一种融资融券担保品折算率计算方法及装置与流程

1.本发明涉及数据处理技术领域，尤其涉及一种融资融券担保品折算率计算方法及装置。


背景技术：

2.融资融券交易是一种信用担保交易。在融资融券交易风险控制方面，担保品制度是融资融券风险控制最基本的保障，担保品是指投资者提供的，用于担保其对证券公司所负债务的资金或证券。包括向证券公司提交的保证金(含资金和可充抵保证金的证券)、融资买入的全部证券和融券卖出所得的全部资金以及上述资金和证券所产生的利息等。
3.目前，证券公司对融资融券标的担保品的折算率制定规则，大多是采用基于交易所给出的折算率上限值进行人工向下调整的简单计算策略，折算率的设定相对保守，而且人工参与决策参与成分较多。


技术实现要素：

4.有鉴于此，本发明提供了一种融资融券担保品折算率计算方法及装置，用以解决现有技术中证券公司对融资融券标的担保品的折算率制定规则，大多是采用基于交易所给出的折算率上限值进行人工向下调整的简单计算策略，折算率的设定相对保守，而且人工参与决策参与成分较多的问题。具体方案如下：
5.一种融资融券担保品折算率计算方法，包括：
6.构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；
7.基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；
8.对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；
9.基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。
10.上述的方法，可选的，构建折算率样本集，包括：
11.获取第一预设时长内的各个交易日的静态市盈率、日换手率、波动率、偏度和加速度；
12.针对当前交易日，将未来预设数量交易日的最低收盘价与所述当前交易日的比值作为所述当前交易日的折算率。
13.上述的方法，可选的，构建折算率计算模型，包括：
14.构建多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器，其中，所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器基于所
述静态市盈率、所述日换手率、所述波动率、所述偏度和所述加速度进行构建；
15.设置所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器的权重；
16.将对应的权重和学习器的乘积进行累加，得到所述折算率计算模型。
17.上述的方法，可选的，基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型，包括：
18.将所述折算率样本集基于预设第二时长和预设第三时长划分为至少一个训练集和至少一个测试集，其中，每个训练集存在对应的测试集；
19.采用滑动时间窗口的形式依次基于所述折算率样本集中训练集和对应的测试集对所述折算率计算模型进行训练，得到第一目标折算率计算模型。
20.上述的方法，可选的，基于所述折算率样本集对所述折算率计算模型进行训练之前，还包括：
21.对所述日换手率进行分位标准化处理；
22.对所述静态市盈率、所述波动率、所述偏度和所述加速度进行极差归一化处理。
23.上述的方法，可选的，还包括：
24.获取基于所述第二目标折算率计算模型计算得到的折算率预测值；
25.计算与所述折算率预测值关关联的平均残差和预测安全度。
26.一种融资融券担保品折算率计算装置，包括：
27.构建模块，用于构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；
28.训练模块，用于基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；
29.添加模块，用于对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；
30.计算模块，用于基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。
31.上述的装置，可选的，所述构建模块包括：
32.获取单元，用于获取第一预设时长内的各个交易日的静态市盈率、日换手率、波动率、偏度和加速度；
33.确定单元，用于针对当前交易日，将未来预设数量交易日的最低收盘价与所述当前交易日的比值作为所述当前交易日的折算率。
34.上述的装置，可选的，所述构建模块包括：
35.构建单元，用于构建多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器，其中，所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器基于所述静态市盈率、所述日换手率、所述波动率、所述偏度和所述加速度进行构建；
36.设置单元，用于设置所述多元线性回归学习器、所述支持向量回归学习器和所述
梯度提升决策树学习器的权重；
37.累加单元，用于将对应的权重和学习器的乘积进行累加，得到所述折算率计算模型。
38.上述的装置，可选的，所述训练模块包括：
39.划分单元，用于将所述折算率样本集基于预设第二时长和预设第三时长划分为至少一个训练集和至少一个测试集，其中，每个训练集存在对应的测试集；
40.训练单元，用于采用滑动时间窗口的形式依次基于所述折算率样本集中训练集和对应的测试集对所述折算率计算模型进行训练，得到第一目标折算率计算模型。
