WO2020155786A1 - 一种资源配置方法、装置及电子设备 - Google Patents
一种资源配置方法、装置及电子设备 Download PDFInfo
- Publication number
- WO2020155786A1 WO2020155786A1 PCT/CN2019/119326 CN2019119326W WO2020155786A1 WO 2020155786 A1 WO2020155786 A1 WO 2020155786A1 CN 2019119326 W CN2019119326 W CN 2019119326W WO 2020155786 A1 WO2020155786 A1 WO 2020155786A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- risk
- asset
- data
- user
- total
- Prior art date
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
Definitions
- the resource data includes asset data
- the user’s risk preference is calculated based on the user’s first risk resource data, second risk resource data, and their respective proportions to the total resource data.
- the coefficient specifically, includes the calculation of the user’s risk preference coefficient according to the following formula:
- the method further includes: determining the proportion of each risk investment product in the optimal first risk asset in the optimal first risk asset.
- the user’s risk preference coefficient is calculated according to the user’s asset data obtained in step S210, that is, according to the user’s current asset status, the user’s current risk and return preference is further deduced.
- the resulting risk-return preference is closer to the actual needs of users.
- the user's risk preference coefficient can be calculated according to the following formula:
- the risk preference coefficient ARA is a component of the utility function, and W * is the only value required to be solved in this formula. Because each user's ARA is different, the form of the utility function of the response will also be different.
- the embodiment of the present specification also provides an electronic device including a memory, a processor, and a computer program stored on the memory and capable of running on the processor, and the processor implements the above-mentioned resource configuration method when the program is executed.
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种资源配置方法、装置及电子设备。所述方法包括：获取用户的资源数据，并根据所述用户的资源数据，计算所述用户的风险偏好系数；最后利用所述风险偏好系数求解效用函数最大化的效用值，并根据得到的最大效用值，从而确定所述用户的资源配置比例，实现配置符合用户实际需求的资源组合方案。
Description
本说明书涉及数据处理领域，尤其涉及一种资源配置方法、装置及电子设备。
资源配置是指根据用户需求及风险属性，将用户的资产在不同资产类别之间进行分配的策略。以资源为资产为例时，根据马科维茨投资组合理论，理性投资者都是风险厌恶的，如果两个资产拥有相同预期回报，投资者会选择其中投资风险小的那一个，只有在获得更高预期回报的前提下，投资者才会承担更大的投资风险。随着财富平台中理财产品种类的日益丰富，用户面临着多种多样的投资组合选择，用户既可以选择持有风险资产以获得更高的预期回报，也可以选择持有无风险资产来满足短期的流动性需求。由于财富平台中的用户数量增长迅速，因此越来越多的用户渴望获得更好的资产配置方案。
