一种金融指数的周期波动估算方法技术

本发明专利技术公开了一种金融指数的周期波动估算方法，主要涉及金融工具、资产组合管理或者基金管理技术领域；包括步骤：S1、从金融数据终端获取待研究指数的日行情数据；S2、采用经验模式分解系列方法，按周期频率得到指数行情的周期因子IMF；S3、按平均周期重构周期分量，重构出短期、中期和趋势重构分量；S4、将投资活动中收益和风险作为考量因素，收益用价格变动计算的收益率测度，风险用历史波动率测度；S5、综合经验模式分解及随机森林算法，进行行情和波动的预测；S6、构建周期波动投资策略；本发明专利技术能够将周期波动、收益和风险综合分析，从行情的价格和波动双重周期属性角度出发，洞察行情深层次规律，从而提升投资绩效。从而提升投资绩效。从而提升投资绩效。

【技术实现步骤摘要】
一种金融指数的周期波动估算方法


[0001]本专利技术涉及金融工具、资产组合管理或者基金管理
，具体是一种金融指数的周期波动估算方法。

技术介绍

[0002]现有的针对金融指数的周期波动估算方法往往有着局限性，估算结果的精确度有限。

技术实现思路

[0003]本专利技术的目的在于解决现有技术中存在的问题，提供一种金融指数的周期波动估算方法，能够将周期波动、收益和风险综合分析，从行情的价格和波动双重周期属性角度出发，洞察行情深层次规律，从而提升投资绩效，激发融投资活跃度，保障市场健康有序发展。
[0004]本专利技术为实现上述目的，通过以下技术方案实现：
[0005]一种金融指数的周期波动估算方法，包括步骤：
[0006]S1、从金融数据终端获取待研究指数的日行情数据；
[0007]S2、采用经验模式分解系列方法，按周期频率得到指数行情的周期因子IMF；
[0008]S3、按平均周期重构周期分量，重构出短期、中期和趋势重构分量；
[0009]S4、将投资活动中收益和风险作为考量因素，收益用价格变动计算的收益率测度，风险用历史波动率测度，将指数原序列分解出来的IMF分量，分别计算出60日历史波动率作为风险序列；
[0010]S5、综合经验模式分解及随机森林算法，进行行情和波动的预测；
[0011]S6、构建周期波动投资策略，根据波动率区分行情盘整与否，若为未来行情为趋势走势，则结合行情预测，进行仓位变动。
[0012]优选的，步骤S2包括步骤：
[0013]S21、将标准差为ε的白噪声ω
n
(t)添加到原始信号X(t)，K为添加自适应的白噪声次数，ε为自适应参数，新信号x
n
(t)表示为：x
n
(t)＝x(t)+ε0ω
n
(t)，n＝1,2,
…
,K；
[0014]S22、找出序列x
n
(t)所有局部极大值和极小值点；
[0015]S23、通过三次样条插值函数分别根据步骤S22所得到的局部极大值和极小值点求出x
n
(t)的上下包络线U
(t)
和D
(t)
；
[0016]S24、求出U
(t)
和D
(t)
的均值M
(t)
，并计算原序列X
(t)
与上下包络线均值的M
(t)
差，即H
1(t)
＝X
(t)
‑
M
(t)
；
[0017]S25、判断H
1(t)
是否满足IMF的两个基本条件：
[0018]若H
1(t)
满足上述条件，则IMF
1(t)
＝H
1(t)
即为得到的第一个本征模函数；
[0019]反之，重新计算H
1(t)
上下包络线的均值求出并不断进行迭代，直到H
k(t)
满足上述条件，则IMF
1(t)
＝H
k(t)
即为得到的第一个本征模函数
[0020]S26、将K个第一阶分量的取平均值，得到最终第一阶分量，
[0021][0022]S27、令在下一步分解之前，对R1(t)继续添加白噪声信号，待分解信号更新为：
[0023][0024]分别重复上述六个步骤即可得到IMF2(t)、IMF3(t)
···
IMF
k
(t)多个本征模函数；
[0025]其中，
[0026]其中，EMD
i
(
·
)代表使用EMD算法得到的第i个imf；
[0027]S28、重复以上步骤，直至剩余分量满足预先设定的停止准则，
[0028][0029]其中，T为原序列长度，SD
k
为0.2；
[0030]S29、停止分解后，原信号序列X(t)表示为：
[0031]其中，R(t)为最后的残差。
[0032]优选的，步骤S3中，计算各个IMF分量的平均周期，平均周期公式：
[0033][0034]其中，N为原序列X样本个数，N
Min
，N
Max
