System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据预测领域,尤其涉及一种基金权重的日频预测方法、系统、设备及存储介质。
技术介绍
1、公募基金作为市场重要参与者,其股票及可转债这类高波动性资产的整体权重变动、权重在不同板块和不同行业之间的变换腾挪,包含着大量市场决策信息,是基金经理观察市场交易力量、市场趋势、市场热点的重要参考。然而,公募基金只在每个季度末对其资产配置情况进行披露,这使得投资者与基金管理者之间存在一种相对的信息不对称性。所以对基金权重的测算研究成为一项有意义的工作,需要实现利用基金定期报告、市场中各类指数的日频行情,估算公募基金中股票及可转债这类高波动性资产的日频权重,并测算股票权重在各个行业的分布情况。
2、目前常见的基金权重测算方法主要是基于线性回归进行权重测算,即运用基金净值数据和指数日行情数据进行回归计算,然而,通过线性回归这类方法的局限性主要体现在两方面:(1)模型假设上的局限,由于无法对单个日期的回归方程进行求解,通常假设在一定窗口期t内的基金权重保持不变,并计算窗口期内最小二乘结果作为这段时间内基金权重的估算。由于假设窗口期内基金权重保持不变的假设不合理,一些研究者对其进行改进,以按日期衰减的加权最小二乘作为基金权重的估算,只求出过去一段时间权重的加权平均值,即估算的是过去一段时间的平均权重,而不能得到最新的权重估算。同时,在指数的选择上容易陷入两难的境地。指数的选择上,可以选取单一指数,也可以选取复合指数为基准。对于单一指数,主要选取市场覆盖性强、具有代表性的宽基指数,而复合指数通常选取一组代表不同投资风格或行业的指
技术实现思路
1、本专利技术提供了一种基金权重的日频预测方法、系统、设备及存储介质,实现以日为单位预测单个基金的最新权重,避免预测结果的异常波动,提高准确性和稳定性。
2、为了解决上述技术问题,本专利技术实施例提供了一种基金权重的日频预测方法,包括:
3、获取当前基金对应的基金定期报告的全部持仓信息数据,并根据全部持仓信息数据,构建当前基金的虚拟行业指数;
4、构建卡尔曼滤波模型,并根据虚拟行业指数和标准行业指数,优化卡尔曼滤波模型;
5、根据当前基金的虚拟行业指数和标准行业指数,将全部持仓信息数据通过优化后的卡尔曼滤波模型进行日频更新预测,获得当前基金的权重预测结果。
6、实施本专利技术实施例,获取当前基金对应的基金定期报告的全部持仓信息数据,并根据全部持仓信息数据,构建当前基金的虚拟行业指数;构建卡尔曼滤波模型,并根据虚拟行业指数和标准行业指数,优化卡尔曼滤波模型;根据当前基金的虚拟行业指数和标准行业指数,将全部持仓信息数据通过优化后的卡尔曼滤波模型进行日频更新预测,获得当前基金的权重预测结果。建立起基金定期报告信息与基金权重预测之间的联系,使得基金权重预测过程是以定期报告中披露的基金持仓信息为锚点,并日频调仓更新,及时预测单个基金的最新权重,模型参数稳定,避免基金权重估算结果出现异常波动,准确获得基金权重估算结果,提高预测结果的准确性和稳定性。
7、作为优选方案,构建卡尔曼滤波模型,具体为:
8、根据测量方程和转移方程,构建卡尔曼滤波模型;
9、其中,测量方程,公式为:
10、rf,t=rt·wt+εε~n(0,r)
11、式中,rf,t为基金第t日的收益率,rt=(r1,t,…,ri,t,…,rn,t)为行业指数第t日的收益率向量,ri,t为指数i第t日的收益率,wt=(w1,t,…,wi,t,……,wn,t)t为当前基金第t日的行业权重向量,wi,t为当前基金第t日在指数i上的权重,ε为残差项,n为指数的总数量,n()为正态分布,r为正态分布的第一协方差矩阵;
12、其中,转移方程,公式为:
13、wt=a·wt-1+εε~n(0,q)