现有技术中，传统金融机构通常会对高净值客户进行面对面的采访，投资顾问通过采访能够详细地了解客户的收益需求、风险偏好及风险承受能力等信息，再通过专业投资理财知识进行合理的资产配置。但是，上述传统的财富管理方式门槛较高，普通投资者很难享受到服务，而且当用户基数较大时，面对面采访难度增加。另外，线上理财平台一般会通过向投资者提供调查问卷的方式获取用户的投资偏好，但是调查问卷信息的真实度无法被准确衡量，并且有些用户由于缺乏金融理财知识，并不能准确地刻画自己的需求。
基于现有技术，需要提供一种门槛较低，高效便捷，更加准确的资源配置方案。
发明内容
本说明书实施例提供一种资源配置方法、装置及电子设备，以解决现有技术存在的资源配置门槛较高、效率低、准确性低的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种资源配置方法，包括：
采集用户的资源数据，所述资源数据包括用户的第一风险资源数据、第二风险资源数据，以及第一风险资源数据、第二风险资源数据分别占总资源数据的比例；
根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数；
以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，并根据得到的最大效用值，确定所述用户的资源配置比例。
另外，在所述方法中，所述采集用户的资源数据之前，还包括根据筛选规则确定所述用户，所述筛选规则包括：
申购或赎回投资产品总频次大于预设次数的用户，以及投资产品种类大于预设数量的用户。
另外，在所述方法中，所述资源数据包括资产数据，所述根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数，具体包括，根据以下公式计算用户的风险偏好系数：
其中，ARA表示风险偏好系数；E[R]表示总资产的预期收益率；W表示总资产数据；x表示第一风险资产数据、第二风险资产数据分别占总资产数据的比例；Var[R]表示总资产数据的方差；风险偏好系数等于总资产的预期收益率减1，并除以总资产数据、第一风险资产数据、第二风险资产数据占总资产数据的比例以及总资产数据方差的乘积。
另外，在所述方法中，所述以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，具体包括，根据以下公式求解效用函数最大化的效用值：
max U(W
*，ARA)
其中，W
*表示最优第一风险资产的配置比例；ARA表示风险偏好系数。
另外，在所述方法中，所述根据得到的最大效用值，确定所述用户的资源配置比例，包括：根据求解得到的W
*作为所述用户的最优第一风险资产在总资产中的占比；则1-W
*作为所述用户的最优第二风险资产在总资产中的占比。
另外，在所述方法中，还进一步包括：确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比。
另外，在所述方法中，所述确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比，包括：
获取所有风险投资产品的净值数据，确定每个风险投资产品的预期收益率和协方差矩阵，利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比。
另外，在所述方法中，所述利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比，具体包括，根据以下公式求解目标函数：
其中，所述目标函数为，
所述目标函数的限制条件为，
其中，w
i表示风险投资产品i的权重；w
j表示风险投资产品j的权重；u
i表示风险投资产品i的预期收益率；r
f表示最优第二风险资产的收益；σ
ij表示风险投资产品i与j预期收益率的协方差。
本说明书实施例提供的一种资源配置装置，包括：
采集模块，用于采集用户的资源数据，所述资源数据包括用户的第一风险资源数据、第二风险资源数据，以及第一风险资源数据、第二风险资源数据分别占总资源数据的比例；
计算模块，用于根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数；
第一确定模块，用于以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，并根据得到的最大效用值，确定所述用户的资源配置比例。
另外，在所述装置中，还包括：筛选模块，用于在采集用户的资源数据之前，根据筛选规则确定所述用户；所述筛选规则包括：
申购或赎回投资产品总频次大于预设次数的用户，以及投资产品种类大于预设数量的用户。
另外，在所述装置中，所述资源数据包括资产数据，所述计算模块具体用于，根据 以下公式计算用户的风险偏好系数：
其中，ARA表示风险偏好系数；E[R]表示总资产的预期收益率；W表示总资产数据；x表示第一风险资产数据、第二风险资产数据分别占总资产数据的比例；Var[R]表示总资产数据的方差；风险偏好系数等于总资产的预期收益率减1，并除以总资产数据、第一风险资产数据、第二风险资产数据占总资产数据的比例以及总资产数据方差的乘积。
另外，在所述装置中，所述第一确定模块具体用于，根据以下公式求解效用函数最大化的效用值：
max U(W
*，ARA)
其中，W
*表示最优第一风险资产的配置比例；ARA表示风险偏好系数。
另外，在所述装置中，所述第一确定模块进一步用于：根据求解得到的W
*作为所述用户的最优第一风险资产在总资产中的占比；则1-W
*作为所述用户的最优第二风险资产在总资产中的占比。
另外，在所述装置中，还进一步包括：第二确定模块，用于确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比。
另外，在所述装置中，所述第二确定模块具体用于：获取所有风险投资产品的净值数据，确定每个风险投资产品的预期收益率和协方差矩阵，利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比。