为极小值、极大值个数，取两者均值为IMF(i)分量的平均周期C(i)，根据C(i)大于252天为低频分量类，小于则为高频分量类，不存在则为长期趋势类；将小于一年的IMF分量重构成价格形成的高频部分H_imf(t)，由IMF1大于一年的IMF叠加构成价格形成的低频部分L_imf(t)，以及趋势项Tr_imf(t)；
[0035]其中，高频部分加上低频部分为波动项，也是非趋势项，重构后的指数时间序列分解为：
[0036]P(t)＝H_imf(t)+L_imf(t)+Tr_imf(t)＝NTr_imf(t)+Tr_imf(t)。
[0037]优选的，步骤S5中，采用时间滚动预测方式，预测出下一日波动率和价格；通过CCEMDAN分解及重构得到不同频率的IMF分量，将这些分量代入RF模型进行波动率和价格预测，当波动率越大，则价格序列中振幅越强，表明市场以震荡幅度大，属于波动市场，适合投资；波动率越小，则价格序列中的趋势性越强，表明市场以趋势为主，震荡幅度较小，属于盘整市场，适合观望；依据波动率和价格预测，综合CCEMDAN分解及RF算法，设计出日频的可转债组合量化交易策略。
[0038]优选的，步骤S6中，策略买卖条件设计：当波动值大于给定阈值时，表明价格波动性明显，根据价格预测涨跌进行变动仓位，若属于盘整，则继续保持原有仓位，不进行变动仓位；
[0039]1)买入条件：波动率预测值大于阈值，且价格预测值上涨且大于其阈值，则买入可
转债组合；
[0040]2)卖出条件：波动率预测值大于阈值，且价格预测值下跌且小于其阈值，则卖出可转债组合；
[0041]3)保持仓位不变：若波动率预测值小于阈值，预测市场为盘整状况，仓位不改变。
[0042]对比现有技术，本专利技术的有益效果在于：
[0043]本专利技术能够从指数行情的周期属性、波动属性中预判出指数大幅波动下的后市行情，分析不同周期的分量相互叠加，共同引发行情的周期共振现象；在周期属性分析及预测模型，均摆脱先验分布等统计假设，采用数据自适应及自学习的办法，将指数序列分解为不同频率分量，随着数据量的增加以及训练的样本增多，模型效果会越来越精确；应用于周期波动分析及预测，了解可转债市场交易的规律，为融投资提供决策依据，也可以能够辅助相关部门及投资者进行指数行情预判及识别，提升组合策略的投资业绩，加强可转债市场的吸引力，促进可转债市场健康有序发展。
附图说明
[0044]图1是本专利技术的流程图；
[0045]图2是中证转债与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金融指数的周期波动估算方法，其特征在于，包括步骤：S1、从金融数据终端获取待研究指数的日行情数据；S2、采用经验模式分解系列方法，按周期频率得到指数行情的周期因子IMF；S3、按平均周期重构周期分量，重构出短期、中期和趋势重构分量；S4、将投资活动中收益和风险作为考量因素，收益用价格变动计算的收益率测度，风险用历史波动率测度，将指数原序列分解出来的IMF分量，分别计算出60日历史波动率作为风险序列；S5、综合经验模式分解及随机森林算法，进行行情和波动的预测；S6、构建周期波动投资策略，根据波动率区分行情盘整与否，若为未来行情为趋势走势，则结合行情预测，进行仓位变动。2.根据权利要求1所述的一种金融指数的周期波动估算方法，其特征在于，步骤S2包括步骤：S21、将标准差为ε的白噪声ω
n
(t)添加到原始信号X(t)，K为添加自适应的白噪声次数，ε为自适应参数，新信号x
n
(t)表示为：x
n
(t)＝x(t)+ε0ω
n
(t)，n＝1,2,
…
,K；S22、找出序列x
n
(t)所有局部极大值和极小值点；S23、通过三次样条插值函数分别根据步骤S22所得到的局部极大值和极小值点求出x
n
(t)的上下包络线U
(t)
和D
(t)
；S24、求出U
(t)
和D
(t)
的均值M
(t)
，并计算原序列X
(t)
与上下包络线均值的M
(t)
差，即H
1(t)
＝X
(t)
‑
M
(t)
；S25、判断H
1(t)
是否满足IMF的两个基本条件：若H
1(t)
满足上述条件，则IMF
1(t)
＝H
1(t)
即为得到的第一个本征模函数；反之，重新计算H
1(t)
上下包络线的均值M
H1(t)
，求出H
2(t)
＝H
1(t)
‑
M
H1(t)
，并不断进行迭代，直到H
k(t)
满足上述条件，则IMF
1(t)
＝H
k(t)
即为得到的第一个本征模函数IMF
1n
(...

【专利技术属性】
技术研发人员：周煜寰，吴甜甜，肖建茂，包宏鑫，邹建宇，
申请(专利权)人：南昌君维企业管理咨询有限公司，
类型：发明
国别省市：