一种用于资产组合规划的方法、系统设备及存储介质与流程

本发明涉及财富管理、组合投资，特别是基于大类资产投资相关的领域，尤其涉及一种用于资产组合规划的方法、系统设备及存储介质。

背景技术：

1、目前市场上现有的资产投资组合方案主要基于自上而下的大类资产(股债配比)和行业景气角度进行基于规则的投资组合构建，或是结合多维度短期市场特征与神经网络算法进行短期收益预测进而进行基金权重更新，或是根据客户风险等级标签匹配基金风险等级标签进行组合构建。已有深度强化学习应用于组合投资，只针对收益预测进行深度强化学习求解，且多见于股票和大类资产场景。对于客户持仓进行基于收益风险匹配的动态组合投资建议却十分有限。

2、因此，在财富管理场景下，从客户收益风险偏好出发，并充分考虑现实投资约束条件，自动化输出多周期动态优化的基金组合方案是一直有待解决的技术问题。

技术实现思路

1、为此，本申请提供一种技术方案来提供新的解决思路和技术方法，用以弥补上述所述的现有技术缺陷，并提升组合投资的技术效果，帮助在财富管理客户陪伴中发挥更大效用。本发明提供一种用于资产组合规划的方法、系统设备及存储介质，用以解决上述中的至少一种技术问题。

2、为实现上述目的，第一方面，本发明提供一种用于资产组合规划的方法，包括：

3、根据用户资产规划时长采用含时间标记的均值方差模型，离散的再平衡时间固定在t＝0,1,2，…t-1；其t+1期的资产规划组合公式如下：

4、

5、其中，wt为t期的总资产，表示投资产品i在第t期的净值，资产向量中表示第n个投资产品在t时期的组合中的资产；通过所述资产规划组合公式找到动态再平衡策略；根据所述动态再平衡策略进行投资产品的权重分配。

6、进一步地，所述通过所述资产规划组合公式找到动态再平衡策略，当在投资范围内找到所述动态再平衡策略，基于预先设定的回报值根据所述资产规划组合公式实现最小方差。

7、进一步地，设定初始总资产w0＝1，其组合决策的目标函数表达式为：

8、

9、其中，wt为t期的总资产，r为用户预先指定回报；

10、根据所述公式(2)使用拉格朗日乘子2ω，将所述公式(2)转化为无约束最小化问题，公式如下所示：

11、

12、其中，wt为t期的总资产，r为用户预先指定回报。

13、进一步地，根据公式(3)采用随机近似，根据更新规则学习ω，所述更新规则公式如下：

14、ωk+1＝ωk+αk(wt-1-1-r)；  (4)

15、其中,αk为学习率且αk>0，期末总资产wt-1用于被训练过程中最近观察到的几个终端财富值的样本平均值所取代，用以减少公式(4)中更新规则的波动。

16、进一步地，设定状态空间，所述状态空间采用投资产品包括但不限于以下特征：投资产品的类型、投资产品的业绩综合排名、投资产品涨跌幅、投资产品的夏普比率、投资产品的波动率、投资产品的最大回撤、投资产品的历史业绩、投资产品的投资风格、投资产品的风险等级以及投资产品的规模变化等特征；当所述模型采用所述状态空间进行训练时，对数值型变量做归一化处理，其值域为[0,1]，通过所述归一化处理使输出总和为1。

17、第二方面，本发明还提供了一种用于资产组合规划的系统，所述系统采用actor网络，包括：输入层、隐藏层、输出层、激活函数；

18、所述输入层，用于接受状态信息，所述状态信息为投资组合的特征或环境状态；

19、所述隐藏层，使用至少一个全连接层，每个所述隐藏层包含至少一个神经元，所述隐藏层的数量与所述神经元的数量根据投资组合复杂性做相应调整；

20、所述输出层的神经元数量为投资组合中的资产数量加1；其中，1为所述投资组合中的资产的现金部分；所述输出层采用sigmoid函数或tanh函数用来限制权重在0到1之间，利用归一化使总和等于1；

