一种基于数字经济的风险评估方法

1.本发明涉及基金风险评估技术领域，具体涉及一种基于数字经济的风险评估方法。


背景技术：

2.随着人们生活水平的提高，人们的投资意识逐渐提高，越来越多的老百姓开始关注股票市场、基金市场，并且关注程度越来越高。随着金融市场高速发展，大众的投资理财意识不断提高，相比于股市的高风险，有专业基金经理管理的各类基金产品获得很多人的青睐。
3.但是消费者通过基金经理购买基金，需要给予基金经理相应的报酬，而为了收益最大化，消费者往往直接购买基金。从基金市场历史业绩方面来看，大多数基金有较好年度收益，但大部分消费者没能在基金市场获利，原因在于对于基金风险评估的不准确性往往使得消费者的购买结果并不理想。
4.现有方法通过基金曲线获取基金的涨跌比例，进而对基金的风险进行评估，其中，由于经济局势的变化，基金的涨跌比例也会随之发生变化，因此利用基金涨跌比例对风险进行评估的结果往往是不准确的。


技术实现要素：

5.为了解决上述技术问题，本发明的目的在于提供一种基于数字经济的风险评估方法，所采用的技术方案具体如下：
6.获取基金的历史单位净值走势图记为基金曲线，根据基金曲线上的极小值点和极大值点确定不同的周期长度，利用每个周期长度对基金曲线进行分割，根据分割结果构建各周期长度对应的周期矩阵，根据周期矩阵确定最佳周期长度；
7.利用最佳周期长度对基金曲线进行分段处理得到多个子周期曲线，分别获取每个子周期曲线中的纵坐标值构成基金周期数据，利用因子分析算法对基金周期数据进行处理得到子周期曲线对应的独立因子向量；
8.在子周期曲线与其他所有子周期曲线分别利用dtw算法进行匹配的过程中，获取映射关系为一对多和多对一时在该子周期曲线上的点的横坐标值，构成子周期曲线的特征位置序列；根据所述特征位置序列中元素计算子周期曲线的离散系数，根据所述独立因子向量和离散系数获得优选独立因子向量；
9.分别计算子周期曲线与其他所有子周期曲线的相似度，构成该子周期曲线的相似度序列；将优选独立因子向量中各数值进行求和得到独立特征值，计算相似度序列中所有相似度的均值得到公共特征值；根据所述独立特征值和公共特征值得到基金曲线的周期性指标；
10.对于一个基金，获取不同基金经理投资该基金的任职回报，根据所述任职回报获得基金的预测成功率；根据所述预测成功率和周期性指标评估基金的风险程度。
11.优选地，所述根据基金曲线上的极小值点和极大值点确定不同的周期长度具体为：
12.将基金曲线上横坐标值最小的极小值点作为周期长度的起点，分别获取各极大值点到该起点的横坐标的差值，得到不同的周期长度；其中，各极大值点的横坐标值均大于所述起点的横坐标值。
13.优选地，所述根据周期矩阵确定最佳周期长度具体为：
14.利用鲁棒主成分分析rpca算法分别对各周期长度对应的周期矩阵进行分解，得到各周期长度对应的低秩矩阵，获取所有低秩矩阵中最小的秩对应的周期长度，记为最佳周期长度。
15.优选地，所述根据所述独立因子向量和离散系数获得优选独立因子向量具体为：
16.计算子周期曲线的离散系数和数值1的和值，根据子周期曲线的独立因子向量中各数值与所述和值的乘积构成新的独立因子向量，记为优选独立因子向量。
17.优选地，所述分别计算子周期曲线与其他所有子周期曲线的相似度具体为：基于动态时间规整算法分别获取子周期曲线与其他所有子周期曲线的相似度。
18.优选地，所述基金曲线的周期性指标的获取方法具体为：
19.获取所有子周期曲线的独立特征值的均值记为基金曲线的独立特征值，获取所有子周期曲线的公共特征值的均值记为基金曲线的公共特征值；计算基金曲线的独立特征值与公共特征值的和值，根据基金曲线的公共特征值与所述和值的比值得到基金曲线的周期性指标。
20.优选地，所述基金的预测成功率的获取方法具体为：
