本发明涉及信息处理技术领域，具体涉及一种股票波动率预测方法。
背景技术：
波动率是指标的资产投资回报率的变化程度，有实际波动率和历史波动率之分。实际波动率又称作未来波动率，它是指对股票投资回报率波动程度的度量，由于投资回报率是一个随机过程，实际波动率永远是一个未知数。或者说，实际波动率是无法事先精确计算的，人们只能通过各种办法得到它的估计值。历史波动率是指投资回报率在过去一段时间内所表现出的波动率，它由标的资产市场价格过去一段时间的历史数据(即st的时间序列资料)反映。这就是说，可以根据{st}的时间序列数据，计算出相应的波动率数据，然后运用统计推断方法估算回报率的标准差，从而得到历史波动率的估计值。显然，如果实际波动率是一个常数，它不随时间的推移而变化，则历史波动率就有可能是实际波动率的一个很好的近似。
目前中国股票型基金，主要在风险管理上的解决方案是事后风险管理。事后风险管理是一个仓位管理的运营机制，其核心是一个信息处理机制，监测基金或投资组合的业绩，并根据事先设置好的风险止损参数来决定对投资组合的仓位处理。
公开号为cn105989535a，公开日为：2016.10.05的中国发明专利，公开了一种股票波动率预测方法及系统，所述方法包括如下步骤：根据各股票每日收盘时交易行情数据建立股票风险控制模型数据库；接收输入的股票代码、股票代码对应股票所占的板块权重，设置股票价格走势的起止时间；从风险控制模型数据库读取预先根据前一日收盘时交易行情数据计算出的风险控制参数值；根据股票代码、股票代码对应股票所占的板块权重、股票价格走势的起止时间和/或股票风险控制参数值计算出股票及股票投资组合在股票价格走势的起止时间内的波动率。
该发明公开的股票波动率预测方法也是基于事后风险管理的运营机制，存在建模过程复杂，计算结果不准确等问题。
技术实现要素：
本发明的目的在于，针对现有技术中存在的问题，提出一种应用于事前风险管理的股票波动率预测方法，解决现有技术中计算过程复杂，计算结果不准确的问题。
为了实现上述目的，本发明采用的技术方案为：
一种股票波动率预测方法，包括以下步骤：
步骤一、从数据库读取原始数据，原始数据包括与股票有关的行情数据和财务报表数据；
步骤二、建立波动率预测模型；
步骤三、利用步骤二中建立的模型计算个股收益波动率。
所述步骤二中模型的计算方法如下：
假设收益率的多因子风险模型共k个风险因子。则股票i的收益率ri为：
ri＝bi1f1+bi2f2+bi3f3+....+bikfk+∈i(1)
其中bij是股票i对风险因子j的暴露；fj是风险因子j的收益率，∈i是股票i的个股收益，即与该股票对风险因子暴露所带来的收益无关的那一部分收益，不同于股票i的收益率ri；
基于(1)，该股票的收益波动率为：
其中bi是股票i的k×1风险因子暴露向量，v是k×k风险因子收益方差-协方差矩阵，σεi是个股收益的波动率，即个股风险。
所述风险因子的暴露计算方法为：采取了z值计算来进行标准化，在每个交易日结束原始数据更新后，搜集和提取每只股票的原始因子暴露，假设股票i对因子k的暴露为bik，那么股票i对因子k的标准化暴露为：
bik＝(bik-mean(bk))/std(bk)(3)
其中bik为股票i对因子k的标准化暴露，b是样本中所有股票对因子k的暴露的向量。
所述风险因子的收益率计算方式为：用过去22个交易日每只股票的复权复息收益率作为因变量，用22个交易日前所获取的因子暴露作为自变量，再基于这些数据做线性回归。
所述风险因子收益方差-协方差矩阵计算步骤为：
步骤一、每个交易日收盘后，获取最新的原始数据；
步骤二、计算因子暴露，然后计算出当天因子收益率；
步骤三、用过去36个月的因子收益率时间序列数据来计算风险因子方差-协方差矩阵。
所述波动率预测模型的建立方法包括以下步骤：
步骤一、从数据库读取原始数据，原始数据包括与股票有关的行情数据和财务报表数据；
步骤二、根据原始数据构建风险因子；
步骤三、将步骤二中构建的因子存储入因子数据库；
步骤四、用步骤三中确定的风险因子建立波动率预测模型。
