证券投资组合选择方法、装置及设备制造方法及图纸

本发明专利技术提供了一种证券投资组合选择方法、装置及设备，涉及证券投资的技术领域，本方法以投资组合为研究对象，获取到历史投资组合的历史特征值，通过机器学习模型，研究历史特征值和历史收益率间的关系，预测近期收益率，再通过最小化近期预测收益率与近期实际收益率间差值，对机器学习模型进行优化，最后通过当期特征值与优化的机器学习模型生产出下期收益率的预测值，供用户按照需求进行选择。以投资组合为单位来进行证券投资组合的选择，能够从所有可能的投资组合中选择出最优投资组合。

Securities investment portfolio selection method, device and equipment

The invention provides a method, device and equipment for selecting a portfolio of securities, which relates to the technical field of securities investment. The method takes the portfolio as the research object, obtains the historical eigenvalues of the historical portfolio, studies the relationship between the historical eigenvalues and the historical returns through the machine learning model, and forecasts the near future returns. Then the machine learning model is optimized by minimizing the difference between the near-term predicted yield and the near-term actual yield. Finally, the next-term yield prediction value is produced by the current eigenvalue and the optimized machine learning model for users to choose according to their needs. Portfolio selection based on portfolio selection can select the best portfolio from all possible portfolios.

【技术实现步骤摘要】
证券投资组合选择方法、装置及设备
本专利技术涉及证券投资
，尤其是涉及一种证券投资组合选择方法、装置及设备。
技术介绍
众所周知，金融市场的投资标的众多。随着经济和金融的发展，投资标的更趋于多样化。拿A股市场来说，目前A股市场总共有2800多只股票，那么由这2800只股票所产生的证券投资组合数量就约有10的33次方之多。称这个10的33次方的投资组合为全域投资组合，英文简称为UPID(UniversalPortfolioIdentity)，他们所在的空间称为全域投资组合空间。而传统投资理论由于当时计算能力的限制，所分析的投资组合空间数量远远低于这一数量。因此需要利用最先进的大数据技术，从上述的全域投资组合空间出发，以更广阔的视角去分析A股市场，建立针对于超巨量证券投资组合的机器学习系统，并使其效率和收益会远远超过以往传统的量化投资分析。在新型的量化投资领域中，量化分析师通常是从个股出发，通过统计学方法或者机器学习来预测、挑选股票。这些方法在一定程度上克服了传统投资领域的缺点，但这种方法所生产出的组合，并不是全局最优组合。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种证券投资组合选择方法、装置及设备，以投资组合为研究对象，从所有可能的投资组合中选择并生成最优投资组合。第一方面，本专利技术实施例提供了一种证券投资组合选择方法，包括机器学习模型，方法包括：获取历史投资组合的历史特征值；将历史特征值输入初始机器学习模型，得到近期收益率预测值；计算近期收益率预测值与近期收益率实际值的差值，确定得到最小差值时对应的模型参数；将模型参数输入初始机器学习模型，得到优化机器学习模型；将当期特征值输入优化机器学习模型，得到下期收益率预测值，供用户进行证券投资组合选择。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，获取历史投资组合的历史特征值的步骤，包括：对历史投资组合按照预定规则进行筛选，得到目标投资组合；获取目标投资组合中的特征值数据，特征值数据包括技术指标、基本面指标、统计指标和频谱特征；对特征值数据进行处理和计算，得到历史特征值。结合第一方面及其可能的第一种实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，对历史投资组合按照预定规则进行筛选，得到目标投资组合的步骤，包括：选择满足预定规则的历史投资组合，作为待选投资组合；从待选投资组合中选取个股相关性较低的目标投资组合。结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，计算近期收益率预测值与近期收益率实际值的差值，确定得到最小差值时对应的模型参数的步骤，包括：通过历史特征值预测相应投资组合的近期收益率，以得到近期收益率预测值；获取历史特征值对应的投资组合在近期的收益率实际值；将近期收益率预测值与近期收益率实际值的差值作为目标函数，获取目标函数值最小时对应的模型参数。结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，将当期特征值输入优化机器学习模型，得到下期收益率预测值，供用户进行证券投资组合选择的步骤，包括：将下期收益率预测值输送给显示终端；根据用户通过显示终端输入的筛选条件输出证券投资组合选择结果；将所示选择结果提供给用户。第二方面，本专利技术实施例还提供一种证券投资组合选择装置，使用机器学习模型，包括：历史特征值获取模块，用于获取历史投资组合的历史特征值；计算模块，用于将历史特征值输入初始机器学习模型，得到近期收益率预测值；训练模块，用于计算近期收益率预测值与近期收益率实际值的差值，确定得到最小差值时对应的模型参数；优化模块，用于将模型参数输入初始机器学习模型，得到优化机器学习模型；交互模块，用于将当期特征值输入优化机器学习模型，得到下期收益率预测值，供用户进行证券投资组合选择。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，历史特征值获取模块还用于:对历史投资组合按照预定规则进行筛选，得到目标投资组合；获取目标投资组合中的特征值数据，特征值数据包含技术指标、基本面指标、统计指标和频谱特征；对特征值数据进行处理和计算，得到历史特征值。结合第二方面及其可能的第一种实施方式，本专利技术实施例提供了第二方面的第二种可能的实施方式，装置历史特征值获取模块还用于：选择满足预定规则的历史投资组合，作为待选投资组合；从待选投资组合中选取个股相关性较低的目标投资组合。结合第二方面，本专利技术实施例提供了第二方面的第三种可能的实施方式，其中，交互模块还用于：将下期收益率预测值输送给显示终端；根据用户通过显示终端输入的筛选条件输出证券投资组合选择结果；将所示选择结果提供给用户。第三方面，本专利技术实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面及其可能的任意一种实施方式。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的证券投资组合选择方法、装置及设备，以投资组合为研究对象，获取到历史投资组合的历史特征值，通过机器学习模型，研究历史特征值和历史收益率间的关系，预测近期收益率，再通过最小化近期预测收益率与近期实际收益率间差值，对机器学习模型进行优化，最后通过当期特征值与优化的机器学习模型生产出下期收益率的预测值，供用户按照需求进行选择。以投资组合为单位来进行证券投资组合的选择，能够从所有可能的投资组合中选择出最优投资组合。本公开的其他特征和优点将在随后的说明书中阐述，或者部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的证券投资组合选择方法流程图；图2为本专利技术实施例提供的证券投资组合选择方法中模型参数获得方法的流程图；图3为本专利技术实施例提供的证券投资组合选择方法中选择结果获得方法的流程图；图4为本专利技术实施例提供的证券投资组合选择装置的结构框图；图5为本专利技术实施例提供的证券投资组合选择电子设备结构框图。图标：41-历史特征值获取模块；42-计算模块；43-训练模块；44-优化模块；45-交互模块；51-存储器；52-处理器。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。众所周知，金融市场的投资标的众多。随着经济和金融的发展，投资标的更趋于多样化。拿A股市场来说，目前A股市场总共有2800多只股票，那么由这2800只股票所产生的证券投资组合数量就约有10的33次方之多。称这个10的33次方的投资组合为全域投资组合，英文简称为UPID(UniversalPo本文档来自技高网...

