一种基于神经网络的资产组合构建方法及装置与流程

1.本发明涉及基于机器学习的数据处理技术领域，具体而言，涉及一种基于神经网络的资产组合构建方法及装置。


背景技术：

2.在资产管理部门的实际工作中，资产的选择以及买入卖出等操作的时机仍以业务人员的专业知识和经验判断为主。业务人员首先需要构建好一个资产组合，其次还需要对其中单一资产的预期收益率进行准确的评估。
3.这种基于业务人员的专业知识和经验判断为主的资产组合构建方式，在效率方面存在很大的缺陷。


技术实现要素：

4.本发明实施例提供了一种基于神经网络的资产组合构建方法及装置，以至少解决相关技术中基于业务人员的专业知识和经验判断构建资产组合，在效率方面存在很大的缺陷的问题。
5.根据本发明的一个实施例，提供了一种基于神经网络的资产组合构建方法，包括：
6.通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系，根据资产价格变化值与资产操作之间的对应关系构建初始资产组合；通过决策树模型预测所述资产组合在下一交易周期的收益率，以及通过逻辑回归预测下一交易周期的市场走势；根据所述收益率和市场走势调整所述初始资产组合中各资产的比例。
7.在一个示例性实施例中，通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系之前，还包括：对所述第一神经网络模型进行训练。
8.在一个示例性实施例中，还包括：对所述第一神经网络模型进行训练包括：存储所述第一神经网络每步训练的参数，从所述参数中随机抽取一部分数据用于所述第一神经网络参数更新；将第一神经网络模型迭代多次得到的参数赋予第二神经网络模型，通过所述第二神经网络模型确定第一神经网络模型的损失函数，其中，所述第二神经网络模型与所述第一神经网络模型的结构相同，所述第二神经网络模型不对参数进行迭代更新。
9.在一个示例性实施例中，根据资产价格变化值与资产操作之间的对应关系构建初始资产组合，包括：根据资产价格变化值与资产操作之间的对应关系选取最优资产以构建初始资产组合。
10.在一个示例性实施例中，根据资产价格变化值与资产操作之间的关系选取最优资产操作，包括：以α的概率从资产操作集合a中随机抽取一个资产操作，以1-α的概率选择max
a∈a
p(s
t
，a；ω)作为最优操作，其中，p为资产价格变化值，s
t
是t时刻第一神经网络模型的输入，a是抽取的资产操作，ω是第一神经网络模型的参数。
11.在一个示例性实施例中，通过决策树模型预测所述资产组合在下一交易周期的收益率之前，还包括：通过贪心算法构建所述决策树模型。
12.在一个示例性实施例中，通过决策树模型预测所述资产组合在下一交易周期的收益率，包括：对所述决策树模型进行预剪枝，并在所述决策树模型的每个节点上对初始资产组合数据的所有特征进行遍历；选择使得f评分增加最多的特征作为节点划分和分裂的依据，在某一节点划分后f评分增量超过阈值或决策树模型深度达到阈值，则不再划分该节点。
13.在一个示例性实施例中，选择使得f评分增加最多的特征作为节点划分和分裂的依据之前，还包括：设置f评分增量的阈值和决策树模型深度阈值。
14.根据本发明的另一个实施例，提供了一种基于神经网络的资产组合构建装置，包括：
15.第一构建模块，用于通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系，根据资产价格变化值与资产操作之间的对应关系构建初始资产组合；预测模块，用于通过决策树模型预测所述资产组合在下一交易周期的收益率，以及通过逻辑回归预测下一交易周期的市场走势；调整模块，用于根据所述收益率和市场走势调整所述初始资产组合中各资产的比例。
16.在一个示例性实施例中，还包括：训练模块，用于对所述第一神经网络模型进行训练。
17.在一个示例性实施例中，还包括：第二构建模块，用于通过贪心算法构建所述决策树模型。
18.根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
19.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
20.通过本发明，通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系，从而可从资产市场中选取预期表现较好的资产组成初始资产组合，再根据决策树模型预测的收益率以及逻辑回归预测的市场走势对初始资产组合进行调整。因此，可以解决相关技术中基于业务人员的专业知识和经验判断构建资产组合，在效率方面存在很大缺陷的问题，基于机器学习达到高效构建资产组合的效果。
附图说明
21.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
22.图1是本发明实施例的运行基于神经网络的资产组合构建方法的计算机终端的硬件结构框图；
23.图2是根据本发明实施例的基于神经网络的资产组合构建方法的流程图；
24.图3是根据本发明实施例的基于神经网络的资产组合构建装置的结构框图；
25.图4是根据本发明另一实施例的基于神经网络的资产组合构建装置的结构框图；
26.图5是根据本发明实施例的资产组合构建及调整系统中各模块之间的运作流程示意图。
具体实施方式
27.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
