一种用于资产配置的数据处理装置和方法与流程

本发明涉及信息处理
技术领域：
。更具体地，涉及一种用于资产配置的数据处理装置和方法。
背景技术：
：目前，投资理财已经成为人们日常生活的一部分。但是，人们在投资理财过程中通常存在这样一些问题：无法做到持续投资，尤其在亏损的情况下，更是很少有人敢于坚持；容易受外界环境的影响，投资行为情绪化；资产配置方式不科学，无法及时根据市场变化进行调整。这时，传统的投资顾问通过一对一专属咨询方式，给人们提供专业的咨询意见，满足了个人投资需求。但传统的投资顾问方式的成本较高、受众有限，且服务水平因为投资顾问的素质不同而差异较大。为了解决上述问题，有必要提供一种数字化资产配置装置和方法，它能通过算法、网络和金融科技，实现有效的自动化资产配置。它能够针对更多的人群，使得更大范围的人群受益；也能够提供广泛的产品供给和专业化的资产配置，使得人们得到专业投资的指导；还能够提供个性化的投资方案，满足不同类型投资人的投资需求，从而辅助投资人做出更优的投资抉择，从而解决现有技术存在的人力成本较高、受众面狭窄，且服务差异较大等问题。技术实现要素：本发明的至少一个目的在于提供一种用于资产配置的数据处理装置，以解决现有技术存在的至少一个问题。本发明的一个方面公开了一种用于资产配置的数据处理装置，所述装置包括：数据采集模块，通过人机交互端口获得非结构化数据，并通过金融信息数据库获得结构化数据；数据处理模块，针对所述数据采集模块获得的所述结构化数据和所述非结构化数据进行预处理，获得初步分析数据；数字化配置模块，根据所述数据处理模块预处理获得的所述初步分析数据，得到资产收益率、协方差矩阵和限制条件，再基于马可维兹配置模型求解得到大类资产的数字化配置结果；产品适配模块，每个大类资产具有多个金融产品，形成大类资产的金融产品集合，根据所述大类资产的数字化配置结果和所述金融产品集合，对所述金融产品集合内的产品进行优选，从而获得最优产品投资组合。在一些实施例中，所述非结构化数据包括投资者行为数据、投资者年龄数据、投资者资产数据、投资者风险偏好数据等。在一些实施例中，所述结构化数据包括价格、利率、市盈率、波动率、企业营收增长、美元指数、资产净值、惊奇指数等。在一些实施例中，所述资产收益率是指根据所述结构化数据得到所述大类资产或金融产品的资产收益率，作为大类资产或金融产品的未来收益预期。在一些实施例中，所述资产收益率根据过去某段期间的结构化数据得到所述大类资产或金融产品的资产收益率，所述某段期间取用一个短期间和一个长期间。在一些实施例中，所述协方差矩阵是指根据所述结构化数据得到所述大类资产间的协方差矩阵。在一些实施例中，所述协方差矩阵依据过去某段期间的结构化数据得到所述大类资产的协方差矩阵，所述某段期间取用一个短期间和一个长期间。在一些实施例中，根据所述非结构化数据得到所述限制条件。在一些实施例中，所述限制条件包含所述大类资产或金融产品在不同投资者风险属性下的大类资产或金融产品的配置上下限、股债比值等。在一些实施例中，所述产品适配模块执行以下操作以实现产品优选：进行产品与市场关联分析，将产品分类；在同一产品分类下，计算出与每个大类资产拟合度高的产品，去除风险较高的产品；在同一产品分类下，针对剩余产品进行资产超额收益率与投资风格分析，根据所述限制条件选出优选产品。在一些实施例中，还包括交易优化模块。在一些实施例中，所述交易优化模块能够突破最大申购金额的限制，将大于所述最大申购金额的单笔下单拆成多笔下单。在一些实施例中，所述交易优化模块可进行快速提现。根据本发明的另一方面，还提供了一种用于资产配置的数据处理方法，所述方法包括：数据采集，通过人机交互端口获得非结构化数据，并通过金融信息数据库获得结构化数据；数据处理，针对所述数据采集获得的所述结构化数据和所述非结构化数据进行预处理，获得初步分析数据；数字化配置，根据所述数据处理预处理获得的所述初步分析数据，得到资产收益率、协方差矩阵和限制条件，再基于马可维兹配置模型求解得到大类资产的数字化配置结果；产品适配，每个大类资产具有多个金融产品，形成大类资产的金融产品集合，根据所述大类资产的数字化配置结果和所述金融产品集合，对所述金融产品集合内的产品进行优选，从而获得最优产品投资组合。在一些实施例中，所述非结构化数据包括投资者行为数据、投资者年龄数据、投资者资产数据、投资者风险偏好数据等。在一些实施例中，所述结构化数据包括价格、利率、市盈率、波动率、企业营收增长、美元指数、资产净值、惊奇指数。