另外，在所述装置中，所述第二确定模块进一步用于，根据以下公式求解目标函数：
其中，所述目标函数为，
所述目标函数的限制条件为，
其中，w
i表示风险投资产品i的权重；w
j表示风险投资产品j的权重；u
i表示风险投资产品i的预期收益率；r
f表示最优第二风险资产的收益；σ
ij表示风险投资产品i与j 预期收益率的协方差。
本说明书实施例提供的一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述一种资源配置方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过获取用户的资源数据，并根据所述用户的资源数据，计算所述用户的风险偏好系数；最后利用所述风险偏好系数求解效用函数最大化的效用值，并根据得到的最大效用值，从而确定所述用户的资源配置比例。基于本方案，能够根据用户当前已持有的资产状况反推用户的风险收益偏好，实现配置符合用户实际需求的资产组合方案，降低了资产配置的门槛，使资产配置更加地高效便捷，结果更加准确。
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书的方案在实际应用场景下涉及的平台整体架构的示意图；
图2为本说明书实施例提供的一种资源配置方法的流程示意图；
图3为本说明书实施例提供的对最优第一风险资产进行组合的流程示意图；
图4为本说明书实施例提供的一种资源配置装置的结构示意图。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
下面以具体实施场景为例，对本申请的技术方案进行详细的描述，下述实施例是以 用户资产作为资源数据来说的，但是本申请中的资源数据不限于资产，将资源数据替换为用户的资产数据只是本申请中的一种实施方式。
图1为本说明书的方案在一种实际应用场景下涉及的平台整体架构的示意图。平台整体架构包括至少一个财富平台，财富平台内部主要包含风险资产和无风险资产；风险资产通常指投资有可能发生损失的资产，例如：股票、基金、债券、贷款等；无风险资产通常指投资可以产生收益，但是没有风险的资产，例如：短期国库券、商业票据、大额存单等；在本说明书实施例中，以一年期存款作为无风险资产，那么无风险资产的收益率为一年期存款利率。需要说明的是，风险资和无风险资产既可以表示为股票、债券、商品等大类资产，也可以表示为具体的某一个理财产品。由于本方案需要获取用户的资产数据，而财富平台可以提供一个数据采集的功能，但是也可以将数据的来源替换成第三方数据库，则可以不需要借助财富平台来实现。财富平台的主要作用在于采集用户资产状况，在现实应用中，也可以用其他平台代替财富平台来实现上述功能，如基金代销平台、传统银行平台、券商提供的财富管理平台等，因此财富平台不构成对本方案应用场景的限制。通过采用本说明书的资产配置方法，基于财富平台对用户已持有的风险投资产品和无风险投资产品进行优化配置，能够更准确地反应出用户的实际投资需求。
基于上述场景，下面对本说明书的方案进行详细说明。
图2为本说明书实施例提供的一种资源配置方法的流程示意图，该方法具体可以包括以下步骤：
在步骤S210中，采集用户的资源数据，所述资源数据包括用户的第一风险资源数据、第二风险资源数据，以及第一风险资源数据、第二风险资源数据分别占总资源数据的比例。
在本说明书一个或多个实施例中，可以通过财富平台获取用户的资产数据，资产数据可以包括以下内容：用户的第一风险资产数据、第二风险资产数据，以及第一风险资产数据、第二风险资产数据分别占总资产数据的比例。在现实应用中，当第二风险资产数据的风险值低于第一风险资产数据时，第二风险资产数据又可以被称为无风险资产，此时第一风险资产数据称为风险资产。下述实施例中，以风险资产代替第一风险资产数据，以无风险资产代替第二风险资产数据。通过获取用户的资产数据，可以获悉用户当前的资产状况，根据用户当前的资产状况，进一步推断用户当前的风险收益偏好。
进一步地，在获取用户的资产数据之前，还可以根据筛选规则确定所述用户，其中 筛选规则可以是：申购或赎回投资产品总频次大于预设次数的用户，以及投资产品种类大于预设数量的用户。通过在获取用户的资产数据之前，筛选出投资理财较活跃以及投资理财产品种类较丰富的有效用户；在一个实施例中，所谓的有效用户可以是指在过去一年内，申购或赎回投资产品总频次大于10次，并且投资产品种类大于3种的用户。通过对有效用户进行筛选，避免了无效用户对资产配置结果的干扰，但是需要说明的是，无效用户虽然在过去一年内投资理财的活跃度较低以及投资理财产品较少，但是依然可以适用本说明书的资产配置方案。
在步骤S220中，根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数。
具体的，风险偏好系数通常指，用于衡量投资者对于风险的厌恶程度，厌恶程度越高的投资者，对投资风险要求的收益率补偿越高。
在本说明书一个或多个实施例中，根据步骤S210中获取的用户资产数据，来计算该用户的风险偏好系数，即根据用户当前的资产状况，进一步反推用户当前的风险收益偏好，因此得出的风险收益偏好更贴近用户的实际需求。在本说明书一个实施例中，可以根据以下公式计算用户的风险偏好系数：
其中，ARA表示风险偏好系数；E[R]表示总资产的预期收益率；W表示总资产；x表示风险资产和无风险资产占总资产的比例；Var[R]表示总资产的方差；风险偏好系数等于总资产的预期收益率减1，并除以总资产数据、第一风险资产数据、第二风险资产数据占总资产数据的比例以及总资产数据方差的乘积。
