一种投资管理后端系统、方法、设备及存储介质与流程

1.本文涉及计算机技术领域，尤其涉及一种投资管理后端系统、方法、设备及存储介质。


背景技术：

2.在投资领域，投资人主要是委托投资管理人进行投资，并通过投资管理人或新闻资讯获取投资相关信息，对于一些投资人来说，很难准确获取投资相关数据，并对上市公司进行全面分析，且无法准确预测投资风险。因此，急需一种智能化、全面化及自动化的投资管理系统，以协助投资人对投资市场进行预判，确定合理的投资组合。


技术实现要素：

3.本文用于解决现有技术中没有一种智能化、全面化及自动化投资管理系统，以协助投资人对投资市场进行预判，确定合理的投资组合的问题。
4.为了解决上述技术问题，本文的第一方面提供一种投资管理后端系统，包括：投资分析模块、组合模块、风险分析模块及交互模块；
5.所述投资分析模块用于根据上市公司投资相关的非结构化数据以及结构化数据，为所述上市公司构建上市公司知识图谱，以便根据所述上市公司知识图谱，确定所述上市公司的金融资产画像；
6.所述交互模块用于接收用户通过客户端发送的投资组合推荐请求以及将为用户构建的用户投资组合以及所述用户投资组合的风险预测结果发送至所述用户的所述客户端，其中所述投资组合推荐请求包括所述用户的投资需求信息；所述组合模块用于响应于所述用户的投资推荐请求，根据所述用户投资需求信息及所述上市公司的金融资产画像，为所述用户构建用户投资组合；
7.所述风险分析模块用于利用风险模型，对所述用户投资组合进行风险预测以得到所述用户投资组合的风险预测结果，所述风险模型为风险因子收益率的协方差矩阵和特异性收益率的方差矩阵的组合，风险因子包含区域个性化因素。
8.作为本文的进一步实施例中，该投资管理后端系统还包括数据库，所述数据库用于存储所述非结构化数据、所述结构化数据、所确定的上市公司的金融资产画像、为用户构建的投资组合、所述风险模型、所述上市公司的营业收入预测模型以及所述风险预测结果。
9.作为本文的进一步实施例中，所述上市公司的金融资产画像至少包括营业收入，所述投资分析模块根据所述上市公司知识图谱，确定上市公司的营业收入包括：
10.根据所述上市公司知识图谱，确定影响所述上市公司的营业收入的多个输入因子；
11.通过因果关系检验以及嵌入式方式对所述多个输入因子进行筛选，以从所述多个输入因子中筛选出与所述上市公司的多个营业收入预测模型相关联的多个输入因子；
12.根据所筛选出的多个输入因子以及所述上市公司的多个营业收入预测模型，为所
述上市公司预测上市公司营业收入。
13.作为本文的进一步实施例中，所述投资分析模块根据所筛选出的多个输入因子以及所述上市公司的营业收入预测模型，为所述上市公司预测上市公司营业收入包括：
14.将所筛选出的多个输入因子分别输入至多个营业收入预测模型中，其中所述多个营业收入预测模型是基于所述上市公司的多种不同频率尺度的历史收入数据训练的，所述多种不同频率尺度的历史收入数据包括以下中的两种或更多种历史收入数据：所述上市公司的年频尺度收入数据、季频尺度收入数据、月频尺度收入数据、日频尺度收入数据；
15.对各营业收入预测模型输出的上市公司营业收入进行加权求和处理，计算得到上市公司营业收入，其中每一营业收入预测模型的权重是基于该营业收入预测模型的拟合精度确定的。
16.作为本文的进一步实施例中，所述投资分析模块还用于监控为所述上市公司预测的所述上市公司营业收入在预定时间长度的时间段内的第一波动以及与所筛选出的多个输入因子在所述时间段内的第二波动，所述风险分析模块还用于确定所述第一波动和所述第二波动是否属于异常波动，并且响应于确定所述第一波动和所述第二波动之一属于异常波动，确定所述上市公司发生了特异性风险。
17.作为本文的进一步实施例中，所述营业收入预测模型包括同比预测模型、环比预测模型、差分整合移动平均自回归模型、季节性差分自回归滑动平均模型、向量自回归模型、岭回归预测模型、核方法预测模型及情感分析预测模型中的多个。
18.作为本文的进一步实施例中，所述用户投资需求信息包括大资产需求信息以及投资范围信息；其中，大资产需求信息包括大类资产信息、第一资产配置模型标识、调仓参数；投资范围信息包括投资标的范围及第二资产配置模型标识；所述投资范围信息由用户根据上市公司的金融资产画像及大类资产配置方案确定，所述大类资产配置方案由所述组合模块根据大资产需求信息确定；所述数据库中存储有多个资产配置模型；
19.所述组合模块根据用户投资需求信息及上市公司的金融资产画像，构建用户投资组合，包括：
20.接收所述交互模块发送的大资产需求信息；
21.根据所述大资产需求信息中第一资产配置模型标识从所述数据库中调用第一资产配置模型；
22.将所述大资产需求信息中的大类资产信息及调仓参数输入至所述第一资产配置模型中，得到大类资产配置方案，通过所述交互模块发送所述大类资产配置方案至所述客户端；
23.接收所述交互模块发送的投资范围信息；
24.根据所述投资范围信息中的第二资产配置模型标识从所述数据库中调用第二资产配置模型；
