[发明专利]资产配置方法、系统及存储介质

说明书

本发明公开了一种资产配置方法、系统及存储介质，该方法包括：获取金融资产的资产相关数据；根据资产相关数据，基于预先构建的KMV模型计算出金融资产的违约距离以及违约概率；对资产相关数据和KMV模型计算得出的违约距离及违约概率进行特征重组，将重组特征输入LSTM网络进行预测，得到金融资产的涨跌概率值；将金融资产的涨跌概率值映射成BL模型需要输入的P、Q矩阵；将资产相关数据和P、Q矩阵输入BL模型进行处理，得到资产配置结果。本发明实现对资产的有效配置，提升资产配置的收益率，解决了对选股技术选出的资产具有的重要性偏好无法与资产配置相结合的问题，有效避免了投资者进行资产配置时对资产的主观观点不准确的问题。

技术领域

本发明涉及金融资产配置技术领域，尤其涉及一种资产配置方法、系统及存储介质。

背景技术

当前的选股技术已经日趋完善，各类专业机构使用基本面数据、技术面数据以及挖掘到的因子对股票涨跌进行预测，技术分析选股择时结合资产配置更容易使投资者获取超额收益。投资收益很大一部分来自于成功的资产配置。在各类交易市场中，经典的资产配置模型，例如均值-方差、BL模型、风险平价、风险预算等模型帮助投资者获取超额收益的同时，还具有风险的分散控制能力，因此在投资界被广泛应用。

基于机器学习的选股技术的有效性已经在股票市场中得到广泛验证，同时资产配置相关模型的发展却相对落后。均值方差模型前提假设太过严格，对参数敏感性太高，且资产权重较为集中，因此被认为是投资者主观观点和先验收益加权结合的BL(Black-Litterman)模型是使用最为广泛的资产配置模型。BL模型在实践上最主要的缺点是需要投资者对各资产的预期收益进行详细的预测，但是投资者很难基于各个资产给出准确的观点，从而导致收益率无法达到最高。

发明内容

本发明的主要目的在于提供一种资产配置方法、系统及存储介质，旨在实现资产配置与选股技术的有效结合，实现资产的有效配置，提升资产配置的收益率。

为实现上述目的，本发明提供一种资产配置方法，应用于金融资产配置系统，所述方法包括以下步骤：

获取金融资产的资产相关数据；

根据所述资产相关数据，基于预先构建的KMV模型计算出所述金融资产的违约距离以及违约概率；

对所述资产相关数据和所述KMV模型计算得出的违约距离以及违约概率进行特征重组，得到重组特征；

将所述重组特征输入训练好的LSTM网络进行预测，得到所述金融资产的涨跌概率值；

将所述金融资产的涨跌概率值映射成BL模型需要输入的P、Q矩阵；

将所述资产相关数据和所述P、Q矩阵输入BL模型进行处理，得到资产配置结果。

可选地，所述金融资产为股票，所述获取金融资产的资产相关数据的步骤包括：

获取相关财务数据、资产负债数据以及股票相关数据，所述股票相关数据包括：开盘价、收盘价、最低价、最高价、成交量、成交金额、前复权数据、涨停价、跌停价、平均价前一天的收盘价中的一种或多种。

可选地，所述根据所述资产相关数据，基于预先构建的KMV模型计算出所述金融资产的违约距离以及违约概率的步骤包括：

将所述相关财务数据、资产负债数据以及股票相关数据输入预先构建的KMV模型进行如下计算：

根据股票的日收盘价计算日收益率；

根据所述日收益率计算日收益率波动率；

根据所述日收益率波动率计算年收益率波动率；

根据年收益率波动率，以及资产负债数据、股权价值、一年期存款利率和评估期限，计算得到资产价值、资产收益标准差和违约点；