WO2023169642A1 - Система автоматического формирования алгоритмов управления финансовыми активами - Google Patents

Система автоматического формирования алгоритмов управления финансовыми активами Download PDF

Info

Publication number
WO2023169642A1
WO2023169642A1 PCT/EA2022/050012 EA2022050012W WO2023169642A1 WO 2023169642 A1 WO2023169642 A1 WO 2023169642A1 EA 2022050012 W EA2022050012 W EA 2022050012W WO 2023169642 A1 WO2023169642 A1 WO 2023169642A1
Authority
WO
WIPO (PCT)
Prior art keywords
management
financial asset
financial
module
data
Prior art date
Application number
PCT/EA2022/050012
Other languages
English (en)
French (fr)
Inventor
Иван Александрович ОБОЛЕНСКИЙ
Михаил Артурович АНИСТРАТЕНКО
Никита Сергеевич ГЛАЗУНОВ
Дмитрий Николаевич ГУБАНОВ
Original Assignee
Иван Александрович ОБОЛЕНСКИЙ
Михаил Артурович АНИСТРАТЕНКО
Никита Сергеевич ГЛАЗУНОВ
Дмитрий Николаевич ГУБАНОВ
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
Priority claimed from EA202290565 external-priority patent/EA041303B1/ru
Application filed by Иван Александрович ОБОЛЕНСКИЙ, Михаил Артурович АНИСТРАТЕНКО, Никита Сергеевич ГЛАЗУНОВ, Дмитрий Николаевич ГУБАНОВ filed Critical Иван Александрович ОБОЛЕНСКИЙ
Publication of WO2023169642A1 publication Critical patent/WO2023169642A1/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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

