一种股票选股与交易策略的五因子评估及多策略组合优化方法技术

股票选股与交易策略五因子评估及多策略组合优化方法，属于金融大数据分析技术和股票投资领域。现有股票选股与交易策略大多追求于极致的投资收益率或风险控制，而忽略了投资者多维的投资和心理需求，导致投资者对投资策略产生天然的不信任感，严重影响了投资者依据投资策略做出投资决策的效能。本发明专利技术通过将投资策略映射为五维因子，解决对各种股票投资策略的动态评估问题；根据投资者需求，通过前端服务器与投资者交互，描述用户画像并将其也映射为五维因子，从而以“黑盒”测试的方式剪除投资策略对投资者的技术壁垒，构建投资者与投资策略间的适配桥梁；采用贪心搜索、skyline搜索的组合构建策略乐高，实现最大化投资收益与投资准确性的优化平衡。

【技术实现步骤摘要】
一种股票选股与交易策略的五因子评估及多策略组合优化方法
本专利技术涉及金融大数据分析技术和股票投资领域，尤其涉及一种对于股票选股与交易策略的五因子评估及多策略组合优化方法。
技术介绍
在大数据时代，投资者都希望能够通过各种技术和方式去挖掘股票价格波动的规律，从而在一定风险承受范围内获得稳定的投资收益。对股票价格波动趋势的预测一直是金融大数据分析领域研究的焦点问题。然而在股票市场中，股票价格的变化受到来自各方面因素的影响，有长期影响股价的因素（如公司基本面情况、国家政策导向等）、有暂时性影响股价的因素（如股票价格的周期性波动），甚至有一些因素对股票价格预测产生干扰，因此需要首先辨识其中对股票价格预测产生重要影响的因素。为此在过去三十年间，产业界和学术界通过研究股票交易、股票价格的变动规律等，并针对不同的实际需求，提出了许多极具价值的股票价格预估与交易策略。现有的股票价格预估策略主要可分为两大类：基于股票指标的预估策略和基于机器学习、数据挖掘、深度学习等AI技术的预估策略（下简记为基于AI技术的预估策略）。其中，基于股票指标的预估策略主要是通过观察股票指标数值变化与股价波动的协同关系来生成的股票买卖点或区间的预估策略。例如经典指标指数平滑异动平均线(MovingAverageConvergenceandDivergence，MACD），通过观察MACD中DIF与DEA交叉的时间窗口股价趋势的变化，形成“MACD金叉买股、死叉卖股”的交易策略。而基于AI技术的预估策略则是将股票历史交易数据注入预设的模型（如logisticregression、SVM、LSTM等）中，通过训练、评估、修正等步骤改进模型对股价趋势预估的准确度，进而形成股票交易策略。例如重庆交通大学的王琼瑶提出了改进GA-SVM股票回归预测模型和混合PSO-SVM股票回归预测模型对上证指数进行实证，证明改进GA-SVM在股票价格预测方面能取得较高的预测精度。卡塔尔大学的Yousif等人利用线性时间序列模型与非线性人工神经网络(ANN)模型，对多哈股票市场进行股票指数预测，建立了多个模型，最终结果表明ANN效果是最好的。然而，对于投资者而言，由于缺乏对于各个策略实现原理的理解，导致各个策略本身成为投资者眼中的“黑盒”，投资者无法根据自身的切实需求来选择最适合的投资策略。此外，单从投资收益的角度看，各策略本身对投资所产生的收益也是随着时间窗口的移动而发生演化，这更加剧了投资者对投资策略如何选择的顾虑。因此，如何分析策略本身所具有的特征属性，进而建立投资者需求与投资策略的适配性，已经成为股票选股与收益最大化等目标的必要技术前件。
技术实现思路