【技术保护点】
1.一种证券投资组合选择方法，其特征在于，包括机器学习模型，所述方法包括：获取历史投资组合的历史特征值；将所述历史特征值输入初始机器学习模型，得到近期收益率预测值；计算所述近期收益率预测值与近期收益率实际值的差值，确定得到最小所述差值时对应的模型参数；将所述模型参数输入所述初始机器学习模型，得到优化机器学习模型；将当期特征值输入所述优化机器学习模型，得到下期收益率预测值，供用户进行证券投资组合选择。

【技术特征摘要】
1.一种证券投资组合选择方法，其特征在于，包括机器学习模型，所述方法包括：获取历史投资组合的历史特征值；将所述历史特征值输入初始机器学习模型，得到近期收益率预测值；计算所述近期收益率预测值与近期收益率实际值的差值，确定得到最小所述差值时对应的模型参数；将所述模型参数输入所述初始机器学习模型，得到优化机器学习模型；将当期特征值输入所述优化机器学习模型，得到下期收益率预测值，供用户进行证券投资组合选择。2.根据权利要求1所述的方法，其特征在于，所述获取历史投资组合的历史特征值的步骤，包括：对所述历史投资组合按照预定规则进行筛选，得到目标投资组合；获取所述目标投资组合中的特征值数据，所述特征值数据包括技术指标、基本面指标、统计指标和频谱特征；对所述特征值数据进行处理和计算，得到所述历史特征值。3.根据权利要求2所述的方法，其特征在于，所述对历史投资组合按照预定规则进行筛选，得到目标投资组合的步骤，包括：选择满足预定规则的历史投资组合，作为待选投资组合；从所述待选投资组合中选取个股相关性较低的目标投资组合。4.根据权利要求1所述的方法，其特征在于，所述计算所述近期收益率预测值与近期收益率实际值的差值，确定得到最小所述差值时对应的模型参数的步骤，包括：通过历史特征值预测相应投资组合的近期收益率，以得到近期收益率预测值；获取所述历史特征值对应的投资组合在近期的所述收益率实际值；将所述近期收益率预测值与近期收益率实际值的差值作为目标函数，获取所述目标函数值最小时对应的模型参数。5.根据权利要求1所述的方法，其特征在于，所述将当期特征值输入所述优化机器学习模型，得到下期收益率预测值，供用户进行证券投资组合选择的步骤，包...

【专利技术属性】
技术研发人员：张家林，
申请(专利权)人：张家林，
类型：发明
国别省市：四川,51