  • This technical solution relates to the field of computer technology, in particular to automated solutions for managing financial assets.
  • the technical problem being solved is to implement the possibility of automated generation of algorithms for financial asset management strategies.
  • the technical result is to ensure the automated creation of financial asset management algorithms applied to associated user profiles.
  • the declared result is achieved through a system for automatically generating financial asset management algorithms, containing: at least one processor; at least one memory associated with the processor; a module for connecting sources, configured to receive data from external sources containing information about financial assets; a preprocessing module configured to analyze changes in financial assets over a given time period; a control module configured to identify patterns of changes in financial assets over time based on the analysis of historical data; validation of identified patterns, during which the indicators of a financial asset are analyzed, according to which historical indicators of its behavior are calculated, reflecting the level of deviations of indicators on equal ranges of temporary historical data; formation of algorithms for financial asset management strategies based on validated data; module for generating management profiles, configured to create management profiles, which are a combination of generated algorithms for management strategies of a financial asset, generated by the management module, based on the analysis of their weighting coefficients for the following indicators, selected from the group:
  • a financial asset management profile based on determining the maximum value of financial asset management strategies, by ranking the multiplied indicators of management strategies obtained by multiplying the weighting coefficients of the strategies; module for connecting financial asset profiles, configured to obtaining user profile data; calculating, based on user profile data, a scoring indicator corresponding to the financial asset management profile; Applying a management profile to a user profile.
  • the deviation is calculated using the calculation of dispersion and/or standard deviation.
  • Fig. 1 illustrates the general view of the system.
  • Fig. 2 illustrates a general view of a computing device.
  • this solution is an automated system made of a set of interconnected modules or subsystems.
  • Modules or subsystems can be executed as full-fledged hardware and software, for example, FPGA or SoC, forming a final logical computing device, or represent a set of software modules that function as part of a computer device, for example, a server.
  • the source connection module (110) provides data on financial assets from various data sources (101).
  • Data sources (101) can be, for example, exchanges, analytical sites or applications, information from the Internet, etc.
  • a financial asset is understood as a form of ownership that directly or indirectly has a certain material value, for example, shares, mutual funds, bonds, precious metals, bills, cash, cryptocurrency, crypto assets, etc.
  • Module (110) is a software implementation of methods for interacting with third-party sources of information via API, without excluding other sources of information, such as text files, databases, etc.
  • the functionality of the module allows, having configured it once by entering data (authorization credentials, access keys, variables for connection frequency, etc.) for working with information sources (101), to continuously receive data from sources and transmit them for further processing.
  • An example of information received by the source connection module (SW) is presented in Table 1.
  • Example of information on financial assets Data can be saved to a database for subsequent processing.
  • the data received by the module (software) is transferred to the preprocessing module (120), which performs an analysis of changes in financial assets for a given time period.
  • Module (120) carries out an automated analysis of incoming data for its integrity (missing dates, abnormal outliers in the data - gap, etc.), and, if available, corrects the time series data. Corrections of this kind as a significant gap in the data, called a Gap, are formed according to the following principle: module (120) calculates the median value of the distances between close values throughout the entire time series and if any of the values is twice as high as the median, the size of this Gap , calculated as the difference between adjacent values between which it occurred, is subtracted from all values up to the moment when it occurred in time and towards the past, according to the time series.
  • Correction of this kind is corrected by the module (120) taking into account the comparison of each values with a calendar time series; if there is a gap, the module creates the date of the value, and the value itself is copied from a neighboring date earlier in time.
  • a correlation analysis is carried out to compare new data with those that have already been obtained from sources (101) at the moment and stored in the database for their similarity. Pairwise measurements of correlation and data storage in the database are carried out. After making comparisons, based on well-known clustering algorithms, new data is correlated with each of the existing clusters of similar time series. Initially, this calculation is carried out on the entire set. After adding to the cluster closest to the new time series, data on the effectiveness of this series is calculated based on a comparison of the following characteristics: - cumulative average annual growth rate;
  • the best tool in the cluster is selected based on simple multiplication of the previously mentioned characteristics and selection of the maximum one.
  • the resulting tool is transferred to the next subsystem.
  • Pre-processed data by the module (120) is transferred to the control module (130), which is a set of pre-programmed algorithms that allow transformation and manipulation of data from sources (101), for example, plotting the distribution of data from sources by time patterns (days) weeks, days of the month, etc.), by logical division of data from one source by data from another, etc.
  • the control module (130) is a set of pre-programmed algorithms that allow transformation and manipulation of data from sources (101), for example, plotting the distribution of data from sources by time patterns (days) weeks, days of the month, etc.), by logical division of data from one source by data from another, etc.
  • patterns of changes in financial assets over time are identified based on the analysis of historical data (changes in the dynamics of a financial asset over time).
  • a pattern in this case is the repeatability of a sequence of changes in certain values over time, preceded by identical features.
  • one of the algorithms for searching for patterns may be an algorithm for searching for seasonal patterns, when, by analyzing the ordinal number of the day in the year, the ratio of cumulative values is calculated when the time series tended to go in one direction.
  • module (120) which performs a retrospective calculation of the following indicator on history - the level of dispersion on equal parts of temporary historical data, generated separately for a given time series, which repeat the patterns and form the essence - Strategies.
  • Module (130) performs validation of the identified patterns, during which the indicators of the financial asset are analyzed, according to which the historical indicators of its behavior are calculated, reflecting the level of deviations of the indicators on equal ranges of temporary historical data.
  • the calculation of deviation is carried out using the calculation of variance and/or standard deviation.
  • Validation should be understood as the calculation of indicators to obtain a relatively stable variance.
  • options are selected based on the selection of the best, which forms the basis for the formation of algorithms for financial asset management strategies based on validated data.
  • a strategy is a type of logical rules for analyzing a time series, on the basis of which certain actions are performed.
  • Module (130) provides identification of patterns of financial assets, on the basis of which the algorithm of module (130) calculates and selects the optimal management profile.
