TWI727218B - 投資策略規則產生方法及應用其之投資策略規則產生裝置 - Google Patents

投資策略規則產生方法及應用其之投資策略規則產生裝置 Download PDF

Info

Publication number
TWI727218B
TWI727218B TW107139341A TW107139341A TWI727218B TW I727218 B TWI727218 B TW I727218B TW 107139341 A TW107139341 A TW 107139341A TW 107139341 A TW107139341 A TW 107139341A TW I727218 B TWI727218 B TW I727218B
Authority
TW
Taiwan
Prior art keywords
investment
rule
candidate
holding
rules
Prior art date
Application number
TW107139341A
Other languages
English (en)
Other versions
TW202018647A (zh
Inventor
王恩慈
葉吉原
黃献竤
蔡明耀
Original Assignee
財團法人工業技術研究院
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 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW107139341A priority Critical patent/TWI727218B/zh
Priority to CN201811402632.5A priority patent/CN111144605A/zh
Priority to US16/234,390 priority patent/US10915963B2/en
Publication of TW202018647A publication Critical patent/TW202018647A/zh
Application granted granted Critical
Publication of TWI727218B publication Critical patent/TWI727218B/zh

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C2209/00—Indexing scheme relating to groups G07C9/00 - G07C9/38
    • G07C2209/08—With time considerations, e.g. temporary activation, valid time window or time limitations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

投資策略規則產生方法包括以下步驟。首先，投資策略模型產生器依據投資歷史走勢，產生投資策略模型。然後，投資策略規則運算器取得N個候選投資規則之各者之總投資回報，N個候選投資規則各包括一候選市場方向規則。前述取得步驟包括：在一時間區間的一時間框中數個時點之各者中，執行一模擬投資。然後，投資策略規則運算器計算於時間區間內在此些模擬投資之操作下的總投資回報。然後，投資策略規則運算器以此些總投資回報中之最佳者所對應的候選投資規則做為投資策略模型的一投資策略規則。

