一种量化投资处理方法及装置与流程

1.本发明涉及计算机技术领域，更具体的，涉及一种量化投资处理方法及装置。


背景技术：

2.量化投资模型通过运行数学模型替代人的主观判断，借助计算机技术从海量历史数据中挖掘投资机会。在量化投资模型中，各类资产比例的配置结果与选定的风险测度息息相关。目前应用最为广泛的风险测度方法包括：基于均值-方差的风险测度方法与基于在险值的风险测度方法。
3.基于均值-方差的风险测度方法假定各类资产的收益率服从正态分布，然而在现实世界中，收益率经常会呈现显著的非正态特征。在各类资产的收益率不服从正态分布的情况下，无法准确实现风险测度。
4.基于在险值的风险测度方法中，在险值反映了金融资产或其组合在一定置信水平下及一定时间内的最大预计损失额，旨在找出给定预期收益率下具有最小方差的资产组合。在不同的预期收益率下求解最优化问题，可以得到有效前沿曲线，代表在相同的风险水平下具有最高收益率的所有投资组合。然而，在险值模型并没有考虑超过在险值部分的损失值大小，也无法准确实现风险测度。
5.可见，现有的风险测度方法无法准确实现风险测度，无法给量化投资提供有力的技术支持。


技术实现要素：

6.有鉴于此，本发明提供了一种量化投资处理方法及装置，准确实现风险测度，计算出的每类资产的权重为投资风险最小的最优权重，给量化投资提供了有力的技术支持。
7.为了实现上述发明目的，本发明提供的具体技术方案如下：
8.第一方面，本发明实施例公开了一种量化投资处理方法，包括：
9.基于长尾风险值以及预先设定的置信水平构建目标函数；
10.将参考历史数据中每类资产的平均收益率代入所述目标函数，以预先配置的每类资产的比例限制条件求解所述目标函数，得到所述目标函数值最小时每类资产的最优权重。
11.在一些实施例中，所述方法还包括：
12.根据目标对象的投资期限和风险承受级别，确定所述目标对象的风险-期限类型；
13.从预设历史时间内的历史数据中提取所述目标对象的风险-期限类型对应的历史数据，作为所述参考历史数据。
14.在一些实施例中，所述基于长尾风险值以及预先设定的置信水平构建目标函数，包括：
15.根据预先设定的置信水平，将长尾风险值的数学表达式等价转化为表现函数；
16.将所述表现函数近似为所述目标函数。
17.在一些实施例中，在得到所述目标函数值最小时每类资产的最优权重之后，所述方法还包括：
18.根据预设时间窗口内的交易数据以及每类资产的所述最优权重，计算不同投资期限和风险偏好下的投资组合的年化收益率。
19.第二方面，本发明实施例公开了一种量化投资处理装置，包括：
20.目标函数构建单元，用于基于长尾风险值以及预先设定的置信水平构建目标函数；
21.目标函数求解单元，用于将参考历史数据中每类资产的平均收益率代入所述目标函数，以预先配置的每类资产的比例限制条件求解所述目标函数，得到所述目标函数值最小时每类资产的最优权重。
22.在一些实施例中，所述装置还包括参考历史数据获取单元，用于：
23.根据目标对象的投资期限和风险承受级别，确定所述目标对象的风险-期限类型；
24.从预设历史时间内的历史数据中提取所述目标对象的风险-期限类型对应的历史数据，作为所述参考历史数据。
25.在一些实施例中，所述目标函数构建单元，具体用于：
26.根据预先设定的置信水平，将长尾风险值的数学表达式等价转化为表现函数；
27.将所述表现函数近似为所述目标函数。
28.在一些实施例中，所述装置还包括：
29.年化收益率计算单元，用于根据预设时间窗口内的交易数据以及每类资产的所述最优权重，计算不同投资期限和风险偏好下的投资组合的年化收益率。
30.第三方面，本发明实施例公开了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行如第一方面任一实现方式描述的量化投资处理方法。
31.第四方面，本发明实施例公开了一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；
32.其中，所述处理器、所述存储器通过所述总线完成相互间的通信；
33.所述处理器用于调用所述存储器中的程序指令，以执行如第一方面任一实现方式描述的量化投资处理方法。
34.相对于现有技术，本发明的有益效果如下：
35.本发明公开的一种量化投资处理方法及装置，基于长尾风险值以及预先设定的置信水平构建目标函数，通过将参考历史数据中每类资产的平均收益率代入目标函数，以预先配置的每类资产的比例限制条件求解目标函数，得到目标函数值最小时每类资产的最优权重。其中，每类资产的平均收益率可以不服从任何分布，应用更为广泛，且由于长尾风险值是损失额超过在险值的条件均值，衡量了超出分位数的预期损失值的大小，反映了超额损失的平均水平，比在险值更能体现资产组合的潜在风险，因此，基于长尾风险值能准确实现风险测度，计算出的每类资产的权重为投资风险最小的最优权重，给量化投资提供了有力的技术支持。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