所述风险因子包括：逆转因子、动量因子、市值因子、流动性因子、负债率因子、市净率因子和行业因子；所述逆转因子包括股票过去1个月复权复息总收益率；所述动量因子包括股票过去12个月复权复息总收益率减去过去一个月复权复息总收益率的差值；所述市值因子包括将可流通股票价格乘以可流通股票数量的积开平方后得到的值；所述流动性因子包括股票过去30个交易日的交易换手率，换手率为交易量除以可流通总量的商数；所述负债率因子包括上一年度企业总负债除以上一年度企业总股本的商数；所述市净率因子包括上一年度企业总市值除以上一年度企业总股本的商数；所述行业因子包括基于各个板块过去36个月的历史数据对每只股票做多变量时间序列回归，所述板块包括能源板块、材料板块、工业板块、耐用商品板块、可选商品板块、医疗健康板块、金融板块、信息技术板块和公用事业板块。
所述行情数据包括股票每天的价格数据和交易量数据。
所述财务报表数据包括股票每个财务季度和财年的损益表数据，资产债务表数据以及现金流量表数据。
由于采用了上述技术方案，本发明的有益效果是：
本发明根据模型的预测性对投资组合未来的风险做出预测，从而帮助投资者更好的做好事前风险管理。区别于当前的主要是着重于事后风险管理的技术问题。本发明中的模型根据不同的因子分解，不仅能够预测和量化风险，提高风险预测的稳定性，而且能够将投资风险分解到不同来源，从而让投资者更有针对性的来选择承担哪些风险和规避哪些风险。
具体实施方式
下面对发明型做详细的说明。
实施例1
作为本发明的一种较佳实施例，本实施例公开了一种股票波动率预测方法，包括以下步骤：
步骤一、从数据库读取原始数据，原始数据包括与股票有关的行情数据和财务报表数据；
步骤二、建立波动率预测模型；
步骤三、利用步骤二中建立的模型计算个股收益波动率。
所述步骤二中模型的计算方法如下：
假设收益率的多因子风险模型共k个风险因子。则股票i的收益率ri为：
ri＝bi1f1+bi2f2+bi3f3+....+bikfk+∈i(1)
其中bij是股票i对风险因子j的暴露；fj是风险因子j的收益率，∈i是股票i的个股收益，即与该股票对风险因子暴露所带来的收益无关的那一部分收益，不同于股票i的收益率ri；
基于(1)，该股票的收益波动率为：
其中bi是股票i的k×1风险因子暴露向量，v是k×k风险因子收益方差-协方差矩阵，σεi是个股收益的波动率，即个股风险。
所述风险因子的暴露计算方法为：采取了z值计算来进行标准化，在每个交易日结束原始数据更新后，搜集和提取每只股票的原始因子暴露，假设股票i对因子k的暴露为bik，那么股票i对因子k的标准化暴露为：
bik＝(bik-mean(bk))/std(bk)(3)
其中bik为股票i对因子k的标准化暴露，b是样本中所有股票对因子k的暴露的向量。
所述风险因子的收益率计算方式为：用过去22个交易日每只股票的复权复息收益率作为因变量，用22个交易日前所获取的因子暴露作为自变量，再基于这些数据做线性回归。
所述风险因子收益方差-协方差矩阵计算步骤为：
步骤一、每个交易日收盘后，获取最新的原始数据；
步骤二、计算因子暴露，然后计算出当天因子收益率；
步骤三、用过去36个月的因子收益率时间序列数据来计算风险因子方差-协方差矩阵。
因子方差-协方差矩阵结合每只股票的因子暴露根据公式(2)即可计算出每只股票的系统风险预测。线性回归中的回归残差项是个股因素，用过去36个月回归的每只股票的残差的标准差来衡量每只股票的个股风险预测。
所述波动率预测模型的建立方法包括以下步骤：
步骤一、从数据库读取原始数据，原始数据包括与股票有关的行情数据和财务报表数据；
步骤二、根据原始数据构建风险因子；
步骤三、将步骤二中构建的因子存储入因子数据库；
步骤四、用步骤三中确定的风险因子建立波动率预测模型；
所述风险因子包括：逆转因子、动量因子、市值因子、流动性因子、负债率因子、市净率因子和行业因子；所述逆转因子包括股票过去1个月复权复息总收益率；所述动量因子包括股票过去12个月复权复息总收益率减去过去一个月复权复息总收益率的差值；所述市值因子包括将可流通股票价格乘以可流通股票数量的积开平方后得到的值；所述流动性因子包括股票过去30个交易日的交易换手率，换手率为交易量除以可流通总量的商数；所述负债率因子包括上一年度企业总负债除以上一年度企业总股本的商数；所述市净率因子包括上一年度企业总市值除以上一年度企业总股本的商数；所述行业因子包括基于各个板块过去36个月的历史数据对每只股票做多变量时间序列回归，所述板块包括能源板块、材料板块、工业板块、耐用商品板块、可选商品板块、医疗健康板块、金融板块、信息技术板块和公用事业板块。