在一个具体实施例中，例如：用户A的风险资产为6万元，无风险资产为4万元，总资产为10万元，则风险资产占总资产中的比例为60％，无风险资产占总资产中的比例为40％；根据用户A的资产数据作线性回归(E[R]-1＝ARA*W*x*var[R]+ε)，最后得到的斜率就是该用户A的绝对风险偏好系数的估计值。上述线性回归公式中的ε表示线性回归里面的误差项。
在步骤S230中，以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，并根据得到的最大效用值，确定所述用户的资源配置比例。
具体的，效用函数通常指，消费者在消费中所获得的效用与所消费的商品组合之间 数量关系的函数，它被用以衡量消费者从消费既定的商品组合中所获得满足的程度；在本说明书中，效用函数用来衡量投资者在投资各类资产时所获得的满足程度。
在本说明书一个实施例中，可以根据以下公式求解效用函数最大化的值：
max U(W
*，ARA)
其中，W
*表示最优风险资产的配置比例；ARA表示风险偏好系数。
在效用函数的公式中，风险偏好系数ARA是效用函数的一个成分，W
*是本公式中唯一要求解的值，由于每个用户的ARA不同，因此反应的效用函数形式也会不同。
进一步地，通过使效用函数U最大化，就可以得到用户的最优风险资产在总资产中的占比W
*，则1-W
*为用户的最优无风险资产在总资产中的占比。本实施例中，通过根据步骤S220中计算得出的用户风险收益偏好(即风险偏好系数ARA)，将该用户的风险偏好系数ARA代入效用函数的公式中，并使效用函数最大化，通过求解效用函数最大化的值，得出最大效用值，该最大效用值可以认为是为该用户进行优化配置后的最优风险资产比例。本说明书可以针对每个不同用户，系统性地配置符合用户自身实际需求的资产组合方案。最优风险资产的配置比例表明了该用户在当前的风险偏好系数ARA下，能够得出的最优资产配置方案，本实施例是以效用函数最大化的值表示用户的最优风险资产的配置比例，现实应用中，也可以采用其他“指标”来刻画用户当前的最优风险资产的配置比例。
根据前述实施例可知，由步骤S210至步骤S230中，通过获取用户的资产数据，用户的资产数据包含了用户当前实际的资产状况，再根据用户当前的资产状况，进一步反推用户当前的风险收益偏好，即根据用户的资产数据，计算用户的风险偏好系数；最后，利用用户的风险偏好系数使效用函数最大化，得到的最大效用值就可以作为该用户在当前风险收益偏好下，该用户的最优风险资产的配置比例。相比于传统的财富管理方式，本方法无需人为参与，更加高效便捷；相比线上调查问卷，由于本说明书是对用户当前的资产状况进行地优化配置，用户当前的资产状况相比问卷调查更能够更准确地反应出用户的实际投资需求。
上述内容主要介绍了本说明书实施例中根据用户的资产数据，配置最优风险资产以及最优无风险资产在用户总资产中的比例。本说明书实施例还在确定最优风险资产之后，进一步确定各风险投资产品在最优风险资产中的占比。参见图3，该图示出了本说明书实施例提供的对最优第一风险资产进行组合的流程示意图，主要包括以下内容：
在步骤S310中，确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比。
根据托宾提出的资产分离定理，投资者对投资风险的态度只会影响在风险资产上投资的金额，但不会影响最优风险资产中各风险投资产品的比例。即不需要了解投资者对风险投资的回报和偏好，便可以确定其风险资产中各风险投资产品的最优权重。
在本说明书一个或多个实施例中，获取所有风险投资产品的净值数据，确定每个风险投资产品的预期收益率和协方差矩阵，利用均值-方差模型求解目标函数，得到各风险投资产品在最优风险资产中的占比。在本说明书一个实施例中，可以根据以下公式求解目标函数：
其中，所述目标函数为，
所述目标函数的限制条件为，
其中，w
i表示风险投资产品i的权重；w
j表示风险投资产品j的权重；u
i表示风险投资产品i的预期收益率；r
f表示无风险资产的收益；σ
ij表示风险投资产品i与j预期收益率的协方差。
在一个具体实施例中，获取某一财富平台(例如，支付宝平台)中所有的风险投资产品的净值数据，例如：风险投资产品i和风险投资产品j；确定每个风险投资产品的预期收益率和协方差矩阵，具体的，通过输入风险投资产品i的历史每天的收益率(daily return)，则风险投资产品i的预期收益为average(daily return)，协方差矩阵为covar(daily return)；通过输入风险投资产品j的历史每天的收益率(daily return)，则风险投资产品j的预期收益为average(daily return)，协方差矩阵为covar(daily return)。最后，利用均值-方差模型求解目标函数，得到各风险投资产品在最优风险资产中的占比。
沿用上述具体实施例，如表1所示，风险投资产品中至少包括了风险投资产品i和风险投资产品j，对于风险投资产品i而言，其在最优风险资产中的权重为0.2，那么风 险投资产品j在最优风险资产中的权重为0.8。
| 风险投资产品 | 权重 |
| 风险投资产品i | 0.2 |
| 风险投资产品j | 0.8 |
在一个具体实施例中，例如：经过步骤S210至步骤S230，确定用户A的总资产中最优风险资产为5万元，那么通过表1中的权重值，确定该用户A的最优风险资产中的风险投资产品的组合方式为，风险投资产品i的占比1万元，风险投资产品j的占比4万元。
通过步骤S310，基于步骤S210至步骤S230中确定的最优风险资产和最优无风险资产的配置比例，进一步确定最优风险资产中各个风险投资产品的最佳组合方式，从而实现了为每个用户定制最优资产配置方案，使每个用户都达到投资效用最大化。
值得说明的是，本说明书实施例中采用马科维茨的均值-方差模型求解目标函数，以确定最优风险资产中的产品权重，在现实应用中，还可以采用其他方式实现该目的，例如：Black-Litterman、风险平价模型等。
基于同样的思路，本说明书实施例还提供了一种资源配置装置，如图4为本说明书实施例提供的一种资源配置装置，该装置400主要包括：