  • Table 3 presents an example of data processing to identify patterns on the basis of which module (130) calculates an algorithm for strategies for managing financial assets over a time period.
  • the generated strategy algorithms are transferred by the module (130) to the control profile generation module (140).
  • the module for generating management profiles (140) is an automated solution that, based on the patterns found by the module (130) in a financial instrument - Strategies, has the ability, based on algorithms for combining the financial results of Strategies, to assess the effectiveness of applying a particular Strategies to a selected financial asset, carrying out comparative analysis and transforming Strategies using various risk management algorithms, subsequently forming a management profile for financial assets.
  • One of the risk management algorithms can be the calculation of strategy participation coefficients, calculated on the basis of such characteristics as: standard deviation, total cross-correlation coefficient with other strategies, profitability coefficient expressed as the average annual profitability.
  • Management profiles are created using a combination of algorithms for financial asset management strategies generated by the management module (130) and subsequent analysis of their weighting coefficients according to the following indicators:
  • each coefficient lies in the range from 0 to 1 (in this case, in the control profile, the sum of weight coefficients among strategy algorithms should not exceed 1).
  • module (140) uses module (140 to calculate the weighting coefficients for the corresponding financial assets.
  • Methods for combining and calculating the weighting coefficients of each time series can be determined by a number of formulas, including equal weighted averages, based on volatility weights (inverse standard deviation), pairwise correlation.
  • the module (140) forms an entity - a management profile, according to which its indicators are calculated and stored in the database for further use by the module for connecting financial asset profiles (150).
  • the module (150) ensures the application of generated financial asset management profiles for one or more financial assets of users (102). For each user profile (102), a scoring indicator is calculated in the system, which reflects the preference for managing financial assets, for example, using a survey of system users.
  • Each user profile (102) may or may not contain already connected financial assets (for example, connection to trust management).
  • the module (140) based on the scoring indicator, selects financial asset management profiles and links them with user profile accounts (102).
  • the management profile of the corresponding financial asset is calculated and a management profile is selected that is as close as possible to the scoring indicator calculated for the user profile (102) and displaying signs of risk tolerance or profit.
  • the application of a financial asset management profile is carried out through its automated management when following the strategy calculated by the system, including automatic sales, purchases of a financial asset, adjustments of orders, etc.
  • the declared system offers a fully automated solution that allows you to manage financial assets using the dynamic calculation of their management algorithms over time, reducing the need for manual adjustments to the strategy profile.
  • the claimed system can be implemented as a software application (client/northern application) installed on the user's mobile device, for example, a smartphone.
  • client/northern application installed on the user's mobile device, for example, a smartphone.
  • the user creates a profile (102) using the graphical interface of the application, registers in the system and undergoes a survey to calculate his scoring indicator, on the basis of which the system will subsequently calculate the required profile for managing his assets.
  • the user may not currently own assets to manage them, for which he only needs to create an account to credit funds to it or connect an existing account (settlement or brokerage).
  • the user can also select preferred assets, for example, shares or cryptocurrency, as well as a management period (for example, a deposit for 1 or 3 years), based on which the system will automatically calculate the most effective algorithms for managing certain assets.
  • the system is also designed to warn about changes in asset management, and generates automatic changes in assets or their management strategy, notifying the user. Users can also change their profiles (102), changing the type of overall asset management strategy, for example, increasing the management period, changing the asset type to higher/lower risk assets, etc.
  • the system correlates with existing information obtained from sources (101), calculates algorithms for managing new user assets and selects the most effective management profile taking into account the existing strategy linked to the current user profile (102).
  • one profile (102) may contain several asset management strategies for different types of assets, for example, one type of management for shares, another type of management for a foreign currency account, etc.
  • FIG. 2 shows an example of a general view of a computing device (200), on the basis of which the claimed system can operate.
  • the device (200) may be part of a computer system, for example, a server, a personal computer, or part of a computing cluster that processes the necessary data to implement the stated technical solution.
  • the device (200) contains one or more processors (201), memory devices such as RAM (202) and ROM (203), input/output interfaces (204), and input/output devices (205) united by a common information exchange bus. ), and a networking device (206).
  • the processor (401) (or multiple processors, multi-core processor, etc.) may be selected from a variety of devices commonly used today, for example, from manufacturers such as: IntelTM, AMDTM, AppleTM, Samsung ExynosTM, MediaTEK TM, Qualcomm SnapdragonTM, etc.
  • the processor or one of the processors used in the device (200) must also include a graphics processor, such as an NVIDIA or Graphcore GPU, the type of which is also suitable for carrying out the method in whole or in part, and can also be used for training and applying machine learning models in various information systems.
  • a graphics processor such as an NVIDIA or Graphcore GPU, the type of which is also suitable for carrying out the method in whole or in part, and can also be used for training and applying machine learning models in various information systems.
  • RAM (202) is a random access memory and is designed to store machine-readable instructions executed by the processor (201) to perform the necessary operations for logical data processing.
  • the RAM (202) typically contains executable operating system instructions and associated software components (applications, program modules, etc.). In this case, the available memory capacity of the graphics card or graphics processor can act as RAM (202).
  • ROM (203) is one or more permanent storage devices, such as a hard disk drive (HDD), a solid state drive (SSD), flash memory (EEPROM, NAND, etc.), optical storage media (CD-R) /RW, DVD-R/RW, BlueRay Disc, MD), etc.
  • I/O interfaces To organize the operation of device components (200) and organize the operation of external connected devices, various types of I/O interfaces (204) are used. The choice of appropriate interfaces depends on the specific design of the computing device, which can be, but is not limited to: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232, etc.
  • various means (205) of I/O information are used, for example, a keyboard, a display (monitor), a touch display, a touch pad, a joystick, a mouse, a light pen, a stylus, a touch pad, a trackball. , speakers, microphone, augmented reality tools, optical sensors, tablet, light indicators, projector, camera, biometric identification tools (retina scanner, fingerprint scanner, voice recognition module), etc.
  • the network communication means (206) provides data transmission via an internal or external computer network, for example, Intranet, Internet, LAN, etc.
  • an internal or external computer network for example, Intranet, Internet, LAN, etc.
  • the following may be used, but is not limited to: Ethernet card, GSM modem, GPRS modem, LTE modem, 5G modem, satellite communication module, NFC module, Bluetooth and/or BLE module, Wi-Fi module, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