41.与现有技术相比，本发明包括以下优点：
42.本发明公开了一种融资融券担保品折算率计算方法及装置，该方法包括：构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。上述过程，基于第二目标折算率计算模型对当前融资融券担保品进行计算，实现了基于当前融资融券担保品的不同，折算率不同，不再基于交易所给出的折算率上限采用人工向上向下简单调整的策略，避免了折算率设定相对保守的问题。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1为本发明实施例公开的一种融资融券担保品折算率计算方法流程图；
45.图2为本发明实施例公开的一种折算率计算方法示意图；
46.图3为本发明实施例公开的一种训练集和测试划分示意图；
47.图4为本发明实施例公开的一种折算率预测值对比曲线；
48.图5为本发明实施例公开的一种融资融券担保品折算率计算装置结构框图。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.本发明公开了一种融资融券担保品折算率计算方法及装置，应用于对融资融券担保品折算率的计算过程中，融资融券交易作为完善证券市场交易机制的一项重要措施，于2010年正式开通试点，目前，与融资融券担保品折算率的量化计算、预测相关的研究很少，
证券公司大多是参照交易所给出的基准上限值，人工地对标的范围内某只证券的折算率进行向下调整。
51.《上海证券交易所融资融券实施细则》于2019年8月发布，其中第三十八条修改为：“投资者融资买入证券时，融资保证金比例不得低于100％”(原来是50％)；第四十三条修改为：“会员应当根据市场情况、客户资信和公司风险管理能力等因素，审慎评估并与客户约定最低维持担保比例要求。该条例取消了原有法定的130％平仓线。给两融业务带来了更大的自由度，对证券公司的融资融券业务的风险控制带来更大的挑战，同时逐渐暴露出现有的折算率规则的不足：
52.随着融资融券业务的开放和交易机制的优化以及证监会现阶段取消原有的融资融券最低维持担保比例限制(130％)，交易所未来有很大的可能性将取消现有的折算率上线。那么现有的证券公司折算率调整机制将无法继续，不同的证券公司将需要更大差异化、合理化的新折算率调整机制；现有的折算率设定相对保守，提高了融资融券业务的门槛并且限制了融资融券业务规模；大部分证券公司的折算率调整机制基于单一维度的指标，且人工决策参与成分较多；
53.考虑到所处行业、自身金融周期等因素，不同的担保品存在着显著的差异性。那么，对不同担保品给出的下调值的范围相同以及调整的逻辑相同将可能产生巨大的潜在风险。基于上述问题，本发明提供了一种融资融群担保品折算率计算方法，所述方法的执行流程如图1所示，包括步骤：
54.s101、构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；
55.本发明实施例中采用折算率计算模型计算融资融券担保品的折算率，因此，需要预先构建折算率计算模型，并对所述折算率计算模型基于折算率样本集进行训练，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，则所述折算率样本集的构建过程如下：
56.首先获取第一预设时长内各个交易日的静态市盈率、日换手率、波动率、偏度和加速度，其中，所述第一预设的时长的选取可以基于经验或者具体情况进行设定，本发明实施例中不进行具体限定，本发明实施例中以所述第一预设时长为650个交易日为例进行说明，对与a股股票，选取2017年1月1日至2019年9月1日工650个交易日的时间序列进行分析，获取每个交易日中的静态市盈率、日换手率、波动率、偏度和加速度。针对当前交易日，将未来预设数量交易日的最低收盘价与所述当前交易日的比值作为所述当前交易日的折算率，其中，所述预设数量的选取可以基于经验或者具体情况进行设定，本发明实施例中不进行限定，本发明实施例中，以所述预设数量为22为例进行说明，将折算率量化真实值(ground truth)定义为：对于某只股票，在t日的折算率为未来m(预设数量)个交易日(包括当日)的最低收盘价与当日收盘价的比值。即：
[0057][0058]
其中，cr
t
：表示t日的折算率，pt，pt+1...pt+m
‑
1：表示t到t+m
‑
1交易日的收盘价。
[0059]
量化后的折算率指标拥有着无需交易所折算率参与，风险系数可调整，参考因子
灵活、动态，对于不同个股因子影响程度不同等优点。首先选择了m＝22作为系数计算折算率cr。这里m选取22，cr等价于未来一个月内的最低收盘价比单日收盘价。cr
t
的计算由图2的表示。
[0060]
所述折算率计算模型基于加强bagging进行构建，所述折算率计算模型的构建过程包括:
[0061]
构建多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器，其中，所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器基于所述静态市盈率、所述日换手率、所述波动率、所述偏度和所述加速度进行构建，设置所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器的权重，将对应的权重和学习器的乘积进行累加，得到所述折算率计算模型，所述折算计算模型如下所示：
[0062][0063]