Description

投資策略規則產生方法及應用其之投資策略規則 產生裝置
本揭露是有關於一種投資策略規則產生方法及應用其之投資策略規則產生裝置，且有關於一種使用歷史投資數據之投資策略規則產生方法及應用其之投資策略規則產生裝置。
目前的投資預測大多是透過機械學習過去市場走勢，並據以產出一投資模型。後續便以此投資模型產生一未來預測走勢。然而，未來預測走勢的準確度不可能達至100%，且甚至很低，反而提升投資風險。另，在投資市場中，投資人通常會對數檔投資標的進行固定的投資比例設定。例如，對於A基金設定20%資金，而對B基金設定80%資金。當投資市場的指數變動時，理財機器人通常會調整投入A基金的資金及投入B基金的資金，但仍維持對A基金原設定的20%以及對B基金原設定的80%。然而，這樣的方式並未根據投資市場的未來預測進行資產重新配置。
因此，如何提出一種新的投資預測模式以改善前述問題是本技術領域業者努力的方向之一。
本揭露係有關於一種投資策略規則產生方法及應用其之投資策略規則產生裝置，可改善前述習知問題。
本揭露一實施例提出一種投資策略規則產生方法。投資策略規則產生方法包括以下步驟。一投資策略模型產生器依據一投資市場的一歷史走勢，產生一投資策略模型，投資策略模型具有一市場方向預測準確率，市場方向預測準確率低於100%；一投資策略規則運算器取得N個候選投資規則之各者之一總投資回報，N個候選投資規則各包括一候選市場方向規則，取得步驟包括：在一時間區間的一時間框中數個時點之各者中，執行一模擬投資。執行模擬投資包括以下步驟：以市場方向預測準確率產生一市場方向預測規則；以及，依據市場方向預測規則與N個候選投資規則之第i者的候選市場方向規則，執行一進場投資模式或一持有投資模式；投資策略規則運算器計算於時間區間內在此些進場投資模式及此些持有投資模式之操作下的一總投資回報；以及，投資策略規則運算器以此些總投資回報中之最佳者所對應的候選投資規則做為投資策略模型的一投資策略規則。
本揭露另一實施例提出一種投資策略規則產生方法。投資策略規則產生方法包括以下步驟。一投資策略模型產生器依據一投資市場的一歷史走勢，產生一投資策略模型，投資策 略模型具有一市場方向預測準確率，市場方向預測準確率低於100%；一投資策略規則運算器取得N個候選投資規則之各者之一總投資回報，N個候選投資規則各包括一候選進場方向規則及一候選方向持有規則，取得步驟包括：在一時間區間的一時間框中數個時點之各者中，執行一模擬投資。模擬投資包括：以市場方向預測準確率產生一進場方向預測規則；以市場方向預測準確率產生一持有方向預測規則；判斷是否當前投資模式是否處於一持有狀態；當當前投資模式非處於持有狀態時，判斷進場方向預測規則與N個候選投資規則之第i者的候選進場方向規則是否相符，其中i為介於1~N之間的正整數；當進場方向預測規則與N個候選投資規則之第i者的候選進場方向規則相符，執行一進場投資模式；當當前投資模式處於持有狀態時，判斷持有方向預測規則與N個候選投資規則之第i者的候選持有方向規則是否相符；及，當持有方向預測規則與N個候選投資規則之第i者的候選持有方向規則相符，執行一持有投資模式；投資策略規則運算器計算於時間區間內在此些進場投資模式及此些持有投資模式之操作下的一總投資回報；以及，投資策略規則運算器以此些總投資回報中之最佳者所對應的候選投資規則做為投資策略模型的一投資策略規則。
本揭露另一實施例提出一種投資策略規則產生裝置。投資策略規則產生裝置包括一投資策略模型產生器及一投資策略規則運算器。投資策略模型產生器用以依據一投資市場的一 歷史走勢，產生一投資策略模型，投資策略模型具有一市場方向預測準確率，市場方向預測準確率低於100%。投資策略規則運算器用以：在一時間區間的一時間框中數個時點之各者中，執行一模擬投資。執行模擬投資包括：以市場方向預測準確率產生一進場方向預測規則；以市場方向預測準確率產生一持有方向預測規則；判斷是否當前投資模式是否處於一持有狀態；當當前投資模式非處於持有狀態時，判斷進場方向預測規則與N個候選投資規則之第i者的候選進場方向規則是否相符，其中i為介於1~N之間的正整數；當進場方向預測規則與N個候選投資規則之第i者的候選進場方向規則相符，執行一進場投資模式；當當前投資模式處於持有狀態時，判斷持有方向預測規則與N個候選投資規則之第i者的候選持有方向規則是否相符；及，當持有方向預測規則與N個候選投資規則之第i者的候選持有方向規則相符，執行一持有投資模式。投資策略規則運算器更用以：計算於時間區間內在此些進場投資模式及此些持有投資模式之操作下的一總投資回報；以及，以此些總投資回報中之最佳者所對應的候選投資規則做為投資策略模型的一投資策略規則。
為了對本揭露之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
100:投資策略規則產生裝置
110:投資策略模型產生器
120:投資策略規則運算器
200:投資策略評估裝置
210:投資策略評估器
A1:市場方向預測準確率
A2:市場波動度預測準確率
E:候選進場方向規則
Ex、Ey、Ez、Fx、Fy、Fz、Gx、Hx、PE1x、PE1y、PE1z、PE2x、PE2y、PE2z、PF1x、PF1y、PF1z、PF2x、PF2y、PF2z:參數
F:候選持有方向規則
G:候選進場波動度規則
H:候選持有波動度規則
M1:投資策略模型
PE1:進場方向預測規則
PE2:進場方向預測策略
PF1:持有方向預測規則
PF2:持有方向預測策略
PG1:進場波動度預測規則
PG2:進場波動度預測策略
PH1:持有波動度預測規則
PH2:持有波動度預測策略
R、Ri、R1:候選投資規則
S1:投資策略規則
S2:未來預測走勢
SE1:進場方向策略
SF1:持有方向策略
SH1:持有波動度策略
SG1:進場波動度策略
S110、S120、S120A~S120M、S130、S210~S280:步驟