29.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的运行基于神经网络的资产组合构建方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
30.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的基于神经网络的资产组合构建方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
31.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
32.图2是根据本发明实施例的基于神经网络的资产组合构建方法的流程图，如图2所示，该流程包括如下步骤：
33.步骤s202，通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系，根据资产价格变化值与资产操作之间的对应关系构建初始资产组合；
34.步骤s204，通过决策树模型预测所述资产组合在下一交易周期的收益率，以及通过逻辑回归预测下一交易周期的市场走势；
35.步骤s206，根据所述收益率和市场走势调整所述初始资产组合中各资产的比例。
36.在本实施例的步骤s202之前，还可以包括：对所述第一神经网络模型进行训练。
37.在本实施例中，对所述第一神经网络模型进行训练，还可以包括：存储所述第一神经网络每步训练的参数，从所述参数中随机抽取一部分数据用于所述第一神经网络参数更新；将第一神经网络模型迭代多次得到的参数赋予第二神经网络模型，通过所述第二神经网络模型确定第一神经网络模型的损失函数，其中，所述第二神经网络模型与所述第一神经网络模型的结构相同，所述第二神经网络模型不对参数进行迭代更新。
38.在本实施例的步骤s202中，还可以包括：根据资产价格变化值与资产操作之间的
对应关系选取最优资产以构建初始资产组合。
39.在本实施例中，根据资产价格变化值与资产操作之间的关系选取最优资产操作，包括：以α的概率从资产操作集合a中随机抽取一个资产操作，以1-α的概率选择max
a∈a p(s
t
，a；ω)作为最优操作，即选取资产价格变化值最大的资产操作作为最优资产操作，其中，p为资产价格变化值，s
t
是t时刻第一神经网络模型的输入，a是抽取的资产操作，ω是第一神经网络模型的参数。
40.在本实施例的步骤s204之前，还可以包括：通过贪心算法构建所述决策树模型。
41.在本实施例的步骤s204中，还可以包括：对所述决策树模型进行预剪枝，并在所述决策树模型的每个节点上对初始资产组合数据的所有特征进行遍历；选择使得f评分增加最多的特征作为节点划分和分裂的依据，在某一节点划分后f评分增量超过阈值或决策树模型深度达到阈值，则不再划分该节点。
42.在本实施例中，f评分的公式可为：
[0043][0044]
其中，precision为决策树模型的准确率，recall为决策树模型的召回率。
[0045]
在本实施例中，选择使得f评分增加最多的特征作为节点划分和分裂的依据之前，还可以包括：设置f评分增量的阈值和决策树模型深度阈值。
[0046]
通过上述步骤，通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系，从而可从资产市场中选取预期表现较好的资产组成初始资产组合，再根据决策树模型预测的收益率以及逻辑回归预测的市场走势对初始资产组合进行调整。因此，可以解决相关技术中基于业务人员的专业知识和经验判断构建资产组合，在效率方面存在很大缺陷的问题，达到可根据资产价格变化灵活调整资产组合的效果，提高构建资产组合的效率。
[0047]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0048]
在本实施例中还提供了一种基于神经网络的资产组合构建装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0049]
图3是根据本发明实施例的基于神经网络的资产组合构建装置的结构框图，如图3所示，该装置包括：第一构建模块10、预测模块20以及调整模块30。
[0050]
第一构建模块10，用于通过第一神经网络模型模拟资产价格变化值与资产操作之间的对应关系，根据资产价格变化值与资产操作之间的对应关系构建初始资产组合。
[0051]
预测模块20，用于通过决策树模型预测所述资产组合在下一交易周期的收益率，以及通过逻辑回归预测下一交易周期的市场走势。
[0052]
调整模块30，用于根据所述收益率和市场走势调整所述初始资产组合中各资产的
比例。
[0053]
图4是根据本发明实施例的基于神经网络的资产组合构建装置的结构框图，如图4所示，该装置除包括图3所示的所有模块外，还包括：训练模块40和第二构建模块50。
[0054]
训练模块40，用于对所述第一神经网络模型进行训练。
[0055]
第二构建模块50，用于通过贪心算法构建所述决策树模型。
[0056]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0057]
为了便于对本发明所提供的技术方案的理解，下面将结合具体场景的实施例进行详细描述。
[0058]