21.将所述任职回报中最小值的绝对值作为增益系数，计算所有基金经理对应的任职回报与增益系数的和得到优化后的任职回报；获取所有基金经理对应的优化后的任职回报的均值，根据不同基金经理对应的优化后的任职回报与所述均值的比值得到基金经理对应的预测成功率；计算所有基金经理对应的预测成功率的均值得到基金的预测成功率。
22.本发明实施例至少具有如下有益效果：
23.本发明通过确定最佳周期长度后对单个周期内的子周期曲线进行分析，获取单个周期内的子周期曲线对应的独立因子向量，根据单个周期内的子周期曲线上独立特征的位置信息获得离散系数，进而计算独立特征值，充分考虑了在基金曲线上每个变化周期内独有的特征情况。计算各子周期曲线的相似度，充分考虑了在基金曲线上每个变化周期内公共的特征情况。结合基金曲线的独有的特征情况和公共的特征情况对基金曲线的周期性进行评价，并对基金的风险进行评估，考虑因素较为全面，使得最终基金风险评估的结果更加准确。
24.同时，本发明结合了基金经理的历史操盘数据来对基金的风险进行评估，在考虑基金本身的角度之外，还考虑了基金经理的方面来对基金的风险进行评估，充分考虑了基金与基金经理的交互关系，进一步使得基金风险评估的结果更加准确。
附图说明
25.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和优点，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的介绍，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它附图。
26.图1是本发明的一种基于数字经济的风险评估方法的方法流程图。
具体实施方式
27.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数字经济的风险评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
28.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
29.下面结合附图具体的说明本发明所提供的一种基于数字经济的风险评估方法的具体方案。
30.实施例：
31.本发明的主要目的是：针对传统的对基金风险进行评估方法的评估结果不准确的问题，提出了一种基于数字经济的风险评估方法，从两个方面来对基金的风险进行评估。一方面在于基金本身，通过分析基金曲线的周期性进行风险评估；另一方面在于结合基金经理，虽然不能直接让基金经理动手操作，但是可以借鉴基金经理的历史操盘数据，即历史购买基金的收益和亏损数据作为经验值来对不同基金的风险进行评估。
32.请参阅图1，其示出了本发明一个实施例提供的一种基于数字经济的风险评估方法的方法流程图，该方法包括以下步骤：
33.步骤一，获取基金的历史单位净值走势图记为基金曲线，根据基金曲线上的极小值点和极大值点确定不同的周期长度，利用每个周期长度对基金曲线进行分割，根据分割结果构建各周期长度对应的周期矩阵，根据周期矩阵确定最佳周期长度。
34.首先，获取不同基金的历史数据中单位净值走势图，记为基金曲线，在基金曲线中，横坐标为时间，纵坐标为基金的净值。需要说明的是，获取的基金的单位净值走势图的时间长度实施者可根据实际情况进行设置，若获取基金在一天内的单位净值走势图，则表示基金在当日的行情。同时，本实施例中不再选择具体的基金进行说明，只针对一个基金对应的单位净值走势图进行分析，实施者可根据需求进行选择。