Δt:時間間隔
ΔT:時間區間
ΔT1、ΔT2:時間框
T1、T2、T3、Tj:時點
第1圖繪示依照本揭露一實施例之投資策略規則產生裝置的功能方塊圖。
第2圖繪示依照本揭露一實施例之投資策略規則產生方法的流程圖。
第3圖繪示第1圖之投資策略規則產生裝置進行一個時間框的模擬投資流程圖。
第4圖繪示依照本揭露實施例之歷史走勢的時間區間的示意圖。
第5圖繪示依照本揭露一實施例之投資策略評估裝置的功能方塊圖。
第6圖繪示依照本揭露一實施例之投資策略評估方法的流程圖。
請參照第1及2圖，第1圖繪示依照本揭露一實施例之投資策略規則產生裝置100的功能方塊圖，而第2圖繪示依照本揭露一實施例之投資策略規則產生方法的流程圖。
如第1圖所示，投資策略規則產生裝置100包括投資策略模型產生器110及投資策略規則運算器120。投資策略模型產生器110及/或投資策略規則運算器120可以是採用半導體製程所形成的電路結構(circuit)、韌體或軟體。投資策略模型產生器110及/或投資策略規則運算器120可整合成單一元件，或整合於一處 理器(process)，如中央處理器(Central Processing Unit,CPU)，然本揭露實施例不受此限。
以下係以第2~3圖說明投資策略規則產生裝置100進行投資策略規則產生方法的過程。第3圖繪示第1圖之投資策略規則產生裝置100進行一個時間框的模擬投資的流程圖。投資策略規則產生裝置100在其它時間框的模擬投資採用類似或相同於第3圖的流程。
在步驟S110中，投資策略模型產生器110依據投資市場的歷史走勢，產生投資策略模型M1。投資市場例如示股票市場、債券市場、基金市場或其它任何類型的投資市場。本揭露實施例係以債券市場為例說明。
如第4圖所示，其繪示依照本揭露實施例之歷史走勢的時間區間ΔT的示意圖。前述歷史走勢例如是投資市場過去一段時間區間ΔT的歷史走勢數據，如大盤點數或其它任何的投資數據等。前述的「時間區間ΔT」的長度例如是過去20年、或比20年更短或更長。
此外，投資策略模型產生器可110可採用例如是深度神經網路(Deep neural network,DNN)技術、支持向量機(Support Vector Machine,SVM)或其它人工智慧技術產生投資策略模型M1。在一實施例中，投資策略模型產生器110可依據投資市場於時間區間T的一前段區的歷史走勢，產生投資策略模型M1，然後再用時間區間ΔT的後段區的歷史走勢測試投資策略模 型M1的準確率，如市場方向預測準確率A1。前述「前段區」例如是時間區間ΔT之四分之三的長度，而前述「後段區」例如是時間區間ΔT之四分之一的長度，然本揭露實施例不受此限。
雖然投資策略模型M1的市場方向預測準確率A1低於100%，然只要大致等於或高於50%以上，則表示投資策略模型M1是可用的。此外，雖然投資策略模型M1的準確率低於100%，然透過以下步驟S120取得一投資策略規則S1，可彌補投資策略模型M1先天上準確率低於100%的不足。
在步驟S120中，投資策略規則運算器取得數個候選投資規則R之第i者(以Ri表示)之總投資回報，其中i為介於1~N的正整數，N為大於1的正整數。本揭露實施例不限定N的上限。此外，總投資回報例如是在時間區間ΔT內模擬投資所得的持有區間價格低於買賣比例、年化報酬率、年化報酬標準差、區間總報酬、年化報酬較固定持有3年改善率等判斷投資標的是否值得投資或其它任何具有投資參考的指標。本文的投資標的例如是在投資市場中發行的任何投資項目，如股票、基金、債券等。
各候選投資規則Ri包括候選進場方向規則E及候選持有方向規則F。
以下說明候選進場方向規則E的決定方示。
候選進場方向規則E可表示成(Ex,Ey,Ez)。參數Ex表示未來第一段時間的走勢的「漲」或「跌」，其中「漲」以1表示，而「跌」以0表示，而「未來第一段時間」例如是次月。參 數Ey表示未來第二段時間的走勢的「漲」或「跌」，其中「漲」以1表示，而「跌」以0表示，且「未來第二段時間」例如是次3月。參數Ey表示未來第三段時間的走勢的「漲」或「跌」，其中「漲」以1表示，而「跌」以0表示，且「未來第三段時間」例如是次6月。舉例來說，當次月、次3月及次6月分別為「漲」、「跌」及「跌」時，則候選進場方向規則E可表示成(1,0,0)。此外，候選進場方向規則E的「未來第一段時間」、「未來第二段時間」及「未來第三段時間」係相對於同一時點而言。此外，本揭露實施例之「未來第一段時間」、「未來第二段時間」及「未來第三段時間」的時間長度不受前述次月、次3月及次6月所限，其也可以是其它時間長度。
依前述原則，候選進場方向規則E共有23的排列組合，其中排除(0,0,0)之組合，因此減少至(23-1)個排列組合。
以下說明候選持有方向規則F的決定方示。
候選持有方向規則F可表示成(Fx,Fy,Fz)。參數Fx表示未來第一段時間的走勢的「漲」或「跌」，其中「漲」以1表示，而「跌」以0表示，且未來第一段時間例如是次月。參數Fy表示未來第二段時間的走勢的「漲」或「跌」，其中「漲」以1表示，而「跌」以0表示，且未來第二段時間例如是次3月。參數Fy表示未來第三段時間的走勢的「漲」或「跌」，其中「漲」以1表示，而「跌」以0表示，且未來第三段時間例如是次6月。舉例來說，當次月、次3月及次6月分別為「跌」、「漲」及「跌」時， 則候選持有方向規則F可表示成(0,1,0)。此外，候選持有方向規則F的「未來第一段時間」、「未來第二段時間」及「未來第三段時間」係相對於同一時點而言。此外，本揭露實施例之「未來第一段時間」、「未來第二段時間」及「未來第三段時間」的時間長度不受前述次月、次3月及次6月所限，其也可以是其它時間長度。
依前述原則，候選持有方向規則F共有23的排列組合，其中排除(0,0,0)之組合，因此減少至(23-1)個排列組合。