本发明实施例提供一种资产组合构建及调整系统，图5是所述系统中各模块之间的运作流程示意图，如图5所示，该系统包括资产选择模块60(asm)、收益预测模块70(pem)和市场预测模块80(mem)。
[0059]
在本实施例中，将资产在持有周期内的资产价格变化百分比p值作为评价资产表现优劣的指标，任意时刻都可以对资产进行买入、卖出或持有三种类型的操作，即a＝[买入,卖出,持有]。
[0060]
在本实施例中，由于资产价格连续，因此，通过资产选择模块，采用三层的神经网络模型n来模拟资产价格变化百分比p值与a资产操作之间的对应关系。资产选择模块60在功能上相当于上述实施例中的第一构建模块10的部分功能。
[0061]
在本实施例中，为了提高神经网络的训练速度，还可以引入了一个新的神经网络n'，n'与n结构相同，但n'自身并不进行迭代更新，而是把n中经过n次迭代后的参数赋予n'，将其作为更新目标来计算网络n的损失函数。
[0062]
在本实施例中还集成了两种策略以避免模型过拟合：一是在选择最优操作a的时候引入参数α，以α的概率从集合a中随机抽取一个操作，以1-α的概率选择max
a∈a p(s
t
，a；ω)作为最优操作；二是将神经网络每步训练的参数存储下来，每次更新参数的时候从中随机抽取一部分数据用于更新，以打破数据间的关联。
[0063]
在本实施例中，收益预测模块70用于对资产组合的期望收益进行分类。基于f_1分数的集成cart分类树来实现这一目的，使得模型兼具计算效率和业务可解释性。
[0064]
在本实施例中，模型构建过程包括：采用贪心算法构建决策树模型，在每个节点对数据集的所有特征进行遍历，选择使得f评分增加最多的特征作为节点划分和分裂的依据，同时对模型进行预剪枝，设置f评分增量的阈值和最大深度，如果某一节点划分后f评分的增量超过阈值或树模型深度达到最大深度，则不再划分该节点，以避免模型过拟合。收益预测模块70在功能上相当于上述实施例中的第二构建模块50的功能。
[0065]
市场预测模块80用于预测未来市场走势的好坏，在功能上相当于上述实施例中的预测建模块20的部分功能。
[0066]
在本实施例中，基于上述3个模块的结果，可以使用markowitz模型计算每只资产的权重，从而确定投资于资产i的资本比例为wi，使得资产组合既能保证整体的风险最小，又具有一定的多样性。
[0067]
具体地，假设有n种资产，收益率是随机变量r1，r2，
…
，rn，投资于资产i的资本比例
为wi，则这一资产组合的收益率为：
[0068][0069]
markowitz模型解决的问题是在资产组合的期望收益率e[r
p
]一定时，使得风险(收益率的方差或标准差)最小的wi。即：
[0070][0071][0072][0073]
其中，wi是投资于资产i的资本比例，ri是资产i的收益率，是投资于单一资产资本比例的上限。
[0074]
在本实施例中，为了防止某只资产所占的权重过大导致资产组合失去多样性，可以增加对wi上限的约束。
[0075]
在本实施例中，整个系统的运行逻辑可分为两种情况：
[0076]
1.构建组合：
[0077]
1)使用asm模块选取p值最高的n只资产
[0078]
2)使用markowitz模型计算每只资产的权重
[0079]
2.定期调整：
[0080]
1)更新本周期内资产的分红、派息等数据
[0081]
2)使用pem模块预测资产的预期收益率
[0082]
3)使用mem模块预测市场在下一周期的趋势
[0083]
4)按以下策略对资产组合进行调整：
[0084]
a)继续持有既没有被高估也没有被低估的资产；
[0085]
b)对于被高估的资产，如果当前权重高于2％，将其降到2％；否则全部卖出；
[0086]
c)如果完成(b)后仍有多余的现金，则买进被低估的资产
[0087]
d)如果完成(c)后仍有多余的现金，则运行asm，买进p值高的资产。
[0088]
在本实施例中，利用机器学习模型实现资产组合构建和管理工作的自动化。系统从资产市场中选取预期表现较好的资产组成资产组合，定期对资产收益率和市场走向进行预测，并给出资产买卖的决策方案，可以为投资者提供参考。同时，将资产组合管理过程分解为3个独立的模块，可以结合市场特征和投资者的投资理念进行建模，实现个性化投资方案的制定。
[0089]
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0090]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0091]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储
有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0092]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0093]
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0094]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0095]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。