Настоящее техническое решение относится к области вычислительной техники, в частности к автоматизированным решениям для управления финансовыми активами. Техническим результатом является обеспечение автоматизированного создания алгоритмов управления финансовыми активами, применяемых к связанным профилям пользователей. Заявленный результат достигается за счет системы автоматического формирования алгоритмов управления финансовыми активами, содержащей совокупность модулей управления, обеспечивающих генерирование алгоритмов стратегий управления финансовыми активами, подключаемыми впоследствии к профилям пользователей системы.

Description

СИСТЕМА АВТОМАТИЧЕСКОГО ФОРМИРОВАНИЯ АЛГОРИТМОВ УПРАВЛЕНИЯ ФИНАНСОВЫМИ АКТИВАМИ
ОБЛАСТЬ ТЕХНИКИ
Настоящее техническое решение относится к области вычислительной техники, в частности к автоматизированным решениям для управления финансовыми активами.
УРОВЕНЬ ТЕХНИКИ
В области инвестиций и управления денежными средствами, как правило, применяются программные продукты, основанные на прогнозировании показателей изменения финансового актива, например, на основании трат пользователя или его профиля, по которому может быть подобрана та или иная рекомендация по управления его финансами. Пример такого решения известен из патента US 8788388 В2 (American Express Travel Related Services Co Inc, 22.07.2014), в котором описывается метод анализа показателей трат для анализа и выработки стратегии по дальнейшему управлению накоплениями.
Недостатком данного подхода является то, что анализ выполняется в ручном режиме, основываясь на хронологии финансовых изменений, непосредственно формируемых самими пользователем или компанией, что привязывает прогноз к существующим транзакциям. Это приводит к ограничению функционала, не позволяющего автоматизировано формировать сами алгоритмы управления финансовыми активами, независимо от их типа, обеспечивая создание стратегий управления, которые автоматически могут применяться к профилям пользователей.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Решаемой технической задачей является реализация возможности автоматизированного формирования алгоритмов стратегий управления финансовыми активами.
Техническим результатом является обеспечение автоматизированного создания алгоритмов управления финансовыми активами, применяемых к связанным профилям пользователей.
Заявленный результат достигается за счет системы автоматического формирования алгоритмов управления финансовыми активами, содержащей: по меньшей мере один процессор; по меньшей мере одну памятью, связанную с процессором; модуль подключения источников, выполненный с возможность получения данных из внешних источников, содержащих информацию о финансовых активах; модуль предобработки, выполненный с возможностью анализа изменения финансовых активов за заданный временной промежуток; модуль управления, выполненный с возможностью выявления закономерностей изменений финансовых активов во времени на основании анализа исторических данных; валидации выявленных закономерностей, в ходе которой анализируются показатели финансового актива, по которым выполняется расчет исторических показателей его поведения, отображающих уровень отклонений показателей на равных диапазонах временных исторических данных; формирования алгоритмов стратегий управления финансовыми активами на основании данных, прошедших валидацию; модуль формирования профилей управления, выполненный с возможностью создания профилей управления, представляющих собой комбинирование сформированных алгоритмов стратегий управления финансового актива, сформированных модулем управления, на основании анализа их весовых коэффициентов по следующим показателям, выбираемым из группы:
- совокупный среднегодовой темп роста;
- коэффициент Шарпа;
- коэффициент Сортино;
- максимальный уровень снижения финансового актива;
- среднее значение на заданном временном диапазоне от полученных максимальных уровней снижения финансового актива; формирования профиля управления финансовыми активами на основании определения максимального значения стратегий управления финансовыми активами, за счет ранжирования перемноженных показателей стратегий управления, полученных путем перемножения весовых коэффициентов стратегий; модуль подключения профилей финансовых активов, выполненный с возможностью получения данных профилей пользователей; расчета на основе данных профиля пользователя скорингового показателя соответствующего профилю управления финансовыми активами; применения профиля управления к профилю пользователя.
В одном из частных примеров реализации заявленной системы расчет отклонения осуществляется с помощью расчета дисперсии и/или стандартного отклонения.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Фиг. 1 иллюстрирует общий вид системы.
Фиг. 2 иллюстрирует общий вид вычислительного устройства.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Как представлено на Фиг. 1 настоящее решение представляет собой автоматизированную систему, выполненную из совокупности взаимосвязанных модулей или подсистем. Модули или подсистемы могут выполняться как полноценные аппаратно-программные средства, например, ПЛИС или SoC, формируя конечное логическое вычислительное устройства, так и представлять совокупность программных модулей, функционирующих в составе компьютерного устройства, например, сервера.
Модуль подключения источников (110) обеспечивает получение данных о финансовых активах из различных источников (101) данных. В качестве источников данных (101) могут выступать, например, биржи, аналитические сайты или приложения, сведения из сети Интернет и т.п. Под финансовым активом понимается форма собственности, прямо или косвенно имеющая определенную материальную ценность, например, акции, паевые фонды, облигации, драгоценные метали, вексели, денежные средства, криптовалюта, крипто активы и т.п.
Модуль (110) представляет собой программную реализацию методов по взаимодействию со сторонними источниками информации посредством API, не исключая другие источники информации, такие как: текстовые файлы, БД и прочее. Функционал модуля позволяет, единожды настроив его путем ввода данных (учетных данных для авторизации, ключи доступа, переменные по периодичности подключения и т.д.) для работы с источниками информации (101), непрерывно получать данные от источников и передавать их для дальнейшей обработки. Пример информации, получаемой модулем подключения источников (ПО) представлен в Таблице 1.
Таблица 1. Пример информации по финансовым активам
Figure imgf000006_0001
Данные могут сохраняться в базу данных для их последующей обработки. Полученные данные модулем (ПО) передаются в модуль предобработки (120), который выполняет анализ изменения финансовых активов за заданный временной промежуток.