在候選進場方向規則E及候選持有方向規則F的全部排列組合決定後，即可決定候選投資規則R的排列組合。在本實施例中，候選投資規則R為全部候選進場方向規則E與全部候選持有方向規則F的排列組合。例如，候選投資規則R共有(23-1)×(23-1)個排列組合，即前述的N值為(23-1)×(23-1)。
步驟S120的總投資回報可由數種方式取得，以下係以第3圖說明其中一種。
在時間區間ΔT內一個時間框中的數個時點之各者，投資策略規則運算器120進行以下步驟S120A~S120M。詳言之，「數個時點」例如是第4圖所示之時間區間ΔT內第k個時間框內的數個時點。時間框的長度例如是3年，然亦可更短或更長。如圖所示，相鄰二時間框彼此間隔一時間間隔Δt，可由時間間隔Δt的值決定時間框的數量。在一實施例中，時間間隔Δt例如是一個月、更長或更短。本揭露實施例不限定時間框的數量，其可以是 任意正整數，包含一個、二個、數十個、數百個或更多。此外，本揭露實施例也不限定一個時間框內的時點的數量，其可以是任意正整數，包含一個、二個、數十個、數百個或更多。
以下係以數個候選投資規則R中的第一個候選投資規則R1(即i等於1)在第一時間框ΔT1(即k等於1)內的數個時點，如時點T1、T2、T3…Tj…等的模擬投資為例說明。
在步驟S120A中，投資策略規則運算器120設定第一時間框ΔT1內時點j的值為1，即從第一時間框ΔT1內的第一個時點T1開始進行模擬投資。
在步驟S120B中，在第一時間框ΔT1的時點T1中，投資策略規則運算器120以市場方向預測準確率A1產生一進場方向預測規則PE1。類似候選進場方向規則E，進場方向預測規則PE1可表示為(PE1x,PE1y,PE1z)，其中參數PE1x、PE1y及PE1z的表示方式分別同於或類似前述參數Ex、Ey及Ez的表示方式。進一步舉例來說，當市場方向預測準確率A1為70%(本揭露實施例不受此限)時，表示有70%的機率會產生對的市場方向，投資策略規則運算器120以70%的機率隨機產生參數PE1x、PE1y及PE1z為1或0的數值，如(1,0,0)，然此僅為其中一示例，非用以限定本揭露實施例。
在步驟S120C中，在第一時間框ΔT1的時點T1中，投資策略規則運算器120以市場方向預測準確率A1產生一持有方向預測規則PF1。類似候選持有方向規則F，持有方向預測規則PF1 可表示為(PF1x,PF1y,PF1z)，其中參數PF1x、PF1y及PF1z的表示方式分別同於或類似前述參數Fx、Fy及Fz的表示方式。進一步舉例來說，以市場方向預測準確率A1為70%(本揭露實施例不受此限)來說，投資策略規則運算器120以70%的機率隨機產生參數PF1x、PF1y及PF1z為1或0的數值，如(0,1,0)，然此僅為其中一示例，非用以限定本揭露實施例。
在步驟S120D中，投資策略規則運算器120判斷當前時點(即時點j)的投資模式是否處於「持有狀態」。若是，則流程進入步驟S120F；若否，則流程進入步驟S120E。詳言之，在第一時間框ΔT1內的模擬投資流程中若曾經執行過進場投資模式且尚未離開市場者，則投資模式處於「持有狀態」，則流程進入步驟S120F。在本例子中，第一時間框ΔT1內的第一個時點T1通常不會是「持有狀態」，流程因此進入步驟S120E，然此非用以限定本揭露實施例。
在步驟S120E中，投資策略規則運算器120判斷進場方向預測規則PE1與第一個候選投資規則R1的候選進場方向規則E是否相符。若相符，流程進入步驟S120G，投資策略規則運算器120執行一進場投資模式；若不相符，則流程進入步驟S120M。以第一個候選投資規則R1的候選進場方向規則為(1,0,0)舉例來說，若進場方向預測規則同為(1,0,0)，表示二者符合，流程進入步驟S120G；若進場方向預測規則為相異的(0,1,0)，表示二者不符合，流程進入步驟S120H。
此外，本揭露實施例的「進場投資模式」例如是：投資策略規則運算器120可買進投資市場中的至少一投資標的，此至少一投資標的例如是投資市場中績效前幾名(如前10名或其它)的投資標的，且/或此至少一投資標的符合投資者性向，如投資者屬於保守型，則投資策略規則運算器120不考慮買進風險性高的投資標的。然而，本揭露實施例並不限定「進場投資模式」的方式，每次執行「進場投資模式」的規則可一致，然亦可不完全相同。至於「進場投資模式」的投資總額及/或各投資標的的分配比例可依據投資者的預設值而定，本揭露實施例不加以限定。
在步驟S120H中，投資策略規則運算器120判斷時點T1是否為第一時間框ΔT1內最後一個時點。若否，則流程進入步驟S120I，累加j的值(如j=j+1)，然後回到步驟S120B，進行第一時間框ΔT1內下一個時點的模擬投資；若是，則流程進入步驟S120L，累加k的值(如k=k+1)，切換到下一個時間框，如第二時間框ΔT2，並重複第3圖之模擬投資流程。
在步驟S120F中，當投資模式處於「持有狀態」時，投資策略規則運算器120判斷持有方向預測規則PF1與第一個候選投資規則R1的候選持有方向規則F是否相符。若相符，流程進入步驟S120J，投資策略規則運算器120執行一持有投資模式，即，繼續在投資市場持有的任一投資標的；若不相符，則流程進入步驟S120M。以第一個候選投資規則R1的候選持有方向規則為(0,1,0)舉例來說，若持有方向預測規則為同(0,1,0)，表示二者符 合，流程進入步驟S120J；若持有方向預測規則為相異的(1,1,0)，表示二者不符合，流程進入步驟S120M。
在步驟S120M中，由於持有方向預測規則PF1與候選持有方向規則F不相符，表示不建議繼續持有，因此投資策略規則運算器120執行離開市場模式，例如出脫或賣出在投資市場的所有投資標的。然後，流程進入步驟S120H。步驟S120H已於前述，容此不再贅述。
