资产配置方法、系统、计算机设备和存储介质与流程

本发明涉及证券投资领域，特别是涉及资产配置方法、系统、计算机设备和存储介质。

背景技术：

资产配置是指根据投资需求将投资资金在不同资产类别之间进行分配，通常是将资产在低风险、低收益证券与高风险、高收益证券之间进行分配。目前，动态资产配置方法有恒定权重资产配置法、均值方差资产配置法、等波动率资产配置法。

大量学者通过以上方法进行资产配置，但是金融市场环境存在很多不确定因素，经常会发生变化，相应的资产配置方案必须灵活、有柔性，能够主动适应不同的投资者和市场环境，因此在进行资产配置时除了需要了解金融市场的变化外，还需要考虑客户对于风险的承受能力，现有资产配置方法未将客户对于风险的承受能力与动态资产配置方法有机的组合在一起，而且需要大量历史数据，不能很好地适应市场需求。

技术实现要素：

基于此，有必要针对现有资产配置方法未将客户对于风险的承受能力与动态资产配置方法有机的组合在一起，而且需要大量历史数据的问题，提出一种资产配置方法、系统、计算机设备和存储介质。

一种资产配置方法，所述资产配置方法，包括：

在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，所述大盘信息包括但不限于指数列表、指数上下限表、指数-基金列表、指数收盘价表；

从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；

从所述数据库调取所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述大类资产配置模型输出的大类资产配置方案存储在所述数据库；

从所述数据库平台调取所述客户信息、所述指数-基金列表、所述大类资产配置方案，调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。

在其中一个实施例中，所述调查问卷包括但不限于客户基本信息、资金实力、风险偏好、投资经验、流动性偏好、人口属性维度、投资目的七个维度的信息，每个维度包括至少一个选择题，每个选择题包括至少两个选项，每个选项对应一个得分；

获取客户对所述调查问卷的答案，根据所述答案得到每个所述选择题的得分，将所述得分汇总结果为所述客户信息。

在一个实施例中，所述客户画像模型，包括：

为所述七个维度的信息各设置一个维度权重，所述维度权重之和为1，为所述调查问卷每个维度下的所述选择题设置一个选项权重，同一维度下的所述选择题的所述选项权重之和为1；

将所述调查问卷下同一维度下的各所述选择题的得分，乘上各自对应的所述选项权重后求和，得出所述调查问卷每个维度的信息得分；

将所述调查问卷每个维度的信息得分，乘上各自对应的所述维度权重后求和，得出所述调查问卷各个维度信息的总得分，所得分数为抗风险能力值；

设置至少两个所述客户抗风险级别，每个所述客户抗风险级别对应一个值域，根据所述客户抗风险级别的值域，得到并输出所述客户抗风险级别。

在一个实施例中，所述大类资产配置模型包括：

所述大类资产配置模型内预设有风险-收益脚本，所述大类资产配置模型获取所述客户抗风险级别后，读取所述风险-收益脚本，确定所述客户抗风险级别对应的风险指标和收益指标；

所述大类资产配置模型内预设有计算脚本，所述大类资产配置模型获取所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，读取所述计算脚本，确定所述大类资产配置方案。

在一个实施例中，所述计算脚本包括：

所述计算机脚本是基于均方差模型，以所述收益指标和所述风险指标设置优化目标，所述优化目标为确定收益指标的条件下，输出风险指标最小的投资组合方案，所述计算脚本包括：

minσ2(rp)＝∑∑xixjcov(ri-rj)(1)

公式(1)中rp为所述大类资产配置方案的收益，б2(rp)为所述大类资产配置方案的方差，所述方差为所述大类资产配置方案的风险，ri为大类资产i的收益，cov(ri、rj)为两个大类资产之间的协方差，xi、xj为大类资产i、j的投资比例，公式(1)表示以求解风险指标最小的投资组合方案为目标；

rp＝∑xiri(2)

公式(2)表示所述大类资产配置方案的收益等于各类所述大类资产的收益与所述投资比例乘积之和；

∑xi＝1(3)

公式(3)表示权重约束，各个大类资产的所述投资比例之和为1，公式(3)为允许卖空情况下的权重约束；

∑xi＝1,xi＞0(4)