37.图1为本发明实施例公开的一种量化投资处理方法的流程示意图；
38.图2为本发明实施例公开的另一种量化投资处理方法的流程示意图；
39.图3为本发明实施例公开的不同投资期限和风险偏好下的资产组合的最优权重示意图；
40.图4为本发明实施例公开的长期高风险的投资组合年化收益率示意图；
41.图5为本发明实施例公开的长期低风险的投资组合年化收益率示意图；
42.图6为本发明实施例公开的短期高风险的投资组合年化收益率示意图；
43.图7为本发明实施例公开的短期低风险的投资组合年化收益率示意图；
44.图8为本发明实施例公开的一种量化投资处理装置的结构示意图。
具体实施方式
45.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.在实际应用中，投资者用户往往更加关注极端事件发生的概率，也就是收益率分布曲线的尾部特征，相对于基于均值-方差的风险测度方法，长尾风险值不限定每类资产的平均收益率必须服从正态分布，且考虑了收益率分布的尾部特征，因此更为可靠。且长尾风险值不会小于在险值，比在险值更能体现资产组合的潜在风险。本发明通过基于长尾风险值进行量化投资处理，能准确实现风险测度，计算出的每类资产的权重为投资风险最小的最优权重，给量化投资提供了有力的技术支持。
47.具体的，请参阅图1，本实施例公开的一种量化投资处理方法包括以下步骤：
48.s101：基于长尾风险值以及预先设定的置信水平构建目标函数；
49.长尾风险值(tvar)：损失额超过在险值的条件期望，它衡量了收益率分布中超出分位数α的长尾区域预期损失值的大小，反映了超额损失的平均水平，用数学形式可以表述为：
[0050][0051]
其中，在险值是损失分布f
l
超过分位数α的下确界，即：
[0052][0053]
表示整个实数域。
[0054]
为了便于后续计算，根据预先设定的置信水平β，将长尾风险值的数学表达式等价转化为表现函数：
[0055]
[0056]
而该表现函数又可以近似为：
[0057][0058]
其中
[0059][0060]
w表示每类资产的权重构成的权重向量，q表示资产类型总数，rk表示参考历史数据中第k类资产的平均收益率。
[0061]
s102：将参考历史数据中每类资产的平均收益率代入目标函数，以预先配置的每类资产的比例限制条件求解目标函数，得到目标函数值最小时每类资产的最优权重。
[0062]
为了便于求解目标函数，添加辅助变量，可以在预先配置的每类资产的比例限制条件下最小化如下目标函数：
[0063][0064]
这里参考历史数据中第k类资产的平均收益率可以服从任何分布，不必局限于正态性假设。这也是长尾风险值较之传统的在险值适应面更为广泛的原因所在。
[0065]
在不允许做空的市场环境下，所有的资产的权重必须为非负数；假设投资组合中所有的资产都必须被持有，且需满足预先配置的每类资产的比例限制条件以各类资产的配置比例需满足如下条件为例：
[0066]
1.标普500指数比例不超过15％；
[0067]
2.恒生指数不超过15％；
[0068]
3.中证800与标普500以及恒生指数比例之和不超过50％；
[0069]
4.伦敦现货黄金指数不超过5％。
[0070]
那么需要满足的约束条件为：
[0071][0072]
将参考历史数据中每类资产的平均收益率rk代入上述目标函数，以上述约束条件即可求解上述目标函数，得到目标函数值最小时每类资产的最优权重组成的权重向量w。
[0073]
进一步，为了使选取的参考历史数据与目标对象，即投资用户的特点更加接近，本实施例预先评估目标对象的投资期限和风险承受级别，从预设历史时间内的历史数据中提取与目标对象特点最接近的历史数据作为参考历史数据。
[0074]
请参阅图2，本实施例公开的一种量化投资处理方法，包括以下步骤：
[0075]
s201：根据目标对象的投资期限和风险承受级别，确定目标对象的风险
‑ꢀ
期限类
型；
[0076]
本实施例中预计投资期限包括2个类别，分别是0～3年(短期)、3年以上(长期)。风险承受级别包括2个类别，分别是低风险和高风险。预计投资期限与风险承受级别两者叠加，共形成4种风险-期限组合。
[0077]
s202：从预设历史时间内的历史数据中提取目标对象的风险-期限类型对应的历史数据，作为参考历史数据；
[0078]
获取历史数据并选定相应的预设历史时间，如3年，然后从选定的预设历史时间内的历史数据中提取目标对象的风险-期限类型对应的历史数据，即与目标对象的风险-期限类型一致客户历史数据，作为参考历史数据。
