金融资产的配置方法及其装置、电子设备及存储介质与流程

本发明涉及大数据领域，具体而言，涉及一种金融资产的配置方法及其装置、电子设备及存储介质。

背景技术：

1、在金融领域中，资产配置是一项重要的任务，其核心目标是在多个资产类别之间进行权重分配，从而平衡预期收益和风险。

2、相关技术中的资产配置策略(例如，基于均值-方差优化的资产配置策略)通常是基于线性或者凸优化模型进行资产配置，虽然对于资产种类较少的资产配置效果较好，但随着投资组合中考虑的资产种类数量的增加，迅速增加了复杂性，导致了资产配置效果较差。

3、随着金融市场的发展和资产类别的多样化，投资类别覆盖了股票、债券、实物资产、衍生品、另类投资等多种类别，使得资产配置变成了一个高维优化问题，而处理这类高维问题的当前方法(如线性编程或四次规划)会受到“维数灾难”的影响，使得计算成本高昂且效率低下。

4、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种金融资产的配置方法及其装置、电子设备及存储介质，以至少解决相关技术中对金融资产进行配置的效率以及准确度较低的技术问题。

2、根据本发明实施例的一个方面，提供了一种金融资产的配置方法，包括：接收目标客户的金融资产配置请求，其中，所述金融资产配置请求至少包括：客户标识、投资需求信息以及投资偏好信息，所述投资需求信息至少包括：投资资产集合、投资期限以及目标回报率；基于所述客户标识，确定所述目标客户的资本约束信息，其中，所述资本约束信息至少包括：每个投资资产的限制投资比例；将所述投资需求信息输入至预设预测模型，输出所述目标客户的资产配置信息，其中，所述预设预测模型是基于历史金融数据训练的满足预设误差的内嵌物理知识神经网络模型，所述资产配置信息包括：所述投资资产集合中每个所述投资资产的投资比例；基于所述投资偏好信息以及所述资本约束信息，调整所述资产配置信息中预设投资资产的所述投资比例，得到目标资产配置信息，其中，所述预设投资资产是基于所述投资偏好信息以及所述资本约束信息确定的待调整投资资产。

3、进一步地，在接收目标客户的金融资产配置请求之前，还包括：接收所述目标客户通过目标终端确定的所述投资资产集合、所述投资期限、所述目标回报率以及所述投资偏好信息，其中，所述投资偏好信息至少包括：每个所述投资资产的最大投资比例；基于所述投资资产集合、所述投资期限以及所述目标回报率，生成所述投资需求信息；基于所述投资需求信息以及所述投资偏好信息，构建所述金融资产配置请求。

4、进一步地，在将所述投资需求信息输入至预设预测模型，输出所述目标客户的资产配置信息之前，还包括：基于内嵌物理知识神经网络框架，构建初始预测模型，其中，所述初始预测模型的模型结构至少包括：输入层、隐藏层、输出层，所述输入层用于接收输入的所述历史金融数据，隐藏层至少包括：多个全连接层、预设激活函数层，所述输出层用于输出预测资产组合价值；采集历史时间段内的所述历史金融数据，其中，所述历史金融数据包括：每个历史时间点下的风险利率以及每个金融资产的价格，所述历史时间点是所述历史时间段内的时间点；采用所述历史金融数据对所述初始预测模型进行训练，直到通过预设损失函数计算得到的预设损失值小于预设损失阈值，得到所述预设预测模型，其中，所述预设损失函数是基于所述预设误差构建的损失函数，所述预设误差至少包括：数据损失误差、预设偏微分方程误差以及预设约束条件误差。

5、进一步地，在采集历史时间段内的所述历史金融数据之后，还包括：对于每个所述金融资产，基于所述历史金融数据，确定所述金融资产涉及的金融子数据，其中，所述金融子数据包括下述至少之一：每个历史时间点下的所述金融资产的价格、预期收益率、波动率，预设利率、预设均值；对于每个所述金融资产，基于所述金融资产的所述金融子数据，构建所述金融资产的随机微分方程，其中，所述随机微分方程用于表示所述金融资产的价格动态。