Модуль (120) осуществляет автоматизированный анализ поступающих данных на предмет их целостности (пропусков дат, аномальных выбросов в данных - gap и т.д.), и, в случае их наличия, осуществляет исправление данных временного ряда. Исправления такого рода как значительный разрыв в данных именуемый - Гэп (Gap), формируется по следующему принципу: модуль (120) вычисляет медианное значение расстояний между близкими значениями на всем временном ряду и если какое либо из значений выше медианного в два раза, размер данного Гэп, вычисляемый как разница соседних значений между которыми он произошел, вычитается из всех значений до того момента когда он произошел по времени и в сторону прошлого, согласно временному ряда. Исправление такого рода как пропуски временных данных модуль (120) исправляет с учетом сравнения каждого значения с календарным временным рядом, если есть пропуск, модуль создает дату значения, а само значение копирует из соседней даты ранней по времени.
Пример такой обработки представлен в Таблице 2.
Таблица 2. Пример предобработки финансовых активов
Figure imgf000007_0001
После валидации корректности данных осуществляется корреляционный анализ на предмет сравнения новых данных с теми, которые уже получены из источников (101) на текущий момент и сохранены в БД, на предмет их схожести. Осуществляется попарный замер корреляции и сохранений данных в БД. После осуществления сравнений, на основе известных алгоритмов кластеризации производится соотнесение новых данных с каждым из имеющихся кластеров схожих временных рядов. Первично данный расчет осуществляет на всем множестве. После добавления в самый близкий для нового временного ряда кластер осуществляется расчет данных по эффективности данного ряда, на основе сравнения следующих характеристик: - совокупный среднегодовой темп роста;
- коэффициент Шарпа (https://en.wikipedia.org/wiki/Sharpe_ratio);
- коэффициент Сортино (https://en.wikipedia.org/wiki/Sortino_ratio); максимальный уровень снижения финансового актива;
- среднее значение на заданном временном диапазоне от полученных максимальных уровней снижения финансового актива и других.
Отбирается лучший инструмент в кластере на основе простого перемножения указанных ранее характеристик и выбора самого максимального. Полученный инструмент передается в следующую подсистему.
Пред обработанные данные модулем (120) передаются в модуль управления (130), который представляет собой набор предварительно запрограммированных алгоритмов, которые позволяют осуществлять преобразования и манипуляции с данными от источников (101), например, построение графиков распределения данных от источников по временным паттернам (дням недели, дням месяца и т.д.), по логическому делению данных одного источника на данные другого и т.п. В результате применяемых алгоритмических обработок модулем (130) принимается решение по тому или иному действию с финансовым активом.
С помощью обработки данных модулем (130) осуществляется выявление закономерностей изменений финансовых активов во времени на основании анализа исторических данных (изменений динамики финансового актива во времени). Закономерностью в данном случае называется повторяемость последовательности изменения определенных значений во времени, которым предшествуют одинаковые особенности. К примеру, одним из алгоритмов поиска закономерностей, может быть, алгоритм поиска сезонных паттернов, когда посредством анализа порядкового номера дня в году рассчитывается отношение кумулятивных значений, когда временной ряд имел тенденцию идти в одном направлении. Если у временного ряда были выявлены закономерности, что подтверждает предобработка, выполняемая модулем (120), который осуществляет ретроспективный расчет следующего показателя на истории - уровень дисперсии на равных частях временных исторических данных, формирующихся отдельно для данного временного ряда, которые повторяют закономерности и формируют сущность - Стратегии.
Модулем (130) выполняется валидация выявленных закономерностей, в ходе которой анализируются показатели финансового актива, по которым выполняется расчет исторических показателей его поведения, отображающих уровень отклонений показателей на равных диапазонах временных исторических данных. Расчет отклонения осуществляется с помощью расчета дисперсии и/или стандартного отклонения. Под валидацией следует понимать расчет показателей с получением относительно стабильной дисперсии. По результатам проведения манипуляций с данными на каждом из наборов характеристик осуществляется перебор вариантов на основе выбора лучшего, что ложится в основу формирования алгоритмов стратегий управления финансовыми активами на основании данных, прошедших валидацию. Стратегия представляет собой вид логических правил анализа временного ряда, на основе которого совершаются те или иные действия. К примеру, только по понедельникам в 10:00 по UTC данный финансовый ряд следует продавать, так как ранее была найдена такая закономерность, что в указанное время финансовый инструмент имеет склонность снижаться, то есть иметь тенденцию к уменьшению своих значений по отношению к предыдущему значению. Модуль (130) обеспечивает выявление закономерностей финансовых активов, на основании которых алгоритм модуля (130) производит расчет и выбор оптимального профиля управления. В таблице 3 представлен пример обработки данных для выявления закономерностей, на основании которых модуль (130) осуществляет расчет алгоритма стратегий по управлению финансовыми активами на временном диапазоне.
Таблица 3. Пример выявления закономерностей финансовых активов.
Figure imgf000009_0001
Figure imgf000010_0001
Сформированные алгоритмы стратегий модулем (130) передаются в модуль формирования профилей управления (140). Модуль формирования профилей управления (140) представляет собой автоматизированное решение, которое на основе найденных модулем (130) закономерностей в финансовом инструменте - Стратегий, имеет возможность на основе алгоритмов объединения финансовых результатов Стратегий производить оценку эффективности применения той или иной Стратегий к выбранному финансовому активу, осуществляя сравнительный анализ и производя преобразования Стратегий при помощи различных алгоритмов управления рисками, формируя в последующем профиль управления для финансовых активов. Одним из алгоритмов управления риском может быть расчет коэффициентов участия стратегий, рассчитанный на основе таких характеристик как: СКО, суммарный коэффициент взаимной корреляции с другими стратегиями, коэффициент прибыльности выраженный как средний показатель ежегодной доходности.
Создание профилей управления происходит с помощью комбинации алгоритмов стратегий управления финансового актива, сформированных модулем управления (130), и последующего анализа их весовых коэффициентов по следующим показателям:
- совокупный среднегодовой темп роста;
- коэффициент Шарпа (https://en.wikipedia.or /wiki/Sharpe.ratio);
- коэффициент Сортино (https://en.wikipedia.org/wiki/Sortino ratio);
- максимальный уровень снижения финансового актива;
- среднее значение на заданном временном диапазоне от полученных максимальных уровней снижения финансового актива.