前述描述第一個候選投資規則在第一個時間框內的全部時點的模擬投資。投資策略規則運算器120以第一個候選投資規則R1在第一時間框ΔT1內反覆進場、持有、離開市場等不同投資模式後，在與實際歷史走勢比較下可獲得或計算而得出對應第一時間框ΔT1的一個短期投資回報。投資策略規則運算器120儲存對應第一時間框ΔT1的短期投資回報。然後，流程切換到下一個時間框(即k=k+1)。例如，在第一個時間框ΔT1的模擬投資完成後，投資策略規則運算器120切換到第二個時間框ΔT2，並重複步驟S120A~S120M，以獲得對應第二個時間框ΔT2的一個短期投資回報。
依前述原則，直到完成全部時間框的模擬投資。
若整個時間區間ΔT內若有M個時間框，在投資策略規則運算器120完成M個時間框的模擬投資後，投資策略規則運算器120獲得M個短期投資回報。投資策略規則運算器120可運算M 個短期投資回報，以取得其平均值，並以平均值做為第一個候選投資規則R1於整個時間區間ΔT內的總投資回報。
在取得第一個候選投資規則R1於時間區間ΔT內的總投資回報後，投資策略規則運算器120採用相同流程，取得各候選投資規則Ri的總投資回報。在完成全部候選投資規則R的模擬投資後，對於N個候選投資規則R，投資策略規則運算器120會取得N個總投資回報。
然後，在第2圖的步驟S130中，投資策略規則運算器120以此些總投資回報中之最佳者所對應的候選投資規則R做為投資策略模型M1的投資策略規則。以總投資回報為年化報酬率為例，最佳之總投資回報所對應的候選進場方向規則例如是E=[(1,0,1),(1,1,1),(1,1,0)]，而候選持有方向規則例如是F=[(0,1,0),(0,0,1)]，則投資策略規則運算器120以候選進場方向規則E=[(1,0,1),(1,1,1),(1,1,0)]做為投資策略規則S1的進場方向策略SE1，即進場方向策略SE1=[(0,1,0),(0,0,1)]，且以候選持有方向規則F=[(0,1,0),(0,0,1)]做為投資策略規則S1的持有方向策略SF1，即持有方向策略SF1=[(0,1,0),(0,0,1)]。
在取得投資策略規則S1後，可利用投資策略規則S1實際應用於投資市場中，以做為投資者實際投資的參考。以下係舉例說明依照本揭露一實施例之投資策略評估方法的流程。
請參照第5及6圖，第5圖繪示依照本揭露一實施例之投資策略評估裝置200的功能方塊圖，而第6圖繪示依照本揭露一實施例之投資策略評估方法的流程圖。
如第5圖所示，投資策略評估裝置200包括投資策略模型產生器110、投資策略評估器210、投資策略模型M1及投資策略規則S1。投資策略模型產生器110及投資策略評估器210可以是採用半導體製程所形成的電路結構。投資策略模型產生器110及/或投資策略評估器210可整合成單一元件，或整合於一處理器，如中央處理器。
投資策略評估裝置200可使用投資策略規則S1以及依據投資市場當前的(最新或當日)數據，產生一投資建議，如進場、持有或離開市場等。以下係以第6圖說明繪示依照本揭露一實施例之投資策略評估方法的流程圖。
在步驟S210中，投資策略模型產生器110以投資策略模型M1預測一未來預測走勢S2。此未來預測走勢S2係相對當前時點而言。未來預測走勢S2包含進場方向預測策略PE2及持有方向預測策略PF2。類似於前述候選進場方向規則E，進場方向預測策略PE2同樣可表示成(PE2x,PE2y,PE2z)，其中參數PE2x、PE2y及PE2z的表示方式分別同於或類似前述參數PE1x、PE1y及PE1z的表示方式，容此不再贅述。類似於前述候選持有方向規則F，持有方向預測策略PF2可表示成(PF2x,PF2y,PF2z)，其 中參數PF2x、PF2y及PF2z的表示方式分別同於或類似前述參數PF1x、PF1y及PF1z的表示方式，容此不再贅述。
在步驟S220中，投資策略評估器210判斷投資者於實際投資市場是否處於「持有狀態」。進一步來說，投資策略評估器210可透過投資者預先輸入的投資資料(例如，在投資市場中的持有投資標的及/或金額等)判斷投資者於投資市場是否處於投資狀態。當投資者在投資市場中持有任一投資標的時，則判斷投資者的投資現況處於「持有狀態」。當投資者在投資市場中未持有任一投資標的，則判斷投資者的投資現況處於「非持有狀態」。「未持有任一投資標的」的情況例如是，投資策略評估器210在投資資料中查無投資市場有投資標的(如曾經持有但已離開市場)或投資資料顯示「未持有」之訊息，此通常發生在投資者曾經持有但已離開市場，或投資策略評估器210第一次進行評估。
當投資者於投資市場非處於「持有狀態」，流程進入步驟S230。當投資者於投資市場處於「持有狀態」，流程進入步驟S240。
在步驟S230中，投資策略評估器210判斷未來預測走勢S2的進場方向預測策略PE2是否符合投資策略規則S1的進場方向策略SE1。若是，流程進入步驟S250，投資策略評估器210發出一「可進場」的提示；若否，流程進入步驟S280，投資策略評估器210可發出一「不建議進場」的提示。
以進場方向策略SE1為SE1=[(1,0,1),(1,1,1),(1,1,0)]舉例來說，若進場方向預測策略PE2同為[(1,0,1),(1,1,1),(1,1,0)]，則表示可進場，流程進入步驟S250；若進場方向預測策略PE2為相異的[(1,0,1),(1,0,1)]，則表示不宜進場，流程進入步驟S280。
在步驟S240中，投資策略評估器210判斷未來預測走勢S2的持有方向預測策略PF2是否符合投資策略規則S1的持有方向策略SF1。若是，流程進入步驟S260，投資策略評估器210發出一「可持有」的提示；若否，流程進入步驟S270，投資策略評估器210可發出一「離開市場」的提示。
以持有方向策略SF1為SF1=[(0,1,0),(0,0,1)]舉例來說，若持有方向預測策略PF2同為[(0,1,0),(0,0,1)]，則表示可繼續持有在投資市場的投資標的，流程進入步驟S260；若持有方向預測策略PF2為相異的[(1,1,1),(1,0,1)]，則表示不宜繼續持有，流程進入步驟S270。