35.从实体经济整体来说，不少行业都具有很强的周期性，当经济环境较好时，市场对这些行业的产品需求比较高涨，这些行业中上市公司的业绩就会得到提升；反之，当经济低迷时，需求减弱，这些行业中上市公司的业绩就会有所回落。相应的，投资这些行业的基金也会出现周期性波动，进而使得基金曲线也具有周期性。
36.对于具有周期性的基金曲线来说，是整体曲线走势上的周期性，以一个合适的周期对基金曲线进行划分后，得到的单个周期内的曲线并非完全相同，也即在每个单个周期内的曲线可能会存在与其他周期内的曲线不同的部分，这些部分也就不具有周期性这一特征，故在本实施例中将每个单个周期内的非周期性的特征记为独立特征。若每个单个周期内独立特征的占比较大，且独立特征的位置的随机性较大，该基金对应的风险越大。
37.然后，需要说明的是，由于基金曲线的周期性不是较为规律的周期性，即每个周期内的曲线不完全相同，因此难以通过常规的周期计算方法得到基金曲线对应的周期，在本实施例中采用鲁棒主成分分析rpca算法获取基金曲线的最佳周期，其中，利用最佳周期对基金曲线进行划分后，所有单个周期之间的相似程度最大。由于鲁棒主成分分析rpca算法是一种对矩阵进行分解的方法，因此首先需要对基金曲线进行矩阵化。
38.对于基金曲线来说只有两种趋势，即上涨和下降，因此曲线中一次上涨和一次下降对应一个周期，但是在基金曲线中存在很多较小的上涨趋势和下降趋势，导致基金曲线的周期难以获取。基于此，通过计算基金曲线的局部极值点，以获取不同长度的周期，进而对基金曲线进行分析。
39.具体地，获取基金曲线的极小值点和极大值点，其中，曲线极值点的获取方法为公知技术，在此不再详细介绍。将基金曲线上横坐标值最小的极小值点作为周期长度的起点，分别获取各极大值点到该起点的横坐标的差值，得到不同的周期长度；其中，各极大值点的横坐标值均大于所述起点的横坐标值。例如，在选定极小值点作为起点之后，选择与该极小值点邻近的第一个极大值点作为终点，则可以得到第一个周期长度；选择邻近的第二个极大值点作为终点，则可以得到第二个周期长度；以此类推，选择邻近的第n个极大值点作为终点，则可以得到第n个周期长度。其中，在本实施例中选择横坐标值最小的极小值点作为起点，实施者也可根据实际情况进行选择。
40.最后，以不同的周期长度，对基金曲线进行分割，每个周期长度都对应一个分割结果，将分割得到的每段曲线上的纵坐标值作为一个矩阵的一行数据，进而可以得到以该周期长度进行分割后的曲线对应的矩阵，记为该周期长度对应的周期矩阵，则每个周期长度均对应一个周期矩阵。其中，所述曲线上的纵坐标值为基金净值。
41.利用鲁棒主成分分析rpca算法分别对各周期长度对应的周期矩阵进行分解，得到各周期长度对应的低秩矩阵。其中，鲁棒主成分分析rpca算法是一种矩阵分析方法，主要是把一个原始矩阵分解为一个低秩矩阵和一个稀疏矩阵的加和。低秩矩阵表示的是原始矩阵的线性无关的特征的组合，原始矩阵的行数越接近最佳周期，则该原始矩阵对应的低秩矩阵的秩越小，即只需要选择出秩最小的低秩矩阵对应的原始矩阵即可得到最佳周期。其中，鲁棒主成分分析rpca算法为公知技术，在此只做简单的介绍。
42.具体地，获取各周期长度对应的所有低秩矩阵中最小的秩对应的周期长度，记为最佳周期长度，将最佳周期长度对应的周期矩阵记为最佳周期矩阵。其中，以最佳周期长度对基金曲线进行划分得到的各段曲线之间的相似程度最大。
43.对于基金曲线来说，若每个单个周期内的曲线是完全相同的，则可以根据历史数据中的基金曲线的涨跌趋势完全精准预测之后每个时刻的趋势，进而说明此时该基金曲线对应的基金风险程度较低甚至为0。由此可知，对基金曲线的周期性进行分析有助于规避风险。由于需要对基金风险进行评估，因此需要获取最佳周期，有助于增加最终得到的风险评估的准确性。
44.步骤二，利用最佳周期长度对基金曲线进行分段处理得到多个子周期曲线，分别获取每个子周期曲线中的纵坐标值构成基金周期数据，利用因子分析算法对基金周期数据进行处理得到子周期曲线对应的独立因子向量。
