12可與資料儲存裝置11整併為一機體或分離設置。在另一實施例中,投資組合選擇系統1可應用於行動裝置,例如智慧型手機。將資料處理裝置12設置於機體內,資料儲存裝置11可以雲端遠端連線方式連接,由智慧型手機的應用程式操作、執行投資組合選擇系統1。在又一實施例中,亦可將資料儲存裝置11及資料處理裝置12應用於雲端伺服器,由使用者的電腦設備,例如桌上型電腦、筆記型電腦、平板電腦或智慧型手機連線雲端伺服器使用。換言之,本發明並不限定應用領域。
經由本發明一個或多個實施例,可追求一穩健的投資組合名單L,經由投資組合選擇系統分析、調整持股所建立的投資組合名單L,可達到漲幅優於大盤的投資效益。而在一實施例中,注重風險控管,在獲利已達一預設程度時(例如在一期間後投資組合名單內金融商品股的漲幅大於大盤15%),投資組合選擇系統會將投資組合名單中的該些金融商品股重新檢視,依據基本面資料及技術面資料分析後,投資組合選擇系統判斷應賣出獲利了結,則投資組合選擇系統直接執行賣出步驟。而在一實施例中,投資組合選擇系統則以提醒或建議的方式,將該賣出獲利了結訊息通知客戶(或系統使用者),由客戶(或系統使用者)決定是否賣出該些金融商品股。另一方面,在大盤呈現跌勢,投資組合選擇系統亦會建議賣出停損。整體而言,藉由本發明投資組合選擇系統所做的投資,其獲利優於大盤,在大盤呈現跌勢時,其損失少於大盤,因此,可以有效的達到穩健投資、風險控管的目的。
1:投資組合選擇系統
11:資料儲存裝置
111:ESG程度資料庫
112:技術面資料庫
113:基本面資料庫
12:資料處理裝置
121:模型評分模組
122a:第一預選模組
122b:第二預選模組
123a:第一篩選模組
123b:第二篩選模組
124:處理模組
125:配比模組
S11-S31:步驟
S12-S32:步驟
S13:步驟
L:投資組合名單
[圖1]係本發明一實施例之投資組合選擇系統架構示意圖。
[圖2]係本發明一實施例之投資組合選擇系統運作流程示意圖。
1:投資組合選擇系統
11:資料儲存裝置
111:ESG程度資料庫
112:技術面資料庫
113:基本面資料庫
12:資料處理裝置
121:模型評分模組
122a:第一預選模組
122b:第二預選模組
123a:第一篩選模組
123b:第二篩選模組
124:處理模組
125:配比模組
Claims (10)
- 一種投資組合選擇系統,包含: 一資料儲存裝置,包含一ESG程度資料庫、一技術面資料庫及一基本面資料庫,該ESG程度資料庫儲存有多個金融商品股的ESG程度資料,該技術面資料庫儲存有該等金融商品股的一技術面資料,該基本面資料庫儲存有該等金融商品股的一基本面資料;及 一資料處理裝置,連接該資料儲存裝置,並包含: 一模型評分模組,依據該等金融商品股的該技術面資料,經加權計算及比較得到各該金融商品股的一評分等級; 一第一預選模組,連接該模型評分模組,挑選且儲存評分等級為一預設等級以上且ESG程度評比為一預設評比以上的金融商品股; 一第一篩選模組,連接該第一預選模組,於該第一預選模組中篩選並儲存評分等級為一限定等級以上的金融商品股,該限定等級大於等於該預設等級;及 一處理模組,分別連接該模型評分模組、該第一預選模組及該第一篩選模組,對於該第一篩選模組所儲存的金融商品股,找尋對應的該技術面資料中的一技術線資料及該基本面資料,進行分析比對以決定將符合條件的金融商品股放入一投資組合名單。
- 如請求項1所述的投資組合選擇系統,其中該投資組合名單包含各該金融商品股的持股比重。
- 如請求項1所述的投資組合選擇系統,其中該第一預選模組還依據該等金融商品股的該基本面資料、一預估獲利資料與ESG程度的評比資料,挑選且儲存ESG程度評比為該預設評比以上的金融商品股;該第一篩選模組依據該基本面資料及一預設條件,於該第一預選模組中篩選且儲存符合該預設條件的金融商品股。
- 如請求項3所述的投資組合選擇系統,其中該資料處理裝置還包含一第二預選模組及一第二篩選模組,該第二預選模組連接該模型評分模組,該第二預選模組依據該技術面資料及該基本面資料,挑選且儲存ESG程度評比為該預設評比以上的金融商品股;該第二篩選模組連接該第二預選模組,於該第二預選模組中篩選並儲存評分等級為該限定等級以上的金融商品股,且不重複於該第一篩選模組所篩選出的金融商品股。
- 如請求項1所述的投資組合選擇系統,其中該等金融商品股包含多個指數成分股及多個非指數成分股,該等多個指數成分股的數量大於該等非指數成分股。
- 如請求項1所述的投資組合選擇系統,其中該模型評分模組係依據各該金融商品股的至少一期日的股價,經加權計算後評分各該金融商品股。
- 如請求項1所述的投資組合選擇系統,其中該資料處理裝置還包含一配比模組,連接該處理模組,依據該投資組合名單的金融商品股的該基本面資料與該技術面資料,調配該投資組合名單內各該金融商品股的持股比重。
- 如請求項1所述的投資組合選擇系統,其中該處理模組還分析該投資組合名單內各該金融商品股的股價及大盤狀況,於該投資組合名單內該金融商品股的股價漲幅大於大盤漲幅一預設幅度時,進一步分析該投資組合名單內金融商品股的該技術面資料,決定是否發出一賣出訊息。
- 如請求項1所述的投資組合選擇系統,其中該處理模組還分析該投資組合名單內各該金融商品股的股價及大盤狀況,於發生下列條件之一時,該處理模組發出一賣出訊息: 1. 該投資組合名單內的該金融商品股報酬率下跌10%以上; 2. 該投資組合名單內的該金融商品股的基本面資料出現重要新聞;及 3. 該投資組合名單內的該金融商品股的一中長技術面資料呈下降趨勢。
- 如請求項1所述的投資組合選擇系統,其中該處理模組於發生下列條件之一時,再次對該第一篩選模組篩選出的金融商品股,找尋對應的該技術面資料及該基本面資料,進行分析比對以決定另一個投資組合名單: 1.該模型評分模組提示出一弱勢訊號,該弱勢訊號係指該金融商品股的評分低於一預設評分等級; 2. 該投資組合名單內該金融商品股的股價於一預設期間後趨勢落後大盤超過5%;以及 3. 該投資組合名單內該金融商品股的一中長技術面資料呈下降趨勢。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109126598A TWI747421B (zh) | 2020-08-05 | 2020-08-05 | 投資組合選擇系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109126598A TWI747421B (zh) | 2020-08-05 | 2020-08-05 | 投資組合選擇系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI747421B TWI747421B (zh) | 2021-11-21 |
TW202207139A true TW202207139A (zh) | 2022-02-16 |
Family
ID=79907790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109126598A TWI747421B (zh) | 2020-08-05 | 2020-08-05 | 投資組合選擇系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI747421B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1567319A (zh) * | 2003-06-20 | 2005-01-19 | 马涛 | 证券投资客户管理系统 |