对于行业因子的计算，采用fama-macbeth方法，基于过去36个月的历史数据对每只股票做多变量时间序列回归。而在行业划分上，采用wind一级分类方式，但由于电信通信板块在一些时间区间股票数量过少，所以只选取了9个板块，而时间序列的自变量也相应设置为9个。这样做的好处是，我们客观考虑了每只股票可能对多个行业存在风险暴露的可能性，使得我们模型的分析更加全面。然后模型可以根据这样的分析得出的股票对板块的暴露，再同其他风险因子的因子暴露一起做横截面回归分析，得到映射在各个行业因子暴露上的回归系数，并最终基于这些回归系数计算出该板块因子当期收益。
所述行情数据包括股票每天的价格数据和交易量数据。
所述财务报表数据包括股票每个财务季度和财年的损益表数据，资产债务表数据以及现金流量表数据。
实现本发明的一种股票波动率预测系统包括：
股票行情信息接收模块，用于自动接收和更新每个交易日所有a股的行情数据；
股票基本面数据接收模块，用于定期接收和更新所有a股的基本面数据；
数据库整合清理模块，用于将股票行情信息和股票基本面信息进行对接和匹配，并清理和纠正原始数据库中的错误或偏差；
波动率预测模型分析和更新模块，用于建立波动率预测模型，对数据进行分析和运算得出风险数据和数据更新。
所述预测系统还包括：
风险模型数据库模块，用于接收波动率预测模型分析和更新模块所得到的风险信息，包括风险因子暴露，风险因子收益率，和风险因子收益率方差协方差矩阵，并存储入本系统的风险信息数据库。
该数据库在每个交易日进行自动更新。
用户数据接收模块，用于接收用户投资组合信息；
本系统支持用户手动输入也支持用户输入excel。用户投资组合信息主要包括用户投资组合中每只股票的持有比例以及剩余现金的比例。
用户投资组合风险分析模块，根据用户数据接收模块的数据再结合风险模型数据库模块日更新的数据就可以立即分析用户投资组合的风险和波动率。
用户可以在该模块进行交易分析，换仓分析以及其他与风险相关的分析和预测。
所述行情数据包括价格信息，除权除息信息和交易额信息。
所述基本面数据包括财务季度和财年的损益表，资产债务表和现金流量表；也包括各个券商分析师对股票的净利润和每股净利润的预测数据，同时还包括每只股票行业分类信息。
所述数据库整合和清理模块包括两个子模块：数据整合子模块和数据清理子模块。数据整合子模块主要是将股票行情信息和股票基本面信息进行对接和匹配，从而使系统数据库做到日更新；数据清理子模块的主要功能在于清理和纠正原始数据库中的错误或偏差，比如前窥偏差等，从而确保数据质量的准确无误。
所述波动率预测模型分析和更新模块进行以下步骤的操作：
步骤一，从数据库整合清理模块的输出中提取原始数据；
步骤二，建立波动率预测模型，
假设收益率的多因子风险模型共k个风险因子。则股票i的收益率ri为：
ri＝bi1f1+bi2f2+bi3f3+....+bikfk+∈i(1)
其中bij是股票i对风险因子j的暴露；fj是风险因子j的收益率，∈i是股票i的个股收益，即与该股票对风险因子暴露所带来的收益无关的那一部分收益，不同于股票i的收益率ri；
基于(1)，该股票的收益波动率为：
其中bi是股票i的k×1风险因子暴露向量，v是k×k风险因子收益协方差矩阵，σεi是个股收益的波动率，即个股风险；
步骤三，风险因子暴露的计算，
在每个交易日结束原始数据更新后，搜集和提取每只股票的原始因子暴露，假设股票i对因子k的暴露为bik，那么股票i对因子k的标准化暴露为：
bik＝(bik-mean(bk))/std(bk)(3)
其中bik为股票i对因子k的标准化暴露，b是样本中所有股票对因子k的暴露的向量。
步骤四，风险因子收益率的计算，
