[发明专利]资产配置方法和装置

说明书

本发明实施例提供一种资产配置方法和装置，属于计算机技术领域。其中，方法包括：数据收集步骤；数据预处理步骤；特征提取步骤；策略输出步骤；参数训练步骤：基于历史数据利用强化学习算法对所述特征提取网络和所述策略网络的参数进行训练；生成配置步骤：将经过预处理的所述特征数据输入到训练完成的所述特征提取网络和所述策略网络，获得资产配置权重。采用本发明，能够处理维度更深范围更宽的资产特征、全自动地进行多阶段资产配置，以及提高资产配置的效率。

技术领域

本发明涉及计算机技术领域，特别涉及一种资产配置方法和装置。

背景技术

大类资产配置以及组合管理是投资实践过程中最为核心的环节，通过组合投资多个大类资产来分散投资风险。现有的主流的传统资产配置技术包括量化资产配置和主观资产配置。其中，量化资产配置包括马科维茨(Markowitz)提出的均值方差模型。主观的资产配置主要集中于对宏观周期的预判，包括美林投资时钟模型。

本专利申请的发明人，通过研究投资实践过程发现：大类资产配置是一个长期动态的投资过程，但是采用上述的传统资产配置模型往往得到的是一个单期静态的最优投资策略。真实场景中复杂性使得传统资产配置模型应用在大类资产配置事件中得到的投资策略并非最优。并且，美林投资时钟模型在实践操作起来十分简单，但是无法量化组合的风险，往往出现风险不可控制的情况。均值方差模型相对主观投资可以在理论上量化风险和收益，其对于预期收益率的估计主要依靠各类资产的价格这一个特征，由于其十分依赖对未来资产的预期收益率、波动率以及各类资产相关性的准确估计，因此估计的结果出现细微偏差就能对最优的组合权重产生很大影响。

发明内容

本申请的目的在于提供一种资产配置方法和装置，以解决现有技术存在的部分或全部问题，主要包括如何从维度更深范围更宽的资产特征中提取有效的特征、全自动地进行多阶段动态的资产配置，以及如何提高资产配置的效率。

第一方面，提供了一种资产配置方法，所述方法包括：

数据收集步骤：从数据库中提取需要配置的资产类别所对应的特征数据；其中，所述资产类别至少为两种；

数据预处理步骤：对所述特征数据进行预处理，包括清洗数据、填充空值以及标准化处理；

特征提取步骤：采用特征提取网络对经过预处理的所述特征数据进行特征提取，获得有效特征；

策略输出步骤：将所述有效特征输入策略网络，得到输出的正态分布参数以及价值函数；

参数训练步骤：基于历史数据利用强化学习算法对所述特征提取网络和所述策略网络的参数进行训练；

生成配置步骤：将经过预处理的所述特征数据输入到训练完成的所述特征提取网络和所述策略网络，获得资产配置权重。

可选的，所述策略网络包括第一全连接神经网络和第二全连接神经网络，所述策略输出步骤包括：

将所述有效特征输入所述第一全连接神经网络，得到所述第一全连接神经网络输出的以μ为均值以σ为标准差的正态分布参数；

从所述正态分布中抽样得到动作向量a_t，利用softmax函数将a_t转化为配置向量w_t，其中

将所述有效特征输入所述第二全连接神经网络，得到所述第二全连接神经网络价值函数v_t。

可选的，所述参数训练步骤包括：

初始化所述策略网络的策略参数θ₀，设置对未来奖励的折现因子γ和缓存空间容量为m个元组，将初始化策略网络V₀拷贝得到静态网络V₁；

获取所述资产类别的初始各类资产状态s₀；