资产数据的处理方法、系统、计算机设备和可读存储介质

技术领域

本发明涉及宏观经济技术领域，尤其涉及一种资产数据的处理方法、系统、计算机设备和可读存储介质。

背景技术

资产情景模拟是对未来市场的资产走势进行的科学的、数量化的情景模拟。这些模拟的结果，可以用来进行早期风险预警，辅助投资策略开发，作为资本充足率计算的依据，满足监管机构的要求，给衍生品定价等。

目前常见的资产情景模拟模型有短期收益率模型(short rate model)和市场收益率模型(market model)等。短期收益率模型用随机微分方程模拟即期利率，通过即期利率计算债券到期收益率，著名的短期利率模型有Vasicek,Ho Lee,Hull White,CIR,Black-Karasinski等。市场利率模型使用随机微分方程，直接建模市场利率本身，如Libor，常用的市场利率模型有HGM和BGM，有些市场收益率模型会与短期收益率模型结合，如SABR-LMM。

但是，上述模型资产数据的处理方法在模拟资产收益率时，均是根据对当前资产数据进行处理，以实现对资产未来变化进行的预测，因此，现有技术中的资产数据的处理方法无法针对用户特定的预期收益进行模拟并没有考虑到用户的预期。

发明内容

本发明的目的是提供一种资产数据的处理方法、系统、计算机设备和可读存储介质，用于解决现有技术中的上述技术问题。

一方面，为实现上述目的，本发明提供了一种资产数据的处理方法。

该资产数据的处理方法包括：通过输入模块接收用户输入的目标资产的模拟参数，其中，所述模拟参数包括目标资产的即期收益率和波动率；通过数据模块获取所述目标资产对应的历史收益率数据；通过历史特征提取模块获取预先存储的所述目标资产对应的收益模型；将所述数据模块获取到的所述历史收益率数据传输至所述历史特征提取模块，通过所述历史特征提取模块根据所述历史收益率数据确定所述收益模型中参数的中值、上界和下界；将所述输入模块接收到的所述模拟参数和所述历史特征提取模块确定的所述收益模型中参数的中值、上界和下界分别传输至优化校准模块，通过所述优化校准模块以所述即期收益率和所述波动率为优化目标，以所述中值为起点，以所述上界和所述下界为优化边界，对所述收益模型进行优化；以及将所述优化校准模块优化后的所述收益模型传输至模拟模块，通过所述模拟模块根据优化后的所述收益模型生成所述目标资产对应的模拟收益率曲线。

进一步地，在通过所述模拟模块根据优化后的所述收益模型生成所述目标资产对应的模拟收益率曲线之后，所述方法还包括：将所述数据模块获取到的所述历史收益率数据传输至融合模块，通过所述融合模块根据所述历史收益率数据得到历史收益率曲线，将所述历史收益率曲线与所述模拟收益率曲线相融合。

进一步地，在通过所述融合模块将所述历史收益率曲线与所述模拟收益率曲线相融合的步骤中，采用以下公式进行融合：

r＝t·r

其中，r

进一步地，通过数据模块获取所述目标资产对应的历史收益率数据的步骤包括：获取所述目标资产的历史日频价格数据；将所述历史日频价格数据转换为初始收益率数据；通过插值计算补齐所述初始收益率数据中缺失的数据，以得到所述历史收益率数据。

进一步地，所述目标资产包括国债、金融债和企业债，

其中，所述国债的收益模型为：r

所述金融债的收益模型为：r

所述企业债的收益模型为：r

其中，r

进一步地，设

其中，F

进一步地，通过所述优化校准模块以所述收益率和所述波动率为优化目标，以所述中值为起点，以所述上界和所述下界为优化边界，对所述收益模型进行优化的步骤包括：以所述中值为起点，在所述上界和所述下界限定的范围内选择(κ

另一方面，为实现上述目的，本发明提供了一种资产数据的处理系统。

该资产数据的处理系统包括：输入模块，用于接收用户输入的目标资产的模拟参数，其中，所述模拟参数包括目标资产的即期收益率和波动率；数据模块，用于获取所述目标资产对应的历史收益率数据；历史特征提取模块，用于获取预先存储的所述目标资产对应的收益模型，还用于接收所述数据模块传输的所述历史收益率数据，并根据所述历史收益率数据确定所述收益模型中参数的中值、上界和下界；优化校准模块，用于接收所述输入模块传输的所述模拟参数和所述历史特征提取模块传输的所述收益模型中参数的中值、上界和下界，并以所述即期收益率和所述波动率为优化目标，以所述中值为起点，以所述上界和所述下界为优化边界，对所述收益模型进行优化；以及模拟模块，用于接收所述优化校准模块优化后的所述收益模型，并根据优化后的所述收益模型生成所述目标资产对应的模拟收益率曲线。