采集模块401，用于采集用户的资源数据，所述资源数据包括用户的第一风险资源数据、第二风险资源数据，以及第一风险资源数据、第二风险资源数据分别占总资源数据的比例；
计算模块402，用于根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数；
第一确定模块403，用于以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，并根据得到的最大效用值，确定所述用户的资源配置比例。
根据本申请的实施例，在所述装置中，还包括：筛选模块404，用于在采集用户的资源数据之前，根据筛选规则确定所述用户；所述筛选规则包括：
申购或赎回投资产品总频次大于预设次数的用户，以及投资产品种类大于预设数量的用户。
根据本申请的实施例，所述资源数据包括资产数据，所述计算模块402具体用于，根据以下公式计算用户的风险偏好系数：
其中，ARA表示风险偏好系数；E[R]表示总资产的预期收益率；W表示总资产数据；x表示第一风险资产数据、第二风险资产数据分别占总资产数据的比例；Var[R]表示总资产数据的方差；风险偏好系数等于总资产的预期收益率减1，并除以总资产数据、第一风险资产数据、第二风险资产数据占总资产数据的比例以及总资产数据方差的乘积。
根据本申请的实施例，所述第一确定模块403具体用于，根据以下公式求解效用函数最大化的效用值：
max U(W
*，ARA)
其中，W
*表示最优第一风险资产的配置比例；ARA表示风险偏好系数。
根据本申请的实施例，所述第一确定模块403进一步用于：根据求解得到的W
*作为所述用户的最优第一风险资产在总资产中的占比；则1-W
*作为所述用户的最优第二风险资产在总资产中的占比。
根据本申请的实施例，在所述装置中，还进一步包括：第二确定模块405，用于确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比。
根据本申请的实施例，所述第二确定模块405具体用于：
获取所有风险投资产品的净值数据，确定每个风险投资产品的预期收益率和协方差矩阵，利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比。
根据本申请的实施例，所述第二确定模块405进一步用于，根据以下公式求解目标函数：
其中，所述目标函数为，
所述目标函数的限制条件为，
其中，w
i表示风险投资产品i的权重；w
j表示风险投资产品j的权重；u
i表示风险投资产品i的预期收益率；r
f表示最优第二风险资产的收益；σ
ij表示风险投资产品i与j预期收益率的协方差。
本说明书实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种资源配置方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、 网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、 等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (17)
- 一种资源配置方法，其特征在于，包括：采集用户的资源数据，所述资源数据包括用户的第一风险资源数据、第二风险资源数据，以及第一风险资源数据、第二风险资源数据分别占总资源数据的比例；根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数；以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，并根据得到的最大效用值，确定所述用户的资源配置比例。
- 如权利要求1所述的方法，其特征在于，所述采集用户的资源数据之前，还包括根据筛选规则确定所述用户，所述筛选规则包括：申购或赎回投资产品总频次大于预设次数的用户，以及投资产品种类大于预设数量的用户。
- 如权利要求1所述的方法，其特征在于，所述资源数据包括资产数据，所述根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数，具体包括，根据以下公式计算用户的风险偏好系数：
其中，ARA表示风险偏好系数；E[R]表示总资产的预期收益率；W表示总资产数据；x表示第一风险资产数据、第二风险资产数据分别占总资产数据的比例；Var[R]表示总资产数据的方差；风险偏好系数等于总资产的预期收益率减1，并除以总资产数据、第一风险资产数据、第二风险资产数据占总资产数据的比例以及总资产数据方差的乘积。 - 如权利要求3所述的方法，其特征在于，所述以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，具体包括，根据以下公式求解效用函数最大化的效用值：max U(W *，ARA)其中，W *表示最优第一风险资产的配置比例；ARA表示风险偏好系数。
- 如权利要求4所述的方法，其特征在于，所述根据得到的最大效用值，确定所述用户的资源配置比例，包括：根据求解得到的W *作为所述用户的最优第一风险资产在总资产中的占比；则1-W *作为所述用户的最优第二风险资产在总资产中的占比。
- 如权利要求5所述的方法，其特征在于，还进一步包括：确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比。
- 如权利要求6所述的方法，其特征在于，所述确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比，包括：获取所有风险投资产品的净值数据，确定每个风险投资产品的预期收益率和协方差矩阵，利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比。