45.具体地，利用最佳周期长度对基金曲线进行分段处理得到多个子周期曲线，对于
基金曲线来说，不同的子周期曲线内，既有相同的特征，也有不同的特征。其中，基金的不同子周期曲线内，只有某一个子周期曲线上具有某一个特征，其他所有子周期曲线上均不存在该特征，则这个特征为该子周期曲线的独立特征。例如，某个基金的第一个子周期曲线上在该曲线上的3/4位置处开始下降，而在其他子周期曲线上不存在该特征，则该特征为第一个子周期曲线中的独立特征。
46.对于基金的每个子周期曲线来说，相同的特征越多，说明该基金的涨跌趋势越具有规律性，而在掌握该基金的规律之后，可以有效规避风险，从而使得投资基金的风险越低。考虑到因子分析可以对公共特征和独立特征进行分析，因此采用因子分析技术来对基金曲线进行分析。
47.其中，因子分析是研究从变量群中提取共性因子的统计技术，本质上因子分析的过程是寻找共性因子和个性因子并得到最优解释的过程。因此，利用因子分析通过对多组数据进行分析，可以得到每组数据的权重系数和所有数据的公共因子矩阵，以及每组数据对应的独立因子向量，独立因子向量则可表示该向量的独立特征。
48.进一步的，将每个子周期曲线中的纵坐标值构成基金周期数据，即将最佳周期矩阵中的每一行数据作为一个基金周期数据，每个基金周期数据对应一个子周期曲线内的变化情况，利用因子分析对所有基金周期数据进行处理，可以得到不同的子周期曲线的公共特征和各自的独立特征，即所述公共特征对应了所有子周期曲线的所有基金周期数据的公共因子矩阵，所述独立特征对应了各子周期曲线的基金周期数据的独立因子向量。其中，独立因子向量中的元素的取值越大，该独立因子向量对应的子周期曲线比其他子周期曲线的独立特征的值越大。
49.步骤三，在子周期曲线与其他所有子周期曲线分别利用dtw算法进行匹配的过程中，获取映射关系为一对多和多对一时在该子周期曲线上的点的横坐标值，构成子周期曲线的特征位置序列；根据所述特征位置序列中元素计算子周期曲线的离散系数，根据所述独立因子向量和离散系数获得优选独立因子向量。
50.首先，需要说明的是，独立特征的值越大，且该独立特征的位置分布越随机，则该独立特征对基金风险的影响越大。即子周期曲线的独立特征的位置的随机性越大，基金风险越高，基于此，可以获取子周期曲线上独立特征的位置信息作为表征该位置随机性的系数，并将所述系数作为独立因子向量的修正系数可以进一步得到较为准确的独立特征的表征。
51.其中，独立特征的随机分布指的是：基金的每个子周期曲线内均存在独立特征，如果所有子周期曲线内的独立特征的位置相同，则该基金的独立特征分布的规律性较强，可以对独立特征的位置处存在的风险进行较好的规避。如果所有子周期曲线内的独立特征的位置分布较为离散，则对于该基金来说，消费者通过掌握独立特征的位置分布的规律进行风险的规避较为困难，则该基金的风险程度较高。因此，需要对各子周期曲线中独立特征的位置的分布随机性进行分析。
52.然后，利用动态时间规整算法即dtw算法在进行两个时间序列的匹配时，序列中的点可能不只是一一对应的关系，而是有一对一、一对多和多对一的不同映射。这种时间上的扭曲通过使得序列之间总体的距离最小化来实现。具体而言，动态时间规整算法通过动态规划的方式来获得两个时间序列的时间对应关系，进而求得序列之间的最小距离。
53.基于此，利用动态时间规整算法来分别对基金曲线的任意两段子周期曲线进行处理，获取各子周期曲线在进行dtw算法的匹配过程中，匹配关系为一对多和多对一的点，将这些点记为该子周期曲线的独立特征的所在位置。即由于子周期曲线中存在独立特征，所以在该子周期曲线分别与其他子周期曲线进行dtw算法的匹配过程中，出现了一对多和多对一的不同映射，进而可以将这些出现不同映射的位置作为独立特征的所在位置进行分析。