又一方面，为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

又一方面，为实现上述目的，本发明还提供计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，该计算机程序被处理器执行时实现上述方法的步骤。

本发明提供的资产数据的处理方法、系统、计算机设备和可读存储介质，通过输入模块接收用户输入的目标资产的即期收益率和波动率，通过数据模块获取目标资产对应的历史收益率数据，通过历史特征提取模块获取预先存储的目标资产对应的收益模型；数据模块将历史收益率数据传输至历史特征提取模块，然后通过历史特征提取模块根据历史收益率数据确定收益模型中参数的中值、上界和下界；输入模块将接收到的即期收益率和波动率传输至优化校准模块，历史特征提取模块将确定的收益模型中参数的中值、上界和下界分别传输至优化校准模块，然后通过优化校准模块以即期收益率和波动率为优化目标，以中值为起点，以上界和下界为优化边界，对收益模型进行优化；优化校准模块将优化后的收益模型传输至模拟模块，最终通过模拟模块根据优化后的收益模型生成目标资产对应的模拟收益率曲线，通过本发明，基于系统各个模块的多层级优化机，可较好的在反映资产波动性特征的同时结合用户给定的收益率和波动值，实现对资产的模拟，根据历史收益率数据进行计算模型使得模拟收益率曲线吻合初始利率期限结构，即期收益率和波动率为优化目标，能够获得满足用户期望的资产收益分布特性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例一提供的资产数据的处理方法的流程图；

图2为本发明实施例二提供的资产数据的处理系统的框图；

图3为本发明实施例三提供的计算机设备的硬件结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决现有技术中的技术问题，本发明提出一种资产数据的处理方法、系统、计算机设备和可读存储介质，在该资产数据的处理方法中，首先通过输入模块接收用户输入的目标资产的即期收益率和波动率，通过数据模块获取目标资产对应的历史收益率数据，通过历史特征提取模块获取预先存储的目标资产对应的收益模型；数据模块将历史收益率数据传输至历史特征提取模块，然后通过历史特征提取模块根据历史收益率数据确定收益模型中参数的中值、上界和下界；输入模块将接收到的即期收益率和波动率传输至优化校准模块，历史特征提取模块将确定的收益模型中参数的中值、上界和下界分别传输至优化校准模块，然后通过优化校准模块以即期收益率和波动率为优化目标，以中值为起点，以上界和下界为优化边界，对收益模型进行优化；优化校准模块将优化后的收益模型传输至模拟模块，最终通过模拟模块根据优化后的收益模型生成目标资产对应的模拟收益率曲线。

从中可以看出，本发明通过输入模块接收用户预期的即期收益率和波动率，通过数据模块获取历史收益率数据，然后通过历史特征提取模块、优化校准模块和模拟模块，对即期收益率、波动率和历史收益率数据进行数据处理，实现对资产走势特征的模拟，该模拟既能够符合资产的历史特征，同时也能够满足用户预期的收益水平与波动。

关于本发明提供的资产数据的处理方法、系统、计算机设备和可读存储介质的具体实施例，将在下文中详细描述。

实施例一

本发明实施例一提供了一种资产数据的处理方法，通过该方法，能够实现对资产走势特征的模拟，该模拟既符合资产的历史特征又满足用户预期的收益水平与波动。具体地，图1为本发明实施例一提供的资产数据的处理方法的流程图，如图1所示，该资产数据的处理方法包括如下的步骤S101至步骤S106：

步骤S101：通过输入模块接收用户输入的目标资产的模拟参数。

其中，模拟参数包括目标资产的即期收益率和波动率。

具体地，实现该实施例方法的模拟系统包括输入模块，该输入模块部署在python环境计算，通过SpringBoost服务器，记录用户的输入信息，该输入信息包括目标资产的模拟参数，该模拟参数具体包括即期收益率和波动率，还可包括利率期限等。在接收到用户输入的目标资产的模拟参数之后，还可对该模拟参数的合理性进行校验，例如，预设针对每一种参数的校验规则，在接收到该参数时调用对应的校验规则进行校验。目标资产包括两种或两种以上资产时，例如包括国债、金融债和企业债三种或者其中的任意两种时，用户的输入信息还包括相关性矩阵，当用户通过输入定义相关性矩阵时，对相关性矩阵的校验包括对相关性矩阵进行正定检测，若相关性矩阵不正定，则自动寻找距离所输入的相关性矩阵最近的正定矩阵。当用户未输入相关性矩阵时，调用默认的相关性矩阵。

