[发明专利]基于细粒度量化标注和集成方法的动态投资组合配置方法

说明书

本发明公开了基于细粒度量化标注和集成方法的动态投资组合配置方法，通过对任意时间点下的收益率表现实现细粒度的量化标注，杜绝人为因素对时序下收益率量化标注的影响，解决行情中的波动性噪声，精准有效地量化海量时序样本中的收益率标签，通过训练集成方法预测模型，实现对平均收益率标签的精准预测，在未来的时序数据中实现动态的投资组合配置，将AI直接应用于策略本身，为策略研究提供有力支持。

技术领域

本发明涉及人工智能技术领域，尤其涉及基于细粒度量化标注和集成方法的动态投资组合配置方法。

背景技术

随着大数据(Big Data)和AI的发展，以及金融市场的不断演进完善，量化投资成为当前策略研究的一大热点。量化投资是结合金融市场理论和数据科学的现代化科技产物，基于统计学和机器学习，在海量的金融市场数据中分析和整合因子，通过凸优化最优解配置最佳的投资组合，构建出数据支撑的高确定性投资策略。随着AI在各个应用领域的成功实践，量化投资从基于概率的维度向着AI模型的维度转变，产生了一些新的策略研究方法。目前已有的AI投资策略主要以技术面或基本面相关指标和市场信息为特征，对一些目标变量(如交易行为、交易信号、收益率等)进行预测，为概率层面的投资组合配置提供参考要素。

数据标注的质量对监督学习算法至关重要，但目前大多模型中的数据标注都人为加入了主观因素，如大多策略人为设定了时间点进行收益率标注，这不符合二级市场动态发展的特点，对最终的分析结果和策略模型有较大的误导性。由于二级市场较大的随机性特点，使得AI在量化投资中的应用依然处于比较浅的层次，大多仅使用单一的传统机器学习模型用于概率性分析和验证，而AI领域表现卓越的集成方法未得到广泛的应用，更是难以直接作用于投资策略本身。

发明内容

本发明的目的就在于为了解决上述问题而提供基于细粒度量化标注和集成方法的动态投资组合配置方法，本发明从AI模型的维度出发，基于未来函数和特有的计算方法实现行情收益率的精准标注，基于集成方法机器学习模型对行情收益率标签进行预测，在时序的二级市场中实现动态的投资组合配置，杜绝了任何的人为因素，通过训练集成方法的预测模型，用于预测标注的收益率标签，从而设定动态的投资组合配置权重，将AI模型直接应用于策略本身，为策略研究提供有力支持。

本发明通过生成细粒度量化的收益率标注，在多因子和标注的基础上训练集成模型，实现对细粒度时序的收益率标注的精准预测，从而使模型具备任意时间点的动态投资组合配置权重预测，用于量化投资策略的研究推进。

本发明通过以下技术方案来实现上述目的：

基于细粒度量化标注和集成方法的动态投资组合配置方法，包括：

完成细粒度的量化标注，为历史行情的任意时间点添加平均收益率标签；并对策略中的量化因子完成数据预处理和特征工程，训练集成方法预测模型实现对平均收益率标签的预测；

在新的测试时间点，向训练好的模型传入处理完成后的因子特征，预测当前测试时间点的平均收益率，并计算出各个投资标的推荐仓位配置权重；以及

在迭代的过程中训练和更新预测模型，对新的时间点预测出相应的平均收益率，计算出新的时间点的投资组合配置权重，实现时序下对投资组合配置的动态更新。

本发明的基于细粒度量化标注和集成方法的动态投资组合配置方法，具体包括以下步骤：

步骤1，训练集数据的时间周期区间为T₀，T₁，......，T_n，对该时间周期区间内的行情，以大小为R的移动窗口区间进行滚动采样，得到各个移动窗口内的最低价L_i和最高价H_i；行情中成交价等于L_i的时间点T_li作为做多标记，行情中成交价等于H_i的时间点T_hi作为做空标记；