本专利技术的目的在于解决对各种股票投资策略的动态评估问题，剪除投资策略对投资者的技术壁垒，进而构建投资者与投资策略间的适配桥梁，因此提供一种股票选股与交易策略的五因子评估方法，并将其制成策略卡供投资者使用，以此为基础，为了进一步提升投资的收益并降低风险，提供一种多策略组合优化方法（下称为“策略乐高”）。所述的股票选股策略、交易策略为用Python编程语言封装的函数模块，其输入为MySQL数据库中的与股票交易相关的数据（如股票日/周/月交易数据、上市公司财务数据等），输出为筛选的股票列表。所述的策略卡是将策略封装为一个用五因子评估方法描述的对象，包括：由“进攻力、防御力、激进力、亲和力、生存力”五因子组成的属性，策略的类别属性及策略的时间窗口回测方法。所述的策略乐高是一组按功能划分有序的策略卡序列。为实现上述技术目的，达到上述技术效果，一种股票选股与交易策略的五因子评估及多策略组合优化方法通过以下技术方案实现：步骤一、策略卡生成。对于给定的策略G，通过时间窗口回测方法计算使用策略G买卖股票的每日收益及累积收益等，并以此分别计算该策略的五因子属性的值，最终生成相应的策略卡；步骤二、用户画像构建。前端服务器采用html5网页服务器、DjangoWeb服务器、MySQL数据库的组合作为前端系统的前端和管理系统，前端服务器与投资者进行交互，前端网页服务器与投资者交互，并根据交互获取的用户需求和投资偏好对用户进行“画像”，并通过五因子模型进行可量化描述；步骤三、策略卡的个性化养成。根据步骤二中用户的画像自动化搜索与之适配的策略卡。策略卡在被使用时，将在其选股策略中融入投资者的需求，在候选集中优先选取投资者偏好的股票；此外，策略卡的五因子属性也将随着每日的交易收益、投资者评价等进行演化；步骤四、多策略的优化组合。给定策略卡池，根据步骤二中投资者的画像，从策略卡池中选取一组策略卡，并进行有序排列，在满足投资者需求的同时实现效能的最大化。本专利技术的有益效果为：本专利技术是针对目前大数据驱动的AI智能股票投资环境，需要系统能够刻画投资人的需求、探知投资策略实现“黑盒”的外显特征、以效能最大化为目标将两者进行适配的问题。将投资者的需求和投资策略统一描述，即将两者最终都映射为“进攻力、防御力、激进力、亲和力、生存力”这五维因子来量化表示，从而消除下层投资策略对上层投资者的语义鸿沟。将策略制成策略卡（即策略对象化），通过Python闭包、装饰器等技术使得策略随着时间窗口的推移具有演化能力，并可以通过导入投资者对策略的打分作为代价函数，使得策略具有与投资者相合的个性化养成能力。为了进一步提升投资者的收益、降低投资风险、降低投资者对购买高阶策略的开销，在投资者现有策略卡池的基础上，通过策略卡的组合机制，根据策略间的互补性、协同增强性，将策略卡组合后与投资者需求的匹配度达到93%以上，投资收益比单个主策略卡的收益提升25%以上，投资风险比单个主策略卡的风险降低50%以上。附图说明图1为贪心策略搜索模型示意图；图2为投资者五因子画像构建示意图；图3为基于AIML交互式投资者五因子画像构建示意图；图4为投资月收益率对比分析示意图；图5为投资准确率对比分析示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。具体实施方式一：步骤一：本实施方式首先给出股票策略G五维因子评估的描述与量化计算公式，具体如下：“进攻力F”反映了目标策略的盈利能力，与回测时间窗口的累积收益率成正比。表示为：，其中，|C|为回测窗口的周期（日、周、月、季、半年、年等）长度，Ik为第k个周期的收益率。“防御力D”反映了目标策略防范风险R（即投资损失）的能力，与回测时间窗口的累积损失率成反比。表示为：，其中，表示第k个周期的投资损失率。“激进力S”反映了投资策略的稳定性，表示为：，其中，为论域U的第k个周期的收益率，论域U为策略的候本文档来自技高网...