其中，g1、g2、g3分别为多元线性回归学习器、梯度提升决策树学习器、支持向量回归学习器，a、b和c分别为对应学习器的权重且a+b+c＝1，y
t
预测折算率。
[0064]
进一步的，针对a、b和c权重的确定，通过研究发现，带约束优化条件的多元线性学习器更适合拟合波动率大的数据，容易得出高方差低偏差模型，而持向量回归学习器和梯度提升决策树学习器给出的预测结果更平缓，容易得出高偏差低方差模型。
[0065]
基于上述特点分析，得出如表1所示可调节加权组合：
[0066]
表1
[0067] w
11near
(a)w
svr
(b)w
cbdt
(c)
…
(
‑
∞，2σ)0.20.40.4
…
(
‑
2σ，
‑
σ)0.330.330.33
…
(
‑
σ，σ)0.40.30.3
…
(σ，2σ)0.50.250.25
…
(2σ，∞)0.80.10.1
…
[0068]
例如：若某只股票的波动率处于(
‑
σ，σ)，则集成模型为yt＝0.4yt1+0.3yt2+0.3yt3。
[0069]
s102、基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；
[0070]
本发明实施例中，基于所述折算率样本集对所述折算率计算模型进行训练，训练过程如下：由于是时间序列数据，采取滑动时间窗口的形式向后推移训练：对于650个交易日的总数据长度，首先在一个训练区间内选取合理的训练集与测试集长度。选取适当长度的训练集(training set)长度(150)和测试集(32)，把测试集分为两个部分。以最初的第一个训练周期为例，把图3中的“today”视作当天，左侧22个数据点视为验证部分(validating part(22))不做预测使用，右侧10个数据点(valid part(10))视为有效预测部分，以避免预
测计算中混合进未来数据，如下图所示。换言之，对于每一个滑动训练窗口，用150天的关键因子(静态市盈率、日换手率、波动率、偏度、加速度)作为x，150天的折算率量化值作为标准输出进行训练，得到的临时折算率计算模型用随后的32天数据进行测试，但抛弃掉前22个无效数据，只取后10个有效预测数据，向右循环此过程，每次10个数据点，直到折算率样本集消耗完毕，得到第一目标折算率计算模型。
[0071]
s103、对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；
[0072]
本发明实施例中，为了弱化折算率预测值和真实值的残差、相关性和同波动性而选择了优先保证折算率预测值在真实值下方，追求在风险可控情况下折算率的最大化。在多元线性回归学习器中添加约束优化条件，来保证在训练集中的预测值尽量小于等于真实量化折算率指标，例如，所述约束条件可以为使用线性权重法，在约束优化下学习到的特征系数与最小二乘学习到的特征系数之间进行一个合理权衡，即：
[0073]
β
opt
＝lβ
ols
+(1
‑
l)β
cstr
ꢀꢀꢀ
(3)
[0074]
其中，l为线性权重系数，β
opt
为优化后的特征系数，β
ols
为最小二乘学习到的特征系数，β
cstr
为加了约束优化的特征系数。使用训练集的因子进行测试计算，选取合适的l使95％的折算率结果落在真实值下方，记录此l作为当次训练的线性权重得出β
opt
即可。
[0075]
同样，在所述支持向量回归学习器和所述梯度提升决策树学习器中，对ground truth乘以一个衰减权重(默认值0.9)，来保证预测值尽量小于等于真实折算率指标。最终得到第二目标折算率计算模型，这也说明了折算率指标是一种极端情况下的留存价值比例的安全线而不是用来投机的指标。
[0076]
s104、基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。
[0077]
本发明实施例中，获取与所述当前融资融券担保品对应的当前静态市盈率、当前日换手率、当前波动率、当前偏度和当前加速度，将所述当前静态市盈率，所述当前日换手率，所述当前波动率、所述当前偏度和所述当前加速度传递给所述第二目标折算率计算模型，得到折算率预测值。
[0078]
本发明公开了一种融资融券担保品折算率计算方法,包括：构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。上述过程，基于第二目标折算率计算模型对当前融资融券担保品进行计算，实现了基于当前融资融券担保品的不同，折算率不同，不再基于交易所给出的折算率上限采用人工向上向下简单调整的策略，避免了折算率设定相对保守的问题。
[0079]
本发明实施例中，基于所述折算率样本集对所述折算率计算模型进行训练之前，还包括：对所述日换手率进行分位标准化处理，即：对于某个数据序列，计算出每个元素的
排名百分位点来代替原值，其好处是可以消除极值影响，只关注排位先后顺序，如下所示：
[0080]
原序列：[1,1,2,3,5]
[0081]
分位标准化：[0.4,0.4,0.6,0.8,1]
[0082]
对所述静态市盈率、所述波动率、所述偏度和所述加速度进行极差归一化处理，其中，极差归一化处理过程如下：
[0083][0084]
其中，x
*
‑
归一化处理后的值，x
‑
归一化之前的值，min
‑
最小值，max
‑
最大值。
[0085]
进一步的，如图4所示，以股票代码：000519.sz，真实下方比例：86.5044％，和十分位数安全度为89.1304％为例对基于所述第二目标折算率计算模型得到的折算率预测值进行分析，图4中主要包括：预测值、真实值、交易所值和真实值十分位。从直观角度，预测期望应尽量保证预测曲线在折算率量化值真实值下方，并尽量贴近真实值。为了评价所述第二目标折算率计算模型的预测效果，本发明实施例中基于预测安全度和平均残差两个指标来综合评价。