14、式中,wt-1为当前基金第t-1日的基金行业权重向量,a为转移矩阵,q为正态分布的第二协方差矩阵。
15、作为优选方案,转移矩阵设为单位阵。
16、作为优选方案,根据虚拟行业指数和标准行业指数,优化卡尔曼滤波模型,具体为:
17、根据虚拟行业指数和标准行业指数,优化测量方程,公式为:
18、
19、其中,为虚拟行业权重,初始值为基金报告中的股票持仓合成的行业持仓权重,为以基金报告中的全量持仓合成的虚拟行业指数,为标准行业指数,为标准行业权重,αi,t代表加权权重,rt*为优化后的基金指数收益率集,wt*为优化后的第一组合权重向量;
20、根据优化后的测量方程和转移方程,优化卡尔曼滤波模型,得到优化后的卡尔曼滤波模型。
21、作为优选方案,根据当前的虚拟行业指数和标准行业指数,将全部持仓信息数据通过优化后的卡尔曼滤波模型进行日频更新预测,获得当前基金的权重预测结果,具体为:
22、将全部持仓信息数据作为基金初始权重;
23、将基金初始权重输入优化后的卡尔曼滤波模型,并根据当前的虚拟行业指数和标准行业指数,通过优化后的卡尔曼滤波模型进行日频更新预测,当满足约束条件时,获得当前基金的权重预测结果;
24、其中,日频更新预测的更新公式为:
25、日频更新预测的更新公式为:
26、wt|t=wt|t-1+kt(rf,t-rf,t|t-1)
27、式中,wt|t为当前基金第t日行业权重的条件期望,为t日及之前所有公开信息;
28、
29、式中,kt为卡尔曼增益,为估计误差的协方差矩阵,et为估计误差,为pt的样本估计值;
30、
31、式中,wt|t-1为当前基金第t日行业权重的条件期望,为t-1日及之前所有公开信息;
32、rf,t|t-1=rt·wt|t-1
33本文档来自技高网...
【技术保护点】
1.一种基金权重的日频预测方法,其特征在于,包括:
2.如权利要求1所述的基金权重的日频预测方法,其特征在于,所述构建卡尔曼滤波模型,具体为:
3.如权利要求2所述的基金权重的日频预测方法,其特征在于,所述转移矩阵设为单位阵。
4.如权利要求2所述的基金权重的日频预测方法,其特征在于,所述根据虚拟行业指数和标准行业指数,优化所述卡尔曼滤波模型,具体为:
5.如权利要求2所述的基金权重的日频预测方法,其特征在于,所述根据所述当前基金的虚拟行业指数和所述标准行业指数,将所述全部持仓信息数据通过优化后的卡尔曼滤波模型进行日频更新预测,获得所述当前基金的权重预测结果,具体为:
6.如权利要求1所述的基金权重的日频预测方法,其特征在于,所述根据所述全部持仓信息数据,构建所述当前基金的虚拟行业指数,具体为:
7.一种基金权重的日频预测系统,其特征在于,包括:数据获取模块、卡尔曼滤波模型模块和更新预测模块;
8.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基金权重的日频预测方法。
...【技术特征摘要】
1.一种基金权重的日频预测方法,其特征在于,包括:
2.如权利要求1所述的基金权重的日频预测方法,其特征在于,所述构建卡尔曼滤波模型,具体为:
3.如权利要求2所述的基金权重的日频预测方法,其特征在于,所述转移矩阵设为单位阵。
4.如权利要求2所述的基金权重的日频预测方法,其特征在于,所述根据虚拟行业指数和标准行业指数,优化所述卡尔曼滤波模型,具体为:
5.如权利要求2所述的基金权重的日频预测方法,其特征在于,所述根据所述当前基金的虚拟行业指数和所述标准行业指数,将所述全部持仓信息数据通过优化后的卡尔曼滤波模型进行日频更新预测,获得所述当前基金的权重预测结...
【专利技术属性】
技术研发人员:邓涧秋,程宁,顾东升,姚华,刘硕凌,
申请(专利权)人:易方达基金管理有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。