Далее с помощью модуля (140) осуществляется случайный перебор весовых коэффициентов, где каждый коэффициент лежит в диапазоне от 0 до 1 (при этом в профиле управления сумма весовых коэффициентов среди алгоритмов стратегий не должна превышать 1).
Далее с помощью модуля (140) выполняется перемножение указанных ранее весовых коэффициентов и выбор самого максимального значения, что обеспечивает расчет наиболее оптимальных и эффективных профилей управления для соответствующих финансовых активов. Методы комбинирования и расчета весовых коэффициентов каждого временного ряда могут определяться по ряду формул, среди которых равные средневзвешенные, на основе весов волатильности (обратного стандартного отклонения), попарной корреляции. После проведения анализа и выбора оптимальных наборов стратегий модулем (140) формируется сущность - профиль управления, по которому обсчитываются и сохраняются в БД его показатели для дальнейшего применения модулем подключения профилей финансовых активов (150).
Модуль (150) обеспечивает применение сформированных профилей управления финансовыми активами для одного или нескольких финансовых активов пользователей (102). Для каждого профиля пользователя (102) в системе рассчитывается скоринговый показатель, который отражает предпочтение управления финансовыми активами, например, с помощью анкетирования пользователей системы.
Каждый профиль пользователя (102) может как содержать уже подключенные финансовые активы, так и не иметь таковых (например, подключение к доверительному управлению). Модуль (140) на основе скорингового показателя подбирает профили управления финансовыми активами и связывает их со счетами профилей пользователей (102).
Как пример, можно рассмотреть профиль инвестирования, при котором пользователь выбирает вклад в акции определенной компании. С помощью системы происходит расчет профиля управления соответствующим финансовым активом и подбирается профиль управления максимально приближенный к скоринговому показателю, рассчитанному для профиля пользователя (102) и отображающему признаки толерантности к риску или прибыли.
Применение профиля управления финансовым активом осуществляется путем его автоматизированного управления при следовании стратегии, рассчитанной системой, в том числе, автоматическое осуществление продаж, закупки финансового актива, корректировки заявок и т.п.
Заявленная система предлагает полностью автоматизированное решение, позволяющее управлять финансовыми активами с помощью динамического расчета алгоритмов их управления во времени, снижая необходимость ручных корректировок профиля стратегии.
Каждый из модулей системы, осуществляющий расчет тех или иных показателей, может выполняться на основе алгоритмов машинного обучения, обеспечивающих дополнительную автоматизацию и интеллектуальную обработку данных. Заявленная система может быть реализован как программное приложение (клиент/ северное приложение), устанавливаемое на мобильное устройство пользователя, например, смартфон. Пользователь формирует профиль (102) с помощью графического интерфейса приложения, регистрируется в системе и проходит анкетирование для расчет его скорингового показателя, на основании которых системой впоследствии будет высчитываться требуемый профиль управления его активами. При этом пользователь может не владеть на текущий момент активами для их управления, для чего ему достаточно либо создать счет для зачисления на него денежных средств или подключить уже имеющий счет (расчетный или брокерский). Пользователь также может выбирать предпочтительные активы, например, акции или криптовалюта, а также срок управления (например, вклад на 1 или 3 года), на основании чего система автоматически рассчитает наиболее эффективные алгоритмы управления теми или иными активами.
Система также выполнена с возможностью предупреждения об изменениях управления активами, и формирует автоматические изменения в активах или стратегии их управлении, оповещая при этом пользователя. Пользователи также могут изменять свои профили (102), меняя тип общей стратегии управления активами, например, увеличение срока управления, изменения типа активов на активы с болыиими/меныиими рисками и т.п.
Пользователи имеют возможность дополнять свои профили иными активами, подключая их также к системе. В этом случае система проводит корреляцию с имеющейся информацией, полученной из источников (101), рассчитывает алгоритмы управления новыми активами пользователя и подбирает наиболее эффективный профиль управления с учетом уже имеющейся стратегии, привязанной к текущему профилю (102) пользователя. При этом один профиль (102) может содержать несколько стратегий управления активами для разных их типов, например, один тип управления для акций, другой тип управления для валютного счета и т.п.
На Фиг. 2 представлен пример общего вида вычислительного устройства (200), на базе которого может функционировать заявленная система. Устройство (200) может являться частью компьютерной системы, например, сервером, персональным компьютером, частью вычислительного кластера, обрабатывающим необходимые данные для осуществления заявленного технического решения.
В общем случае устройство (200) содержит объединенные общей шиной информационного обмена один или несколько процессоров (201), средства памяти, такие как ОЗУ (202) и ПЗУ (203), интерфейсы ввода/вывода (204), устройства ввода/вывода (205), и устройство для сетевого взаимодействия (206). Процессор (401) (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в устройстве (200) также необходимо учитывать графический процессор, например, GPU NVIDIA или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах.
ОЗУ (202) представляет собой оперативную память и предназначено для хранения исполняемых процессором (201) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (202), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом, в качестве ОЗУ (202) может выступать доступный объем памяти графической карты или графического процессора.
ПЗУ (203) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др.
Для организации работы компонентов устройства (200) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (204). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, FireWire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п.
Для обеспечения взаимодействия пользователя с устройством (200) применяются различные средства (205) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.
Средство сетевого взаимодействия (206) обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (206) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.
Представленные материалы заявки раскрывают предпочтительные примеры реализации технического решения и не должны трактоваться как ограничивающие иные, частные примеры его воплощения, не выходящие за пределы испрашиваемой правовой охраны, которые являются очевидными для специалистов соответствующей области техники.