[0086]
针对平均残差δ
x
：对于某只股票x，平均残差即为650天的量化折算率真实值与折算率预测值的差值的绝对值的平均值，即：
[0087][0088]
其中，t为有效数据天数，cr
t
为第t日的量化折算率真实值，为第t日的折算率预测值。
[0089]
预测安全度s
x
：对于某只股票x第t日的量化折算率真实值与折算率预测值，有
[0090][0091][0092]
其中，safety
t
为t日的安全量化值(0或1)，ε为安全系数，视证券公司风险接受度可调整，推荐值为0.1。若风险接受度偏高，则可适当增加此值；若风险接受度偏低，则可适当降低此值。当真实值小于预测值，且预测值与真实值之差与真实值的比值大于安全系数ε时，当日的安全量化值为0(不安全)，其余条件均为1(安全)。
[0093]
如图3所示，基于上述方法计算得到的股票代码：000519.sz的预测安全度：98.8782％，平均残差11.9083％。一般地，预测安全度越高，平均残差越小，则预测效果越好。
[0094]
基于上述的一种融资融券担保品计算方法，本发明实施例中还提供了一种融资融券担保品计算装置，所述计算装置的结构框图如图5所示，包括:
[0095]
构建模块201、训练模块202、添加模块203和计算模块204。
[0096]
其中，
[0097]
所述构建模块201，用于构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型
基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；
[0098]
所述训练模块202，用于基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；
[0099]
所述添加模块203，用于对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；
[0100]
所述计算模块204，用于基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。
[0101]
本发明公开了一种融资融券担保品折算率计算装置，包括：构建折算率样本集和折算率计算模型，其中，所述折算率样本集包括：静态市盈率、日换手率、波动率、偏度、加速度和折算率，所述折算率计算模型基于多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器进行构建；基于所述折算率样本集对所述折算率计算模型进行训练，得到第一目标折算率计算模型；对所述第一目标折算率计算模型中的所述多元线性回归学习器添加约束，对所述支持向量回归学习器和所述梯度提升决策树学习器添加衰减系数，得到第二目标折算率计算模型；基于所述第二目标折算率计算模型对当前融资融券担保品的折算率进行计算。上述过程，基于第二目标折算率计算模型对当前融资融券担保品进行计算，实现了基于当前融资融券担保品的不同，折算率不同，不再基于交易所给出的折算率上限采用人工向上向下简单调整的策略，避免了折算率设定相对保守的问题。
[0102]
本发明实施例中，所述构建模块201包括：
[0103]
获取单元205和确定单元206。
[0104]
其中，
[0105]
所述获取单元205，用于获取第一预设时长内的各个交易日的静态市盈率、日换手率、波动率、偏度和加速度；
[0106]
所述确定单元206，用于针对当前交易日，将未来预设数量交易日的最低收盘价与所述当前交易日的比值作为所述当前交易日的折算率。
[0107]
本发明实施例中，所述构建模块201包括：
[0108]
构建单元207、设置单元208和累加单元209。
[0109]
其中，
[0110]
所述构建单元207，用于构建多元线性回归学习器、支持向量回归学习器和梯度提升决策树学习器，其中，所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器基于所述静态市盈率、所述日换手率、所述波动率、所述偏度和所述加速度进行构建；
[0111]
所述设置单元208，用于设置所述多元线性回归学习器、所述支持向量回归学习器和所述梯度提升决策树学习器的权重；
[0112]
所述累加单元209，用于将对应的权重和学习器的乘积进行累加，得到所述折算率计算模型。
[0113]
本发明实施例中，所述训练模块202包括：
[0114]
划分单元210和训练单元211。
[0115]
其中，
[0116]
所述划分单元210，用于将所述折算率样本集基于预设第二时长和预设第三时长划分为至少一个训练集和至少一个测试集，其中，每个训练集存在对应的测试集；
[0117]
所述训练单元211，用于采用滑动时间窗口的形式依次基于所述折算率样本集中训练集和对应的测试集对所述折算率计算模型进行训练，得到第一目标折算率计算模型。
[0118]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0119]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0120]
以上对本发明所提供的一种融资融券担保品折算率计算方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。