54.如果基金曲线上不同的子周期曲线的独立特征位于不同的位置，则该基金曲线的随机性较大，即该基金曲线的规律性较弱，难以规避投资该基金的风险，即投资该基金的风险较大。如果基金曲线上不同的子周期曲线的独立特征位于相同的位置或者相近的位置，则该基金曲线的随机性较小，即该基金曲线的规律性较强，通过分析基金曲线的规律有助于规避投资的风险，即投资该基金的风险较小。
55.在子周期曲线与其他所有子周期曲线分别进行dtw匹配的过程中，获取映射关系为一对多和多对一时在该子周期曲线上的点的横坐标值，构成子周期曲线的特征位置序列。例如，对于第一个子周期曲线，在该子周期曲线与第二个子周期曲线的匹配过程中，获取映射关系为一对多和多对一的点在第一个子周期曲线上的横坐标值。然后获取第一个子周期曲线与第三个子周期曲线的匹配过程中映射关系为一对多和多对一的点在第一个子周期曲线上的横坐标值。以此类推，进而获取第一个子周期曲线分别与其他所有子周期曲线进行匹配过程中，映射关系为一对多和多对一的点在第一个子周期曲线上的横坐标值，构成第一个子周期曲线的特征位置序列。进而可以获得所有子周期曲线的特征位置序列。
56.最后，由于子周期曲线的特征位置序列中的元素可以表征该子周期曲线上的独立特征的位置信息，则通过计算特征位置序列中元素的离散系数可以获得独立特征位置分布的随机性。其中，所述离散系数的计算方法为：特征位置序列中所有元素的标准差与均值的比值，特征位置序列中的元素为基金曲线的横坐标值，也即时间数值。且一个子周期曲线对应一个特征位置序列，一个特征位置序列对应一个离散系数，则一个子周期曲线对应一个离散系数。同时，离散系数的计算方法为公知技术，在此只做简单的介绍。
57.当子周期曲线对应的离散系数的取值较大，说明该子周期曲线上的独立特征位置分布的离散程度较大，也即随机性较大。当子周期曲线对应的离散系数的取值较小，说明该子周期曲线上的独立特征位置分布的离散程度较小，也即随机性较小。
58.例如，在基金曲线的第一个子周期曲线内的独立特征分布在该子周期曲线的1/3位置处，在第二个子周期曲线内的独立特征分布在该子周期曲线的1/4位置处，在第三个子周期曲线内的独立特征分布在2/3位置处，以此类推，获取所有子周期曲线内的独立特征分布的位置均不相同或者不相近，则不同子周期曲线的独立特征位置分布极为离散，则该基金曲线的随机性较大，消费者难以通过分析基金曲线的规律性对风险进行有效的规避。而如果不同的子周期曲线的独立特征位置均分布在该子周期曲线的1/2位置处，则通过获取该位置对应的时间段，并在该处采取相应措施，可以对风险进行有效规避。
59.独立因子向量则可表示该向量的独立特征，进而可以表征该向量对应的子周期曲线的独立特征，独立因子向量中的元素的取值越大，该独立因子向量对应的子周期曲线比其他子周期曲线的独立特征的值越大，且该独立特征的位置分布越随机，该独立特征对基金风险的影响越大。而子周期曲线对应的离散系数可以表示该子周期曲线内独立特征位置
分布的随机性。基于此，利用子周期曲线对应的离散系数对独立因子向量进行更新，结合独立特征位置分布对子周期曲线的独立特征值进行分析，考虑因素更加全面，进而使得后续对风险的评估更加准确。
60.具体地，计算子周期曲线的离散系数和数值1的和值，获取子周期曲线的独立因子向量中各数值与所述和值的乘积，将独立因子向量中所有数值计算得到的乘积构成新的独立因子向量，记为优选独立因子向量。则优选独立因子向量为更新后的独立因子向量，综合了子周期曲线内的独立特征的元素值大小信息和独立特征位置分布信息。更新后的独立因子向量中的数值越大，则该子周期曲线内的独立特征的随机性越大，优选独立因子向量表征的基金风险就越大。
