【技术实现步骤摘要】
一种进行金融资产收益率预测的方法和装置
本申请涉及金融领域，特别是涉及一种进行金融资产收益率预测的方法和装置。
技术介绍
随着大数据和人工智能技术的发展和人们投资理念的转变，智能投顾已经逐渐展现出巨大的发展潜力，有望成为各大金融机构、互联网公司角逐的下一个战场。自动化金融资产配置是智能投顾应用系统最重要的一个步骤。传统均值方差优化方法(mean-varianceoptimization，MVO)是使用最广泛的自动化金融资产配置方法，但是这个方法存在一些较为明显的缺点。布莱克-利特尔曼Black-Litterman模型作为一种比较新的金融资产配置模型，解决了传统均值方差优化方法(MVO)的很多缺点，成为一个相对理想和主流的资产配置模型。Black-Litterman模型预测的关键是输入针对未来金融资产收益率预测的数据，然而，目前预测未来金融资产收益率这个过程是研究者根据经验完成的，这需要研究者有丰富经验和专业知识，并且进行大量分析、计算。即使研究者水平较高，也很难全面分析规律，给出较为准确的判断。并且仅从研究者这一个维...
【技术保护点】
1.一种进行金融资产收益率预测的方法，其特征在于，所述方法包括：/n预测设备获取金融资产第一时间段的第一历史数据、所述金融资产第二时间段的第一历史收益率、所述金融资产第三时间段的第二历史数据和所述金融资产第四时间段的人力预测收益率；所述第一时间段与所述第三时间段时长相等；/n所述预测设备将所述第一历史数据输入长短期记忆人工神经网络模型得到所述第二时间段对应的第一预测收益率；/n所述预测设备根据所述第一预测收益率和所述第一历史收益率对所述长短期记忆人工神经网络模型进行训练，得到训练后的模型；/n所述预测设备将所述第二历史数据输入所述训练后的模型得到所述金融资产第五时间段的第二...
【技术特征摘要】
1.一种进行金融资产收益率预测的方法，其特征在于，所述方法包括：
预测设备获取金融资产第一时间段的第一历史数据、所述金融资产第二时间段的第一历史收益率、所述金融资产第三时间段的第二历史数据和所述金融资产第四时间段的人力预测收益率；所述第一时间段与所述第三时间段时长相等；
所述预测设备将所述第一历史数据输入长短期记忆人工神经网络模型得到所述第二时间段对应的第一预测收益率；
所述预测设备根据所述第一预测收益率和所述第一历史收益率对所述长短期记忆人工神经网络模型进行训练，得到训练后的模型；
所述预测设备将所述第二历史数据输入所述训练后的模型得到所述金融资产第五时间段的第二预测收益率；所述第五时间段包含所述第四时间段；
所述预测设备从所述第五时间段的第二预测收益率中选择所述第四时间段对应的模型预测收益率；
所述预测设备将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述预测设备根据所述模型预测收益率计算得到所述模型预测收益率的平均绝对误差百分比；
所述预测设备根据所述平均绝对误差百分比计算得到模型信心水平；
所述预测设备获取个人观点信心水平，并将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平；所述最终信心水平用于评价所述最终预测收益率的准确性。
3.根据权利要求1或2所述的方法，其特征在于，所述预测设备将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率，利用以下公式确定：
所述最终预测收益率＝所述模型预测收益率*模型权重+所述人力预测收益率*人力权重；
所述将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平，利用以下公式确定：
所述最终信心水平＝所述模型信心水平*所述模型权重+所述个人观点信心水平*所述人力权重；
所述模型权重用于体现模型预测的准确率；所述人力权重用于体现人力预测的准确率。
4.根据权利要求3所述的方法，其特征在于，所述模型权重和所述人力权重为根据模型历史收益率、人力历史收益率和真实收益率得到的权重矩阵；所述权重矩阵中包括N行，其中任意一行对应于一个维度的收益率，该行包括这个维度的收益率的模型预测的准确率和人力预测的准确率。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
所述预测设备根据所述最终预测收益率形成收益率向量；
所述预测设备根据所述最终信心水平形成看法置信度矩阵；
所述预测设备将所述收益率向量和所述看法置信度矩阵输入布莱克-利特尔曼Black-Litterman模型得到目标结果。
...
【专利技术属性】
技术研发人员：宋俊杰，郭佳敏，郭咏持，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。