机器学习基金优选系统及其优选方法技术方案

本发明专利技术公开了一种机器学习基金优选系统及其优选方法，该方法步骤如下：步骤1:构成训练用的数据；步骤2：进行机器学习模型训练和评估。通过构成训练用的数据、机器学习模型训练和评估，实现了针对基金经理在同类基金在不同市场行情下获取收益与控制风险的能力。

Machine Learning Fund Optimum Selection System and Its Optimum Selection Method

The invention discloses a machine learning fund optimization system and its optimization method. The steps of the method are as follows: step 1: composing data for training; step 2: training and evaluation of machine learning model. By composing training data, machine learning model training and evaluation, the ability of fund managers to gain profits and control risks under different market conditions is realized.

【技术实现步骤摘要】
机器学习基金优选系统及其优选方法
本专利技术涉及基金优选
，尤其是涉及一种机器学习基金优选系统及其优选方法。
技术介绍
随着人们生活水平的提高，越来越多的人已不再拘泥于上班获得的固定工资，而将目光转向了理财，所谓理财，指的是对财务(财产和债务)进行管理，以实现财务的保值、增值为目的。理财分为公司理财、机构理财、个人理财和家庭理财等。人类的生存、生活及其它活动离不开物质基础，与理财密切相关。如今的投资已实现了多元化、信息化以及透明化，越来越多的金融产品涌入到金融市场，而老百姓也借助各种技术的发展参与到了金融产品的投资大军中。基金产品指基金融通过程的各种载体，它包括大类资产,大类资产可包括A股、美股、港股、国内债券、海外债券、黄金、石油和货币基金。目前投资人在投资基金产品时，对基金产品的投资主要是根据基金经理来进行投资的，而现在并没有针对基金经理在同类基金在不同市场行情下获取收益与控制风险的能力。
技术实现思路
针对上述技术问题，本专利技术的目的在于提供一种机器学习基金优选系统及其优选方法，通过构成训练用的数据、机器学习模型训练和评估，实现了针对基金经理在同类基金在不同市场行情下获取收益与控制风险的能力。为实现上述目的，本专利技术提供了如下技术方案：一种机器学习基金优选系统的优选方法，步骤如下：步骤1:构成训练用的数据；步骤2：进行机器学习模型训练和评估。通过采用上述技术方案，实现了针对基金经理在同类基金的不同市场行情下获取收益与控制风险的能力。本专利技术进一步设置为：所述构成训练用的数据包括如下步骤：步骤1-1：获取每个同类基金成立至今的数据；步骤1-2：根据获取的每个同类基金成立至今的数据来按日期逐个计算各指标的值，并把每个日期下的各指标的值组成一个设定格式的构成训练用的数据，该数据的格式为顺序排列的同类基金的基金代码、日期和该同类基金的各指标的值。通过采用上述技术方案，这样经由计算得到的各指标的值，就能够进行机器学习模型训练和评估，以此后续达到实现针对基金经理在同类基金的不同市场行情下获取收益与控制风险的能力。本专利技术进一步设置为：所述获取每个同类基金成立至今的数据包括：该同类基金的基金代码、该同类基金的名称、该同类基金所属大类资产、该同类基金的成立时间、该同类基金的基金经理、该同类基金的规模；该同类基金的基金代码、日期、该同类基金在该日期的净值和该同类基金在该日期的日收益；该同类基金对应的大类资产指数、日期、该大类资产在该日期的收盘价以及该大类资产在该日期的日收益。通过采用上述技术方案，所述获取每个同类基金成立至今的数据包括：该同类基金的基金代码、该同类基金的名称、该同类基金所属大类资产、该同类基金的成立时间、该同类基金的基金经理、该同类基金的规模；该同类基金的基金代码、日期、该同类基金在该日期的净值和该同类基金在该日期的日收益；该同类基金对应的大类资产指数、日期、该大类资产在该日期的收盘价以及该大类资产在该日期的日收益；根据获取的每个同类基金成立至今的数据来按日期逐个计算各指标的值，这样经由计算得到的各指标的值，就能够进行机器学习模型训练和评估。本专利技术进一步设置为：所述指标包括对比收益、风险归一化收益、特征行情端收益、风险类指标、基金胜率、业绩持续性能力、基金跟踪能力、基金规模、基金经理维度以及基金公司维度；所述对比收益包括超额收益和同类基金收益分位数；所述风险归一化收益包括夏普比率、索提诺比率和收益回撤比；所述特征行情端收益包括上行期捕获收益和下行期捕获收益；所述风险类指标包括相对最大回撤、年化波动率和Stutzer指数；所述基金胜率包括同类基金的周胜率和同类基金的月胜率；所述业绩持续性能力包括Hurst指数；所述基金跟踪能力包括同类基金信息比率；所述基金规模包括同类基金发行规模；所述基金经理维度包括基金经理标的选择能力、基金经理风险控制能力、从业经验和业绩稳定度；基金公司维度包括基金公司平台因子；所述超额收益、同类基金收益分位数、夏普比率、索提诺比率、收益回撤比、上行期捕获收益、下行期捕获收益、相对最大回撤、年化波动率、Stutzer指数、同类基金的周胜率、同类基金的月胜率、同类基金信息比率、同类基金发行规模、基金经理标的选择能力、基金经理风险控制能力、从业经验、业绩稳定度和基金公司平台因子都是作为定量化特征的指标。通过采用上述技术方案，就能够输入同类基金的定量化特征。这些特征刻画该基金背后的基金经理在不同市场行情下，获取收益与控制风险的能力。包括：选标的、择时、资金管理、风险控制等。本专利技术进一步设置为：所述进行机器学习模型训练和评估包括对机器学习模型进行排序。通过采用上述技术方案，进行机器学习模型训练和评估包括对机器学习模型进行排序，所述排序具体而言是通过训练机器学习模型，对每个半年后基金收益在同类基金中的表现进行排序。所述训练的目标是预测同类基金后续的相对表现。本专利技术进一步设置为：所述对机器学习模型进行排序是运用LambdaMART模型来进行排序。通过采用上述技术方案，对机器学习模型进行排序是运用LambdaMART模型来进行排序，不是传统的通过分类或者回归的方法求解排序问题，而是直接求解；通过损失函数的转换，将类似于NDCG这种无法求导的IR评价指标转换成可以求导的函数，并且富有了梯度的实际物理意义；由于每次训练可以在已有的模型上继续训练，因此适合于增量学习；因为采用树模型，因此可以学到不同特征组合情况；因为是基于MART模型，因此也具有MART的优势，可以学到每个特征的重要性，可以做特征选择；适用于正负样本比例失衡的数据。本专利技术进一步设置为：所述进行机器学习模型训练和评估的方式如下：步骤2-1：按Walk-ForwardTest方法，以投资同类基金一年半为时长，在该一年半的时长内以一周为步长滚动，前12个月的数据为样本内数据，后6个月的为样本外数据，将生成的所述设定格式的构成训练用的数据划分为样本内数据和样本外数据；步骤2-2：运用LambdaMART模型来对样本内数据进行排序，并对样本外数据进行评估。通过采用上述技术方案，Walk-ForwardTest方法采用滚动的方式将可用的数据切分为多个片段，每个片段划分为样本内和样本外，具备了一定的自适应特性。一种机器学习基金优选系统，包括:至少一处理器和至少一存储器，所述至少一个存储器用于存储计算机程序，所述至少一个处理器用于调用所述至少一个存储器中的程序代码来执行所述机器学习基金优选系统的优选方法。通过采用上述技术方案，这样就能通过处理器和存储器，能够实现了针对基金经理在同类基金在不同市场行情下获取收益与控制风险的能力。本专利技术进一步设置为：所述机器学习基金优选系统包括构成训练用的数据的模块和机器学习模型训练和评估模块；所述构成训练用的数据的模块用于获取每个同类基金成立至今的数据；用于根据获取的每个同类基金成立至今的数据来按日期逐个计算各指标的值，并把每个日期下的各指标的值组成一个设定格式的构成训练用的数据，该数据的格式为顺序排列的同类基金的基金代码、日期和该同类基金的各指标的值；所述机器学习模型训练和评估模块用于按Walk-ForwardTest方法，以投资同类基金一年半为时长，在该一年半的时长内以一周为步长滚动，前12个月的数据为样本内本文档来自技高网...