在一些实施例中，所述资产收益率是指根据所述结构化数据得到所述大类资产或金融产品的资产收益率，作为所述大类资产或金融产品的未来收益预期。在一些实施例中，所述资产收益率根据过去某段期间的结构化数据得到所述大类资产或金融产品的资产收益率，所述某段期间取用一个短期间和一个长期间。在一些实施例中，所述协方差矩阵是指根据所述结构化数据得到所述大类资产间的协方差矩阵。在一些实施例中，所述协方差矩阵依据过去某段期间的结构化数据得到所述大类资产间的协方差矩阵，所述某段期间取用一个短期间和一个长期间。在一些实施例中，根据所述非结构化数据得到所述限制条件。在一些实施例中，所述限制条件包含所述大类资产或金融产品在不同投资者风险属性下的所述大类资产或金融产品的配置上下限、股债比值等。在一些实施例中，所述产品适配执行以下操作以实现产品优选：将产品分类；在同一产品分类下，计算出与每个所述大类资产拟合度高的产品，去除风险较高的产品，得到剩余产品；在同一产品分类下，针对所述剩余产品进行资产超额收益率与投资风格分析，根据所述限制条件选出优选产品。在一些实施例中，还包括交易优化。在一些实施例中，所述交易优化能够突破最大申购金额的限制，将大于所述最大申购金额的单笔下单拆成多笔下单。在一些实施例中，所述交易优化可进行快速提现。本发明的前述数据处理装置和方法能够自动提供个性化资产组合策略，使得尽可能多的人得到专业投资顾问；能根据投资人的类型提供不同资产投资方案，满足投资人个性化需求；同时还对交易加以优化。以上为本发明的概述，可能有简化、概括和省略细节的情况，因此本领域的技术人员应该认识到，该部分仅是示例说明性的，而不旨在以任何方式限定本发明范围。本概述部分既非旨在确定所要求保护主题的关键特征或必要特征，也非旨在用作为确定所要求保护主题的范围的辅助手段。附图说明通过下面说明书和所附的权利要求书并与附图结合，将会更加充分地清楚理解本
发明内容的上述和其他特征。可以理解，这些附图仅描绘了本
发明内容的若干实施方式，因此不应认为是对本
发明内容范围的限定。通过采用附图，本
发明内容将会得到更加明确和详细地说明。图1示出了本实施例的一个数据处理装置示意图；图2示出了本实施例的一个突破最大申购金额限制的方法示意图；图3示出了本实施例的一个快速提现的方法示意图；图4示出了本实施例的一个数据处理方法示意图。具体实施方式在下面的详细描述中，参考了构成其一部分的附图。在附图中，类似的符号通常表示类似的组成部分，除非上下文另有说明。具体实施方式、附图和权利要求书中描述的示例性实施方式并非旨在限定。在不偏离本发明的主题的精神或范围的情况下，可以采用其他实施方式，并且可以做出其他变化。可以理解，可以对本文中一般性描述的、在附图中图解说明的本
发明内容的各个方面进行多种不同构成的配置、替换、组合、设计，而所有这些都明确地构成本
发明内容的一部分。本发明的第一方面图1示出了本发明的一个实施例的用于资产配置的数据处理装置示意图。由图1可知，数据处理装置包括数据采集模块、数据处理模块、数字化配置模块和产品适配配置。其中，数据采集模块通过人机交互端口获得非结构化数据，通过金融信息数据库获得结构化数据；数据处理模块针对结构化数据和非结构化数据进行处理，得到初步分析数据；数字化配置模块根据初步分析数据得到资产收益率、协方差矩阵和限制条件等信息，基于马可维兹配置模型求解，得到大类资产数字化配置结果；产品适配模块根据大类资产数字化配置数据结果和大类资产的产品集合，对产品集合内的产品进行产品优选，获得最优产品投资组合。非结构化数据包括投资者行为数据、投资者资产数据、投资者风险偏好数据等，而结构化数据则包括价格、利率、市盈率、波动率、企业营收增长率、美元指数等。本发明通过马可维兹(markowitz)配置模型在对未来的资产走势进行预估。简单来说，马可维兹(markowitz)配置模型通过识别资产波动之间的相关性，通过多个资产组合和优化，实现资产间的风险冲抵，最终构建适应某一投资者个体所需要(所适用波动类型)的投资策略。根据马克维茨配置模型，本发明的数据处理装置能够通过在不同大类资产和不同金融产品之间的比例配置，形成个性化的资产配置策略，提供最优的金融产品组合。每一投资者对应不同的风险属性。在一些实施例中，数据采集模块通过多维度的投资者风险评测获得投资者评测数据，进而准确得知投资者风险属性。