用过去22个交易日每只股票的复权复息收益率作为因变量，用22个交易日前所获取的因子暴露作为自变量，再基于这些数据做线性回归；
步骤五，风险因子收益方差-协方差矩阵计算，
每个交易日收盘后，获取最新的原始数据；计算因子暴露，然后计算出当天因子收益率；用过去36个月的因子收益率时间序列数据来计算风险因子方差-协方差矩阵。
所述原始数据包括行情数据，股票行业分类信息数据，股票每个财务季度和财年的损益表数据，资产债务表数据和现金流量表数据。
所述风险因子包括：逆转因子、动量因子、市值因子、流动性因子、负债率因子、市净率因子和行业因子；所述逆转因子包括股票过去1个月复权复息总收益率；所述动量因子包括股票过去12个月复权复息总收益率减去过去一个月复权复息总收益率的差值；所述市值因子包括将可流通股票价格乘以可流通股票数量的积开平方后得到的值；所述流动性因子包括股票过去30个交易日的交易换手率，换手率为交易量除以可流通总量的商数；所述负债率因子包括上一年度企业总负债除以上一年度企业总股本的商数；所述市净率因子包括上一年度企业总市值除以上一年度企业总股本的商数；所述行业因子包括基于各个板块过去36个月的历史数据对每只股票做多变量时间序列回归，所述板块包括能源板块、材料板块、工业板块、耐用商品板块、可选商品板块、医疗健康板块、金融板块、信息技术板块和公用事业板块。
对于行业因子的计算，采用fama-macbeth方法，基于过去36个月的历史数据对每只股票做多变量时间序列回归。而在行业划分上，采用wind一级分类方式，但由于电信通信板块在一些时间区间股票数量过少，所以只选取了9个板块，而时间序列的自变量也相应设置为9个。这样做的好处是，我们客观考虑了每只股票可能对多个行业存在风险暴露的可能性，使得我们模型的分析更加全面。然后模型可以根据这样的分析得出的股票对板块的暴露，再同其他风险因子的因子暴露一起做横截面回归分析，得到映射在各个行业因子暴露上的回归系数，并最终基于这些回归系数计算出该板块因子当期收益。
本发明根据模型的预测性对投资组合未来的风险做出预测，从而帮助投资者更好的做好事前风险管理。区别于当前的主要是着重于事后风险管理的技术问题。本发明中的模型根据不同的因子分解，不仅能够预测和量化风险，提高风险预测的稳定性，而且能够将投资风险分解到不同来源，从而让投资者更有针对性的来选择承担哪些风险和规避哪些风险。
通过本系统，用户只需要手动将投资组合每只股票的仓位比重的数据输入，例如在投资组合中，股票a持有比例占投资组合5％，股票b占3％等，即可立即进行投资组合以及个股的风险分析和预测。
本发明根据模型的预测性对投资组合未来的风险做出预测，从而帮助投资者更好的做好事前风险管理。区别于当前的主要是着重于事后风险管理的技术问题。本发明中的模型根据不同的因子分解，不仅能够预测和量化风险，提高风险预测的稳定性，而且能够将投资风险分解到不同来源，从而让投资者更有针对性的来选择承担哪些风险和规避哪些风险。
通过本方法，用户只需要手动将投资组合每只股票的仓位比重的数据输入，例如在投资组合中，股票a持有比例占投资组合5％，股票b占3％等，即可立即进行投资组合以及个股的风险分析和预测。
实施例2
作为本发明的一种较佳实施例，本实施例公开了一种股票波动率预测方法，包括以下步骤：
步骤一、从数据库读取原始数据，原始数据包括与股票有关的行情数据和财务报表数据；
步骤二、建立波动率预测模型；
步骤三、利用步骤二中建立的模型计算个股收益波动率。
所述步骤二中模型的计算方法如下：
假设收益率的多因子风险模型共k个风险因子。则股票i的收益率ri为：
ri＝bi1f1+bi2f2+bi3f3+....+bikfk+∈i(1)
其中bij是股票i对风险因子j的暴露；fj是风险因子j的收益率，∈i是股票i的个股收益，即与该股票对风险因子暴露所带来的收益无关的那一部分收益，不同于股票i的收益率ri；
基于(1)，该股票的收益波动率为：
其中bi是股票i的k×1风险因子暴露向量，v是k×k风险因子收益方差-协方差矩阵，σεi是个股收益的波动率，即个股风险。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。