【技术保护点】
1.一种机器学习基金优选系统的优选方法，其特征在于：步骤如下：步骤1: 构成训练用的数据；步骤2：进行机器学习模型训练和评估。

【技术特征摘要】
1.一种机器学习基金优选系统的优选方法，其特征在于：步骤如下：步骤1:构成训练用的数据；步骤2：进行机器学习模型训练和评估。2.根据权利要求1所述的机器学习基金优选系统的优选方法，其特征在于：所述构成训练用的数据包括如下步骤：步骤1-1：获取每个同类基金成立至今的数据；步骤1-2：根据获取的每个同类基金成立至今的数据来按日期逐个计算各指标的值，并把每个日期下的各指标的值组成一个设定格式的构成训练用的数据，该数据的格式为顺序排列的同类基金的基金代码、日期和该同类基金的各指标的值。3.根据权利要求2所述的机器学习基金优选系统的优选方法，其特征在于：所述获取每个同类基金成立至今的数据包括：该同类基金的基金代码、该同类基金的名称、该同类基金所属大类资产、该同类基金的成立时间、该同类基金的基金经理、该同类基金的规模；该同类基金的基金代码、日期、该同类基金在该日期的净值和该同类基金在该日期的日收益；该同类基金对应的大类资产指数、日期、该大类资产在该日期的收盘价以及该大类资产在该日期的日收益。4.根据权利要求2所述的机器学习基金优选系统的优选方法，其特征在于：所述指标包括对比收益、风险归一化收益、特征行情端收益、风险类指标、基金胜率、业绩持续性能力、基金跟踪能力、基金规模、基金经理维度以及基金公司维度；所述对比收益包括超额收益和同类基金收益分位数；所述风险归一化收益包括夏普比率、索提诺比率和收益回撤比；所述特征行情端收益包括上行期捕获收益和下行期捕获收益；所述风险类指标包括相对最大回撤、年化波动率和Stutzer指数；所述基金胜率包括同类基金的周胜率和同类基金的月胜率；所述业绩持续性能力包括Hurst指数；所述基金跟踪能力包括同类基金信息比率；所述基金规模包括同类基金发行规模；所述基金经理维度包括基金经理标的选择能力、基金经理风险控制能力、从业经验和业绩稳定度；基金公司维度包括基金公司平台因子；所述超额收益、同类基金收益分位数、夏普比率、索提诺比率、收益回撤比、上行期捕获收益、下行期捕获收益、相对最大回撤、年化波动率、Stutzer指数、同类基金的周胜率、同类基金的月胜率、同类...

【专利技术属性】
技术研发人员：黄立，刘锟，
申请(专利权)人：深圳市利讯互联网金融服务有限公司，
类型：发明
国别省市：广东,44