25.将所述投资范围信息中的投资标的范围输入至所述第二资产配置模型中，得到子类资产配置方案；
26.根据所述子类资产配置方案，确定用户投资组合。
27.作为本文的进一步实施例中，所述资产配置模型包括均值方差模型、风险平价模型、风险预算模型、black-litterman模型及等权重模型。
28.作为本文的进一步实施例中，所述交互模块还接收客户端发送的入池上市公司信息，根据所述入池上市公司信息在所述数据库中建立用户股票池、基金池及债券池；其中，所述入池上市公司信息由用户根据所述上市公司的金融资产画像确定；
29.所述组合模块根据所述子类资产配置方案，得到用户投资组合进一步为：所述组合模块根据所述子类资产配置方案、所述用户股票池、基金池及债券池，确定用户投资组合。
30.作为本文的进一步实施例中，所述风险模型包括股票风险模型及债券风险模型；
31.其中，所述股票风险模型包括股票风险因子收益率的协方差矩阵和股票特异性收益率的方差矩阵；所述股票风险因子包括：国家因子、行业因子及风格因子；
32.所述债券风险模型包括债券风险因子收益率的协方差矩阵和债券特异性收益率的方差矩阵；所述债券风险因子包括：利率期限结构因子、利率债利差变化因子及信用债利差变化因子。
33.作为本文的进一步实施例中，所述风险分析模块利用所述风险模型，对用户投资组合进行风险预测包括：
34.计算所述用户投资组合中各类投资的持仓向量；
35.根据所述用户投资组合中各类投资的持仓向量及各类投资对应的风险模型，计算所述用户投资组合中各类投资的事前风险；
36.将所述用户投资组合中各类投资的事前风险加权求和，得到所述用户投资组合的事前风险；
37.根据所述用户投资组合的事前风险，存储所述事前风险至所述数据库。
38.作为本文的进一步实施例中，所述风险分析模块利用所述风险模型，对用户投资组合进行风险预测还包括：
39.计算所述用户投资组合未来n期收益率的标准差；
40.用所述用户投资组合未来n期收益率的标准差表示所述用户投资组合事后风险；
41.存储所述事后风险至所述数据库。
42.作为本文的进一步实施例中，所述交互模块还用于接收客户端发送的压力测试请求信息，其中，所述压力测试请求信息包括用户指定风险因子的变化值及待预测风险因子；
43.所述风险分析模块还用于根据所述用户指定风险因子的变化值及所述风险模型，推算所述待预测风险因子的变化值。
44.本文的第二方面提供一种应用于投资管理后端系统的投资管理方法，包括：
45.根据上市公司投资相关的非结构化数据以及结构化数据，为所述上市公司构建上市公司知识图谱，以便根据所述上市公司知识图谱，确定所述上市公司的金融资产画像；
46.接收用户通过客户端发送的投资组合推荐请求，所述投资组合推荐请求包括所述用户的用户投资需求信息；
47.响应于所述用户的投资推荐请求，根据所述用户投资需求信息及所述上市公司的金融资产画像，为所述用户构建用户投资组合；
48.利用风险模型，对用户投资组合进行风险预测以得到所述用户投资组合的风险预测结果，，所述风险模型为风险因子收益率的协方差矩阵和特异性收益率的方差矩阵的组合，风险因子包含区域个性化因素；
49.将为用户构建的用户投资组合以及所述用户投资组合的风险预测结果发送至所述用户的所述客户端。。
50.本文的第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述实施例所述的投资管理方法。
51.本文的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现前述实施例所述的投资管理方法。
52.本文提供的投资管理后端系统能够从分析上市公司的金融资产画像，构建投资组合，到风险管理实现企业级一体化资产管理，以为用户提供全方位、自动化的智能投资解决方案。
53.为让本技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
54.为了更清楚地说明本文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文的一些实施例，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。
55.图1示出了本文实施例投资管理后端系统的结构图；
56.图2示出了本文实施例上市公司知识图谱示意图；
57.图3示出了本文实施例构建用户投资组合过程的流程图；
58.图4示出了本文实施例对用户投资组合进行风险预测过程的流程图；
59.图5示出了本文实施例事后风险预测过程的流程图；
60.图6示出了本文实施例投资管理方法的流程图；
61.图7示出了本文实施例计算机设备的结构图。
62.附图符号说明：
63.100、数据库；
64.200、投资分析模块；
65.300、组合模块；
66.400、风险分析模块；
67.500、交互模块；
68.702、计算机设备；
69.704、处理器；
70.706、存储器；
71.708、驱动机构；
72.710、输入/输出模块；
73.712、输入设备；