雖然前述實施例係以進場方向預測策略PE2與進場方向策略SE1的比較結果做為是否進場的依據且以持有方向預測策略PF2與持有方向策略SF1的比較結果做為是否持有的依據，然在另一實施例中，也可將投資市場的走勢波動度列入是否進場及是否持有的依據。把投資市場的走勢波動度列入是否進場及是否持有的依據適合於股票市場。
舉例來說，在步驟S110中，投資策略模型產生器110可依據投資市場於時間區間ΔT的一前段區的歷史走勢，產生投資策略模型M1，然後再用時間區間ΔT的後段區的歷史走勢測試投資策略模型M1的準確率，其中準確率除了包括前述市場方向預測準確率A1外，更包括市場波動度預測準確率A2，其中市場方向預測準確率A1及市場波動度預測準確率A2皆低於100%。
在步驟S120中，各候選投資規則Ri除了包括前述候選進場方向規則E及候選持有方向規則F外，更包括候選進場波動度規則G及候選持有波動度規則H。
候選進場波動度規則G可表示成(Gx)。參數Gx表示未來一段時間的走勢波動「變大」、「變小」或「不考慮」，而「未來一段時間」例如是次月，然本揭露實施例不受此限。舉例來說，當次月的波動度為「變大」，則候選進場波動度規則G表示為：(變大)。依前述原則，候選進場波動度規則G共有3個排列組合。此處的「波動度」指的相較於當前時點(如當月)而言，投資市場在未來一段時間的走勢波動幅度。當波動幅度大於一第一預設比例時，界定波動度為「變大」；當波動幅度小於一第二預設比例時，界定波動度為「變小」，波動幅度介於中間的範圍時，界定波動度為「不考慮」。前述的第一預設比例例如是20%、更高或更低，而第二預設比例例如是20%、更高或更低，且第一預設比例與第二預設比例可相等或相異。
相似地，候選持有波動度規則H可表示成(Hx)。參數Hx表示未來一段時間的走勢波動「變大」、「變小」或「不考慮」，而「未來一段時間」例如是次月，然本揭露實施例不受此限。舉例來說，當次月的波動度為「變大」，則候選持有波動度規則H表示為：(變大)。依前述原則，候選持有波動度規則H共有3個排列組合。
在候選進場方向規則E的全部排列組合、候選持有方向規則F的全部排列組合、候選進場波動度規則G的全部排列組合及候選持有波動度規則H的全部排列組合決定後，即可決定候選投資規則R的排列組合。在本實施例中，候選投資規則R為全部候選進場方向規則E、全部候選持有方向規則F、全部候選進場波動度規則G與全部候選持有波動度規則H的排列組合。例如，候選投資規則R共有(23-1)×(23-1)×3×3個排列組合，即本實施例的N值為(23-1)×(23-1)×3×3。
然後，在第3圖之步驟S120B中，投資策略規則運算器120以市場波動度預測準確率A2產生一進場波動度預測規則PG1。進場波動度預測規則PG1的表示方式類似候選進場波動度規則G，容此不再贅述。在第3圖之步驟S120C中，投資策略規則運算器120以市場波動度預測準確率A2產生一持有波動度預測規則PH1。持有波動度預測規則PH1的表示方式類似候選持有波動度規則H，容此不再贅述。
在第3圖之步驟S120D之後的流程中，投資策略規則運算器120將候選進場波動度規則G列入判斷是否進場的考量，且將候選持有波動度規則H列入判斷是否持有的考量。例如，在步驟S120E中，投資策略規則運算器120判斷進場方向預測規則PE1及進場波動度預測規則PG1與候選投資規則Ri的候選進場方向規則E及候選進場波動度規則G是否相符，後續流程類似前述實施例的流程，容此不再贅述。又例如，在步驟S120F中，投資策略規則運算器120判斷持有方向預測規則PF1及持有波動度預測規則PH1與候選投資規則Ri的候選持有方向規則F及候選持有波動度規則H是否相符，後續流程類似前述實施例的流程，容此不再贅述。
依前述規則可取得投資策略規則S1，本實施例的投資策略規則S1除了包含進場方向策略SE1及持有方向策略SF1外，更包含進場波動度策略SG1及持有波動度策略SH1，其中的進場波動度策略SG1及持有波動度策略SH1的表示方式分別類似前述進場波動度預測規則PG1及持有波動度預測規則PH1，容此不再贅述。
相似地，在取得投資策略規則S1後，可利用投資策略規則S1實際應用於投資市場中，以做為投資者實際投資的參考。例如，在步驟S210中，投資策略模型產生器110以投資策略模型M1預測未來預測走勢S2。在本實施例中，未來預測走勢S2除了包含進場方向預測策略PE2及持有方向預測策略PF2外，更包 含進場波動度預測策略PG2及持有波動度預測策略PH2，其中進場波動度預測策略PG2及持有波動度預測策略PH2的表示方式分別類似前述候選進場波動度規則G及候選持有波動度規則H。
然後，在步驟S230中，投資策略評估器210判斷未來預測走勢S2的進場方向預測策略PE2及進場波動度預測策略PG2是否分別符合投資策略規則S1的進場方向策略SE1及進場波動度策略SG1，後續流程類似前述實施例的流程，容此不再贅述。在步驟S240中，投資策略評估器210判斷未來預測走勢S2的持有方向預測策略PF2及持有波動度預測策略PH2是否分別符合投資策略規則S1的持有方向策略SF1及持有波動度策略SH1，後續流程類似前述實施例的流程，容此不再贅述。
綜上，本揭露實施例之投資策略規則產生方法可產生一投資策略模型，雖然投資策略模型的市場方向預測準確率低於100%，然透過(1).取得N個候選投資規則之各者之一總投資回報經過，並(2).以此些總投資回報中之最佳者所對應的候選投資規則做為投資策略模型的一投資策略規則，能夠彌補投資策略模型先天上準確率低於100%的不足。
綜上所述，雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者，在不脫離本揭露之精神和範圍內，當可作各種之更動與潤飾。因此，本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
S120A~S120M:步驟