[0079]
s203：基于长尾风险值以及预先设定的置信水平构建目标函数；
[0080]
s204：将参考历史数据中每类资产的平均收益率代入目标函数，以预先配置的每类资产的比例限制条件求解目标函数，得到目标函数值最小时每类资产的最优权重；
[0081]
以从万得资讯客户端获取交易的历史数据，并将预设历史时间选定为 2007年1月4日至2020年12月31日。各类资产的配置比例需满足如下条件：标普500指数比例不超过15％；恒生指数不超过15％；中证800与标普500以及恒生指数比例之和不超过50％；伦敦现货黄金指数不超过5％为例。
[0082]
选定95％的为置信水平，调用长尾风险值算法，编程求解得到不同投资期限和风险偏好下的资产组合的最优权重如图3所示。
[0083]
通过对比各资产的配置权重，不难发现国内债券市场是量化投资主要的投资渠道，这对于低风险偏好的投资者来说更为显著，分别占比94.88％和 80.00％，这是与国内债券市场稳定的收益率和较低的波动率息息相关的。对于长期投资者而言，量化投资几乎不考虑投资美国股票市场，这是因为美国股票市场较高的波动率引起的资金损失超过了投资者的最大回撤预期。对于短期投资者而言，投资组合中有15.00％的资金用于投资美国股票市场，这是因为在短期投资中存在着由高频交易引发的统计套利。
[0084]
s205：根据预设时间窗口内的交易数据以及每类资产的最优权重，计算不同投资期限和风险偏好下的投资组合的年化收益率。
[0085]
基于s204中计算得出的量化投资权重向量w，选取一年的交易数据为时间窗口，可以计算出不同投资期限和风险偏好下如图4～7所示的投资组合年化收益率，投资组合的期望收益率可以表示为组合中所有资产收益率的加权平均，即:
[0086][0087]
这里的r
p
表示投资组合的目标收益率，n表示资产的数目，wn和rn分别表示单笔资产的配置权重和收益率。
[0088]
还以上述实施例为例，对于长期高风险的投资者来说，投资组合的预期收益率为12.61％，年化波动率为2.12％，95％的置信水平下计算得出的长尾风险值为8.23％；对于长期低风险的投资者来说，投资组合的预期收益率为12.43％，年化波动率为2.09％，95％的置信水平下计算得出的长尾风险值为 8.12％；相应地，短期高风险的投资者所获得的预期收益率为7.90％，年化波动率为1.65％，同等置信水平下的长尾风险值为4.49％；对于短期低风险投资者，投资组合的预期收益率和年化波动率都显著地小于前三类投资者，分别
为7.00％和1.51％，对应的长尾风险值为3.88％。
[0089]
在这些产品中，投资组合的收益率高于债券，波动率却小于股票和黄金，很好地展现了加权平均之后的风险分散和优势整合效果。
[0090]
本发明提出的长尾风险值是一种以下行风险为导向的一致性风险测度，必须满足如下四个数学属性：单调性、次可加性、正齐性、平移不变性。这里的次可加性在运筹学中被称为凸性，它在优化时具有一个非常重要的性质：如果目标函数是凸函数，意味着局部最小值就是全局最小值，并且可以用梯度下降等方法找到全局最优解。由于传统的在险值不满足次可加性(凸性)，因此并不是一致性风险测度。长尾风险值是损失额超过在险值的条件均值，衡量了超出分位数的预期损失值的大小，反映了超额损失的平均水平，比在险值更能体现资产组合的潜在风险。
[0091]
传统的量化投资方法多以在险值为风险测度，要求收益率的正态性假设能够准确地描述分布特征，而本发明提出的长尾风险值模型并没有作出这一假设。在险值模型运用方差或标准差进行最优化的最大缺点在于其假设收益率服从正态分布，这在很多时候是不现实的，因为大多数资产的收益率分布要比正态分布复杂。传统的量化投资理论主要研究在预期收益率下如何实现方差(或者标准差)的最小化。因为较低的长尾风险值可以确保生成较低的在险值，所以目标便是建立一个最小化函数，运用线性最优化方法最小化长尾风险值。在最优化过程中，长尾风险值模型并没有对不同资产的收益率分布作出假设，因此可以产生更为可靠的结果。除此之外，由于长尾风险值是一致性风险测度，最优化生成的局部最优解即为全局最优解，进而避免了优化算法不稳健的困境。
[0092]
基于上述实施例公开的一种量化投资处理方法，本实施例对应公开了一种量化投资处理装置，请参阅图8，该装置包括：
[0093]
目标函数构建单元100，用于基于长尾风险值以及预先设定的置信水平构建目标函数；
[0094]
目标函数求解单元200，用于将参考历史数据中每类资产的平均收益率代入所述目标函数，以预先配置的每类资产的比例限制条件求解所述目标函数，得到所述目标函数值最小时每类资产的最优权重。
[0095]
在一些实施例中，所述装置还包括参考历史数据获取单元，用于：