公式(4)表示权重约束，各个大类资产的所述投资比例之和为1，公式(4)为不允许卖空情况下的权重约束。

在一个实施例中，所述基金筛选模型包括：

在所述基金筛选模型中预设机器学习算法，调用所述机器学习算法计算欧氏距离，所述机器学习算法接收客户端输入的数据后，输出其所预测的某一概率区间的输出值，所述某一概率区间的输出值为欧氏距离，对比所述大类资产配置方案与所述大类资产项目下的基金的所述欧氏距离，所述距离越近表示拟合度越大；

设置基金池，调用预设于所述数据库的阈值，将所述欧氏距离小于所述阈值的基金纳入所述基金池，根据预设的筛选原则对所述基金池的基金进行评分，根据评分进行排名，所述筛选原则至少包括优先选择所述大类项目下与所述大类项目拟合度大的基金；

调取预设于所述数据库的每个大类项目需要选取的基金个数，选择排名靠前的基金作为所述筛选好的基金列表，根据所述客户信息中的总投资额求出所述筛选好的基金列表中的每支基金的价值占总投资额的比例，所述比例为所述列表中基金的权重，所述筛选好的基金列表和列表中的基金权重为所述资产配置方案。

一种资产配置系统，其特征在于，包括：

信息采集单元，用于在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，所述大盘信息包括但不限于指数列表、指数上下限表、指数-基金列表、指数收盘价表；

客户画像单元，用于从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；

大类资产配置单元，用于从所述数据库调取所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述资产配置模型输出的大类资产配置方案存储在所述数据库；

基金筛选单元，用于从所述数据库平台调取所述客户信息、所述指数-基金列表、所述大类资产配置方案，调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。

在一个实施例中，所述基金筛选单元包括：

计算模块，用于在所述基金筛选模型中预设机器学习算法，调用所述机器学习算法计算欧氏距离，所述机器学习算法接收客户端输入的数据后，输出其所预测的某一概率区间的输出值，所述某一概率区间的输出值为欧氏距离，对比所述大类资产配置方案与所述大类资产项目下的基金的所述欧氏距离，所述距离越近表示拟合度越大；

评分模块，用于设置基金池，调用预设于所述数据库的阈值，将所述欧氏距离小于所述阈值的基金纳入所述基金池，根据预设的筛选原则对所述基金池的基金进行评分，根据评分进行排名，所述筛选原则至少包括优先选择所述大类项目下与所述大类项目拟合度大的基金；

筛选模块，用于调取预设于所述数据库的每个大类项目需要选取的基金个数，选择排名靠前的基金作为所述筛选好的基金列表，根据所述客户信息中的总投资额求出所述筛选好的基金列表中的每支基金的价值占总投资额的比例，所述比例为所述列表中基金的权重，所述筛选好的基金列表和列表中的基金权重为所述资产配置方案。

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述资产配置方法的步骤。

一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述资产配置方法的步骤。

上述资产配置方法、装置、计算机设备和存储介质，包括在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，所述大盘信息包括但不限于指数列表、指数上下限表、指数-基金列表、指数收盘价表、申购赎回费率表、基金收益率表、金融领域研究报告；从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；从所述数据库调取所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述大类资产配置模型输出的大类资产配置方案存储在所述数据库；从所述数据库平台调取所述客户信息、所述指数-基金列表、所述大类资产配置方案，调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。本发明对客户抗风险级别进行划分，针对抗风险能力不同的客户提供个性化服务，将客户的抗风险能力与资产配置方法有机的结合在一起，且无需大量的历史数据，就可以为客户提供符合其投资偏好的资产配置方案。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是本发明的限制。

图1为本发明一个实施例中的资产配置方法的流程图；

图2为本发明一个实施例中资产配置系统的结构图；

图3为本发明基金筛选单元的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、程序、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、程序、步骤、操作、元件、组件和/或它们的组。

图1为本发明一个实施例中一种资产配置方法方法的流程图，所述资产配置方法，可以包括如下步骤：

步骤s1，采集信息：在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，所述大盘信息包括但不限于指数列表、指数上下限表、指数-基金列表、指数收盘价表；

