本发明专利技术公开了一种投资组合预测方法、设备及存储介质，其中方法包括：基于预设的金融市场规则构建考虑交易成本并使最终投资收益最大化的投资组合预测模型；初始化初始投资组合中各风险资产的投资比例；利用LSTM模型和各风险资产在每一历史交易期的相对价格，预测出各风险资产在当前交易期的预测相对价格；利用投资组合预测模型、各风险资产在当前交易期的预测相对价格、各风险资产在每一历史交易期的投资比例和各风险资产在每一历史交易期的相对价格，得到当前交易期的最优投资组合。采用本发明专利技术的投资组合预测方法，不仅考虑了交易成本，提高了投资组合预测的准确性，而且可以闭合形式得出最优投资组合并具有可解释性。
【技术实现步骤摘要】
本专利技术涉及金融科技，特别是涉及一种投资组合预测方法、设备及存储介质。
技术介绍
1、投资组合研究在金融领域一直具有重要意义，尤其是对投资者正确配置资产而言。通常，资产配置问题涉及两个阶段：资产选择和资产配置。在股市中，投资者一直致力于通过战略性地持有回报率不断上升的股票，同时抛售呈下跌趋势的股票，从而实现利润最大化。
2、随着机器学习和深度学习等人工智能技术的兴起，这些技术在金融领域得到了快速而广泛的应用，尤其是在投资组合优化领域，以追求投资利润的最大化，这个过程通常被称为交易算法。目前，大量实证研究表明，人工智能预测的投资组合策略可以产生显著的超额收益。iworiso和vrontos(2020)评估了预测美国股市趋势的不同机器学习分类器，gu等(2020)和drobetz等(2021)分别扩展了预测美国市场和欧洲市场股票回报的机器学习技术的实证研究。他们得出了相同的结论，即即使考虑到交易成本，从经济和统计角度进行的综合分析也证实了机器学习技术提高投资组合收益的潜力。
3、然而，现有技术中尚不存在考虑交易成本的投资组合预测模型。
技术实现思路
1、本专利技术实施例旨在提供一种投资组合预测方法、设备及存储介质，以解决现有技术中的投资组合预测模型未考虑交易成本，从而使得投资组合预测存在瑕疵的问题。
2、为解决上述技术问题，本专利技术实施例提供以下技术方案：
3、根据本专利技术的一方面，提供一种投资组合预测方法，所述方法包括：
<
p>4、基于预设的金融市场规则构建考虑交易成本并使最终投资收益最大化的投资组合预测模型；5、初始化初始投资组合中各风险资产的投资比例；
6、利用lstm模型和各风险资产在每一历史交易期的相对价格，预测出各风险资产在当前交易期的预测相对价格；
7、利用所述投资组合预测模型、各风险资产在当前交易期的预测相对价格、各风险资产在每一历史交易期的投资比例和各风险资产在每一历史交易期的相对价格，得到当前交易期的最优投资组合。
8、可选地，所述金融市场规则包括：风险资产i在第t个交易期的开盘价等于风险资产i在第t-1个交易期的收盘价，第t个交易期风险资产i的相对价格xt,i基于下式得到：
9、
10、其中，close(t,i)为第t个交易期风险资产i的收盘价，open(t,i)为第t个交易期风险资产i的开盘价。
11、可选地，所述方法还包括：
12、基于预设的金融市场规则确定出在n个投资期结束时，考虑交易成本后累积的金融财富的计算公式，所述的计算公式为：
13、
14、其中，bt＝(bt,1,bt,3,…,bt,m)，bt是第t个交易期当前金融财富在m种风险资产上的投资比例组成的行向量，且m为风险资产的数量，t＝1,…,n，xt＝(xt,1,xt,2,…,xt,m)t，xt是第t个交易期内m种风险资产的相对价格组成的列向量；是在第t个交易期当前金融财富在m种风险资产的投资比例总调整量；ct为在第t个交易期开始时将所有风险资产重新分配产生的总交易成本与第t个交易期开始时初始资金的占比。
15、可选地，所述方法包括：
16、设为在第t个交易期开始时风险资产i尚未经过调整时的投资比例，bt,i为在第t个交易期开始时风险资产i经过调整后的投资比例，则：
17、
18、
19、可选地，所述方法包括：
20、设出售价值为1的风险资产的支付交易成本cs，购买价值为1的风险资产的支付交易成本cb，则
21、根据和得到最优投资组合函数表达式：
22、
23、其中，b是所有可容许投资组合向量的集合。
24、可选地，所述方法还包括：
25、构建所述最优投资组合函数表达式的优化方程：
26、
27、其中，a是衡量风险偏好和对所述投资组合预测模型信任程度的权重系数，表示第t个交易期内xt的预测相对价格向量，为选择投资组合bt之后在第t个交易期结束时的相对财富，ft(bt)代表t个交易期间的总交易成本。
28、可选地，所述方法包括：
29、使用相对熵来替代ft(bt)，即：
30、
31、可选地，所述方法还包括：
32、设所述优化方程转化为：
33、
34、利用拉格朗日方法最大化f(bt)，得到所述投资组合预测模型：
35、
36、根据本专利技术的另一方面，提供一种投资组合预测设备，所述投资组合预测设备包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述投资组合预测方法的步骤。
37、根据本专利技术的再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行上述任一项所述投资组合预测方法的步骤。
38、本专利技术实施例的有益效果是：区别于现有技术的情况，本专利技术实施例中，提供了一种投资组合预测方法，首先，基于预设的金融市场规则构建考虑交易成本并使最终投资收益最大化的投资组合预测模型，初始化初始投资组合中各风险资产的投资比例；然后利用lstm模型和各风险资产在每一历史交易期的相对价格，预测出各风险资产在当前交易期的预测相对价格；最后利用所述投资组合预测模型、各风险资产在当前交易期的预测相对价格、各风险资产在每一历史交易期的投资比例和各风险资产在每一历史交易期的相对价格，得到当前交易期的最优投资组合。本专利技术将深度学习模型与新构建的投资组合预测模型相结合，提出了一种考虑交易成本并使得投资组合收益最大化的投资组合预测方法。采用本专利技术的方法，无需指定市场条件，可以定期更新投资组合权重，同时控制交易费用。与现有的投资组合优化技术相比，不仅考虑了交易成本，提高了投资组合预测的准确性，而且可以闭合形式得出最优投资组合并具有可解释性。
本文档来自技高网...
【技术保护点】
1.一种投资组合预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述金融市场规则包括：风险资产i在第t个交易期的开盘价等于风险资产i在第t-1个交易期的收盘价，第t个交易期风险资产i的相对价格xt,i基于下式得到：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述方法包括：
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述方法包括：
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
9.一种投资组合预测设备，所述投资组合预测设备包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一项所述的投资组合预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行如权利要求1-8任一项所述方法的步骤。
...
【技术特征摘要】
1.一种投资组合预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述金融市场规则包括：风险资产i在第t个交易期的开盘价等于风险资产i在第t-1个交易期的收盘价，第t个交易期风险资产i的相对价格xt,i基于下式得到：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述方法包括：
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述方法...
【专利技术属性】
技术研发人员：张爱华，周海洋，吴奖伦，
申请(专利权)人：北京师范大学香港浸会大学联合国际学院，
类型：发明
国别省市：
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。