一种资产优化配置方法、装置、计算机设备及存储介质与流程

本技术属于人工智能和金融资产配置领域，具体涉及一种资产优化配置方法、装置、计算机设备及存储介质。

背景技术：

1、企业大类资产配置规划和资产收益预测是战略配置部门的重要工作，现有的模式是下大类资产配置规划和收益预测是独立割裂的，通常是资产配置系统根据模型得出大类资产配置规划，配置规划岗调整得出最优配置并导出各资产配置规划数据给到资产收益预测岗，资产收益预测岗再根据线下接收的配置规划数据手工计算未来年度/季度各资产的资产收益。因此，目前大多数企业的资产收益预测的通过人力预测，需要投入大量的人力，效率比较低，存在一定的主观性。

技术实现思路

1、本技术实施例的目的在于提出一种资产优化配置方法、装置、计算机设备及存储介质，以解决现有资产优化配置方案存在的需要投入大量的人力，效率比较低，存在一定的主观性的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种资产优化配置方法，采用了如下所述的技术方案：

3、一种资产优化配置方法，包括：

4、获取历史资产数据，其中，所述历史资产数据包括持仓数据、交易数据、收益数据和违约数据；

5、对所述历史资产数据进行预处理，并对预处理后所述历史资产数据进行标注，其中，对预处理后所述历史资产数据进行标注包括分别对持仓数据、所述交易数据、所述收益数据和所述违约数据进行标注；

6、对标注后的历史资产数据进行数据集划分，得到训练集和测试集；

7、通过所述训练集对预设的神经网络模型进行训练，并利用所述测试集对训练后的所述神经网络模型进行调整，得到资产预测模型；

8、获取待预测资产数据，并将所述待预测资产数据导入所述资产预测模型，得到资产预测结果；

9、根据所述资产预测结果选择匹配的资产优化配置组合，并输出所述资产优化配置组合。

10、进一步地，所述预处理包括数据去重、标准化处理和缺失值处理，所述对所述历史资产数据进行预处理，并对预处理后所述历史资产数据进行标注，具体包括：

11、依次对所述历史资产数据进行数据去重、标准化处理和缺失值处理；

12、获取标注标签，其中，所述标注标签包括持仓标签、交易标签、收益标签和违约标签；

13、对所述历史资产数据进行关键词提取，并分别将提取的关键词与所述标注标签进行匹配；

14、根据匹配结果对所述历史资产数据进行标注。

15、进一步地，所述神经网络模型为多层感知机，所述神经网络模型包括输入层、隐藏层和输出层，所述通过所述训练集对预设的神经网络模型进行训练，具体包括：

16、通过所述输入层对所述训练集中的训练样本进行特征提取，得到若干个样本特征；

17、通过所述隐藏层对所有所述样本特征进行非线性变换，并将非线性变换后的所述样本特征均映射到同一个高维空间；

18、从所述高维空间获取样本特征组合，并通过所述输出层中的激活函数输出所述样本特征组合，得到所述训练样本对应的资产预测结果。

19、进一步地，所述隐藏层包含若干个神经元，所述通过所述隐藏层对所有所述样本特征进行非线性变换，并将非线性变换后的所述样本特征均映射到同一个高维空间，具体包括：

20、将所述样本特征依次导入所述所述隐藏层的神经元中，其中，每一个所述神经元接收一个所述样本特征的输入；

21、获取神经元的权重值，并通过所述权重值对对应的神经元的输出向量进行赋权；

22、将赋权后的所述输出向量映射到同一个所述高维空间。

23、进一步地，所述利用所述测试集对训练后的所述神经网络模型进行调整，得到资产预测模型，具体包括：

24、将所述测试集中的测试样本导入训练后的所述神经网络模型，输出所述测试样本对应的资产预测结果；

25、将测试样本对应的资产预测结果与所述测试样本的标注标签进行比对，获取预测误差；

26、将所述预测误差与预设误差阈值进行比对；

27、若所述预测误差大于所述预设误差阈值，则对训练后的所述神经网络模型的模型参数进行调整，直至所述预测误差小于或等于所述预设误差阈值为止，得到所述资产预测模型。

28、进一步地，所述将所述预测误差与预设误差阈值进行比对，具体包括：

29、基于反向传播算法在所述神经网络模型的各个网络层中传递所述预测误差，得到各个网络层的误差参数；

30、将各个网络层的误差参数分别与所述预设误差阈值进行比对。

31、进一步地，根据所述资产预测结果选择匹配的资产优化配置组合，并输出所述资产优化配置组合，具体包括：

32、利用预设的均值方差模型基于所述资产预测结果计算所述待预测资产数据中各类资产的配置占比；

33、根据所述待预测资产数据中各类资产的配置占比在预设的配置库中确定匹配的资产优化配置组合；

34、输出所述资产优化配置组合。

35、为了解决上述技术问题，本技术实施例还提供一种资产优化配置装置，采用了如下所述的技术方案：

36、一种资产优化配置装置，包括：

37、数据获取模块，用于获取历史资产数据，其中，所述历史资产数据包括持仓数据、交易数据、收益数据和违约数据；

38、数据处理模块，用于对所述历史资产数据进行预处理，并对预处理后所述历史资产数据进行标注，其中，对预处理后所述历史资产数据进行标注包括分别对持仓数据、所述交易数据、所述收益数据和所述违约数据进行标注；

39、数据划分模块，用于对标注后的历史资产数据进行数据集划分，得到训练集和测试集；

40、模型训练模块，用于通过所述训练集对预设的神经网络模型进行训练，并利用所述测试集对训练后的所述神经网络模型进行调整，得到资产预测模型；

41、资产预测模块，用于获取待预测资产数据，并将所述待预测资产数据导入所述资产预测模型，得到资产预测结果；

42、资产配置模块，用于根据所述资产预测结果选择匹配的资产优化配置组合，并输出所述资产优化配置组合。

43、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

44、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的资产优化配置方法的步骤。

45、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

46、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的资产优化配置方法的步骤。

47、与现有技术相比，本技术实施例主要有以下有益效果：

48、本技术公开一种资产优化配置方法、装置，计算机设备及存储介质，属于人工智能技术领域和金融资产配置领域。本技术通过获取历史资产数据，对历史资产数据进行预处理，并对预处理后历史资产数据进行标注，对标注后的历史资产数据进行数据集划分，得到训练集和测试集，通过训练集对预设的神经网络模型进行训练，并利用测试集对训练后的神经网络模型进行调整，得到资产预测模型，获取待预测资产数据，并将待预测资产数据导入资产预测模型，得到资产预测结果，根据资产预测结果选择匹配的资产优化配置组合，并输出资产优化配置组合。本技术通过神经网络训练资产预测模型，并通过资产预测模型预测当前资产数据的收益数据，通过预测的收益数据自动匹配的资产优化配置组合，降低资产收益预测过程中的人力投入和预测的主观性，提高预测效率。