一种预测股票间相关性风险的方法及终端设备技术

本发明专利技术公开一种预测股票间相关性风险的方法及终端设备，该方法包括：数据采集，选取一段时期内股票市场行情和基本面数据；数据处理，使用多因子模型计算得到公共风险因子收益矩阵，达到降维的目的；计算协方差矩阵；采用cholesky分解将协方差矩阵分解为下三角阵和其转置的乘积；对比实验；以最小损失函数对应的编码

【技术实现步骤摘要】
一种预测股票间相关性风险的方法及终端设备


[0001]本专利技术涉及信息
，特别是涉及一种预测股票间相关性风险的方法、终端设备及计算机可读存储介质。

技术介绍

[0002]股票间的相关性对于投资者进行资产定价与评估、投资组合风险管理、制定交易和对冲策略有重要参考价值。依据Markowitz的投资组合理论，投资组合的风险取决于构成该组合所有股票的特征及股票之间的相关程度。Bloomberg统计数据显示，2020年新冠肺炎疫情导致美国标普500成分股在2月19日至3月31日期间的平均相关系数上涨到0.82，同比增长67％。股票间相关程度的增加导致全市场配置失去意义，投资组合和对冲策略失效，股市系统性风险也就相对越大。然而由于金融市场的复杂性和非线性、尾部风险的加剧，该预测股票间相关性的任务颇具挑战性，已成为金融风控领域的热门研究课题。
[0003]股票收益率的协方差矩阵是估计组合相关性的重要工具。众多学者对于该问题进行了大量研究，但多集中于传统的计量和数学模型，如样本协方差矩阵、因子模型、压缩矩阵模型、随机矩阵理论、指数加权移动平均、GARCH族模型、Copulas函数等，这些方法发展至今已经非常成熟，且进行了很多改进和迭代，尤其是GARCH族模型。然而传统的计量模型在预测方差
‑
协方差矩阵时，由于模型结构和形式本身的限制，仍然存在以下问题无法解决：1.在模型设定时施加一些不一定真实的约束条件，与现实世界的情况不完全符合，从而削弱对建立投资组合的参考价值；2.待估参数过多，引起维数灾难；即使是最简化的标量BEKK(1,1)模型也存在N(N+1)/2+2个待估参数，对于包含10支股票的序列来说，待估参数高达57个，不仅计算困难，而且产生较大的估计误差；3.最经典的多元GARCH模型容易出现估计收敛问题，从而难以获得所有参数的可靠估计；4.传统计量模型的结构无法满足我国经济复杂性的发展，对于大数据的处理能力较差，对于数据间非线性关系的拟合效果不理想，其预测准确性遭受质疑，从而导致其模型预测存在一定的局限性。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中预测误差大、难度高、噪声强的问题，提出一种预测股票间相关性风险的方法及终端设备。
[0005]为解决上述技术问题，本专利技术提出以下技术方案：
[0006]本专利技术提出一种预测股票间相关性风险的方法，其特征在于，包括如下步骤：S1：数据采集，选取一段时期内股票的市场行情和基本面数据；S2：数据处理，使用多因子模型选择出影响股票风险的公共因子，计算得到公共风险因子收益矩阵；S3：计算协方差矩阵，对修正后的公共风险因子收益计算对数收益率，取固定时间窗口，按因子收益率时间序列计算方差协方差矩阵，得到协方差矩阵；S4：协方差矩阵分解，采用cholesky分解将协方差矩阵分解为下三角阵和其转置的乘积，对下三角阵进行预测；S5：对比实验，将下三角阵作为模型输入，输入到编码
‑
预测结构的卷积长短时记忆网络中；S6：预测未来一天股票间相
关性，经过迭代训练，得到以最小损失函数对应的编码
‑
预测卷积长短时记忆网络模型作为最优模型，预测下一天的股票间相关性风险下三角阵，通过协方差矩阵分解计算得出下一天的协方差矩阵，从而实现预测。
[0007]在一些实施例中，S5步骤后还包括：模型稳健型检验，在其他类似数据集上重复实验，评估编码预测卷积长短时记忆网络在股票相关性预测问题的鲁棒性。
[0008]在一些实施例中，在S1步骤中，所述市场行情使用日数据，所述基本面使用公司财务报告的季报和年报的数据；去除过去一年中ST特别处理和过去一个月停牌时间大于10天的股票；在选取数据期间，对公司发生的重大事件，进行合理处理以保持数据的前后一致性和可比性。
[0009]在一些实施例中，S2步骤包括：S21：描述性变量的选择、检验与处理；在市场行情和基本面数据中，选择描述性变量，采用中位数去极值法和Z
‑
Score标准化处理，以消除极端值和量纲的影响；S22：纳入风险指数；用资产回报、行业因子、单个描述性变量做向前逐步回归，检验显著性，将通过显著性检验的描述性变量纳入风险指数，形成初始因子；S23：通过聚类和主成分分析有效降维，得到聚合因子；S24：行业配置；采用多行业配置法，把公司按指标比例归类到一种或多种行业中；S25：广义最小二乘回归计算公共风险因子报酬；采用广义最小二乘回归解决异方差问题。
[0010]在一些实施例中，在S2步骤中，所述多因子模型以股票超额收益R、因子暴露与因子报酬F间的线性结构来分析股票间报酬关系，假设市场上有n种股票，k个公共风险因子，则股票i的超额收益率R
i
为：R
i
＝α
i
+β
i1
F1+...+β
ik
F
k
+ε
i i＝1,
…
,n；当股票风险用股票回报率的协方差矩阵衡量，上式转化为矩阵：∑＝Y
·
φ
·
Y
T
+
△