6、进一步地，在基于所述金融资产的所述金融子数据，构建所述金融资产的随机微分方程之后，还包括：基于所有所述金融资产，构建资产组合集合，其中，所述资产组合集合包括：多个资产组合，所述资产组合是由多个所述金融资产构成的组合；对于每个所述资产组合，基于在所述历史时间点下的所述风险利率以及所述资产组合包含的每个所述金融资产在所述历史时间点下的价格，确定所述资产组合在每个所述历史时间点下的真实资产组合价值，其中，同一所述历史时间点下的所述真实资产组合价值与所述预测资产组合价值用于确定所述数据损失误差；基于所有所述金融资产的所述随机微分方程，构建预设偏微分方程，其中，所述预设偏微分方程用于表示所述资产组合的资产组合价值动态，所述预设偏微分方程用于确定所述预设偏微分方程误差。

7、进一步地，在采用所述历史金融数据对所述初始预测模型进行训练，直到通过预设损失函数计算得到的预设损失值小于预设损失阈值，得到所述预设预测模型之前，还包括：构建预设约束条件集合，其中，所述预设约束条件集合包括：多个预设约束条件，所述预设约束条件为下述至少之一：初始约束条件、边界约束条件、风险约束条件；基于所述初始约束条件以及所述预测资产组合价值，确定初始条件误差；基于所述边界约束条件以及所述风险约束条件，确定边界条件误差；基于所述初始条件误差以及所述边界条件误差，构建所述预设约束条件误差。

8、进一步地，基于所述投资偏好信息以及所述资本约束信息，调整所述资产配置信息中预设投资资产的所述投资比例的步骤，包括：基于所述投资偏好信息以及所述资本约束信息，确定每个所述投资资产的投资比例范围；对于每个所述投资资产，判断所述投资资产的投资比例是否在所述投资比例范围内；在所述投资资产的所述投资比例不在所述投资比例范围内的情况下，将所述投资资产确定为所述待调整投资资产，并将所述待调整投资资产表征为所述预设投资资产；对于每个所述预设投资资产，基于所述投资比例范围，调整所述预设投资资产的所述投资比例。

9、根据本发明实施例的另一方面，还提供了一种金融资产的配置装置，包括：接收单元，用于接收目标客户的金融资产配置请求，其中，所述金融资产配置请求至少包括：客户标识、投资需求信息以及投资偏好信息，所述投资需求信息至少包括：投资资产集合、投资期限以及目标回报率；确定单元，用于基于所述客户标识，确定所述目标客户的资本约束信息，其中，所述资本约束信息至少包括：每个投资资产的限制投资比例；输入单元，用于将所述投资需求信息输入至预设预测模型，输出所述目标客户的资产配置信息，其中，所述预设预测模型是基于历史金融数据训练的满足预设误差的内嵌物理知识神经网络模型，所述资产配置信息包括：所述投资资产集合中每个所述投资资产的投资比例；调整单元，用于基于所述投资偏好信息以及所述资本约束信息，调整所述资产配置信息中预设投资资产的所述投资比例，得到目标资产配置信息，其中，所述预设投资资产是基于所述投资偏好信息以及所述资本约束信息确定的待调整投资资产。

10、进一步地，所述配置装置还包括：第一接收模块，用于在接收目标客户的金融资产配置请求之前，接收所述目标客户通过目标终端确定的所述投资资产集合、所述投资期限、所述目标回报率以及所述投资偏好信息，其中，所述投资偏好信息至少包括：每个所述投资资产的最大投资比例；第一生成模块，用于基于所述投资资产集合、所述投资期限以及所述目标回报率，生成所述投资需求信息；第一构建模块，用于基于所述投资需求信息以及所述投资偏好信息，构建所述金融资产配置请求。

11、进一步地，所述配置装置还包括：第二构建模块，用于在将所述投资需求信息输入至预设预测模型，输出所述目标客户的资产配置信息之前，基于内嵌物理知识神经网络框架，构建初始预测模型，其中，所述初始预测模型的模型结构至少包括：输入层、隐藏层、输出层，所述输入层用于接收输入的所述历史金融数据，隐藏层至少包括：多个全连接层、预设激活函数层，所述输出层用于输出预测资产组合价值；第一采集模块，用于采集历史时间段内的所述历史金融数据，其中，所述历史金融数据包括：每个历史时间点下的风险利率以及每个金融资产的价格，所述历史时间点是所述历史时间段内的时间点；第一训练模块，用于采用所述历史金融数据对所述初始预测模型进行训练，直到通过预设损失函数计算得到的预设损失值小于预设损失阈值，得到所述预设预测模型，其中，所述预设损失函数是基于所述预设误差构建的损失函数，所述预设误差至少包括：数据损失误差、预设偏微分方程误差以及预设约束条件误差。

