一种基于AI算法的基金组合最优化智能决策方法技术

本发明专利技术公开一种基于AI算法的基金组合最优化智能决策方法，包括步骤一、搜集市场特征参数；步骤二、利用人工智能模型寻找市场规律进行策略归类；步骤三、生成多维度、线性及非线性关系并计算排名；步骤四、使用DNC算法模型对规律驱动因素进行筛选；步骤五、建立模型，对市场环境进行判断及预测；步骤六、搜集基金净值数据并计算基金投资权重；本发明专利技术基于深度学习和人工智能，结合市场特征数据来计算各个策略在市场环境下的短期预期收益，利用算法来衡量投资策略的相对强弱与风险，策略精确性大大提高，通过前一层的输出来求解有约束的优化问题，可以计算得到每只策略相应的权重，基于DNC模型大大降低了计算量。模型大大降低了计算量。模型大大降低了计算量。

【技术实现步骤摘要】
一种基于AI算法的基金组合最优化智能决策方法


[0001]本专利技术涉及基金组合优化
，尤其涉及一种基于AI算法的基金组合最优化智能决策方法。

技术介绍

[0002]目前我国金融市场股市长期处于震荡状态，跟随指数难以获得稳定收益，市场目前机构化程度和量化交易占比较低，通过量化交易是我国资本市场获得长期稳定收益的可靠手段，量化交易具有市场容量大、风险分散和收益稳定等优势；
[0003]现有的处理投资策略权重优化问题采用的均值方差做法，采取趋势跟随的策略，用预测收益预估实际收益，精确性差，计算量大，非常耗时，因此，本专利技术提出一种基于AI算法的基金组合最优化智能决策方法以解决现有技术中存在的问题，并且具有实时观察市场情况，动态调整策略配置权重，对基金进行主动管理。