具体的，本步骤中所述调查问卷包括客户基本信息、资金实力、风险偏好、投资经验、流动性偏好，及人口属性维度、投资目的这七类信息；客户基本信息维度的指标包括性别、年龄、婚姻状况、职业和学历，每项问题对应多个选项，每个选项都有相应的得分；资金实力维度的打分依据为投资金额，本方案从1万元到30万元划分为5段，每段对应相应的分数；风险偏好维度的打分依据包括“想象一下您现在有一份工作，在这份工作中，您可以选择加薪、升职或者两者都有，您会选择哪一项？”、“资产总是会升值或贬值，专家们经常说您应该为低迷时期做好准备。您的全部投资资产贬值到什么程度时，您会感觉到不安？”、“当你面临一个重要的投资决策时，您更关注的是‘可能的损失’还是‘可能的收益’？”，每项问题对应多个选项，每个选项都有相应的得分；投资经验维度划分为“基本没有投资经验”、“投资过保本型金融产品”、“他人指导下投资证券”、“自主投资证券”和“高风险投资”五种，每一投资类型都有相应的得分；流动性偏好维度划分为五种类型，包括以一年和两年作为节点的4个时间段，以及随用随取型，每种类型都有对应的分数。

在一个实施例中，所述调查问卷包括但不限于客户基本信息、资金实力、风险偏好、投资经验、流动性偏好、人口属性维度、投资目的七个维度的信息，每个维度包括至少一个选择题，每个选择题包括至少两个选项，每个选项对应一个得分，获取客户对所述调查问卷的答案，根据所述答案得到每个所述选择题的得分，将所述得分汇总结果为所述客户信息。

本实施例中，通过调查问卷采集客户基本信息、资金实力、风险偏好、投资经验、流动性偏好、人口属性维度、投资目的七个维度的信息，效率高且考虑的因素很全面。

步骤s2，划分客户抗风险等级：从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；

具体的，本步骤所述抗风险级别包括保守型、稳健型、成长型、积极性、激进型。

在一个实施例中，所述七个维度的信息各设置一个维度权重，所述维度权重之和为1，为所述调查问卷每个维度下的所述选择题设置一个选项权重，同一维度下的所述选择题的所述选项权重之和为1；将所述调查问卷下同一维度下的各所述选择题的得分，乘上各自对应的所述选项权重后求和，得出所述调查问卷每个维度的信息得分；将所述调查问卷每个维度的信息得分，乘上各自对应的所述维度权重后求和，得出所述调查问卷各个维度信息的总得分，所得分数为抗风险能力值；设置至少两个所述客户抗风险级别，每个所述客户抗风险级别对应一个值域，根据所述客户抗风险级别的值域，得到并输出所述客户抗风险级别。

本实施例中，通过客户画像模型将客户划分为不同的风险级别，划分依据比较客观且方法简便。

步骤s3，求解大类资产配置方案：从所述数据库调取所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述大类资产配置模型输出的大类资产配置方案存储在所述数据库。

在一个实施例中，所述大类资产配置模型内预设有风险-收益脚本，所述大类资产配置模型获取所述客户抗风险级别后，读取所述风险-收益脚本，确定所述客户抗风险级别对应的风险指标和收益指标；所述大类资产配置模型内预设有计算脚本，所述大类资产配置模型获取所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，读取所述计算脚本，确定所述大类资产配置方案。

本实施例中通过所述大类资产配置模型，可以求解出大类资产配置方案。

在一个实施例中，所述计算机脚本是基于均方差模型，以所述收益指标和所述风险指标设置优化目标，所述优化目标为确定收益指标的条件下，输出风险指标最小的投资组合方案，所述计算脚本包括：

minσ2(rp)＝∑∑xixjcov(ri-rj)(1)

公式(1)中rp为所述大类资产配置方案的收益，б2(rp)为所述大类资产配置方案的方差，所述方差为所述大类资产配置方案的风险，ri为大类资产i的收益，cov(ri、rj)为两个大类资产之间的协方差，xi、xj为大类资产i、j的投资比例，公式(1)表示以求解风险指标最小的投资组合方案为目标；

rp＝∑xiri(2)

公式(2)表示所述大类资产配置方案的收益等于各类所述大类资产的收益与所述投资比例乘积之和；

∑xi＝1(3)

公式(3)表示权重约束，各个大类资产的所述投资比例之和为1，公式(3)为允许卖空情况下的权重约束；

∑xi＝1,xi＞0(4)