例如，通过获得投资者的年龄结构、风险承受喜好、投资盈利目标、整体家庭资产状况等多维度评测投资者风险承受级别；通过提出一些假设性投资问题定量获知投资者投资风格等。数据采集模块还通过金融信息数据库获得结构化数据，包括价格、利率、市盈率、波动率、企业营收增长、美元指数、资产净值、惊奇指数等金融信息。金融信息数据库存储有与各类大类资产或金融产品的结构化数据，并且会定期地更新数据库中包括结构化数据在内的各类金融信息。数据处理模块对结构化数据和非结构化数据经过数据处理，得到初步分析数据。初步分析数据包括但不限于：资产净值、单个大类资产或金融产品的期望收益和方差、各个大类资产或金融产品之间的协方差或相关系数、投资者风险属性、以及不同投资者风险属性下的大类资产或金融产品的上下限、股债比值等。数字化配置模块根据数据处理模块得到的资产净值计算出不同周期的资产收益率，运用收益率可计算出大类资产或金融产品间相关系数与变异数，得到协方差矩阵。与此同时，数字化配置模块还根据非结构数据得到限制条件，包括股债比值、单一市场投资上下限等。数字化配置模块根据初步分析数据得到资产收益率、协方差矩阵和限制条件等信息，基于马可维兹配置模型求解，得到大类资产数字化配置结果。资产收益率是指运用多项数据作为大类资产或金融产品的未来收益预期。资产收益率的生成可分为两种方式。其一，为运用过去某段期间的历史收益作为对未来的预估，所述过去的某段期间可取用一个较短期间与一个较长期间，避免单一期间收益造成偏误。对于较短期间和较长期间的选择，一般而言，可选择1个月、3个月、6个月、9个月、1年或3年。其二，运用机器学习回归预测，将过往市场因子，带入具有机器学习的回归模型，例如支持向量机的回归预测算法(svmregession)。因此便能运用最新市场数据预测下一周期的标的市场价格与幅度,回归模型满足kkt收敛条件。支持向量机回归预测算法是一种运用软间隔分类的回归算法，运用不同的核函数将不同的因子与期望被预测的标的价格投射到高维的空间,应用各种不同的经济数据(例如营收、汇率等)与技术面数据(均线价格)等数据，与预期的标的价格作为监督学习的对象，利用拉格朗日乘子法与kkt(karush-kuhn-tucker)条件满足,求解出训练后每个因子对于标的价格的影响系数,并带入最新的因子数值,即能求出市场的预估走势。资产收益率的计算方法可以与现有技术中的计算方法相同。协方差矩阵是指根据大类资产间的协方差矩阵做预估。依据前述选择的较短期间与一个较长期间，作不同标的协方差矩阵计算，成为整体投资组合的风险测度，避免单一期间的资产共变特性，影响投资组合配置结果。对于较短期间和较长期间的选择，一般而言，可选择1个月、3个月、6个月、9个月、1年或3年，并做年化处理。限制条件包含于不同预期(投资者风险属性)下的每一单一大类资产或金融产品的配置上下限、股债比、以及每一大类资产或金融产品的动态配置比例。每个投资者对应到不同的风险属性归类,对于风险属性的不同将产生限制条件的不同,(1)当面对单一风险性资产时,高风险属性的配置上限高于低风险属性客户的配置上限的基础设置,(2)运用最新技术指标,动态调整单一风险性资产上限与下限,该技术指标即为市场是否处于多头排列或空头排列,当市场为多头排列时,则加大该资产配置上限,反之若为空头排列时,则降低配置比(3)运用所述技术指标判断某大类资产中风险资产的波动程度,该波动程度将决定该大类资产的占比限制。根据资产收益率、协方差矩阵和限制条件三项数据，能够基于马可维兹配置模型得到大类资产数字化配置结果。大类资产包含债券、股票、商品等诸多品类。其不仅包括国内资产，还包括国外成熟资产。大类资产品类的丰富使资产组合形式更多、适用性更强。数据采集模块得到投资者的个性化风险属性，通过后续的数据处理模块、数字化配置模块和产品适配模块能够让每一个投资者都得到一个独家投资方案。例如，积极型投资者的组合中，股票、黄金、高收益债的比例会相对较高；成长、稳健型投资者的组合中，股票、债券、商品会比较均衡；保守型投资者的组合中，绝大部分都会配置在债券资产上。因此积极型的投资者会面临比较大的波动，而保守型的投资者的增长曲线会平稳的多。产品适配模块执行以下操作以实现产品优选：首先进行产品与市场关联分析，将产品分类；然后在同一产品分类下，计算出与每个大类资产拟合度高的产品，去除风险较高的产品；最后于同一产品分类下，针对剩余产品进行投资风格与资产超额收益率分析，根据限制条件选出优选产品。