61.由于子周期曲线的离散系数的取值范围为[0,1]，而子周期曲线的离散系数表征的随机性对于独立特征的值来说应当是一个放大系数，即子周期曲线的离散系数越大，该子周期曲线的独立特征的随机性越大，更新后的独立特征的值应当也越大。如果直接将离散系数与独立因子向量中的数值相乘反而会减小独立特征的值，因此通过将离散系数与数值1求和，来达到增大独立特征的值的目的。
[0062]
步骤四，分别计算子周期曲线与其他所有子周期曲线的相似度，构成该子周期曲线的相似度序列；将优选独立因子向量中各数值进行求和得到独立特征值，计算相似度序列中所有相似度的均值得到公共特征值；根据所述独立特征值和公共特征值得到基金曲线的周期性指标。
[0063]
需要说明的是，因子分析可以直接得到不同子周期曲线对应的公共因子特征，但是由于独立因子特征通过计算的离散系数进行了放大处理，因此不能直接将通过因子分析技术获得的公共因子特征作为与优化独立因子向量对应的独立因子特征相对应的特征，故可以采用dtw算法来计算不同子周期曲线间的dtw距离，进而得到相似度，将所述相似度作为不同子周期曲线之间的公共特征，表示不同子周期曲线之间的相似程度。
[0064]
具体地，分别计算子周期曲线与其他所有子周期曲线的相似度，构成该子周期曲线的相似度序列，在本实施例中，利用dtw算法来计算子周期曲线分别与其他所有子周期曲线的dtw距离，进而根据dtw距离获得子周期曲线与其他所有子周期曲线的相似度。两个子周期曲线之间的相似度越小，则这两个子周期曲线的相似程度越小，两个子周期曲线之间的相似度越大，则这两个子周期曲线的相似程度越大，基于此，将相似度序列中所有元素的均值作为该序列对应的子周期曲线与其他所有子周期曲线的相似度，可以表示该子周期曲线与其他所有子周期曲线的相似程度，进而可以表征该子周期曲线的公共特征。
[0065]
由于优选独立因子向量中的数值表示对应子周期曲线的独立特征的值，故将优选独立因子向量中的所有数值进行加和，将加和的值表征子周期曲线的独立特征。
[0066]
各子周期曲线的优选独立因子向量中数值越大，则独立特征的随机性越大，进而独立特征对基金曲线的规律性以及周期性影响越大，基金曲线呈现出越不规律的分布，即基金曲线的周期性指标的取值越小，基金的风险程度越高。基于此，将优选独立因子向量中的数值作为基金曲线的周期性指标的一个影响因素进行分析。
[0067]
各子周期曲线的相似度可以表示该子周期曲线与其他所有子周期曲线的相似程度，进而可以表征该子周期曲线的公共特征，该取值越大，说明子周期曲线与其他子周期曲线的相似程度越大，基金曲线呈现出较为规律的分布，即基金曲线的周期性指标的取值越
大，基金的风险程度越低。基于此，将子周期曲线的相似度作为基金曲线的周期性指标的一个影响因素进行分析。
[0068]
将优选独立因子向量中各数值进行求和得到独立特征值，计算相似度序列中所有相似度的均值得到公共特征值。获取所有子周期曲线的独立特征值的均值记为基金曲线的独立特征值，获取所有子周期曲线的公共特征值的均值记为基金曲线的公共特征值；计算基金曲线的独立特征值与公共特征值的和值，根据基金曲线的公共特征值与所述和值的比值得到基金曲线的周期性指标。
[0069]
其中，基金曲线的公共特征值越大，说明基金曲线上各个子周期曲线内的相似程度越大，基金曲线呈现出越规律的分布，使得该基金曲线的周期性指标越大，通过分析基金曲线的规律有助于规避投资的风险，即投资该基金的风险较小。
[0070]
步骤五，对于一个基金，获取不同基金经理投资该基金的任职回报，根据所述任职回报获得基金的预测成功率；根据所述预测成功率和周期性指标评估基金的风险程度。
[0071]
