一种基于机器学习的基金经理个人真实业绩曲线计算方法技术

本发明专利技术涉及金融科技机器学习技术领域，具体说是一种基于机器学习的基金经理的个人真实业绩曲线计算方法，包括数据准备、机器学习模型构建和绩效曲线的合成。其中，模型采用PCA模型提取个人管理基金的对应特征，通过DBSCAN聚类算法将该基金分类到对应的基金经理中。本发明专利技术所述方法中，PCA降维能够消除各个变量共线性，提高聚类准确率；DBSCAN能够自动排除类型不符合或者特征不符合的基金进入基金经理个人业绩曲线的计算过程；能够剥离出大部分基金经理的真实业绩，误差部分较小，并且不影响整体业绩曲线计算。整体业绩曲线计算。整体业绩曲线计算。

【技术实现步骤摘要】
一种基于机器学习的基金经理个人真实业绩曲线计算方法


[0001]本专利技术涉及金融科技机器学习
，具体说是一种基于机器学习的基金经理的个人真实业绩曲线计算方法。

技术介绍

[0002]随着资管行业的发展，基金的投资成为越来越多个人与机构的重要配置方向，基金经理的分析成为基金筛选的重要参考指标。如何准确的计算一个基金经理的个人业绩曲线成为一个重要的技术难题，由于基金可以分为股票型、债券型、混合型、货币型、FOF型等多种类型，一个人可能挂名多种类型的基金，同一个基金可能会发生投资方向和类型的变化，同一只基金也可能并非基金经理自己一直管辖，存在大量的基金经理变更情况，也存在基金经理只挂名而不实际管理的情况，导致很难通过传统的技术手段计算基金经理合理的业绩曲线。
[0003]情况1：基金经理同时管理多只偏股基金，其中某只基金仅仅是挂名，并未实际管理。
[0004]情况2：基金经理管理多只偏股基金，其中某几只基金实际管理过，后期移交给其他人管理，但是依然挂自己的名字。
[0005]情况3：基金经理管理多只偏股基金，其中有一只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的基金经理个人真实业绩曲线计算方法，其特征在于，包括以下步骤：S1、数据准备：获取不同类型的基金从成立至今的累积净值数据、基金经理任职与离职日期数据、基金每个报告期的持仓数据、区分类型变动的基金公告数据，将各类型的所有基金按照时间维度区分个人管辖与非个人管辖的基金，并贴上对应标签；S2、机器学习模型构建：对多人管理中实际个人管辖的对应类型基金按照时间戳打标签，对每个类型的每个基金经理构建模型，将挂该基金经理名称的所有对应类型基金从具体持仓和历史收益率两个维度构建多因子模型，采用PCA模型提取个人管理基金的对应特征，通过DBSCAN聚类算法将该基金分类到对应的基金经理中，从而为与基金经理存在实际关系的基金打上对应的标签，自动排除了类型不符合或者特征不符合的基金进入基金经理个人业绩曲线的计算过程；S3、绩效曲线的合成：对每个基金经理管理的每类基金产品，在管理该类产品期间计算对应的基金经理历史绩效，计算方式为，用管理期间所有的该类基金进行每天的收益率市值加权处理，得到每天的加权收益率，然后基于每天的加权收益率计算历史累计净值曲线，净值曲线从1开始计算从而得到所有对应类型基金经理的历史业绩。2.如权利要求1所述的基于机器学习的基金经理个人真实业绩曲线计算方法，其特征在于，步骤S2包括以下步骤：S21、获取区间基金经理管理的全部某类基金日收益率并计算基金的行业收益，得到每只基金的区间收益率矩阵，其中，行业收益采用该基金持有的最近一期全部股票持仓计算得到，基金行业收益率计算公式为：其中，M
i，t
为使用历史最近的全部持仓和最近的季报持仓模拟的单只基金在t日的投资于i行业的权益持仓总市值，g
n，t
为单只基金模拟持仓的属于行业i的股票n在t日的收益率,m
n，t
为模拟的单只基金投...

【专利技术属性】
技术研发人员：方童根，徐经纬，
申请(专利权)人：北京汇成基金销售有限公司，
类型：发明
国别省市：