【技术实现步骤摘要】
本专利技术涉及信息处理，具体涉及基于低关联度的股票投资组合构建方法及系统。
技术介绍
1、投资组合管理是一个以低风险获取最大化收益的决策过程，投资组合构建包括资产选择与资金分配，它们对投资者所需承担的风险及能够获得的回报具有直接影响。在如今不断壮大的金融市场中，企业自身时刻面临着外部干扰，企业之间天然蕴含着丰富的关联，增大了投资组合管理的难度。在这样的背景下，只有准确预测个股价格与走势，全面衡量投资风险与回报，才能为投资者提供高收益、低风险的投资组合，满足拥有不同偏好的投资者需求。
2、现有技术主要依据机器学习(ml)模型来处理预测任务，但是早期的机器学习方法支持向量机(svm)和人工神经网络(ann)，并不适合长期学习金融时间序列数据。lstm方法能过捕获金融时间序列数据的长期依赖性，因此许多学者应用lstm方法预选资产并形成了令人满意的投资组合。然而在现实世界中，股票价格除与自身历史指标相关之外，还受到许多其他公司的影响，基于历史数据的预测往往无法全面考虑与描述这种影响。基于图的学习方法，例如gnn，能够弥补传统研究将公司视为相互独立的个体这一缺陷。该方法通过将实体之间的关联纳入学习过程，以在目标任务中实现更好的性能，能够提升预测的准确性。
3、对于投资者而言，如何选择资产并分配资金是一个至关重要的问题。markowitz(1952)将数理统计的方法应用到投资组合研究中，提出了均值-方差(mv)方法来解决投资组合选择问题。该方法根据预期收益和标准差选择最有效的投资组合，开创了现代投资组合理论(mpt)
4、传统机器学习方法只能基于自身历史指标做出预测，没有共同关注目标公司和相关公司的重要性，而现有技术在利用基于图的学习方法处理关系数据时并没有区分关联关系的不同点与重要性。传统的投资组合仅使用历史收益来计算投资组合的风险，无法分散系统性风险。根据资产相关性分散投资组合风险的技术，往往不考虑资产变动，即没有预测股票的未来趋势和价格。
技术实现思路
1、本专利技术提出了一种基于低关联度的股票投资组合构建方法，以解决传统技术风险表示方法单一，无法利用外部数据分散投资组合系统性风险的技术问题。
2、为解决上述技术问题，本专利技术提供了一种基于低关联度的股票投资组合构建方法，包括以下步骤：
3、步骤s1：机器学习提取股票股价的时序特征；图神经网络结合双层注意力机制提取股票关系的关系特征；
4、步骤s2：利用全连接层计算回报率；
5、步骤s3：根据回报率和关联度值，选择股票组合进行投资。
6、优选地，步骤s2将股价数据xi输入lstm网络，并将最后的隐藏状态输出作为节点的时序特征。
7、优选地，股价数据包括：每日收盘价和5、10、20、30日移动平均线。
8、优选地，所述股票关系通过图形结构来表示，关系图g＝(v,e)，由节点v和连接节点的边e组成，节点表示为vi∈v，每只股票代表一个节点vi，连接节点的边e所属的关系类型用φ表示，节点i的φ类型相邻节点集表示为关系类型φ的嵌入向量表示为d是关系类型的维数，若即j是i的一个邻居节点，将关系类型嵌入与i和j的节点表示连接到一个向量中，记为其中f表示f维特征向量。
9、优选地，提取关系特征的方法包括：计算φ类型邻居节点的重要性，用注意力权重表示，加权聚合同类相邻节点得到节点i的φ类型邻居节点向量：
10、
11、
12、式中，ws∈r2f+d、bs∈r和br∈r表示可学习参数；
13、之后将汇总的关系类型信息向量和关系类型嵌入向量进行连接，记为其中计算各类型邻居节点rφ对于节点i的重要性，用注意力权重表示，最后加权聚合所有k种类型相邻节点来计算节点i的向量即为关系特征：
14、
15、
16、优选地，步骤s2中全连接层采用的目标函数mse为：
17、
18、式中，yi与分别代表预测值与真实值。
19、优选地，步骤s3中通过度中心性计算关系φ的股票i的关联度：
20、
21、表示股票i和j在关系φ下的关联边数；
22、之后计算关联度值p：
23、
24、式中，n表示节点数目，分别表示在元路径φ1…φm下，节点关联性的降序排名，m为本文选取的关系类型数量，m∈m。
25、优选地，步骤s3中，当进行保守型投资时，则选取关联度值低的股票组合；当进行平衡性投资时，则选择回报率高且关联度值低的股票组合。
26、本专利技术还提供了一种基于低关联度的股票投资组合构建系统，适用于上述的基于低关联度的股票投资组合构建方法，包括时序特征提取模块、关系特征提取模块、回报率预测模块和投资组合构建模块；
27、所述时序特征提取模块，用于提取股票股价的时序特征；
28、所述关系特征提取模块，用于提取股票关系的关系特征；
29、所述回报率预测模块，用于根据所述时序特征和关系特征通过全连接层计算回报率；