首先，需要说明的是，传统的基金投资方式是消费者通过基金经理对基金进行投资，即消费者把自身的钱交给基金经理，基金经理通过自身的经验对不同的基金进行投资，最终将投资获得的收益返还给消费者，作为消费者的收益。同时，基金经理会从中抽取抽成作为自己的报酬。
[0072]
而一些消费者为了收益最大化，不经过基金经理直接对基金进行投资，但是由于消费者本身对基金的认识程度不够，往往难以获得基金风险的相关信息。基于此，在不通过基金经理进行基金投资时，仅结合基金经理的投资经验。获取专业人士对基金投资的成功率，作为人与基金的交互关系，作为一个方面对基金风险进行评估。
[0073]
然后，获取基金经理管理基金时的数据，即基金经理管理不同基金时期的任职回报数据。通过这些数据对风险进行评估。具体地，实施者可以获取基金经理-基金图，表示的是基金经理与基金的关系，通过对基金进行检索，以基金经理为检索目标，可以检索到不同基金经理对该基金的投资时间和任职回报，实施者也可选择其他方法获取基金经理的任职回报。
[0074]
对于一个基金，获取哪些基金经理投资过该基金以及基金经理对应的任职回报，由于任职回报可能会出现负数，则为了方便后续计算，需要先对所有基金经理的任职回报进行优化。将所述任职回报中最小值的绝对值作为增益系数，计算所有基金经理对应的任职回报与增益系数的和得到优化后的任职回报。同时，实施者也可选择其他合适的方法进行优化，只需保证所有任职回报优化后的取值为正数即可。
[0075]
其中，需要说明的是，对于一个基金，获取投资过该基金的基金经理的数量，在获取不同基金经理对应的任职回报时，可能会存在投资过该基金的基金经理的数量过于庞大的情况，实施者可根据自身需求选择一定数量的基金经理的相关数据进行分析。在投资过该基金的基金经理的数量较小时，为了保证对基金风险评估的准确性，实施者应当选择所有投资过该基金的基金经理的相关数据进行分析。
[0076]
计算所有基金经理优化后的任职回报的均值，利用所述均值对不同基金经理的优化后的任职回报进行归一化处理得到基金经理对应的预测成功率。具体地，根据不同基金经理对应的优化后的任职回报与所述均值的比值得到基金经理对应的预测成功率。
[0077]
最后，计算所有基金经理对应的预测成功率的均值得到基金的预测成功率。基金
经理对应的预测成功率反映了基金经理对应的任职回报的大小，所有基金经理对应的预测成功率的均值能够表示投资过该基金的基金经理的任职回报的情况，当所述均值的取值较大时，说明投资过该基金的所有基金经理的任职回报较高，表示投资该基金能够赚钱的可能性较大，则投资该基金的风险就较小。基于此，将基金的预测成功率作为对基金风险进行评估的一个影响因素。
[0078]
基金曲线的周期性指标能够表征基金曲线上是否呈现出较为规律的分布，基金曲线呈现出越规律的分布，该基金曲线的周期性指标越大，通过分析基金曲线的规律有助于规避投资的风险，即投资该基金的风险较小。基于此，将基金曲线的周期性指标作为对基金风险进行评估的一个影响因素。
[0079]
计算所述预测成功率和周期性指标乘积的倒数得到基金的风险程度，基金曲线的周期性指标越大，基金曲线分布越规律，基金的风险程度越小，基金的预测成功率越大，基金经理的任职回报越高，基金的风险程度越小。从基金本身和基金经理对基金的互动两方面对基金风险进行评估，既考虑了基金自身的相关曲线的规律特征，又考虑了基金经理与基金的互动关系，考虑因素较为全面，使得最终基金风险评估的结果更加准确。
[0080]
同时，实施者在获取不同基金的风险程度后，可根据风险程度对不同的基金进行排序，使得消费者能够较为直观的获取不同基金的风险程度。
[0081]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。