【技术保护点】
1.一种股票选股与交易策略的五因子评估及多策略组合优化方法通过以下技术方案实现：/n步骤一：策略卡生成，对于给定的策略G，通过时间窗口回测方法计算使用策略G买卖股票的每日收益及累积收益等，并以此分别计算该策略的五因子属性的值，最终生成相应的策略卡；/n 步骤二：用户画像构建，前端服务器采用html5网页服务器、Django Web服务器、MySQL数据库的组合作为前端系统的前端和管理系统，前端服务器与投资者进行交互，前端网页服务器与投资者交互，并根据交互获取的用户需求和投资偏好对用户进行“画像”，并通过五因子模型进行可量化描述；/n步骤三：策略卡的个性化养成，根据步骤二中用户的画像自动化搜索与之适配的策略卡；策略卡在被使用时，将在其选股策略中融入投资者的需求，在候选集中优先选取投资者偏好的股票；此外，策略卡的五因子属性也将随着每日的交易收益、投资者评价等进行演化；/n步骤四：多策略的优化组合；给定策略卡池，根据步骤二中投资者的画像，从策略卡池中选取一组策略卡，并进行有序排列，在满足投资者需求的同时实现效能的最大化。/n

【技术特征摘要】
1.一种股票选股与交易策略的五因子评估及多策略组合优化方法通过以下技术方案实现：
步骤一：策略卡生成，对于给定的策略G，通过时间窗口回测方法计算使用策略G买卖股票的每日收益及累积收益等，并以此分别计算该策略的五因子属性的值，最终生成相应的策略卡；
步骤二：用户画像构建，前端服务器采用html5网页服务器、DjangoWeb服务器、MySQL数据库的组合作为前端系统的前端和管理系统，前端服务器与投资者进行交互，前端网页服务器与投资者交互，并根据交互获取的用户需求和投资偏好对用户进行“画像”，并通过五因子模型进行可量化描述；
步骤三：策略卡的个性化养成，根据步骤二中用户的画像自动化搜索与之适配的策略卡；策略卡在被使用时，将在其选股策略中融入投资者的需求，在候选集中优先选取投资者偏好的股票；此外，策略卡的五因子属性也将随着每日的交易收益、投资者评价等进行演化；
步骤四：多策略的优化组合；给定策略卡池，根据步骤二中投资者的画像，从策略卡池中选取一组策略卡，并进行有序排列，在满足投资者需求的同时实现效能的最大化。


2.根据权利要求1所述股票选股与交易策略的五因子评估及多策略组合优化方法，通过以下步骤实现：
步骤一：本实施方式首先给出股票策略G五维因子评估的描述与量化计算公式，具体如下：“进攻力F”反映了目标策略的盈利能力，与回测时间窗口的累积收益率成正比，表示为：

，
其中，|C|为回测窗口的周期（日、周、月、季、半年、年等）长度，Ik为第k个周期的收益率；
“防御力D”反映了目标策略防范风险R（即投资损失）的能力，与回测时间窗口的累积损失率成反比，表示为：

，
其中，表示第k个周期的投资损失率；
“激进力S”反映了投资策略的稳定性，表示为：

，
其中，为论域U的第k个周期的收益率，论域U为策略的候选股票集合，表示η
范距离（η=1,2,…,∞）；
“亲和力A”反映了所有投资者对目标策略的使用体验（如:点赞、中性、打压），表示为：

，
其中，表示第k个周期投资者群体对目标策略G的点赞数量，表示第k个周期
投资者群体对目标策略G持中性态度的数量，表示第k个周期投资者群体对目标策略G
持打压态度的数量；
“生存力V”刻画了在整个回测时间窗口中目标策略G在全总策略集中的排名及演化，表示为：

，
其中，表示第k个周期目标策略G在全总策略集中的排名；
需要说明的是，在具体实施时可以是对一个评价因子维度的排名，也可以是对所有
评价因子维度的综合排名，并且可以根据现实需求对不同的评价因子设计不同的权重；
为了使上述五维因子可加权计算，对各因子使用min-max归一化处理，

，
其中，其中max为目标数据x在回测时间窗口的最大值，min为目标数据x在回测时间窗口的最小值；
股票策略G五维因子评估评分通式如下所示，

，
其中，为权重参数；
将所有策略基于五维因子生成相应的策略卡，并根据评估通式给予相应的评分，而评分将成为策略卡定级和定价的重要依据，即策略卡评分与其级别L和价格P成正比关系，如下所示：

；
步骤二：由html5网页服务器和DjangoWeb服务器构成的网页前端子系统提供了一份可映射为五因子模型的电子调查问卷；投资者可以与网页前端子系统进行交互，在此过程中获得投资者需求的五因子模型配置参数信息，将此信息发送至MySQL数据库中相应的用户画像表中，并产生一条查询命令给后台功能模块；
步骤三：策略乐高着眼于在实现投资者需求的同时实现购买策略卡成本最小化目标，即给定某组五维因子的需求来寻求最小花费成本的策略卡组合，在实际的应用中投资者一次策略乐高能够使用的策略卡最大数量为n(n=3,4,…,N)（需要说明的是当投资者一次使用策略卡的数量m(m>n），则投资者为此支付的花费远大于其购买策略卡的开销，称为非理性投资，本专利假设投资者在购买投资工具时是理性的),且每张策略卡G有其对应的价格PG，该问题可以归约为知名的NP-完全问题——（高维）0-1背包问题：

，
为此，本专利提供一个基于贪心策略搜索模型：
步骤三一：将投资者的需求转化为一个二元组，其中，为投资者给定的五维因子参数,为其能够支付的价...

【专利技术属性】
技术研发人员：白增亮，周志刚，罗继伟，李文琴，
申请(专利权)人：山西墨丘利科技有限公司，
类型：发明
国别省市：山西;14