US8352346B2 (en) * | 2008-07-02 | 2013-01-08 | Carpenter Steven A | Systems and methods for providing investment performance data to investors |
US10592987B2 (en) * | 2013-06-10 | 2020-03-17 | Fmr Llc | Sector-based portfolio construction platform apparatuses, methods and systems |
CN107481143A (zh) * | 2017-07-28 | 2017-12-15 | 武汉楚鼎信息技术有限公司 | 一种智能股票推荐系统以及实现方法 |
CN108460529A (zh) * | 2018-03-02 | 2018-08-28 | 广州新博庭网络信息科技股份有限公司 | 一种股票打分方法和装置 |
TWM586419U (zh) * | 2019-04-03 | 2019-11-11 | 林淑玲 | 智能理財投資決策分析系統 |
CN110532357B (zh) * | 2019-09-04 | 2024-03-12 | 深圳前海微众银行股份有限公司 | Esg评分体系的生成方法、装置、设备及可读存储介质 |
CN111311105A (zh) * | 2020-02-28 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 组合产品评分方法、装置、设备及可读存储介质 |
TWM606390U (zh) * | 2020-08-05 | 2021-01-11 | 元大證券投資信託股份有限公司 | 投資組合選擇系統 |
-
2020
- 2020-08-05 TW TW109126598A patent/TWI747421B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI747421B (zh) | 2021-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cici et al. | Missing the marks? Dispersion in corporate bond valuations across mutual funds | |
De Groot et al. | Another look at trading costs and short-term reversal profits | |
Jiang et al. | Firm characteristics and Chinese stocks | |
Higgins et al. | Does a Firm’s Business Strategy Influence its Level of Tax Avoidance? | |
US20080071702A1 (en) | Investment classification and tracking system | |
CN109784779B (zh) | 财务风险预测方法、装置及存储介质 | |
JP6991554B2 (ja) | Esg情報を用いたポートフォリオ構築方法、esg情報を用いたポートフォリオ構築に関する情報処理を実行可能なコンピュータおよびプログラム | |
Bentley et al. | Business strategy, audit fees and financial reporting irregularities | |
Rahman et al. | COVID-19 and earnings management: a comparison between Chinese family and non-family enterprises | |
TWM606390U (zh) | 投資組合選擇系統 | |
Martinez-Cillero et al. | Covid-19 pandemic and SME revenues in Ireland: What’s the gap | |
Kot et al. | The long-term performance of index additions and deletions: Evidence from the Hang Seng Index | |
US20210056625A1 (en) | Artificial intelligence and machine learning in a clustering processes to develop a utility model for asset allocation and automated rebalancing of exchange traded funds | |
Bhana | The share market reaction to earnings announcements—a test of the efficiency of the Johannesburg Stock Exchange | |
Rasheed et al. | Stock price synchronicity and voluntary disclosure in perspective of Pakistan | |
TWI747421B (zh) | 投資組合選擇系統 | |
Saravanakumar | Determinants of corporate dividend policy | |
Saputra et al. | Analysis Of Financial Factors, Institutional Ownership, And Tax Avoidance On Income Smoothing | |
Ahmed et al. | The effects of index changes on stock trading: Evidence from the EGX | |
Taylor | Post‐Earnings Announcement Drift and Related Anomalies | |
Guo et al. | News co-occurrence, attention spillover, and return predictability | |
Qi et al. | Forecasting market risk using ultra-high-frequency data and scaling laws | |
Lockwood et al. | Does Analyst Optimism Fuel Stock Price Momentum? | |
US20140074754A1 (en) | Method of Identifying Relative Strength of Mutual Funds | |
Frijns et al. | Behavioural heterogeneity in the New Zealand stock market |