74.714、输出设备；
75.716、呈现设备；
76.718、图形用户接口；
77.720、网络接口；
78.722、通信链路；
79.724、通信总线。
具体实施方式
80.下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
81.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
82.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
83.需要说明的是，本技术所涉及的上市公司投资相关的非结构化数据以及结构化数据，均为经用户授权或者经过各方充分授权的信息和数据。
84.本文一实施例中，提供一种投资管理后端系统，用于解决现有技术中没有一种智能化、全面化及自动化投资管理系统，投资人对投资市场进行预判及确定合理的投资组合需要专业人士参与，且预判及投资组合确定结果受专业人士业务水平影响较大的问题。具体的，如图1所示，投资管理后端系统可包括投资分析模块200、组合模块300、风险分析模块400及交互模块500。在一些实施例中，投资管理后端系统还可包括数据库100。
85.投资分析模块200用于根据上市公司投资相关的非结构化数据以及结构化数据，为上市公司构建上市公司知识图谱，以便根据上市公司知识图谱，确定上市公司的金融资产画像。在本公开中，为各上市公司搭建的上市公司知识图谱的详细程度取决于该上市公司的市值、市场关注度、占重要指数成分股比例等因素。在一些实施例中，可将所确定的金融资产画像存储在数据库100中。
86.交互模块500用于接收用户通过客户端发送的投资组合推荐请求以及将为用户构建的用户投资组合以及所述用户投资组合的风险预测结果发送至所述用户的所述客户端，其中所述投资组合推荐请求包括所述用户的投资需求信息。交互模块500还可接收来自用户的客户端的其他数据请求，包括上市公司的金融资产画像请求、用户投资组合请求及风险预测结果请求等。投资管理后端系统在接收到这样的数据请求后，可从数据库100中调用相应的数据并通过交互模块500返回至用户的客户端(如果数据库100中有的话)，或者调用
相应的模块来生成相应的数据并返回给客户端。
87.组合模块300用于响应于所述用户的投资推荐请求，根据用户投资需求信息及上市公司的金融资产画像，为用户构建用户投资组合。在一些实施例中，可将用户投资组合存储到至数据库100中。
88.风险分析模块400用于利用风险模型，对用户投资组合进行风险预测以得到所述用户投资组合的风险预测结果。在本公开中，风险模型为风险因子收益率的协方差矩阵和特异性收益率的方差矩阵的组合，风险因子包含区域个性化因素。在一些实施例中，可将风险预测结果存储至数据库100中。
89.数据库100可用于存储投资管理后端系统中需要使用以及在该系统中产生的所有数据。在一些实施例中，数据库100用于存储所述非结构化数据、所述结构化数据、所确定的上市公司的金融资产画像、为用户构建的投资组合、所述风险模型、所述上市公司的营业收入预测模型以及所述风险预测结果。
90.详细的说，本文所述的投资管理后端系统适用的用户包括投资者、投资代理人。在本说明书一些实施例中，所述投资管理后端系统可以为单个服务器或计算机集群设备。
91.本文所述的客户端可根据与交互模块500交互内容设计展示界面，本文对客户端的展示界面不做限定。具体实施时，客户端可通过输入用户密码、账号(手机号、用户名、身份证号)等方式登录投资管理后端系统。在本说明书一些实施例中，所述客户端可以为台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，所述客户端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。
92.投资分析模块200及风险分析模块400的处理过程在用户无感知的情况下(即无需用户触发操作)自动实现，用户在需要数据时，直接通过交互模块500调取即可。
93.本文所述的上市公司的金融资产画像至少包括营业收入，还可包括市场占用率、经营管理体制、违规信息、资产分布等，凡是与投资相关的特征均可作为本案所述的上市公司的金融资产画像。
94.风险模型根据投资类型分为股票风险模型及债券风险模型。对于股票风险模型，为股票风险因子收益率的协方差矩阵和股票特异性收益率的方差矩阵函数，其区域个性化因素为国家因子。对于债券风险模型，为债券风险因子收益率的协方差矩阵和债券特异性收益率的方差矩阵函数，其区域个性化因素为适用于国家债券市场的利率期限结构因子、利率债利差变化因子、信用债利差变化因子。
95.上市公司投资相关的非结构化数据包括但不限于新闻、公告、研报等，结构化数据包括但不限于宏观、行业、公司、特色数据等。具体实施时，不同类型的非结构化数据及结构化数据分类进行存储。本系统可通过接入第三方数据库的方式获取非结构化数据及结构化数据，本文对数据获取方式不做限定。