Claims (11)

  1. 一種投資策略規則產生方法，包括：一投資策略模型產生器依據一投資市場的一歷史走勢，產生一投資策略模型，該投資策略模型具有一市場方向預測準確率，該市場方向預測準確率低於100%；一投資策略規則運算器取得N個候選投資規則之各者之一總投資回報，該N個候選投資規則各包括一候選市場方向規則，N為等於或大於2的正整數，該取得步驟包括：在一時間區間的複數個時間框中各該時間框的複數個時點之各者中，執行一模擬投資，其中該些相鄰的時間框彼此間隔一時間間隔，各該時間間隔的長度小於各該時間框的長度，該模擬投資更包括：以該市場方向預測準確率產生一市場方向預測規則；及依據該市場方向預測規則與該N個候選投資規則之第i者的該候選市場方向規則，執行一進場投資模式或一持有投資模式，其中i為介於1~N之間的正整數；及該投資策略規則運算器計算於該時間區間內各該時間框在該些進場投資模式及該些持有投資模式之操作下的一短期投資回報；該投資策略規則運算器運算該些短期投資回報的一平均值，並以該平均值作為該總投資回報； 該投資策略規則運算器以該些總投資回報中之最佳者所對應的該候選投資規則做為該投資策略模型的一投資策略規則。
  2. 一種投資策略規則產生方法，包括：一投資策略模型產生器依據一投資市場的一歷史走勢，產生一投資策略模型，該投資策略模型具有一市場方向預測準確率，該市場方向預測準確率低於100%；一投資策略規則運算器取得N個候選投資規則之各者之一總投資回報，N為等於或大於2的正整數，該N個候選投資規則各包括一候選進場方向規則及一候選方向持有規則，該取得步驟包括：在一時間區間的複數個時間框中各該時間框的複數個時點之各者中，執行一模擬投資，其中該些相鄰的時間框彼此間隔一時間間隔，各該時間間隔的長度小於各該時間框的長度，該模擬投資更包括：以該市場方向預測準確率產生一進場方向預測規則；以該市場方向預測準確率產生一持有方向預測規則；判斷是否當前投資模式是否處於一持有狀態；當該當前投資模式非處於該持有狀態時，判斷該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則是否相符，其中i為介於1~N之間的正整數；當該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則相符，執行一進場投資模式； 當該當前投資模式處於該持有狀態時，判斷該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則是否相符；及當該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則相符，執行一持有投資模式；及該投資策略規則運算器計算於該時間區間內各該時間框在該些進場投資模式及該些持有投資模式之操作下的一短期投資回報；該投資策略規則運算器運算該些短期投資回報的一平均值，並以該平均值做為該總投資回報；該投資策略規則運算器以該些總投資回報中之最佳者所對應的該候選投資規則做為該投資策略模型的一投資策略規則。
  3. 如申請專利範圍第2項所述之投資策略規則產生方法，其中在執行該模擬投資之步驟更包括：當該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則不相符，在該時間區間的該時間框中該些時點之下一個時點中，執行該模擬投資。
  4. 如申請專利範圍第2項所述之投資策略規則產生方法，其中在執行該模擬投資之步驟更包括：當該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則不相符，執行一離開市場模式。
  5. 如申請專利範圍第2項所述之投資策略規則產生方法，其中該投資策略模型產生器產生該投資策略模型之步驟係以深度神經網路(Deep Neuron Networks,DNN)或支援向量機(Support Vector Machine,SVM)技術完成。
  6. 如申請專利範圍第2項所述之投資策略規則產生方法，其中在該投資策略模型產生器產生該投資策略模型之步驟更包括：該投資策略模型更具有一市場波動度預測準確率，該市場波動度預測準確率低於100%；在執行該模擬投資之步驟更包括：以該市場波動度預測準確率產生一進場波動度預測規則；以該市場波動度預測準確率產生一持有波動度預測規則；在當該當前投資模式非處於該持有狀態時判斷該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則是否相符之步驟更包括：判斷該進場波動度預測規則與該N個候選投資規則之第i者的該候選進場波動度規則是否相符；在執行該進場投資模式之步驟更包括：當該進場方向預測規則及該進場波動度預測規則與該N個候選投資規則之第i者的該候選進場方向規則及該候選進場波動度規則相符，執行該進場投資模式；在當該當前投資模式處於該持有狀態時判斷該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則 是否相符之步驟更包括：判斷該持有波動度預測規則與該N個候選投資規則之第i者的該候選持有波動度規則是否相符；在執行該持有投資模式之步驟更包括：當該持有方向預測規則及該持有波動度預測規則與該N個候選投資規則之第i者的該候選持有方向規則及該候選持有波動度規則相符，執行該持有投資模式。
  7. 一種投資策略規則產生裝置，包括；一投資策略模型產生器，用以：依據一投資市場的一歷史走勢，產生一投資策略模型，該投資策略模型具有一市場方向預測準確率，該市場方向預測準確率低於100%；以及一投資策略規則運算器，用以：取得N個候選投資規則之各者之一總投資回報，N為等於或大於2的正整數，該N個候選投資規則各包括一候選進場方向規則及一候選方向持有規則，該取得步驟包括：在一時間區間的複數個時間框中各該時間框的複數個時點之各者中，執行一模擬投資，其中該些相鄰的時間框彼此間隔一時間間隔，各該時間間隔的長度小於各該時間框的長度，該模擬投資更包括：以該市場方向預測準確率產生一進場方向預測規則；以該市場方向預測準確率產生一持有方向預測規則；判斷是否當前投資模式是否處於一持有狀態； 當該當前投資模式非處於該持有狀態時，判斷該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則是否相符，其中i為介於1~N之間的正整數；當該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則相符，執行一進場投資模式；當該當前投資模式處於該持有狀態時，判斷該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則是否相符；及當該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則相符，執行一持有投資模式；及計算於該時間區間內的各該時間框在該些進場投資模式及該些持有投資模式之操作下的一短期投資回報；運算該些短期投資回報的一平均值，並以該平均值作為該總投資回報；以該些總投資回報中之最佳者所對應的該候選投資規則做為該投資策略模型的一投資策略規則。
  8. 如申請專利範圍第7項所述之投資策略規則產生裝置，其中在執行該模擬投資之步驟中，該投資策略規則運算器更用以： 當該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規則不相符，在該時間區間的該時間框中該些時點之下一個時點中，執行該模擬投資。
  9. 如申請專利範圍第7項所述之投資策略規則產生裝置，其中在執行該模擬投資之步驟中，該投資策略規則運算器更用以：當該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則不相符，執行一離開市場模式。
  10. 如申請專利範圍第7項所述之投資策略規則產生裝置，其中該投資策略模型產生器產生該投資策略模型之步驟係以深度神經網路或支援向量機技術完成。
  11. 如申請專利範圍第7項所述之投資策略規則產生裝置，其中在該投資策略模型產生器產生該投資策略模型之步驟更包括：該投資策略模型更具有一市場波動度預測準確率，該市場波動度預測準確率低於100%；在執行該模擬投資之步驟更包括：以該市場波動度預測準確率產生一進場波動度預測規則；以該市場波動度預測準確率產生一持有波動度預測規則；在當該當前投資模式非處於該持有狀態時判斷該進場方向預測規則與該N個候選投資規則之第i者的該候選進場方向規 則是否相符之步驟更包括：判斷該進場波動度預測規則與該N個候選投資規則之第i者的該候選進場波動度規則是否相符；在執行該進場投資模式之步驟更包括：當該進場方向預測規則及該進場波動度預測規則與該N個候選投資規則之第i者的該候選進場方向規則及該候選進場波動度規則相符，執行該進場投資模式；在當該當前投資模式處於該持有狀態時判斷該持有方向預測規則與該N個候選投資規則之第i者的該候選持有方向規則是否相符之步驟更包括：判斷該持有波動度預測規則與該N個候選投資規則之第i者的該候選持有波動度規則是否相符；在執行該持有投資模式之步驟更包括：當該持有方向預測規則及該持有波動度預測規則與該N個候選投資規則之第i者的該候選持有方向規則及該候選持有波動度規則相符，執行該持有投資模式。
TW107139341A 2018-11-06 2018-11-06 投資策略規則產生方法及應用其之投資策略規則產生裝置 TWI727218B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW107139341A TWI727218B (zh) 2018-11-06 2018-11-06 投資策略規則產生方法及應用其之投資策略規則產生裝置
CN201811402632.5A CN111144605A (zh) 2018-11-06 2018-11-22 投资策略规则产生方法及应用其的投资策略规则产生装置
US16/234,390 US10915963B2 (en) 2018-11-06 2018-12-27 Investment strategy rule generation method and an investment strategy rule device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107139341A TWI727218B (zh) 2018-11-06 2018-11-06 投資策略規則產生方法及應用其之投資策略規則產生裝置