- 如权利要求7所述的方法，其特征在于，所述利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比，具体包括，根据以下公式求解目标函数：其中，所述目标函数为，
所述目标函数的限制条件为，
其中，w i表示风险投资产品i的权重；w j表示风险投资产品j的权重；u i表示风险投资产品i的预期收益率；r f表示最优第二风险资产的收益；σ ij表示风险投资产品i与j预期收益率的协方差。 - 一种资源配置装置，其特征在于，包括：采集模块，用于采集用户的资源数据，所述资源数据包括用户的第一风险资源数据、第二风险资源数据，以及第一风险资源数据、第二风险资源数据分别占总资源数据的比例；计算模块，用于根据所述用户的第一风险资源数据、第二风险资源数据以及分别占总资源数据的比例，计算所述用户的风险偏好系数；第一确定模块，用于以所述风险偏好系数为输入参数，利用效用函数模型求解效用函数最大化的效用值，并根据得到的最大效用值，确定所述用户的资源配置比例。
- 如权利要求9所述的装置，其特征在于，还包括：筛选模块，用于在采集用户的资源数据之前，根据筛选规则确定所述用户；所述筛选规则包括：申购或赎回投资产品总频次大于预设次数的用户，以及投资产品种类大于预设数量的用户。
- 如权利要求9所述的装置，其特征在于，所述资源数据包括资产数据，所述计 算模块具体用于，根据以下公式计算用户的风险偏好系数：
其中，ARA表示风险偏好系数；E[R]表示总资产的预期收益率；W表示总资产数据；x表示第一风险资产数据、第二风险资产数据分别占总资产数据的比例；Var[R]表示总资产数据的方差；风险偏好系数等于总资产的预期收益率减1，并除以总资产数据、第一风险资产数据、第二风险资产数据占总资产数据的比例以及总资产数据方差的乘积。 - 如权利要求11所述的装置，其特征在于，所述第一确定模块具体用于，根据以下公式求解效用函数最大化的效用值：max U(W *，ARA)其中，W *表示最优第一风险资产的配置比例；ARA表示风险偏好系数。
- 如权利要求12所述的装置，其特征在于，所述第一确定模块进一步用于：根据求解得到的W *作为所述用户的最优第一风险资产在总资产中的占比；则1-W *作为所述用户的最优第二风险资产在总资产中的占比。
- 如权利要求13所述的装置，其特征在于，还进一步包括：第二确定模块，用于确定所述最优第一风险资产中各风险投资产品在最优第一风险资产中的占比。
- 如权利要求14所述的装置，其特征在于，所述第二确定模块具体用于：获取所有风险投资产品的净值数据，确定每个风险投资产品的预期收益率和协方差矩阵，利用均值-方差模型求解目标函数，得到各风险投资产品在最优第一风险资产中的占比。
- 如权利要求15所述的装置，其特征在于，所述第二确定模块进一步用于，根据以下公式求解目标函数：其中，所述目标函数为，
所述目标函数的限制条件为，
其中，w i表示风险投资产品i的权重；w j表示风险投资产品j的权重；u i表示风险投资产品i的预期收益率；r f表示最优第二风险资产的收益；σ ij表示风险投资产品i与j 预期收益率的协方差。 - 一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/357,796 US20210319376A1 (en) | 2019-01-29 | 2021-06-24 | Resource allocation method and apparatus, and electronic device |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910088767.7 | 2019-01-29 | ||
| CN201910088767.7A CN110033378A (zh) | 2019-01-29 | 2019-01-29 | 一种资源配置方法、装置及电子设备 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| US17/357,796 Continuation US20210319376A1 (en) | 2019-01-29 | 2021-06-24 | Resource allocation method and apparatus, and electronic device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020155786A1 true WO2020155786A1 (zh) | 2020-08-06 |
Family
ID=67235511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/119326 WO2020155786A1 (zh) | 2019-01-29 | 2019-11-19 | 一种资源配置方法、装置及电子设备 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210319376A1 (zh) |
| CN (1) | CN110033378A (zh) |
| WO (1) | WO2020155786A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033378A (zh) * | 2019-01-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种资源配置方法、装置及电子设备 |
| CN113780404A (zh) * | 2020-01-14 | 2021-12-10 | 支付宝(杭州)信息技术有限公司 | 资源数据的处理方法及装置 |