96.本文一实施例中，投资分析模块200根据上市公司知识图谱，确定上市公司的营业收入包括：根据上市公司知识图谱，确定影响上市公司的营业收入的多个输入因子；通过因果关系检验以及嵌入式方式对该多个输入因子进行筛选，以从所述多个输入因子中筛选出与所述上市公司的多个营业收入预测模型相关联的多个输入因子；根据所筛选出的输入因子以及该上市公司的多个营业收入预测模型，为该上市公司预测上市公司营业收入。
97.营业收入预测模型包括同比预测模型、环比预测模型、差分整合移动平均自回归模型(autoregressive integrated moving average model，arima)、季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average，sarima)、向量自回归模型(vector auto regression，var)、岭回归预测模型(ridge regression)、核方法预测模型(kernel method)及情感分析预测模型(sentiment analysis model)中的多个。其中，同比预测模型、环比预测模型为基本预测模型，以人类研究院的预测逻辑为出发点。arima、sarima及var为时序预测模型，sarima在arima的基础上加入了季节性特征，var则在arima、sarima的基础上考虑了多因子效应。岭回归预测模型、核方法预测模型及情感分析预测模型为机器学习模型，可利用各上市公司历史影响营业收入的因子数据及多种预测模型训练得到，相比于前两类模型，机器学习模型更擅长预测非线性信息，也有助于提高模型的稳定性。
98.具体实施时，这些模型的结构及训练方法可参考现有技术，此处不再详述。本文通过提供多种营业收入预测模型能够适应各种样本的营业收入预测。
99.因果关系检验及嵌入式输入因子选择方法具体实施过程可参考现有技术，能实现输入因子选择的可解释性(interpretability)和完整性(completeness)。
100.如图2所示，上市公司知识图谱中记录有影响营业收入的主营产品收入相关的各级因子，一些实施方式中，知识图谱中各主营产品按照宏观因子、行业因子及个股因子进行划分，其中个股因子又分为公司经营数据因子和竞品公司因子等。
101.为了提高知识图谱的实用性和灵活性，各上市公司的知识图谱可存储于数据库中，根据客户端发送的知识图谱请求调取相应上市公司的知识图谱并发送至客户端显示，客户端显示的上市公司知识图谱使得用户能根据自己的投研逻辑，对知识图谱框架中的因子进行编辑(包括自定义分组方式和因子增删改等)，例如用户可通过点击图2中每个输入因子右上角的小对号来选中或者取消选中该因子。用户编辑的方式本质上是专家先验融入机器模型的先决条件和具体体现，更准确严谨的专家先验必然会产生更好的预测结果。
102.根据公司知识图谱，确定影响营业收入的输入因子，以公司高频经营数据因子为最高优先级，行业因子次之，宏观因子为低优先级。为了提高营业收入预测的准确度，确定出的影响营业收入的输入因子的公布频率高于营业收入公布频率，使得输入因子总是优先于营业收入公布，例如营业收入预测为季频的，则输入因子的频率例如为月频。
103.投资分析模块200根据所筛选出的多个输入因子及上市公司的营业收入预测模型，为上市公司预测上市公司营业收入包括：将所筛选出的多个输入因子分别输入至多个相关联的营业收入预测模型中，该多个营业收入预测模型是基于上市公司的多种不同频率尺度的历史收入数据训练的，该多种不同频率尺度的历史收入数据包括以下中的两种或更多种历史收入数据：所述上市公司的年频尺度收入数据、季频尺度收入数据、月频尺度收入数据、日频尺度收入数据，还可包括更高率尺度的收入数据；对各营业收入预测模型输出的上市公司营业收入进行加权求和处理，计算得到上市公司营业收入。在一些实施例中，每一营业收入预测模型的权重可基于该营业收入预测模型的拟合精度确定。在另一些实施例中，各营业收入预测模型的权重也可相同。例如，仅作为示例，在本公开中，多个营业收入预测模型中的第一营业收入预测模型可以是根据多个年频尺度收入数据(即，上市公司以年为单位的历史收入数据，例如上市公司2019年度的收入数据、2020年度的收入数据、2021年
度的收入数据等等)训练的预测模型。多个营业收入预测模型中的第二营业收入预测模型可以是可根据多个季频尺度收入数据(即，上市公司以季度为单位的历史收入数据，例如上市公司在各个年份的第一季度的收入数据、第二季度的收入数据、第三季度的收入数据、第四季度的收入数据等等)训练的预测模型。多个营业收入预测模型中的第三营业收入预测模型可以是根据多个月频尺度收入数据(即，上市公司以月为单位的历史收入数据，例如上市公司在各个年份的各个月的收入数据等等)训练的预测模型，并以此类推。另外，在以上示例中，第一营业收入预测模型、第二营业收入预测模型和第三营业收入预测模型分别以相应的拟合精度为权重，并以此来计算最终的营业收入。通过这样的方法，使得可以实现对营业收入预测模型的小样本预测，而不会产生通常的小样本预测中常有的欠拟合问题，也不会产生复杂模型中常有的过拟合以及泛化能力差的问题，而是可以很好地权衡小样本预测过程中的偏差和方差。这是因为，在本公开的训练过程中，可通过不同频率尺度的历史输入数据分别捕捉上市公司收入的长、中、短期规律，并且通过融合得出最终的营业收入可确保最终得到的预测结果可在多个尺度上可相互印证。也就是说，在本公开中，通过该方法，可自适应学习到不同商业模式下数据的规律，如银行业中一般长周期模型占比较大，消费行业中一般季频、月度模型占比较大，使得能够在保证预测精度和鲁棒性的同时，有效提高泛化能力。