Publications (2)

Publication Number Publication Date
TW202018647A TW202018647A (zh) 2020-05-16
TWI727218B true TWI727218B (zh) 2021-05-11

Family

ID=70458591

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107139341A TWI727218B (zh) 2018-11-06 2018-11-06 投資策略規則產生方法及應用其之投資策略規則產生裝置

Country Status (3)

Country Link
US (1) US10915963B2 (zh)
CN (1) CN111144605A (zh)
TW (1) TWI727218B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI805966B (zh) * 2020-11-19 2023-06-21 寶碩財務科技股份有限公司 金融交易策略驗證系統

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6564190B1 (en) * 1999-12-30 2003-05-13 General Electric Capital Corporaton Method and formulating an investment strategy for real estate investment
US20080208767A1 (en) * 2007-02-26 2008-08-28 John Murray Predicting the Performance of Algorithmic Investment Strategies
TW201015478A (en) * 2008-10-03 2010-04-16 Systex Corp System and method for evaluating accuracy of prediction data of financial products
TW201333863A (zh) * 2012-02-03 2013-08-16 pei-wen Zhou 金融商品之走勢力道分析系統及其方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5761442A (en) 1994-08-31 1998-06-02 Advanced Investment Technology, Inc. Predictive neural network means and method for selecting a portfolio of securities wherein each network has been trained using data relating to a corresponding security
AU6118800A (en) 1999-07-23 2001-02-13 Netfolio, Inc. System and method for selecting and purchasing stocks via a global computer network
US7373324B1 (en) * 1999-10-07 2008-05-13 Robert C. Osborne Method and system for exchange of financial investment advice
US20030093353A1 (en) * 2000-07-05 2003-05-15 Marketocracy System and method for creating and maintaining investment portfolios
JP2003091630A (ja) * 2001-09-14 2003-03-28 Toshiba Corp 投資・回収のシミュレーション方法及び装置
US20030093352A1 (en) * 2001-10-15 2003-05-15 Muralidhar Sanjay P. Method, apparatus and program for evaluating financial trading strategies and portfolios
US20050187851A1 (en) * 2003-10-08 2005-08-25 Finsage Inc. Financial portfolio management and analysis system and method
KR100865800B1 (ko) * 2006-02-09 2008-10-28 이데일리 주식회사 통합된 포트폴리오 시뮬레이션을 제공하는 시스템 및 그방법
TW200811742A (en) 2006-08-25 2008-03-01 Folion Financial Technology Co Ltd Appraisal system for asset allocation and investment portfolio performance
TW201025177A (en) * 2008-12-19 2010-07-01 Folion Financial Technology Co Ltd Money investment simulation system based on investment analysis, and combination of time compression and event schedule
US8352347B2 (en) * 2008-12-29 2013-01-08 Athenainvest, Inc. Investment classification and tracking system using diamond ratings
AU2009245855A1 (en) * 2009-12-08 2011-06-23 The Royal Bank Of Scotland Plc Investment System and Method
US20110289017A1 (en) * 2010-05-19 2011-11-24 Axioma, Inc. Systems and Methods for Asynchronous Risk Model Return Portfolios
US20130041841A1 (en) * 2011-08-11 2013-02-14 Revestor Llc Real Estate Investment System and Method of Controlling a Commercial System by Generating Key Investment Indicators
US20130290158A1 (en) * 2012-04-30 2013-10-31 Mark C. Scheffler Methods of making and executing investment transaction decisions
US20150095264A1 (en) * 2013-10-02 2015-04-02 Robert H. Williams Financial Index
GB201405788D0 (en) * 2014-03-31 2014-05-14 Imp Innovations Ltd A computer implemented method of deriving performance from a local model
CN103886393A (zh) * 2014-04-03 2014-06-25 国家电网公司 基于模拟投资效益分析及学习自动机的电网投资优化方法
CN103985055A (zh) * 2014-05-30 2014-08-13 西安交通大学 一种基于网络分析和多模型融合的股市投资决策方法
US20170004579A1 (en) 2016-07-01 2017-01-05 Manuel Chau Method to forecast future economic conditions, and to form future investment strategy
CN106503870A (zh) 2016-11-23 2017-03-15 洪志令 一种基于状态转移的股票长期走势预测与推荐方法
CN106557842A (zh) * 2016-11-23 2017-04-05 上海银天下科技有限公司 预测k线的方法及装置
CN106951986A (zh) * 2017-03-09 2017-07-14 北京对标科技有限责任公司 一种数据预测正确率确定方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6564190B1 (en) * 1999-12-30 2003-05-13 General Electric Capital Corporaton Method and formulating an investment strategy for real estate investment
US20080208767A1 (en) * 2007-02-26 2008-08-28 John Murray Predicting the Performance of Algorithmic Investment Strategies
TW201015478A (en) * 2008-10-03 2010-04-16 Systex Corp System and method for evaluating accuracy of prediction data of financial products
TW201333863A (zh) * 2012-02-03 2013-08-16 pei-wen Zhou 金融商品之走勢力道分析系統及其方法
TWI520088B (zh) * 2012-02-03 2016-02-01

Also Published As

Publication number Publication date
US20200143477A1 (en) 2020-05-07
US10915963B2 (en) 2021-02-09
CN111144605A (zh) 2020-05-12
TW202018647A (zh) 2020-05-16

Similar Documents

Publication Publication Date Title
Luong et al. Optimal auction for edge computing resource management in mobile blockchain networks: A deep learning approach
Singh et al. A quantum approach towards the adaptive prediction of cloud workloads
US9176183B2 (en) Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness
TW200415497A (en) Probability constrained optimization for electrical fabrication control
CN108052387B (zh) 一种移动云计算中的资源分配预测方法及系统
TWI727218B (zh) 投資策略規則產生方法及應用其之投資策略規則產生裝置
Safari et al. Quantum neural networks (QNN) application in weather prediction of smart grids
CN116644804A (zh) 分布式训练系统、神经网络模型训练方法、设备和介质
Zhao et al. Research and application of a hybrid system based on interpolation for forecasting direct economic losses of marine disasters
Shil et al. Winner determination in combinatorial reverse auctions
Li et al. Domain knowledge embedding regularization neural networks for workload prediction and analysis in cloud computing
Obiedat et al. Fuzzy representation and aggregation of fuzzy cognitive maps
Shi et al. Stock price forecasting using a hybrid ARMA and BP neural network and Markov model
Verma et al. Resource demand prediction in multi-tenant service clouds
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
Dai et al. Research on multi-robot task allocation based on BP neural network optimized by genetic algorithm
Yang et al. ReLeTA: Reinforcement learning for thermal-aware task allocation on multicore
Belalem et al. An efficient economic model user-oriented for cloud computing
Chen A look-ahead fuzzy back propagation network for lot output time series prediction in a wafer fab
CN104239046B (zh) 基于隐马尔科夫模型和多目标进化算法的软件自适应方法
Lin et al. Resource allocation of cloud application through machine learning: A case study
JP2010134926A (ja) マルチ・モーダル・グリーン・コンピューティング統合システム、コンピュータ・プログラム、方法、およびシステムの展開方法（問題解析を用いたマルチ・モーダル・グリーン・コンピューティング統合）
Mankodi et al. Evaluation of neural network models for performance prediction of scientific applications
Mao et al. QoS trust rate prediction for Web services using PSO-based neural network
JPWO2022070251A5 (zh)