步骤S102：通过数据模块获取目标资产对应的历史收益率数据。

具体地，模拟系统包括数据模块，部署在mySql服务器，用于连接模拟系统外部和内部的数据库，储存和处理目标资产的收益率数据，进一步地，可对缺失数据和期限进行必要处理。

可选地，该步骤S102具体包括：

该步骤S1021：获取目标资产的历史日频价格数据；

该步骤S1022：将历史日频价格数据转换为初始收益率数据；

该步骤S1023：通过插值计算补齐初始收益率数据中缺失的数据，以得到历史收益率数据。

步骤S103：通过历史特征提取模块获取预先存储的目标资产对应的收益模型。

具体地，可设置存储模块对预置的收益模型，以及资产与收益模型的对应关系进行存储，从而历史特征提取模块可在存储模块中确定目标资产对应的收益模型，进而获取该收益模型。

目标资产包括国债、金融债和企业债，其中，预置的国债、金融债和企业债的收益模型分别如下：

国债的收益模型为：r

金融债的收益模型为：r

企业债的收益模型为：r

其中，r

上式所述模型单元x

其中，

其中i＝1,2,3,4，W是随时间t变化的布朗运动，(κ

通过上述模型机制，由于金融债与企业债模型也包含了国债元素，当国债单元x

步骤S104：将数据模块获取到的历史收益率数据传输至历史特征提取模块，通过历史特征提取模块根据历史收益率数据确定收益模型中参数的中值、上界和下界。

具体地，模拟系统包括历史特征提取模块，部署在python环境计算，主要任务由F5负载均衡分配。通过历史数据收益率数据，得出上述模型参数(κ

具体而言，设

其中，F

步骤S1041：根据历史收益率数据更新

步骤S1042：根据

步骤S1043：计算历史收益率数据与模拟收益率数据之间的噪音；

步骤S1044：确定噪音最小时的(κ

步骤S1045：将中值上下变动20％，以得到上界和下界。

步骤S105：将输入模块接收到的模拟参数和历史特征提取模块确定的收益模型中参数的中值、上界和下界分别传输至优化校准模块，通过优化校准模块以即期收益率和波动率为优化目标，以中值为起点，以上界和下界为优化边界，对收益模型进行优化。

具体地，模拟系统包括优化校准模块，部署在python环境计算，主要任务由F5负载均衡分配，通过以用户给定的收益率和波动率为优化目标，以上述步骤S104中卡曼滤波所得到的中值为起点，卡曼滤波所得到的参数上、下界为优化边界，对模型参数(κ

可选地，该步骤S105具体包括：

步骤S1051：以中值为起点，在上界和下界限定的范围内选择(κ

步骤S1052：根据选定的(κ

步骤S1053：根据模拟收益率数据计算模拟即期收益率和模拟波动率；

步骤S1054：最小化模拟即期收益率与即期收益率的差别，以及模拟波动率和波动率的差别，得到优化后的(κ

步骤S106：将优化校准模块优化后的收益模型传输至模拟模块，通过模拟模块根据优化后的收益模型生成目标资产对应的模拟收益率曲线。

具体地，模拟系统包括模拟模块，部署在python环境计算，主要任务由F5负载均衡分配。采用蒙特卡罗方法，基于优化后的参数(κ

采用该实施例提供的资产数据的处理方法，通过输入模块接收用户输入的目标资产的即期收益率和波动率，通过数据模块获取目标资产对应的历史收益率数据，通过历史特征提取模块获取预先存储的目标资产对应的收益模型；数据模块将历史收益率数据传输至历史特征提取模块，然后通过历史特征提取模块根据历史收益率数据确定收益模型中参数的中值、上界和下界；输入模块将接收到的即期收益率和波动率传输至优化校准模块，历史特征提取模块将确定的收益模型中参数的中值、上界和下界分别传输至优化校准模块，然后通过优化校准模块以即期收益率和波动率为优化目标，以中值为起点，以上界和下界为优化边界，对收益模型进行优化；优化校准模块将优化后的收益模型传输至模拟模块，最终通过模拟模块根据优化后的收益模型生成目标资产对应的模拟收益率曲线，通过本发明，基于系统各个模块的多层级优化机，可较好的在反映资产波动性特征的同时结合用户给定的收益率和波动值，实现对资产的模拟，根据历史收益率数据进行计算模型使得模拟收益率曲线吻合初始利率期限结构，即期收益率和波动率为优化目标，能够获得满足用户期望的资产收益分布特性。