公式(4)表示权重约束，各个大类资产的所述投资比例之和为1，公式(4)为不允许卖空情况下的权重约束。

本实施例中，利用所述均方差模型，以所述收益指标和所述风险指标设置优化目标，所述优化目标为确定收益指标的条件下，可以输出风险指标最小的投资组合方案。

步骤s4，求解资产配置方案：从所述数据库平台调取所述客户信息、所述指数-基金列表、所述大类资产配置方案，调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。

在一个实施例中，在所述基金筛选模型中预设机器学习算法，调用所述机器学习算法计算欧氏距离，所述机器学习算法接收客户端输入的数据后，输出其所预测的某一概率区间的输出值，所述某一概率区间的输出值为欧氏距离，对比所述大类资产配置方案与所述大类资产项目下的基金的所述欧氏距离，所述距离越近表示拟合度越大；设置基金池，调用预设于所述数据库的阈值，将所述欧氏距离小于所述阈值的基金纳入所述基金池，根据预设的筛选原则对所述基金池的基金进行评分，根据评分进行排名，所述筛选原则至少包括优先选择所述大类项目下与所述大类项目拟合度大的基金；调取预设于所述数据库的每个大类项目需要选取的基金个数，选择排名靠前的基金作为所述筛选好的基金列表，根据所述客户信息中的总投资额求出所述筛选好的基金列表中的每支基金的价值占总投资额的比例，所述比例为所述列表中基金的权重，所述筛选好的基金列表和列表中的基金权重为所述资产配置方案。

本实施例中，通过所述基金筛选模型，可以求解出以风险最小或收益最大为目标的最优资产配置方案。

在一个实施例中，提出了一种资产配置系统，如图2所示，包括以下单元：

信息采集单元，用于在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，所述大盘信息包括但不限于指数列表、指数上下限表、指数-基金列表、指数收盘价表、申购赎回费率表、基金收益率表、金融领域研究报告；

客户画像单元，用于从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；

大类资产配置单元，用于从所述数据库调取所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息，调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述资产配置模型输出的大类资产配置方案存储在所述数据库；

基金筛选单元，用于从所述数据库平台调取所述客户信息、所述指数-基金列表、所述大类资产配置方案，调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。

在一个实施例中，如图3所示，所述基金筛选单元包括：

计算模块，用于在所述基金筛选模型中预设机器学习算法，调用所述机器学习算法计算欧氏距离，所述机器学习算法接收客户端输入的数据后，输出其所预测的某一概率区间的输出值，所述某一概率区间的输出值为欧氏距离，对比所述大类资产配置方案与所述大类资产项目下的基金的所述欧氏距离，所述距离越近表示拟合度越大；

评分模块，用于设置基金池，调用预设于所述数据库的阈值，将所述欧氏距离小于所述阈值的基金纳入所述基金池，根据预设的筛选原则对所述基金池的基金进行评分，根据评分进行排名，所述筛选原则至少包括优先选择所述大类项目下与所述大类项目拟合度大的基金；

筛选模块，用于调取预设于所述数据库的每个大类项目需要选取的基金个数，选择排名靠前的基金作为所述筛选好的基金列表，根据所述客户信息中的总投资额求出所述筛选好的基金列表中的每支基金的价值占总投资额的比例，所述比例为所述列表中基金的权重，所述筛选好的基金列表和列表中的基金权重为所述资产配置方案。

在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行计算机可读指令时实现以下步骤：在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述资产配置模型输出的大类资产配置方案存储在所述数据库；调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：在数据库预设一调查问卷，通过所述调查问卷采集客户信息，并将所述客户信息存储至所述数据库，从证券交易数据平台和基金管理数据平台采集大盘信息，从所述数据库调取所述客户信息，调用客户画像模型，将所述客户信息输入所述客户画像模型，将所述客户画像模型输出的客户抗风险级别存储在所述数据库；调用大类资产配置模型，将所述客户抗风险级别、所述指数列表、所述指数上下限表、所述指数收盘价表和所述客户信息输入所述资产配置模型，将所述资产配置模型输出的大类资产配置方案存储在所述数据库；调用基金筛选模型，将所述客户信息、所述指数-基金列表、所述大类资产配置方案输入所述基金筛选模型，将所述基金筛选模型输出的筛选好的基金列表和列表中基金的权重存储在所述数据库，所述筛选好的基金列表和列表中的基金权重为资产配置方案。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。