Claims

ФОРМУЛА
1. Система автоматического формирования алгоритмов управления финансовыми активами, содержащая по меньшей мере один процессор; по меньшей мере одну памятью, связанную с процессором; модуль подключения источников, выполненный с возможность получения данных из внешних источников, содержащих информацию о финансовых активах; модуль предобработки, выполненный с возможностью анализа изменения финансовых активов за заданный временной промежуток; модуль управления, выполненный с возможностью выявления закономерностей изменений финансовых активов во времени на основании анализа исторических данных; валидацию выявленных закономерностей, в ходе которой анализируются показатели финансового актива, по которым выполняется расчет исторических показателей его поведения, отображающих уровень отклонений показателей на равных диапазонах временных исторических данных; формирования алгоритмов стратегий управления финансовыми активами на основании данных, прошедших валидацию; модуль формирования профилей управления, выполненный с возможностью создания профилей управления, представляющих собой комбинирование сформированных алгоритмов стратегий управления финансового актива, сформированных модулем управления, на основании анализа их весовых коэффициентов по следующим показателям, выбираемым из группы:
- совокупный среднегодовой темп роста;
- коэффициент Шарпа;
- коэффициент Сортино;
- максимальный уровень снижения финансового актива;
- среднее значение на заданном временном диапазоне от полученных максимальных уровней снижения финансового актива; формирования профиля управления финансовыми активами на основании определения максимального значения стратегий управления финансовыми активами, за счет ранжирования перемноженных показателей стратегий управления, полученных путем перемножения весовых коэффициентов стратегий; модуль подключения профилей финансовых активов, выполненный с возможностью получения данных профилей пользователей; расчета на основе данных профиля пользователя скорингового показателя соответствующего профилю управления финансовыми активами; применения профиля управления к профилю пользователя.
2. Система по п.1, в котором расчет отклонения осуществляется с помощью расчета дисперсии и/или стандартного отклонения.
PCT/EA2022/050012 2022-03-10 2022-10-18 Система автоматического формирования алгоритмов управления финансовыми активами WO2023169642A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EA202290565 2022-03-10
EA202290565 EA041303B1 (ru) 2022-03-10 Система автоматического формирования алгоритмов управления финансовыми активами