12、进一步地，所述配置装置还包括：第一确定模块，用于在采集历史时间段内的所述历史金融数据之后，对于每个所述金融资产，基于所述历史金融数据，确定所述金融资产涉及的金融子数据，其中，所述金融子数据包括下述至少之一：每个历史时间点下的所述金融资产的价格、预期收益率、波动率，预设利率、预设均值；第三构建模块，用于对于每个所述金融资产，基于所述金融资产的所述金融子数据，构建所述金融资产的随机微分方程，其中，所述随机微分方程用于表示所述金融资产的价格动态。

13、进一步地，所述配置装置还包括：第四构建模块，用于在基于所述金融资产的所述金融子数据，构建所述金融资产的随机微分方程之后，基于所有所述金融资产，构建资产组合集合，其中，所述资产组合集合包括：多个资产组合，所述资产组合是由多个所述金融资产构成的组合；第二确定模块，用于对于每个所述资产组合，基于在所述历史时间点下的所述风险利率以及所述资产组合包含的每个所述金融资产在所述历史时间点下的价格，确定所述资产组合在每个所述历史时间点下的真实资产组合价值，其中，同一所述历史时间点下的所述真实资产组合价值与所述预测资产组合价值用于确定所述数据损失误差；第五构建模块，用于基于所有所述金融资产的所述随机微分方程，构建预设偏微分方程，其中，所述预设偏微分方程用于表示所述资产组合的资产组合价值动态，所述预设偏微分方程用于确定所述预设偏微分方程误差。

14、进一步地，所述配置装置还包括：第六构建模块，用于在采用所述历史金融数据对所述初始预测模型进行训练，直到通过预设损失函数计算得到的预设损失值小于预设损失阈值，得到所述预设预测模型之前，构建预设约束条件集合，其中，所述预设约束条件集合包括：多个预设约束条件，所述预设约束条件为下述至少之一：初始约束条件、边界约束条件、风险约束条件；第三确定模块，用于基于所述初始约束条件以及所述预测资产组合价值，确定初始条件误差；第四确定模块，用于基于所述边界约束条件以及所述风险约束条件，确定边界条件误差；第七构建模块，用于基于所述初始条件误差以及所述边界条件误差，构建所述预设约束条件误差。

15、进一步地，所述调整单元包括：第五确定模块，用于基于所述投资偏好信息以及所述资本约束信息，确定每个所述投资资产的投资比例范围；第一判断模块，用于对于每个所述投资资产，判断所述投资资产的投资比例是否在所述投资比例范围内；第六确定模块，用于在所述投资资产的所述投资比例不在所述投资比例范围内的情况下，将所述投资资产确定为所述待调整投资资产，并将所述待调整投资资产表征为所述预设投资资产；第一调整模块，用于对于每个所述预设投资资产，基于所述投资比例范围，调整所述预设投资资产的所述投资比例。

16、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项金融资产的配置方法。

17、根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项金融资产的配置方法。

18、在本发明中，接收目标客户的金融资产配置请求，基于客户标识，确定目标客户的资本约束信息，将投资需求信息输入至预设预测模型，输出目标客户的资产配置信息，基于投资偏好信息以及资本约束信息，调整资产配置信息中预设投资资产的投资比例，得到目标资产配置信息。在本发明中，可以先根据接收到的金融资产配置请求携带的客户标识，确定目标客户的资本约束信息，然后将金融资产配置请求携带的投资需求信息输入至预先训练好的满足预设误差的内嵌物理知识神经网络模型，以得到目标客户的资产配置信息，之后可以根据金融资产配置请求携带的投资偏好信息以及资本约束信息，确定待调整投资资产，并调整资产配置信息中待调整投资资产的投资比例，以得到目标资产配置信息，通过内嵌物理知识神经网络模型进行金融资产配置，有效提高了配置效率以及准确性，进而解决了相关技术中对金融资产进行配置的效率以及准确度较低的技术问题。