提升新股申购额度的资金配置方法、装置、设备及介质

1.本发明涉及金融数据处理技术领域，尤其涉及一种提升新股申购额度的资金配置方法、装置、设备及介质。


背景技术：

2.近年来股市发展迅速，新股发行数量增多，新股申购是股市中风险较低且收益稳定的一种投资方式。在股市中，并不是每天都有新股发行，且沪市和深市在一段时间内发行的新股数量不一样，而每支新股的顶格申购需配市值也不同。在以上的不确定情况下，随意分配沪市和深市的持股市值配置可能会造成资金浪费，使得打新资金利用率低。
3.当某一天同时发行了沪市和深市的几支新股，若投资者随机分配或者平均分配两市的打新资金，资金可能无法完全利用，下面以真实数据举例说明。
4.如表1所示，第二行为沪市股票，第三行为深市股票。假设投资者投入总资金20万元，并将其平均分配到沪市和深市（即沪市深市各10万元），则该投资者在沪市和深市20个交易日的持有市值均为10万元。对于表1发行的股票来说，投资者获得的沪市额度为7万元，获得的深市额度为10万元。可见，配置到沪市的10万元资金浪费了3万元，而深市的资金还未达到顶格申购需配市值，由此可知20万元的总资金利用率并没有达到最大，需要优化资金配置以获取更大的新股申购额度。然而目前没有一个配置方案提供参考，导致大部分股民只能选择盲投。