104.为了提升营业收入预测精度及用户建模的自由度(即赋予用户更大空间去挖掘模型预测的潜力)，本文一些实施方式中，营业收入预测模型可供用户选择，利用用户选择的营业收入预测模型进行营业收入计算。
105.在一些实施例中，投资分析模块还用于监控为上市公司预测的上市公司营业收入在预定时间长度的时间段内的第一波动以及在确定该上市公司营业收入时使用到的多个输入因子(即前面提到的所筛选出的多个输入因子)在时间段内的第二波动，并且风险分析模块还用于确定第一波动和第二波动是否属于异常波动，并且响应于确定第一波动和第二波动之一属于异常波动，确定上市公司发生了特异性风险。例如，如果最新预测值处于前一次预测的以90％为置信度的预测区间之外，或实际披露值处于实际值披露前最后一次预测的以90％为置信度预测区间之外，则此两种情况属于风险分析模块监控的异常波动。
106.本文一实施例中，用户投资需求信息包括大资产需求信息以及投资范围信息。其中，大资产需求信息包括大类资产信息、第一资产配置模型标识、调仓参数。投资范围信息包括投资标的范围及第二资产配置模型标识。投资范围信息由用户根据上市公司的金融资产画像及大类资产配置方案确定，大类资产配置方案由组合模块根据大资产需求信息确定。数据库100中存储有多个资产配置模型。
107.详细的说，大类资产信息由大类资产代表指数表示，本文所述的大类资产包括a股股票、债券、基金等。第一资产配置模型标识能够便于定位用于配置大类资产的资产配置模型，其中，资产配置模型包括但不限于均值方差模型、风险平价模型、风险预算模型、black-litterman模型及等权重模型。
108.投资标的范围用于标的用户感兴趣的投资类型，例如基金、股票、债券等。第二资产配置模型标识能够便于定位用于配置大类资产的资产配置模型。
109.如图3所示，组合模块300根据用户投资需求信息及上市公司的金融资产画像，构建用户投资组合，包括：
110.步骤301，接收交互模块发送的大资产需求信息；
111.步骤302，根据大资产需求信息中第一资产配置模型标识从数据库中调用第一资产配置模型；
112.步骤303，将大资产需求信息中的大类资产信息及调仓参数输入至第一资产配置模型中，得到大类资产配置方案，通过交互模块发送大类资产配置方案至客户端，其中，大类资产配置方案包括大类资产的配置比例，例如配置的债券占比、股票占比等，以及调仓频率等；
113.步骤304，接收交互模块发送的投资范围信息；
114.步骤305，根据投资范围信息中的第二资产配置模型标识从数据库中调用第二资产配置模型；
115.步骤306，将投资范围信息中的投资标的范围输入至第二资产配置模型中，得到子类资产配置方案，其中，子类资产配置方案用于限定什么时间买哪些具体类型产品以及在什么时间卖出哪些具体类型的产品；
116.步骤307，根据子类资产配置方案，确定用户投资组合，通过本实施例确定出的用户投资组合可包括多个。
117.本实施例能够使得用户快速构建投资组合。
118.本文一实施例中，为了更进一步提高构建投资组合的速度及准确度，交互模块500还接收客户端发送的入池上市公司信息，根据入池上市公司信息在数据库中建立用户股票池、基金池及债券池；其中，入池上市公司信息由用户根据所述上市公司的金融资产画像确定；
119.组合模块300根据子类资产配置方案，得到用户投资组合进一步为：组合模块300根据子类资产配置方案及用户股票池、基金池及债券池，确定用户投资组合。
120.本文一具体实施例中，股票风险模型为股票风险因子收益率的协方差矩阵和股票特异性收益率的方差矩阵加和函数。股票风险因子包括：国家因子、行业因子及风格因子。
121.详细的说，行业因子可选用市面上已有的行业分类标准，具体实施时，为了更符合中国国内投资者的行业分类习惯，本文采用的行业分类为：农林牧渔、商业贸易、采掘、休闲服务、化工、建筑材料、钢铁、建筑装饰、有色金属、电气设备、电子、国防军工、家用电器、计算机、食品饮料、传媒、纺织服装、通信、轻工制造、银行、医药生物、非银金融、公用事业、汽车、交通运输、机械设备、房地产、综合。
122.风格因子如表1所示：
123.表1
124.因子名称因子含义市值对数市值大盘市场动量之前6到12月的趋势影响残差波动率对大盘偏离的不确定性非线性市值市值规模的非线性部分价值记账价值和市值的比值流动性由交易量和频率不同而带来的回报差
杠杆率企业杠杆不同带来的回报差收益率预测12个月的收益与股价的比值成长性由销售额或者盈利额不同带来的回报差