[0096]
根据目标对象的投资期限和风险承受级别，确定所述目标对象的风险-期限类型；
[0097]
从预设历史时间内的历史数据中提取所述目标对象的风险-期限类型对应的历史数据，作为所述参考历史数据。
[0098]
在一些实施例中，所述目标函数构建单元，具体用于：
[0099]
根据预先设定的置信水平，将长尾风险值的数学表达式等价转化为表现函数；
[0100]
将所述表现函数近似为所述目标函数。
[0101]
在一些实施例中，所述装置还包括：
[0102]
年化收益率计算单元，用于根据预设时间窗口内的交易数据以及每类资产的所述最优权重，计算不同投资期限和风险偏好下的投资组合的年化收益率。
[0103]
本实施例公开的一种量化投资处理装置，基于长尾风险值以及预先设定的置信水平构建目标函数，通过将参考历史数据中每类资产的平均收益率代入目标函数，以预先配置的每类资产的比例限制条件求解目标函数，得到目标函数值最小时每类资产的最优权
重。其中，每类资产的平均收益率可以不服从任何分布，应用更为广泛，且由于长尾风险值是损失额超过在险值的条件均值，衡量了超出分位数的预期损失值的大小，反映了超额损失的平均水平，比在险值更能体现资产组合的潜在风险，因此，基于长尾风险值能准确实现风险测度，计算出的每类资产的权重为投资风险最小的最优权重，给量化投资提供了有力的技术支持。
[0104]
本发明实施例还公开了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行如下量化投资处理方法：
[0105]
基于长尾风险值以及预先设定的置信水平构建目标函数；
[0106]
将参考历史数据中每类资产的平均收益率代入所述目标函数，以预先配置的每类资产的比例限制条件求解所述目标函数，得到所述目标函数值最小时每类资产的最优权重。
[0107]
进一步，所述方法还包括：
[0108]
根据目标对象的投资期限和风险承受级别，确定所述目标对象的风险-期限类型；
[0109]
从预设历史时间内的历史数据中提取所述目标对象的风险-期限类型对应的历史数据，作为所述参考历史数据。
[0110]
进一步，所述基于长尾风险值以及预先设定的置信水平构建目标函数，包括：
[0111]
根据预先设定的置信水平，将长尾风险值的数学表达式等价转化为表现函数；
[0112]
将所述表现函数近似为所述目标函数。
[0113]
进一步，在得到所述目标函数值最小时每类资产的最优权重之后，所述方法还包括：
[0114]
根据预设时间窗口内的交易数据以及每类资产的所述最优权重，计算不同投资期限和风险偏好下的投资组合的年化收益率。
[0115]
本发明实施例还公开了一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；
[0116]
其中，所述处理器、所述存储器通过所述总线完成相互间的通信；
[0117]
所述处理器用于调用所述存储器中的程序指令，以执行如下量化投资处理方法：
[0118]
基于长尾风险值以及预先设定的置信水平构建目标函数；
[0119]
将参考历史数据中每类资产的平均收益率代入所述目标函数，以预先配置的每类资产的比例限制条件求解所述目标函数，得到所述目标函数值最小时每类资产的最优权重。
[0120]
进一步，所述方法还包括：
[0121]
根据目标对象的投资期限和风险承受级别，确定所述目标对象的风险-期限类型；
[0122]
从预设历史时间内的历史数据中提取所述目标对象的风险-期限类型对应的历史数据，作为所述参考历史数据。
[0123]
进一步，所述基于长尾风险值以及预先设定的置信水平构建目标函数，包括：
[0124]
根据预先设定的置信水平，将长尾风险值的数学表达式等价转化为表现函数；
[0125]
将所述表现函数近似为所述目标函数。
[0126]
进一步，在得到所述目标函数值最小时每类资产的最优权重之后，所述方法还包括：
[0127]
根据预设时间窗口内的交易数据以及每类资产的所述最优权重，计算不同投资期限和风险偏好下的投资组合的年化收益率。
[0128]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0129]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0130]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0131]
上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本技术。
[0132]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。