技术实现要素：

5.本发明针对现有技术存在的不足，提供了一种提升新股申购额度的资金配置方法、装置、设备及介质。本发明可以针对不同用户的自身情况，得到对用户信息分析的更精确的参考数据，可用于对用户进行产品推荐。
6.本发明具体采用的技术方案如下：根据本发明的第一方面，提供一种基于遗传算法的资金配置方法，所述方法包括：以将要考虑的个交易日内新股申购总额度最大化为目标，构建目标函数为：其中，为第个交易日的新股申购总额度；通过如下方法利用遗传模型对所述目标函数进行优化：
初始化所述遗传模型的参数，所述参数至少包括种群大小、遗传迭代代数、变异率、一代中优秀种群的保留数目，各参数的取值上限为c，下限为0，c表示待配置资金，将所述资金配置目标函作为所述遗传模型的适应度函数，并进行迭代，在所述遗传模型达到预设的迭代终止条件后，返回对应适应度函数值最大的最优种群参数，所述最优种群参数表示在待配置资金为c的情况下，第个交易日沪市和深市对应资金配置金额和。
7.根据本发明的第二方面，提供一种资金配置装置，所述装置包括处理器，所述处理器配置为：以将要考虑的个交易日内新股申购总额度最大化为目标，构建目标函数为：其中，为第个交易日的新股申购总额度；通过如下方法利用遗传模型对所述目标函数进行优化：初始化所述遗传模型的参数，所述参数至少包括种群大小、遗传迭代代数、变异率、一代中优秀种群的保留数目，各参数的取值上限为c，下限为0，c表示待配置资金；将所述资金配置目标函作为所述遗传模型的适应度函数，并进行迭代，在所述遗传模型达到预设的迭代终止条件后，返回对应适应度函数值最大的最优种群参数，所述最优种群参数表示在待配置资金为c的情况下，第个交易日沪市和深市对应资金配置金额和。
8.根据本发明的第三方面，提供一种电子设备，包括：控制器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述控制器执行时，使得所述控制器实现如本发明各个实施例所述的方法。
9.根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如本发明各个实施例所述的方法。
10.根据本发明的第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如本发明各个实施例所述的方法。
11.本发明与现有技术相比，其显著优点在于：本发明可用于对用户进行产品推荐，具体是通过已知的个交易日内新股申购总额度构建目标函数，并结合用户的待配置资金，利用遗传模型对目标函数进行优化，最后得到一个更加精确的资金配置方案作为用户的参考数据。
附图说明
12.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
13.图1 示出了根据本发明实施例的一种基于遗传算法的资金配置方法在待配置资金为14万元时不同优化天数的优化结果。
具体实施方式
14.为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
15.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
16.针对第个交易日至第个交易日的新股发行情况，对第个交易日沪市和深市的持股市值进行优化配置，提高打新额度。本发明实施例提供一种基于遗传算法的资金配置方法。该方法具体是基于已知的个交易日内新股申购总额度，建立目标函数，其次通过matlab进行优化求解目标函数，获得一个更加精确的资金配置方案作为用户的参数数据。
17.假设某证券账户第至个交易日沪市和深市的持股市值如表2所示。
18.表2 某账户沪市深市持股市值在表2中，、，分别代表第个交易日的沪市深市持股市值。
19.由于第个交易日的沪市深市持股市值资金配置不仅会影响第个交易日的申购额度，还会影响第至个交易日的新股申购额度。假设优化第个交易日的沪市深市持股市值资金配置时，往后考虑个交易日新股发行的影响，其中；当时，表示只考虑第个交易日新股发行的情况；当时，表示同时考虑第个和第个交易日新股发行的情况；当时，表示同时考虑第个交易日新股发行的情况。
20.以所考虑的个交易日内新股申购总额度最大化为目标，构建资本配置优化目标函数为
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中为第个交易日的新股申购总额度。
21.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中为第个交易日的沪市新股申购总额度，为第个交易日的深市新股申购总额度。
22.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中为第个交易日的沪市主板新股申购总额度，为第个交易日的科创版新股申购总额度，为第个交易日的深市主板新股申购总额度，为第个交易日的创业板新股申购总额度。
23.假设第个交易日发行的新股中，沪市主板有支，其中对应的顶格申购需配市值为，；科创版有支，其中对应的顶格申购需配市值为，；深市主板有支，其中对应的顶格申购需配市值为，；创业板有支，其中对应的顶格申购需配市值为，。
24.则式(3)中、、和的计算公式为在式(4)中，为式(5)中的整数部分；为式(5)中向0.5取整(小数部分大于0.5的取0.5，小数部分小于0.5的将小数部分舍去)；为式(5)中向0.5取整(小数部分大于0.5的取0.5，小数部分小于0.5的将小数部分舍去)。
25.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)在式(5)中，为第个交易日的前第个交易日及其前个交易日的沪市持股市值之和的；为第个交易日的前第个交易
日及其前个交易日的深市持股市值之和的。
26.需要注意的是，式（1）-（5）均是利用已知的金融数据进行计算，本发明通过整合已经公布的相关金融数据，并结合用户的自身需求，给出至少一组优化的资金配置方案为用户提供一个可靠性高的参考数据，避免了用户自己去进行复杂的计算，并给用户提供了广泛的选择空间。
27.在一些实施例中，针对第个交易日至第个交易日的新股发行情况，通过优化第个交易日的沪市持股市值资金配置和深市持股市值资金配置，具体步骤包括：步骤s1，根据第个交易日至第个交易日的新股发行情况，确定沪市主板、科创版、深市主板和创业板的新股数量、、和及其对应的顶格申购需配市值，；，；，；，；确定优化天数，假设投入待配置资金万元，为整数。需要说明的是优化天数具体确定方式可以是通过用户根据自身需求输入的一个第一阈值。该第一阈值可以是一个固定阈值或者阈值范围。当第一阈值是一个阈值范围时，例如10-20，根据本发明实施例提供的方法将给出在，待配置资金为万元的情况下优化天数10、11、12
…
20时的资金配置方案。同样的，待配置资金万元也可以是通过用户根据自身需求输入的一个第二阈值。该第二阈值可以是一个固定阈值或者阈值范围。当第二阈值是一个阈值范围时，例如50-200万元，根据本发明实施例提供的方法将给出待配置资金在50、60、70、80
…
200万元的情况下优化天数d的配置方案。所述的第一阈值和第二阈值均为阈值范围时，根据本发明实施例所提供的方法将给出若干资金配置方案，可以为用户提供丰富的参考数据，使客户具有更宽的选择范围。
28.步骤s2，遗传模型初始化：遗传算法ga函数的初始化包括：种群大小、遗传迭代代数、变异率、一代中优秀种群的保留数目、参数取值上限为、参数取值下限为0，且参数满足等式约束条件；步骤s3，将参数代入将计算，，、和并带入式(4)得到第个交易日的沪市主板、科创版、深市主板和创业板新股申购总额度、、和；并带入式(3)计算出第个交易日的新股申购总额度；步骤s4，计算适应度函数：适应度函数是遗传算法目标优化函数，即式（1）资本配置优化目标函数t，适应度函数评价当前种群参数的好坏，适应度函数值越大，说明种群参数越优秀，适应度函数值越小，说明当前种群参数越差；步骤s5，返回最优资本配置金额：当满足遗传算法迭代终止条件后，算法返回对应适应度函数值最大的最优种群参数，该组参数即为在总投资资金为c情况下，获得最大新股申购额度的第个交易日沪市和深市对应资金配置金额和。
29.本发明实施例还提供了一种资金配置装置，所述装置包括处理器，所述处理器配置为：以将要考虑的个交易日内新股申购总额度最大化为目标，构建目标函数为：
；其中，为第个交易日的新股申购总额度；通过如下方法利用遗传模型对所述目标函数进行优化：初始化所述遗传模型的参数，所述参数至少包括种群大小、遗传迭代代数、变异率、一代中优秀种群的保留数目，各参数的取值上限为c，下限为0，c表示待配置资金，将所述资金配置目标函作为所述遗传模型的适应度函数，并进行迭代，在所述遗传模型达到预设的迭代终止条件后，返回对应适应度函数值最大的最优种群参数，所述最优种群参数表示在待配置资金为c的情况下，第个交易日沪市和深市对应资金配置金额和。
30.本发明实施例还提供了一种电子设备，包括：控制器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述控制器执行时，使得所述控制器实现如本发明各个实施例所述的方法。
31.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如本发明各个实施例所述的方法。
32.本发明实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如本发明各个实施例所述的方法。
33.下面本发明实施例将利用现有的已经公布的数据集对所述方法的效果进行验证。本文的验证数据来源于沪深两市2019年5-8月的新股发行数据，部分股票数据展示如表3。
34.表3 2019年5-8月部分股票数据
以总资金14万元为例，本文进行了优化天数为1至20天的算法验证。
35.在不同优化天数下获得的额度相较于两市平均分配资金所获额度的提升率如表4所示。当优化天数为16天时，提升率为13.58%，优化的效果最显著。
36.表4 额度提升率
综上，本发明首先根据股市公布的金融数据，计算出不同优化天数下的新股申购总额度；其次构建以新股申购总额度最大化为目标的资本配置优化目标函数；最后运用遗传模型求解目标函数得到沪市深市的资金配置。基于matlab，对2019年5-8月的股票数据在不同优化天数下进行优化验证，验证了本发明所提方法的有效性。
37.此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同公式、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本技术的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
38.以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。