125.股票风险模型基于的股票收益率计算公式如下：
[0126][0127]
其中，rn为第n只股票的收益率；fc为国家因子收益率；x
ni
为第n只股票在第i个行业因子上的因子暴露(0或1)；fi为第i个行业因子的收益率；x
ns
为第n只股票在第s个风格因子上的因子暴露；fs为第s个风格因子的收益率；un为第n只股票的特异性收益率。在本公开中，由于国家因子、行业因子和风格因子之间的相关性相对稳定、可预测性较强，因此更有利于对未来资产风险与收益率的变动进行稳定而有效的预测，进而有利于得到风险预测效果更好的股票风险模型。
[0128]
股票风险模型将对于股票收益协方差矩阵的估计转换为对于因子收益协方差矩阵和特异性收益方差矩阵的估计。具体地，在本公开中，基于以上股票收益率计算公式确定的股票风险模型可表示为其中v1表示股票风险模型预测到的股票风险值矩阵，x1为股票对风险因子的暴露矩阵，f1为股票风险因子的协方差矩阵，δ1为单个股票特异风险的对角矩阵。
[0129]
因子收益协方差矩阵基于历史收益率数据计算，要求历史数据的截面数至少需要大于因子数。截面数不足会产生病态的协方差矩阵，严重影响风险预测的准确度。如果使用月频数据计算，那么包含40个风格因子的模型，需要3年以上的历史数据。历史数据的时间窗跨度过大，会使模型包含与当前市场状态相关程度较低的市场状态信息，显然并不适用于多变的a股市场。此外，月频数据比较稀疏，模型较难及时捕捉市场变化。日频数据的数据量是月频数据的20倍，更高频的数据，对市场变化的敏感性更强。因此，我们的模型基于日频数据计算因子收益协方差矩阵和特异性收益方差矩阵，再通过newey-west调整，将风险矩阵调整至适合频率策略。
[0130]
特异性收益方差矩阵是多因子风险模型的另一主要组成部分。不同股票的特异性收益率彼此独立、互不相关，因此，特异性收益方差矩阵是一个对角矩阵，即非对角线上的元素为0。与因子收益协方差矩阵一致，我们依旧基于日频收益数据，采用权重指数衰减的加权移动平均方法计算特异性收益方差矩阵。
[0131]
在本公开中，债券风险模型本质是为了系统性地抽象和刻画债券交易时面临的市场不确定性风险。在一些实施例实施例中，债券风险模型通过选择一组公共的风险因子来描述债券组合可能面临的主要市场风险和回报来源。债券风险模型包括债券风险因子收益率的协方差矩阵和债券特异性收益率的方差矩阵。
[0132]
目前，对风险维度的描述尚停留在主观层面，还没有形成客观可度量的风险因子来明确反映。在本公开中，通过研究中国债券市场，本实施例选择的债券风险因子包括：16个利率期限结构因子、13个利率债利差变化因子及39个信用债利差变化因子。其中，信用债利差变化因子包括：29个信用债行业风险因子，8个信用债评级风险因子，信用债利差扭曲及流动性变化因子。
[0133]
(1)利率期限结构变化因子
[0134]
大多数固定收益证券的价格在很大程度上受到收益率曲线变动的影响，尤其是投资级债券和利率债券。通常有两种不同的方法来构建曲线因子，一种是将它们明确定义为沿着收益率曲线的一组预先定义期限的收益率变化；另一种是使用主成分分析方法来构造三个曲线因子：位移，扭曲和蝶形。考虑到风险模型的透明度和可解释性，选择第一种方法来构建曲线因子。曲线因子定义为沿着3m，6m，1y，2y，3y，4y，5y，6y，7y，8y，9y，10y，15y，20y和30y共15个即期利率变化，以及这些利率变化的均方来反映二阶效应。这些风险因子的暴露是关键利率久期(krd)和期权调整后的凸度，即
[0135][0136]
其中，表示由利率曲线变化带来的收益率，f
jtreas
表示即期利率曲线在第j个关键期限的利率变化，为对各个关键期限利率变化的平均，krd
ij
表示债券i对第j个关键期限的关键利率久期，oaci表示债券i的期权调整后的凸度。在债券风险模型中，无论针对国债、政策性银行债和其他政府支撑机构债券，还是针对所有信用债券，我们都选择了中债国债即期收益率曲线作为反映利率曲线风险的基准曲线。
[0137]
(2)信用债行业风险因子
[0138]
按照发债公司所属行业区分债券是最常用的债券分类方法，同一行业的发行人受相同的业务周期、供需变化等影响。因此，可将不同行业债券的相对价差变化作为系统性风险因素之一。国内常用的行业分类有申万、中信和证监会行业标准，本文采用申万一级行业来区分债券承担的行业风险。城投债作为一个特殊的信用债，是各级地方政府投融资平台发行的企业债和中期票据，但是一般认为城投债绑定政府信用，其风险特征又明显区别于其他种类的信用债。故采用29个行业相关因子来描述信用债的行业利差风险的变动，包括28个申万一级行业和1个城投债类别。
[0139]
(3)信用债评级风险因子
[0140]
