[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

说明书

本发明公开了一种集成深度学习风险评估策略的资产配置方法，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；本发明首先基于KMV模型、集成学习、LSTM、GCN、CNN预测资产涨跌分类；再通过集成学习构建概率矩阵，给投资者欲进行配置的资产生成可以涵盖资产长期趋势和资产卖方的风险评估系数；最后结合短期波动率生成最终的资产风险系数。

技术领域

本发明涉及资产配置方法领域，尤其涉及一种集成深度学习风险评估策略的资产配置方法。

背景技术

资产配置是投资者将欲投资的资金按照不同的权重分配到不同的资产从而在风险可控的情况下增加投资收益。经典的资产配置模型均值-方差模型、风险平价模型等在各类投资市场中被广泛应用，使投资者获取较高的收益回报。

投资收益回报绝大部分来源于好的资产配置，当前的投资者使用的资产配置模型大多数是经典的均值方差模型、投资者主观观点和先验经验结合的BL(Black-Litterman，BL模型)模型、需要计算每类欲投资资产风险贡献度的风险平价模型以及部分基于简单的机器学习模型进行改进的资产配置模型。以上模型在投资过程中一般都会基于马科维兹对资产的假设，即投资组合的期望收益率；它是单只证券的期望收益率的加权平均，投资组合收益率的方差；它衡量了实际收益率和均值的背离，刻画投资组合的风险。但是在实际市场交易中，仅使用方差来评估资产的风险，存在一定的局限性。当资产价值大幅上涨时，此时的行情是投资者预期出现的行情，使用方差评估会隐性的将此种行情认定为存在风险。另外方差仅能体现小范围内资产价值的变动趋势，而实际的投资行为中，投资者会更关注资产长期趋势是否是上涨行情。

发明内容

本发明的目的在于提供一种集成深度学习风险评估策略的资产配置方法，以解决上述技术问题。

本发明为解决上述技术问题，采用以下技术方案来实现：

一种集成深度学习风险评估策略的资产配置方法，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]。

优选的，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。