[發明專利]一種基于核回歸的多時段資產組合選擇方法及系統

在審

• 申請號: 201910101286.5
• 申請日: 2019-01-31
• 公開（公告）號: CN109948831A
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 林倞;陳炳成;賴兆榮;王青
• 申請（專利權）人: 中山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q40/06
• 代理公司: 廣州容大專利代理事務所(普通合伙) 44326
• 代理人: 劉新年

本發明公開了一種基于核回歸的多時段資產組合選擇方法及系統，該方法包括：步驟S1，初始化；步驟S2，從數據集中讀取各資產在當前時刻的窗口長度的歷史價格，計算資產價格比向量；步驟S3，計算當前時刻的資產總值；步驟S4，通過核回歸估計下一時刻的資產價格向量，并計算下一時刻的資產價格比向量估計值；步驟S5，計算各個資產的平均價格比，并對下一時刻的資產價格比向量估計值進行歸一化；步驟S6，計算下一時刻的增長因子估計值，若該值小于預設閾值，則將歸一化后的資產價格比向量估計值作為步長更新資產組合的權重向量；步驟S7，計算與更新后的資產組合的權重向量距離最短且滿足資產組合前提條件的權重向量；步驟S8，返回步驟S2，直至運行至最終時刻。

技術領域

本發明涉及機器學習技術領域和資產組合配置領域，特別是涉及一種基于核回歸的多時段資產組合選擇方法及系統。

背景技術

資產組合配置優化是計算金融中的一個基本問題，旨在按順序將財富分配給一組資產來最大化累積財富。它也可以被視為資產價格信息處理系統，因為它在每個時期都獲得最新的價格信息并根據更新的信息輸出新的投資組合。因此，正確利用歷史價格信息來估計未來價格非常重要。

近年來多時段的資產組合問題已經引起了人工智能、機器學習等研究團體的關注。一些研究采用機器學習和數據挖掘的方法，提高了算法的效果。均值回歸是金融市場的一個重要理論，表示上漲或下跌的趨勢都不會永遠持續，價格最終會在其平均值附近波動。大部分效果較好的策略都跟從了均值回歸理論，通過歷史數據來獲得價格潛在的均值。

目前，資產組合配置優化方法包括有“Follow-the-Winner”方法以及“Follow-the-Loser”方法兩種其中，“Follow-the-Winner”方法假設在最近一段歷史時間內表現優越的資產在未來一段時間內也會表現良好，因此這種方法會增加這些資產當前在總資產值中的比重，即追蹤最近歷史時間內價格趨勢向上升的資產；“Follow-the-Loser”方法假設在最近一段歷史時間內價格趨勢向下的資產在未來一段時間內會轉變為向上升的價格趨勢，因此這種方法會增加這些資產當前在總資產值中的比重，即追蹤最近歷史時間內價格趨勢向下降的資產。

發明內容

為克服上述現有技術存在的不足，本發明之目的在于提供一種基于核回歸的多時段資產組合選擇方法及系統，以將現有的一類均值移動價格平滑技術推廣到基于核回歸的資產價格估計技術，不再依賴“Follow-the-Winner”方法和“Follow-the-Loser”方法中的假設。

為達上述目的，本發明提出一種基于核回歸的多時段資產組合選擇方法，包括如下步驟：

步驟S1，對資產組合的權重向量進行平均初始化，讀取資產價格的數據集S，選擇核函數，并設置核函數窗口長度為w；

步驟S2，從所述數據集S中讀取各資產在當前時刻的窗口長度為w的歷史價格，并計算資產價格比向量；

步驟S3，計算當前時刻的資產總值；

步驟S4，通過采用所述核函數的核回歸計算公式估計下一時刻的資產價格向量，從而得到下一時刻的資產價格比向量估計值；

步驟S5，計算各個資產的平均價格比，并用該平均價格比對下一時刻的資產價格比向量估計值進行歸一化；

步驟S6，計算下一時刻的增長因子估計值，若該增長因子估計值小于一個預先設定的閾值，則將歸一化后的資產價格比向量估計值作為步長來更新資產組合的權重向量；

步驟S7，計算與更新后的資產組合的權重向量距離最短且滿足資產組合前提條件的權重向量；

步驟S8，返回步驟S2，直至運行至最終時刻。

優選地，于步驟S1中，選用指數分布的概率密度函數為所述核函數。