超额收益率是指超过正常(或预期)收益率的收益率，它等于某日的收益率减去投资者(或市场)当日要求的正常(预期)收益率之差。在一些实施例中，数据处理装置还包括交易优化模块。交易优化模块具有以下功能：突破最大申购金额限制、快速提现等。在一些实施例中，利用技术手段实现交易优化，能够突破最大申购金额的限制，能够减少交易中的折损。在一些实施例中，交易优化模块能够突破最大申购金额的限制，将单笔下单拆成多笔下单，以保证应分配金额分配至应申购标杆。例如，由于海外qd基金收紧，设置申购最高限额，导致最终赎回的货货币基金转申购新的基金失败，该金额回到银行卡。如图2所示，通过拆单方式，保证应分配金额分配至应申购标杆。在一些实施例中，所述交易优化模块还能够进行快速提现。如图3所示，将投资者提现金额换算成份额，若可赎回，则直接提现；若不可赎回，则待该产品变更为持有后赎回。下表1是不同状态下，快速提现顺序判断标准。其中，若不足最小赎回份额，则赎回最小赎回份额。若不足最小持有份额，则全部赎回；若正在调仓，则取消调仓。表1快速提现顺序判断标准顺序状体释义1持有中按照确认日+到账日加总，升序排列。加总时间最少的优先赎回2买入中按照预计到账日进行排序，时间越近排序越靠前3转换中按照预计转换完成日进行排序，时间越近排序越靠前上述数据处理装置，替代了传统的人工投资顾问，在保证个性化的情况下解决了效率问题、降低了使用成本，从而让普通投资者也可以享受到专业的投资顾问服务。本发明的第二方面为了解决上述问题，本发明还提供了一种用于资产配置的数据处理方法，所述方法包括：数据采集，通过人机交互端口获得非结构化数据，并通过金融信息数据库获得结构化数据；数据处理，针对所述数据采集获得的所述结构化数据和所述非结构化数据进行预处理，获得初步分析数据；数字化配置，根据所述数据处理预处理获得的所述初步分析数据，得到资产收益率、协方差矩阵和限制条件，再基于马可维兹配置模型求解得到大类资产的数字化配置结果；产品适配，每个大类资产具有多个金融产品，形成大类资产的金融产品集合，根据所述大类资产的数字化配置结果和所述金融产品集合，对所述金融产品集合内的产品进行优选，从而获得最优产品投资组合。交易步骤如图4所示。在一些实施例中，所述非结构化数据包括投资者行为数据、投资者年龄数据、投资者资产数据、投资者风险偏好数据等。在一些实施例中，所述结构化数据包括价格、利率、市盈率、波动率、企业营收增长、美元指数、资产净值、惊奇指数等。在一些实施例中，所述资产收益率是指根据所述结构化数据得到所述大类资产或金融产品的资产收益率，作为所述大类资产或金融产品的未来收益预期。在一些实施例中，所述资产收益率根据过去某段期间的结构化数据得到所述大类资产或金融产品的资产收益率，所述某段期间取用一个短期间和一个长期间。在一些实施例中，所述协方差矩阵是指根据所述结构化数据得到所述大类资产间的协方差矩阵。在一些实施例中，所述协方差矩阵依据过去某段期间的结构化数据得到所述大类资产间的协方差矩阵，所述某段期间取用一个短期间和一个长期间。在一些实施例中，根据所述非结构化数据得到所述限制条件。在一些实施例中，所述限制条件包含所述大类资产或金融产品在不同投资者风险属性下的所述大类资产或金融产品配置的上下限、股债比等。在一些实施例中，所述产品适配执行以下操作以实现产品优选：将产品分类；在同一产品分类下，去除风险较高的产品，得到剩余产品；在同一产品分类下，针对所述剩余产品进行所述资产收益率与所述协方差矩阵分析，根据所述限制条件选出优选产品。在一些实施例中，还包括交易优化。在一些实施例中，所述交易优化能够突破最大申购金额的限制，将大于所述最大申购金额的单笔下单拆成多笔下单。交易步骤如图2所示。在一些实施例中，所述交易优化可进行快速提现。交易步骤如图3所示。应当注意，尽管在上文详细描述中提及了本发明实施例的装置的若干模块，但是这种划分仅仅是示例性的而非强制性的。实际上，根据本发明的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。本
技术领域：
的普通技术人员可以通过研究说明书、公开的内容及附图和所附的权利要求书，理解和实施对披露的实施方式的其他改变。在权利要求中，措词“包括”不排除其他的元素和步骤，并且措辞“一”、“一个”不排除复数。在发明的实际应用中，一个零件可以执行权利要求中所引用的多个技术特征的功能。权利要求中的任何附图标记不应理解为对范围的限制。当前第1页12