[发明专利]一种集成深度学习风险评估策略的资产配置方法

权利要求书

1.一种集成深度学习风险评估策略的资产配置方法，其特征在于：包括

1)定义欲投资资产池，包含N类资产，数据为KMV模型需要使用的相关财务、负债数据以及资产的基本数据以及资产的基础数据；

2)基于KMV模型计算出每类资产的违约距离以及违约概率；

3)利用步骤1)数据以及计算的统计数据和步骤2)的数据进行特征重组并处理，每类资产得到[D*20]大小特征，其中D是时序数据的天数，20是重组特征的数据维度，全体数据大小为[N*D*20],并使用此数据构建正负样本；

4)将样本分别输入至LSTM模型、GCN模型以及CNN模型，并进行模型训练，保存效果最好的模型；

5)训练好的数据在使用时，加载好训练好的模型；将预测数据分别输入三个模型，得到[3*N*2]的模型结果矩阵R；其中N代表资产类数，3代表集成学习的基学习器个数，2代表涨或者跌的概率值；

6)根据矩阵R计算出每类资产的风险基础系数，与资产的短期波动率进行加权组合，得到资产的综合风险系数；

7)将计算得出的风险系数和资产的平均收益输入风险平价模型，得到资产配置结果[1*N]。

2.根据权利要求1所述的一种集成深度学习风险评估策略的资产配置方法，其特征在于：使用集成学习对资产基本数据、资产统计特征以及KMV模型重组得到的特征进行资产涨跌的预测。

3.根据权利要求2所述的一种集成深度学习风险评估策略的资产配置方法，其特征在于：第一个所述基学习器使用对于时序数据表现良好的深度学习模型LSTM网络，该算法中使用到的LSTM网络一共4层，LSTM的输入为B*K*M,其中B为BatchSize个数，选取一季度的数据，因此K＝63，M为特征数，M＝20。第一层网络的units＝128,加参数为0.1的dropout层；第二网络的units＝64,加参数为0.1的dropout层；第三层网络units＝16，加参数为0.1的dropout层；第四层网络units＝2，为输出资产样本涨跌的概率，预测样本网络最终的输出为形状为N*2。

4.根据权利要求3所述的一种集成深度学习风险评估策略的资产配置方法，其特征在于：第二个基学习器是GCN模型；将N类资产看作N个节点，构建N×N维邻接矩阵A，每类资产即每个节点的特征构建N*20的矩阵X,其中20为每类资产的重组特征；将矩阵A和矩阵X输入图卷积神经网络，对节点构造交叉熵损失函数，对模型进行训练得到N*2的节点分类预测结果矩阵。

5.根据权利要求4所述的一种集成深度学习风险评估策略的资产配置方法，其特征在于：第三个基学习器是CNN。