21、所述激活函数，用于在所述隐藏层和所述输出层上使用激活函数relu。

22、第三方面，本发明还提供了一种用于资产组合规划的系统，采用critic网络，包括：输入层、隐藏层、输出层以及激活函数；

23、所述输入层：用于接收状态信息和动作信息，所述状态信息为投资组合的特征或环境状态；所述动作信息为投资组合的动作；

24、所述隐藏层，使用至少一个全连接层，每个所述隐藏层包含至少一个神经元，所述隐藏层的数量与所述神经元的数量根据投资组合复杂性做相应调整；

25、所述输出层根据投资组合输出数值，根据所述数值评估投资组合性能，所述输出层设置有一个神经元，用于表示输出数值；

26、所述激活函数，用于在所述隐藏层和所述输出层上使用激活函数relu。

27、进一步地，所述critic网络设置对应的target网络，其用于生成所述输出数值及用户策略的目标值，所述target网络参数通过主网络采用软更新方式。

28、第三方面，本发明提供了一种计算设备，包括：

29、存储器，用于存储程序指令；

30、处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述所述的一种用于资产组合规划的方法。

31、第四方面，本发明提供一种计算机可读存储介质，包括，计算机可读指令，当计算机读取并执行所述计算机可读指令时，实现上述所述的一种用于资产组合规划的方法，所述可读介质可以为多个，所述多个可读介质相互之间能够独立运行。

32、与现有技术相比，本方案的技术手段取得了以下技术效果：

33、1、个性化投资决策支撑：可以根据客户的实际情况和投资目标，为每个客户提供个性化的持仓健诊。通过分析客户的风险承受能力、投资偏好和市场预期，算法可以为客户提供最适合其需求的资产配置方案。

34、2、及时调整投资策略：根据市场变化实时调整投资策略。通过不断学习和优化，算法能够识别市场趋势和风险信号，并根据这些信息调整投资组合的权重和分配比例，以适应不同市场环境和投资机会。

35、3、透明性和可解释性:强化学习决策过程相对透明，具有一定的可解释性，增加了客户对相关决策的信任。

36、4、风险规避和资产保值增值：通过动态分配策略，算法可以根据市场情况和客户的风险偏好，调整投资组合的分散程度和资产类别的比例，以降低整体投资组合的波动性，并提供更稳定的投资回报，帮助客户实现资产的保值和增值。

技术特征：

1.一种用于资产组合规划的方法，其特征在于，包括：

2.根据权利要求1所述的用于资产组合规划的方法，其特征在于，所述通过所述资产规划组合公式找到动态再平衡策略，当在投资范围内找到所述动态再平衡策略，基于预先设定的回报值根据所述资产规划组合公式实现最小方差。

3.根据权利要求1所述的用于资产组合规划的方法，其特征在于，设定初始总资产w0＝1，其组合决策的目标函数表达式为：

4.根据权利要求3所述的用于资产组合规划的方法，其特征在于，根据公式(3)采用随机近似，根据更新规则学习ω，所述更新规则公式如下：

5.根据权利要求4所述的用于资产组合规划的方法，其特征在于，设定状态空间，所述状态空间采用投资产品包括但不限于以下特征：投资产品的类型、投资产品的业绩综合排名、投资产品涨跌幅、投资产品的夏普比率、投资产品的波动率、投资产品的最大回撤、投资产品的历史业绩、投资产品的投资风格、投资产品的风险等级以及投资产品的规模变化等特征；当所述模型采用所述状态空间进行训练时，对数值型变量做归一化处理，其值域为[0,1]，通过所述归一化处理使输出总和为1。

6.一种用于资产组合规划的系统，其特征在于，所述系统采用actor网络，包括：输入层、隐藏层、输出层、激活函数；

7.一种用于资产组合规划的系统，其特征在于，采用critic网络，包括：输入层、隐藏层、输出层以及激活函数

8.根据权利要求7所述的用于资产组合规划的系统，其特征在于，所述critic网络设置对应的target网络，其用于生成所述输出数值及用户策略的目标值，所述target网络参数通过主网络采用软更新方式。

9.一种计算设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，实现如权利要求1至6中任一项方法，所述可读介质可以为多个，所述多个可读介质相互之间能够独立运行。

技术总结
本发明公开了一种用于资产组合规划的方法，利用历史价格数据集和强化学习算法，解决多周期组合优化问题。与传统模型只考虑静态资产配置不同，本发明的方法通过反复试验的方式，直接学习最优或接近最优的动态分配策略。这种方法不依赖于估计平均回报向量和协方差矩阵，而是根据实际情况不断调整投资策略，以适应金融市场的变化和不确定因素，从而规避风险并实现更大的期末收益。并充分考虑现实投资约束条件，构造基于均值方差模型的近似求解函数，采用深度强化学习求解，自动化动态输出多周期基金组合方案。客户根据实际情况进行组合决策，并根据市场变化及时调整投资策略，以最大程度地规避风险和实现财产的保值和升值。

技术研发人员：谢能,叶荣烜,陈志明
受保护的技术使用者：中信银行股份有限公司
技术研发日：
技术公布日：2024/8/15