具有不同评级等级的债券的回报会存在显著差异，因此通过引入评级因子来描述信用债券因评级差异导致的利差变化。一般地，国内的债项评级可选参考包括：中债隐含评级、外部评级或者机构的内部评级。对于当前版本的风险模型，我们选择以中债隐含评级来构建债券评级风险因子。通过简单统计分析判断a+及以下评级中的债券数量较少，且低于a+的各个评级之间的利差相关性较高，不合适单独作为风险因子。结合评级等级对应的违约风险程度和信用债在各个等级上的数量分布情况，在中债隐含评级框架下对应评级因子包括aaa+、aaa、aaa-、aa+、aa、aa-、a+、a及以下共8个债券质量风险因子。
[0141]
(4)利率/信用债利差变化因子
[0142]
利差风险主要是衡量投资组合针对特定债券种类的风险敞口，其度量叠加在某种基准曲线上的利差变化对投资组合的影响。一般地，采用四种不同类型的风险因子来描述组合收益率对于利差变化的敏感性，第一个因子描述利率波动率的变化对收益率的影响，第二个因子描述某种类型债券的整体利差的平均变化对收益率的影响，第三个因子描述利差曲线斜率的潜在变化(例如，位于长久期的利差扩大而短久期的利差不变，利差曲线的斜率变大)。最后，与同类债券相比，一些债券交易时带有系统性的利差(e.g.，担保、交易场所
等)，且这种系统性的利差不断变化，因为这种变化而导致对收益率的影响被第四个因子描述。
[0143]
利率债按照风险来源差异分为国债、政策性银行债(国开债、农发债、口行债)、地方政府债和政府支持机构债(铁道债、汇金债)，在基准利率曲线因子(16个)的基础上构建了发行机构利差变化、利差扭曲、利差曲率和流动性变化共13个利率债利差风险因子。
[0144]
债券风险模型基于的债券收益率计算公式如下：
[0145][0146]
其中，为债券i在第t期的总收益率(为了方便标记，公式中统一省略掉下标t)，表示在第t期因持有债券i而带来的收益率，由票息收益和骑乘收益组成；表示由基准利率曲线变化而带来的收益率，krd
ij
表示债券i在第j个关键期限上的关键利率久期，f
jtreas
表示基准利率曲线上第j个关键期限的利率变化；表示由利差曲线变化而带来的收益率，oasdi表示债券i的利差久期，f
jsprd
表示第j个利差因子的变化，x
ij
为债券i在第j个利差因子上的暴露；εi表示债券i的剩余收益率。
[0147]
在本公开中，基于以上债券收益率计算公式确定的债券风险模型可表示为其中v2表示债券风险模型预测到的债券风险值矩阵，x2为证券对风险因子的暴露矩阵，f2为证券风险因子的协方差矩阵，δ为单个证券特异风险的对角矩阵。
[0148]
本文一实施例中，如图4所示，风险分析模块400利用风险模型，对用户投资组合进行风险预测包括：
[0149]
步骤401，计算用户投资组合中各类投资的持仓向量；
[0150]
步骤402，根据用户投资组合中各类投资的持仓向量及各类投资对应的风险模型，计算用户投资组合中各类投资的事前风险；
[0151]
步骤403，将用户投资组合中各类投资的事前风险加权求和，得到用户投资组合的事前风险；
[0152]
步骤404，根据用户投资组合的事前风险，存储事前风险至数据库。本文所述的事前指的是用户还未根据投资组合进行真正投资。
[0153]
具体的，若用户投资组合中仅包含股票类投资，则根据股票持仓向量及股票风险模型，利用如下公式计算得到股票投资的事前风险值：
[0154][0155]
为股票风险模型，h
p
为股票持仓向量，x1为股票对风险因子的暴露矩阵，f1为股票风险因子的协方差矩阵，δ1为单个股票特异风险的对角矩阵，表示股票事前风险值。
[0156]
事前风险值越大表示投资后存在风险越大。
[0157]
若用户投资组合中仅包含债券类投资，则根据债券持仓向量及债券风险模型利用如下公式计算得到债券投资的事前风险值：
[0158][0159]
为证券风险模型，hz为证券持仓向量，x2为证券对风险因子的暴露矩阵，f2为证券风险因子的协方差矩阵，δ为单个证券特异风险的对角矩阵，表示证券事前风险值。
[0160]
若用户投资组合中即包含股票类投资，也包含债券类投资，则分别得到各类投资的持仓向量，根据股票持仓向量及股票风险模型计算得到股票投资的事前风险值，根据债券持仓向量及债券风险模型计算得到债券投资的事前风险值，股票投资的事前风险值及债券投资的事前风险值进行加权求和，得到用户投资组合的事前风险。
[0161]
本实施例通过对不同类型投资分别进行风险预测，能够提高预测精度，为用户后续选择投资组合提供依据。
[0162]
本文一实施例中，还可利用风险模型进行事后风险预测，具体的，如图5所示，风险分析模块400利用风险模型进行事后风险预测的过程包括：
[0163]
步骤501，计算用户投资组合未来n期收益率的标准差；
[0164]
步骤502，利用用户投资组合未来n期收益率的标准差表示所述用户投资组合事后风险；
[0165]
步骤503，存储事后风险至所述数据库，以根据用户需求发送事后风险数据至客户端显示。
[0166]
本文所述的事后指的是用户已根据投资组合进行真正投资。
[0167]
本文一实施例中，投资管理后端系统还提供压力测试功能，客户端显示界面提供用户发送压力测试请求的窗口。具体的，交互模块500还用于接收客户端发送的压力测试请求信息，其中，压力测试请求信息包括用户指定风险因子的变化值及待预测风险因子。