，其中，Y是n*k的因子暴露矩阵，φ是因子收益F1,
…
,F
k
的协方差矩阵，
△
是股票特异质收益ε的对角阵，表示个股的波动性；通过预测公共风险因子的协方差矩阵，计算股票风险，转化为对k*k的因子收益协方差矩阵的预测，张量γ∈R
Q*k*k
，
[0011]在一些实施例中，在S3步骤中，将协方差矩阵作为第一个时期内相关性风险的度量，继续向后滚动1天，再取n个交易日计算公共风险因子的下一时期的历史协方差矩阵，不断向后滚动计算，最终得到方差协方差矩阵。
[0012]在一些实施例中，在S4步骤中，若矩阵A∈R
n*n
对称正定，则存在一个对角元为正数的下三角矩阵L∈R
n*n
，使A＝LL
T
成立；在python中调用函数计算协方差矩阵的下三角因子阵；在进行预测时，计算下三角阵和其转置的乘积，恢复协方差矩阵。
[0013]在一些实施例中，在S5步骤中，将全连接长短时记忆网络中的点乘改为卷积运算，通过卷积结构提取因子收益率协方差矩阵的空间特征，长短时记忆网络提取历史矩阵序列的时间特征，以实现空间结构表征能力：其中，
‘
*
’
表示卷积运算符，表示点积，σ表示sigmoid激活函数，i
t
、f
t
、o
t
表示输入门、遗忘门、输出门和输入X1,
…
,X
t
，存储单元输出C1,
…
,C
t
，隐藏状态H1,
…
,H
t
都是3D张量。
[0014]在一些实施例中，在S5步骤中，采用3层编码预测网络结构建立端到端的可训练模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测股票间相关性风险的方法，其特征在于，包括如下步骤：S1：数据采集，选取一段时期内股票的市场行情和基本面数据；S2：数据处理，使用多因子模型选择出影响股票风险的公共因子，计算得到公共风险因子收益矩阵；S3：计算协方差矩阵，对修正后的公共风险因子收益计算对数收益率，取固定时间窗口，按因子收益率时间序列计算方差协方差矩阵，得到协方差矩阵；S4：cholesky分解，将协方差矩阵分解为下三角阵和其转置的乘积，对下三角阵进行预测；S5：对比实验，将下三角阵的时间序列作为模型输入，输入到编码
‑
预测结构的卷积长短时记忆网络中；S6：预测未来一天股票间相关性，经过迭代训练，得到以最小损失函数对应的编码
‑
预测卷积长短时记忆网络模型作为最优模型，预测下一天的股票间相关性风险下三角阵，通过cholesky分解计算得出下一天的协方差矩阵，从而实现预测。2.如权利要求1所述的预测股票间相关性风险的方法，其特征在于，S5步骤后还包括：模型稳健型检验，在其他类似数据集上重复实验，评估编码预测卷积长短时记忆网络在股票相关性预测问题的鲁棒性。3.如权利要求1所述的预测股票间相关性风险的方法，其特征在于：在S1步骤中，所述市场行情使用日数据，所述基本面使用公司财务报告的季报和年报的数据；去除过去一年中ST特别处理和过去一个月停牌时间大于10天的股票；在选取数据期间，对公司发生的重大事件，进行合理处理以保持数据的前后一致性和可比性。4.如权利要求1所述的预测股票间相关性风险的方法，其特征在于，S2步骤包括：S21：描述性变量的选择、检验与处理；在市场行情和基本面数据中，选择描述性变量，采用中位数去极值法和Z
‑
Score标准化处理，以消除极端值和量纲的影响；S22：纳入风险指数；用资产回报、行业因子、单个描述性变量做向前逐步回归，检验显著性，将通过显著性检验的描述性变量纳入风险指数，形成初始因子；S23：通过聚类和主成分分析有效降维，得到聚合因子；S24：行业配置；采用多行业配置法，把公司按指标比例归类到一种或多种行业中；S25：广义最小二乘回归计算公共风险因子报酬；采用广义最小二乘回归解决异方差问题。5.如权利要求1所述的预测股票间相关性风险的方法，其特征在于：在S2步骤中，所述多因子模型以股票超额收益R、因子暴露与因子报酬F间的线性结构来分析股票间报酬关系，假设市场上有n种股票，k个公共风险因子，则股票i的超额收益率R
i
为：R
i
＝α
i
+β
i1
F1+...+β
ik
F
k
+ε
i
i＝1,
…
,n；当股票风险用股票回报率的协方差矩阵衡量，上式转化为矩阵：∑＝Y
·
φ
·
Y
T
+
△
，其中，Y是n*k的因子暴露矩阵，φ是因子收益F1,
…
,F
k
的协方差矩阵，
△
是股票特异质收益ε的对角阵，表示个股的波动性；通过预测公共风险因子的协方差矩阵，计算股票风险，转化为对k*k的因子收益协方差矩阵的预测，张量γ∈R
Q*k*k
，
6.如权利要求1所述的预测股票间相关性风险的方法，其特征在于：在S3步骤中，将协方差矩阵作为第一个时期内相关性风险的度量，继续向后滚动1天，再取n个交易日计算公共风险因子的下一时期的历史协方差矩阵，不断向后滚动计算，最终得到方差
‑
协方差矩阵。7.如权利要求1所述的预测股票间相关性风险的方法，其特征在于：在S4步骤中，若矩阵A∈R
n*n
对称正定，则存在一个对角元为正数的下三角矩阵L∈R
n*n
，使A＝LL
T
成立；在python中调用函数计算协方差矩阵的下三角因子阵；在进行预测时，计算下三角阵和其转置的乘积，恢复协方差矩阵。8.如...

【专利技术属性】
技术研发人员：孙佳琪，江勇，林健武，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：