| CN111506029B (zh) * | 2020-04-10 | 2023-11-24 | 王思盛 | 一种工业控制方法及装置 |
| CN112767132B (zh) * | 2021-01-26 | 2024-02-02 | 北京国腾联信科技有限公司 | 一种数据处理方法及系统 |
| CN114866547B (zh) * | 2022-04-20 | 2023-09-29 | 中国银联股份有限公司 | 一种虚拟资源分配方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090018966A1 (en) * | 2007-07-11 | 2009-01-15 | Andrew Clark | Formulation of Optimized Investment Indeces |
| US20110282801A1 (en) * | 2010-05-14 | 2011-11-17 | International Business Machines Corporation | Risk-sensitive investment strategies under partially observable market conditions |
| CN107436866A (zh) * | 2016-05-25 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 理财产品的推荐方法及装置 |
| CN107798608A (zh) * | 2017-10-19 | 2018-03-13 | 深圳市耐飞科技有限公司 | 一种投资产品组合推荐方法及系统 |
| CN108921706A (zh) * | 2018-06-22 | 2018-11-30 | 中欧钱滚滚基金销售（上海）有限公司 | 基金投资理财的人工智能运算系统 |
| CN110033378A (zh) * | 2019-01-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种资源配置方法、装置及电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942288B (zh) * | 2014-04-10 | 2017-02-08 | 南京邮电大学 | 一种基于用户风险偏好的服务推荐方法 |
| CN107679946B (zh) * | 2017-09-28 | 2021-09-10 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| CN108985638B (zh) * | 2018-07-25 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 一种用户投资风险评估方法和装置以及存储介质 |
-
2019
- 2019-01-29 CN CN201910088767.7A patent/CN110033378A/zh active Pending
- 2019-11-19 WO PCT/CN2019/119326 patent/WO2020155786A1/zh active Application Filing
-
2021
- 2021-06-24 US US17/357,796 patent/US20210319376A1/en not_active Abandoned
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090018966A1 (en) * | 2007-07-11 | 2009-01-15 | Andrew Clark | Formulation of Optimized Investment Indeces |
| US20110282801A1 (en) * | 2010-05-14 | 2011-11-17 | International Business Machines Corporation | Risk-sensitive investment strategies under partially observable market conditions |
| CN107436866A (zh) * | 2016-05-25 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 理财产品的推荐方法及装置 |
| CN107798608A (zh) * | 2017-10-19 | 2018-03-13 | 深圳市耐飞科技有限公司 | 一种投资产品组合推荐方法及系统 |
| CN108921706A (zh) * | 2018-06-22 | 2018-11-30 | 中欧钱滚滚基金销售（上海）有限公司 | 基金投资理财的人工智能运算系统 |
| CN110033378A (zh) * | 2019-01-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种资源配置方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| WANG, CHUNFENG ET AL: "The Study on the Problem of Optimal Portfolio about Utility", CHINESE JOURNAL OF MANAGEMENT SCIENCE, vol. 10, no. 2, 30 April 2002 (2002-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210319376A1 (en) | 2021-10-14 |