[0168]
风险分析模块400还用于根据用户指定风险因子的变化值及风险模型，推算待预测风险因子的变化值，保存待预测风险因子的变化值至数据库，以便用户通过客户端查看。具体的，风险模型根据风险因子的历史方差/协方差矩阵推断出其他风险因子的预期变动。假设不同的风险因子服从高斯联合分布，基于历史数据拟合出来联合分布的参数，从而每当指定风险因子的变化值时，就能根据联合分布的参数推算出其余风险因子的变动期望值。
[0169]
风险分析模块400还用于根据变动后的风险因子确定变动后的风险值。本实施例能够根据用户定义的部分环境，确定最有可能在真实场景中发生的市场环境，使得用户可以预先对比投资组合在各种市场环境中的表现，选择最优的投资组合。
[0170]
本文一实施例中，如图6所示，还提供一种适用于前述任一实施例所述的投资管理后端系统的投资管理方法，具体的，投资管理方法包括：
[0171]
步骤601，根据上市公司投资相关的非结构化数据以及结构化数据，为上市公司构建上市公司知识图谱，以便根据上市公司知识图谱，确定上市公司的金融资产画像；
[0172]
步骤602，接收用户通过客户端发送的投资组合推荐请求，该投资组合推荐请求包括用户的用户投资需求信息；
[0173]
在步骤603，响应于用户的投资推荐请求，根据用户投资需求信息及上市公司的金融资产画像，为用户构建用户投资组合；
[0174]
步骤604，利用风险模型，对用户投资组合进行风险预测以得到所述用户投资组合的风险预测结果，所述风险模型为风险因子收益率的协方差矩阵和特异性收益率的方差矩阵的组合，风险因子包含区域个性化因素；
[0175]
步骤605，将为用户构建的用户投资组合以及所述用户投资组合的风险预测结果发送至所述用户的所述客户端。
[0176]
在本公开中，在以上步骤601、603、604中得到的上市公司的金融资产画像、为用户构建的用户投资组合以及风险预测结果都可被存储到数据库中，以供后续查找或使用。
[0177]
本实施例从分析上市公司的金融资产画像，构建投资组合，到风险管理实现企业级一体化资产管理，以为用户提供全方位、自动化的智能投资解决方案。
[0178]
本文一实施例中，还提供一种计算机设备，计算机设备用于实现投资分析模块、组合模块、风险分析模块及交互模块的功能，具体的，如图7所示，计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
[0179]
计算机设备702还可以包括输入/输出模块710(i/o)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714))。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(gui)。在其他实施例中，还可以不包括输入/输出模块710(i/o)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
[0180]
通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0181]
对应于图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0182]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图6所示的方法。
[0183]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0184]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0185]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0186]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0187]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0188]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0189]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0190]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0191]
本文中应用了具体实施例对本文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文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，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文的限制。