Publications (1)

Publication Number Publication Date
WO2023169642A1 true WO2023169642A1 (ru) 2023-09-14

Family

ID=87936174

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EA2022/050012 WO2023169642A1 (ru) 2022-03-10 2022-10-18 Система автоматического формирования алгоритмов управления финансовыми активами

Country Status (1)

Country Link
WO (1) WO2023169642A1 (ru)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060200400A1 (en) * 2003-06-20 2006-09-07 Hunter Brian A Resource allocation technique
US20110246390A1 (en) * 2010-04-06 2011-10-06 Zhaoji George Yang System and method for constructing investment instruments, portfolios , and benchmark indexes with active leveraged written call or put options overlay
US20130197969A1 (en) * 2004-10-29 2013-08-01 American Express Travel Related Services Company, Inc. Using commercial share of wallet to rate business prospects
US20130254135A1 (en) * 2004-10-29 2013-09-26 American Express Travel Related Services Company, Inc. Using commercial share of wallet to rate investments
CN110288466A (zh) * 2019-06-28 2019-09-27 北京淇瑀信息科技有限公司 一种基于夏普比率的信贷策略评估和选择方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060200400A1 (en) * 2003-06-20 2006-09-07 Hunter Brian A Resource allocation technique
US20130197969A1 (en) * 2004-10-29 2013-08-01 American Express Travel Related Services Company, Inc. Using commercial share of wallet to rate business prospects
US20130254135A1 (en) * 2004-10-29 2013-09-26 American Express Travel Related Services Company, Inc. Using commercial share of wallet to rate investments
US20110246390A1 (en) * 2010-04-06 2011-10-06 Zhaoji George Yang System and method for constructing investment instruments, portfolios , and benchmark indexes with active leveraged written call or put options overlay
CN110288466A (zh) * 2019-06-28 2019-09-27 北京淇瑀信息科技有限公司 一种基于夏普比率的信贷策略评估和选择方法

Similar Documents

Publication Publication Date Title
Königstorfer et al. Applications of Artificial Intelligence in commercial banks–A research agenda for behavioral finance
US20150066811A1 (en) Determining Income Replacement Rates
US8768809B1 (en) Methods and systems for managing financial data
US20110178953A1 (en) Methods and systems for computing trading strategies for use in portfolio management and computing associated probability distributions for use in option pricing
WO2021167858A1 (en) Transaction card system having overdraft capability
US20130030973A1 (en) Fund transfer information presentation system
Neuhierl et al. Data snooping and market-timing rule performance
CA3049118A1 (en) System and method for aggregating and analyzing financial data
Valentyn et al. Relation between marketing expenses and bank’s financial position: Ukrainian reality
US20220375001A1 (en) Using a multi-armed bandit approach for boosting categorization performance
US20190236711A1 (en) System for Identifying and Obtaining Assets According to a Customized Allocation
US20210090101A1 (en) Systems and methods for business analytics model scoring and selection
US20230384920A1 (en) Methods and systems for dynamic monitoring through graphical user interfaces
CN112232950A (zh) 针对借贷风险的评估方法及装置、设备、计算机可读存储介质
Condori-Alejo et al. Rural micro credit assessment using machine learning in a peruvian microfinance institution
EP2780876A1 (en) Financial management platform
US11100587B2 (en) Systems and methods for dynamic fund allocation in goals-based wealth management portfolio
RU2724798C1 (ru) Способ и система оптимизации инкассаторского обслуживания объектов наличного денежного обращения
US11501378B2 (en) Methods and systems of a patient insurance solution as a service for gig employees
WO2023169642A1 (ru) Система автоматического формирования алгоритмов управления финансовыми активами
US20230359941A1 (en) System and method for efficient transformation prediction in a data analytics prediction model pipeline
US20120005118A1 (en) Systems And Methods For Optimizing Capital Structure Of A Financial Institution
EA041303B1 (ru) Система автоматического формирования алгоритмов управления финансовыми активами
US20220067460A1 (en) Variance Characterization Based on Feature Contribution
CN113240513A (zh) 一种用户授信额度的确定方法和相关装置

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: 22930688

Country of ref document: EP

Kind code of ref document: A1