| CN110033378A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020155786A1 (zh) | 一种资源配置方法、装置及电子设备 | |
| Tang et al. | The efficiency of sponsor and participant portfolio choices in 401 (k) plans | |
| Kaniel et al. | The delegated Lucas tree | |
| Elton et al. | An examination of mutual fund timing ability using monthly holdings data | |
| Ndirangu et al. | Financial innovations and their implications for monetary policy in Kenya | |
| Jackson | Equilibrium, price formation, and the value of private information | |
| Gayle et al. | Identifying and testing models of managerial compensation | |
| US8548884B2 (en) | Systems and methods for portfolio analysis | |
| US20100030799A1 (en) | Method for Generating a Computer-Processed Financial Tradable Index | |
| Holden et al. | Risk aversion, liquidity, and endogenous short horizons | |
| Wu et al. | Farm capital structure choice: theory and an empirical test | |
| Rinkevičiūtė et al. | Impact of market concentration on the profitability of Lithuanian banking sector | |
| Pendaraki | Mutual fund performance evaluation using data envelopment analysis with higher moments | |
| Parlour et al. | Revisiting asset pricing puzzles in an exchange economy | |
| Peress | Learning from stock prices and economic growth | |
| Glebkin et al. | Funding constraints and informational efficiency | |
| Fink et al. | Implied risk aversion: An alternative rating system for retail structured products | |
| Boccanfuso et al. | Poverty and inequality impact analysis regarding cotton subsidies: A Mali-based CGE micro-accounting approach | |
| Oliynyk-Dunn | Financial system and agricultural growth in Ukraine | |
| Ezeibekwe | Stock market development and economic growth in Nigeria: Evidence from vector error correction model | |
| Ali | Stock prices and microeconomic variables: TY granger causal evidence from Dhaka stock exchange (DSE) | |
| Ogunrinola et al. | Stock market liquidity and economic growth in Nigeria (1980 to 2012) | |
| Farhadi et al. | The effect of competition criteria (measures) in the industry on the level of investment of the company listed on the tehran stock exchange | |
| ALAM et al. | The Determinant of Shariah Financing in the Agricultural Sector: Evidence from Indonesia | |
| Li | Wealth, volume and stock market volatility: case of Hong Kong (1993–2001) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19912543 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19912543 Country of ref document: EP Kind code of ref document: A1 |