技术实现思路

[0004]针对上述问题，本专利技术的目的在于提出一种基于AI算法的基金组合最优化智能决策方法，该基于AI算法的基金组合最优化智能决策方法基于深度学习和人工智能，结合市场特征数据来计算各个策略在市场环境下的短期预期收益，利用算法来衡量投资策略的相对强弱与风险，策略精确性大大提高，通过前一层的输出来求解有约束的优化问题，可以计算得到每只策略相应的权重，基于DNC模型既大大提高了传统模型的精确性，又解决了LSTM处理路径依赖数据时需要大量算力的问题。
[0005]为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种基于AI算法的基金组合最优化智能决策方法，包括以下步骤：
[0006]步骤一、搜集市场特征参数，读取市场特征参数数据输入基于AI算法的策略组合模块；
[0007]步骤二、实时观察市场情况，动态调整策略配置权重，寻找市场规律，将交易策略进行归类；
[0008]步骤三、生成多维度、线性及非线性关系，并计算排名；
[0009]步骤四、使用包含输入层、隐含层和输出层的DNC算法模型对市场特征参数和策略净值数据规律驱动因素进行筛选；
[0010]步骤五、建立模型，对市场环境进行判断及预测，采用DNC算法模型，模拟策略在不同市场环境的表现，生成最大可能实现投资目标的策略组合，具体为
[0011]第一步
[0012]输入股票市场、债券市场、期货市场的量价时间序列、宏观经济指标时间序列和一组投资策略历史表现时间序列，预测输出每个策略在下一个时间段的表现，由折损函数计算预测的表现和历史实际表现的均方差；
[0013]第二步
[0014]输入股票市场、债券市场、期货市场的量价时间序列和宏观经济指标时间序列，输出当前市场环境下，最佳策略组合，由折损函数给出目标函数最大回撤阈值并求收益最大的投资组合及给出目标函数最小收益阈值并求回撤最小的投资组合；
[0015]步骤六、搜集基金净值数据，读取基金净值数据输入基金分析模块，对同一分组内各个基金进行执行alpha排名、计算有效交易区间面积和计算风控质量三个维度打分排名，并结合步骤一至步骤五得到的策略组合计算基金投资权重。
[0016]进一步改进在于：所述步骤二中的基金交易策略包括股票市场中性的基本面多因子策略、统计套利策略和商品期货的期限结构交易等23策略类条目。
[0017]进一步改进在于：所述步骤一中策略组合模块先学习量化策略大数据库中的策略在历史市场环境下的表现，然后再结合当前市场特征参数进行计算；策略组合模块是用来处理投资策略权重优化问题，通过可微分计算机(DNC)算法模型，结合市场特征数据来计算各个策略在市场环境下的短期预期收益，通过前一层的输出来求解有约束的优化问题，计算得到每只策略相应的权重。
[0018]进一步改进在于：所述步骤六中基金分析模块通过比对对冲基金净值与量化策略大数据库中的策略净值，分析每支基金的策略结构，所述步骤六中执行alpha排名时，先将子基金进行策略分组，然后根据0.6
×
年化执行alpha+0.4
×
夏普比，计算净值相对所在组基础策略的收益差，然后将得到的数据进行组内排名。
[0019]进一步改进在于：所述步骤六中计算有效交易区间面积时，先计算基金每日收益对所在市场指数每日波动率open
‑
close/high
‑
low，然后对该值计算三次多项式回归：y＝ax^3+bx^2+cx+d，在此三次多项式的曲线图中，曲线y＞0与x轴构成的区间面积即有效交易区间面积，然后将得到的数据进行组内排名。
[0020]进一步改进在于：所述步骤六中计算风控质量时，先计算基金每日收益对所在市场指数每日波动率open
‑
close/high
‑
low，然后对该值计算三次多项式回归：y＝ax^3+bx^2+cx+d，在此三次多项式的曲线图中，曲线y＜0与x轴构成的区间面积即风控质量的潜在损失，然后将得到的数据进行组内排名。
[0021]本专利技术的有益效果为：本专利技术基于深度学习和人工智能算法，结合市场特征数据来计算各个策略在市场环境下的短期预期收益，利用算法来衡量投资策略的相对强弱与风险，策略精确性大大提高，通过前一层的输出来求解有约束的优化问题，可以计算得到每只策略相应的权重，基于DNC模型解决了模拟了实际的数据环境特征，并且将算法和存储分开，大大加快了运算速度。
附图说明
[0022]图1为本专利技术决策架构图。
[0023]图2为本专利技术策略组合模块流程图。
具体实施方式
[0024]为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详述，本实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。
[0025]实施例1
[0026]根据图1、2所示，本实施例提供了一种基于AI算法的基金组合最优化智能决策方法，包括以下步骤：
[0027]步骤一、搜集市场量价特征、市场宏观特征和市场微观结构的市场特征参数，读取市场特征参数数据输入基于AI算法的策略组合模块，其中策略组合模块先学习量化策略大数据库中的策略在历史市场环境下的表现，然后再结合当前市场特征参数进行计算；
[0028]策略组合模块是用来处理投资策略权重优化问题，通过可微分计算机，结合市场特征数据来计算各个策略在市场环境下的短期预期收益，通过前一层的输出来求解有约束的优化问题，计算得到每只策略相应的权重；
[0029]步骤二、实时观察市场情况，动态调整策略配置权重，寻找市场规律，将基金交易策略进行归类；
[0030]步骤三、生成多维度、线性及非线性关系，并计算排名；
[0031]步骤四、使用包含输入层、隐含层和输出层的DNC(可微分计算机)算法模型对市场特征参数和策略净值数据规律驱动因素进行筛选；
[0032]步骤五、建立模型，对市场环境进行判断及预测，采用DNC可微分计算机技术，模拟策略在不同市场环境的表现，生成最大可能实现投资目标的策略组合，具体为
[0033]第一步
[0034]输入股票市场、债券市场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI算法的基金组合最优化智能决策方法，其特征在于包括以下步骤：步骤一、搜集市场特征参数时间序列，读取市场特征参数数据输入基于AI算法的策略组合模块；步骤二、实时观察市场情况，动态调整策略配置权重，寻找市场规律，将交易策略进行归类；步骤三、生成多维度、线性及非线性关系，并计算排名；步骤四、使用包含输入层、隐含层和输出层的DNC算法模型对市场特征参数和策略净值数据规律驱动因素进行筛选；步骤五、建立模型，对市场环境进行判断及预测，采用上述的技术，模拟策略在不同市场环境的表现，生成最大可能实现投资目标的策略组合，具体为第一步输入股票市场、债券市场、期货市场的量价时间序列、宏观经济指标时间序列和一组投资策略历史表现时间序列，预测输出每个策略在下一个时间段的表现，由折损函数计算预测的表现和历史实际表现的均方差；第二步输入股票市场、债券市场、期货市场的量价时间序列和宏观经济指标时间序列，输出当前市场环境下，最佳策略组合，由折损函数给出目标函数最大回撤阈值并求收益最大的投资组合及给出目标函数最小收益阈值并求回撤最小的投资组合；步骤六、搜集基金净值数据，读取基金净值数据输入基金分析模块，对同一分组内各个基金进行执行alpha排名、计算有效交易区间面积和计算风控质量三个维度打分排名，并结合步骤一至步骤五得到的策略组合计算基金投资权重。2.根据权利要求1所述的一种基于AI算法的基金组合最优化智能决策方法，其特征在于：所述步骤一中的市场特征参数包含股票市场、债券市场、期货市场量价时间序列、市场宏观经济指标时间序列和投资策略历史表现时间序列。3.根据权利要求1所述的一种基于AI算法的基金组合最优化智能决策方法，其特征在于：所述步骤一中策略组合模块先学习量化策略大数据库中的策略在历史市场环境下的表现...

【专利技术属性】
技术研发人员：曹青青，聂金，曹健，庞阳，
申请(专利权)人：上海星甍数据科技有限公司，
类型：发明
国别省市：