可选地，在通过模拟模块根据优化后的收益模型生成目标资产对应的模拟收益率曲线之后，资产数据的处理方法还包括：将数据模块获取到的历史收益率数据传输至融合模块，通过融合模块根据历史收益率数据得到历史收益率曲线，将历史收益率曲线与模拟收益率曲线相融合。其中，可采用以下公式进行融合：r＝t·r

实施例二

对应于上述实施例一，本发明实施例二提供了一种资产数据的处理系统，相应的技术特征和对应的技术效果可参考上述实施例一，该处不再赘述。图2为本发明实施例二提供的资产数据的处理系统的框图，如图2所示，该系统包括输入模块201、数据模块202、历史特征提取模块203、优化校准模块204和模拟模块205。

其中，输入模块201用于接收用户输入的目标资产的模拟参数，其中，模拟参数包括目标资产的即期收益率和波动率；数据模块202用于获取目标资产对应的历史收益率数据；历史特征提取模块203用于获取预先存储的目标资产对应的收益模型，还用于接收数据模块传输的历史收益率数据，并根据历史收益率数据确定收益模型中参数的中值、上界和下界；优化校准模块204用于接收输入模块传输的模拟参数和历史特征提取模块传输的收益模型中参数的中值、上界和下界，并以即期收益率和波动率为优化目标，以中值为起点，以上界和下界为优化边界，对收益模型进行优化；以及模拟模块205用于接收优化校准模块优化后的收益模型，并根据优化后的收益模型生成目标资产对应的模拟收益率曲线。

可选地，在一种实施例中，资产数据的处理系统还包括融合模块，用于接收数据模块传输的历史收益率数据，并根据历史收益率数据得到历史收益率曲线，将历史收益率曲线与模拟收益率曲线相融合。

可选地，在一种实施例中，在融合模块将历史收益率曲线与模拟收益率曲线相融合的步骤中，采用以下公式进行融合：

r＝t·r

其中，r

可选地，在一种实施例中，数据模块202包括：第一获取单元、转换单元和差值单元，其中，第一获取单元用于获取目标资产的历史日频价格数据；转换单元用于将历史日频价格数据转换为初始收益率数据；差值单元用于通过插值计算补齐初始收益率数据中缺失的数据，以得到历史收益率数据。

可选地，在一种实施例中，目标资产包括国债、金融债和企业债，其中，

国债的收益模型为：r

金融债的收益模型为：r

企业债的收益模型为：r

其中，r

κ

可选地，在一种实施例中，设

其中，F

可选地，在一种实施例中，优化校准模块包括：选择单元、第四计算单元、第五计算单元和第六计算单元，其中，选择单元用于以中值为起点，在上界和下界限定的范围内选择(κ

实施例三

本实施例三还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图3所示，本实施例的计算机设备01至少包括但不限于：可通过系统总线相互通信连接的存储器011、处理器012，如图3所示。需要指出的是，图3仅示出了具有组件存储器011和处理器012的计算机设备01，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器011(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器011可以是计算机设备01的内部存储单元，例如该计算机设备01的硬盘或内存。在另一些实施例中，存储器011也可以是计算机设备01的外部存储设备，例如该计算机设备01上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器011还可以既包括计算机设备01的内部存储单元也包括其外部存储设备。本实施例中，存储器011通常用于存储安装于计算机设备01的操作系统和各类应用软件，例如实施例二的资产数据的处理系统等。此外，存储器011还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器012在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器012通常用于控制计算机设备01的总体操作。本实施例中，处理器012用于运行存储器011中存储的程序代码或者处理数据，例如资产数据的处理方法等。

实施例四

本实施例四还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储资产数据的处理系统，该计算机可读存储介质被处理器执行时实现实施例一的资产数据的处理方法。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。