30、所述投资组合构建模块，用于计算关联度值，并根据关联度值和回报率进行股票投资组合的构建。
31、优选地，当进行保守型投资时，则选取关联度值低的股票组合；当进行平衡性投资时，则选择回报率高且关联度值低的股票组合。
32、本专利技术的有益效果至少包括：
33、1)利用机器学习模型学习各个股票的历史时序模式，并利用关系图考虑外部趋势和合作关联等相关因素对目标股票的影响，可以同时捕获时序特征与关系特征，弥补了传统预测方法将股票视为独立的这一问题。
34、2)本专利技术基于层次关注的思想，将注意层级分为两层，包括聚合同类型节点的节点级注意力和聚合不同类型节点的关系级注意力，更好地挖掘重要关联股票与关系类型。
35、3)将资产间的关联性作为一种投资组合风险度量指标，通过不同关系数据类型分别计算股票关联度并评分，衡量投资者组合的系统性风险。基于不同风险偏好为投资者选择不同策略，构建基于低关联度的股票投资组合。
36、4)本专利技术将关系数据应用到投资组合构建的全流程，可以在预测股票未来收益的同时平衡预期收益与风险，为投资者提供低风险的投资组合，以满足不同投资需求，简化了投资流程。
本文档来自技高网...【技术保护点】
1.一种基于低关联度的股票投资组合构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于低关联度的股票投资组合构建方法，其特征在于：步骤S2将股价数据Xi输入LSTM网络，并将最后的隐藏状态输出作为节点的时序特征。
3.根据权利要求2所述的一种基于低关联度的股票投资组合构建方法，其特征在于：股价数据包括：每日收盘价和5、10、20、30日移动平均线。
4.根据权利要求1所述的一种基于低关联度的股票投资组合构建方法，其特征在于：所述股票关系通过图形结构来表示，关系图G＝(V,E)，由节点V和连接节点的边E组成，节点表示为vi∈V，每只股票代表一个节点vi，连接节点的边E所属的关系类型用Φ表示，节点i的Φ类型相邻节点集表示为关系类型Φ的嵌入向量表示为d是关系类型的维数，若即j是i的一个邻居节点，将关系类型嵌入与i和j的节点表示连接到一个向量中，记为其中f表示f维特征向量。
5.根据权利要求4所述的一种基于低关联度的股票投资组合构建方法，其特征在于：提取关系特征的方法包括：计算Φ类型邻居节点的重要性，用注意力权重表示，加权
6.根据权利要求5所述的一种基于低关联度的股票投资组合构建方法，其特征在于：步骤S2中全连接层采用的目标函数MSE为：
7.根据权利要求6所述的一种基于低关联度的股票投资组合构建方法，其特征在于：步骤S3中通过度中心性计算关系Φ的股票i的关联度：
8.根据权利要求1所述的一种基于低关联度的股票投资组合构建方法，其特征在于：步骤S3中，当进行保守型投资时，则选取关联度值低的股票组合；当进行平衡性投资时，则选择回报率高且关联度值低的股票组合。
9.一种基于低关联度的股票投资组合构建系统，适用于权利要求1至权利要求8任意一项所述的基于低关联度的股票投资组合构建方法，其特征在于：包括时序特征提取模块、关系特征提取模块、回报率预测模块和投资组合构建模块；
10.根据权利要求9所述的一种基于低关联度的股票投资组合构建系统，其特征在于：当进行保守型投资时，则选取关联度值低的股票组合；当进行平衡性投资时，则选择回报率高且关联度值低的股票组合。
...【技术特征摘要】
1.一种基于低关联度的股票投资组合构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于低关联度的股票投资组合构建方法，其特征在于：步骤s2将股价数据xi输入lstm网络，并将最后的隐藏状态输出作为节点的时序特征。
3.根据权利要求2所述的一种基于低关联度的股票投资组合构建方法，其特征在于：股价数据包括：每日收盘价和5、10、20、30日移动平均线。
4.根据权利要求1所述的一种基于低关联度的股票投资组合构建方法，其特征在于：所述股票关系通过图形结构来表示，关系图g＝(v,e)，由节点v和连接节点的边e组成，节点表示为vi∈v，每只股票代表一个节点vi，连接节点的边e所属的关系类型用φ表示，节点i的φ类型相邻节点集表示为关系类型φ的嵌入向量表示为d是关系类型的维数，若即j是i的一个邻居节点，将关系类型嵌入与i和j的节点表示连接到一个向量中，记为其中f表示f维特征向量。
5.根据权利要求4所述的一种基于低关联度的股票投资组合构建方法，其特征在于：提取关系特征的方法包括：计算φ类型邻居节点的重要性，...
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。