资产数据处理方法、资产数据处理装置、电子设备及介质

技术领域

本公开涉及大数据处理与金融科技领域，具体地涉及一种由电子设备执行的资产数据处理方法、资产数据处理装置、电子设备、计算机存储介质和程序产品。

背景技术

在金融科技领域，伴随着跨资产类别相关性增强，传统的单一化资产配置策略已无法很好地适应市场，需要在日益复杂环境中推荐更加有效的资产配置方案。

风险平价投资组合旨在平衡资产组合中的各种风险头寸，将投资组合受到不同外来冲击的影响降到最低。传统的基于风险平价投资组合生成的资产配置策略，在估计协方差矩阵时，往往不会考虑到市场风格转换对资产间相关性所带来的影响，这在实际操作中会产生很大的投资风险，而且估计协方差矩阵时所占用的计算资源较多。

发明内容

鉴于上述问题，本公开提供了由电子设备执行的资产数据处理方法、资产数据处理装置、电子设备、计算机存储介质和程序产品。

根据本公开的第一个方面，提供了一种由电子设备执行的资产数据处理方法，包括：

响应于数据处理请求，从数据库中获取多个资产数据和初始参数，其中，上述资产数据具有对应的波动率，上述初始参数包括初始转移概率矩阵和初始相关系数矩阵，上述初始转移概率矩阵中的元素表征上述资产数据在历史时间下不同市场状态的概率，上述初始相关系数矩阵中的元素表征两个上述资产数据之间的相关性；

利用处理器根据上述初始参数和历史状态概率分布数据，生成目标参数，其中，上述目标参数包括目标转移概率矩阵和对应于不同市场状态的目标相关系数矩阵；

基于上述目标转移概率矩阵，根据多个上述资产数据确定在每个第一时间段内的市场状态信息，其中，上述历史时间包括多个上述第一时间段；

针对每个上述第一时间段，根据与上述市场状态信息对应的目标相关系数矩阵和多个上述资产数据的波动率，生成对应于不同资产数据的风险贡献函数；

根据多个上述资产数据的上述风险贡献函数，生成策略风险评估报告。

根据本公开的实施例，其中，利用处理器根据上述初始参数和历史状态概率分布数据，生成目标参数，包括：

根据多个资产数据之间的初始残差和协方差矩阵以及每个资产数据的收益数据，生成估计似然函数，其中，上述估计似然函数包括第一子似然函数和第二子似然函数；

根据上述第一子似然函数生成目标残差；

针对每个上述市场状态，根据上述初始转移概率矩阵和历史状态概率数据生成与上述市场状态对应的目标参数。

根据本公开的实施例，其中，根据上述初始转移概率矩阵和历史状态概率数据生成与上述市场状态对应的目标参数，包括：

根据上述初始转移概率矩阵、当前市场状态概率和上述历史状态概率数据，生成滤波概率；

根据上述滤波概率和上述初始转移概率矩阵，生成预测概率；

根据上述预测概率和上述历史状态概率数据，生成上述当前市场状态概率；

利用平滑推断算法对不同市场状态的滤波概率、预测概率和当前市场状态概率进行计算，得到观测概率数据；

根据上述观测概率数据和上述目标残差，生成中间转移概率矩阵和中间初始相关系数矩阵，其中，中间参数包括上述中间转移概率矩阵和上述中间相关系数矩阵；

在上述中间参数与上述初始参数之间的差值满足预设阈值的情况下，将上述中间参数确定为上述目标参数。

根据本公开的实施例，其中，利用平滑推断算法对不同市场状态的滤波概率、预测概率和当前市场状态概率进行计算，得到观测概率数据，包括：

根据不同市场状态的滤波概率、预测概率和当前市场状态概率，分别生成状态概率向量、预测概率向量和滤波概率向量；

根据上述状态概率向量、上述预测概率向量和上述滤波概率向量，生成向量估计函数；

利用上述平滑推断算法处理上述向量估计函数，生成上述观测概率数据。

根据本公开的实施例，资产数据处理方法还包括：在上述差值不满足预设阈值的情况下，将上述中间参数确定为新的初始参数，以根据上述新的初始参数迭代地确定上述目标参数。

根据本公开的实施例，资产数据处理方法还包括：

对上述目标相关系数矩阵进行标准化处理，得到处理后的目标相关系数矩阵，以利用上述处理后的目标相关系数矩阵生成上述风险贡献函数。。

根据本公开的实施例，其中，基于上述目标转移概率矩阵，根据多个上述资产数据确定在每个第一时间段内的市场状态信息，包括：

针对每个上述资产数据，根据预设的初始概率向量和状态概率向量，生成与上述资产数据对应的初始资产值；

从多个上述初始资产值确定当前的第二时间段下最大的初始资产值，并将与上述最大的初始资产值对应的市场状态确定为当前的第二时间段的最大状态信息；

基于上一个第二时间段的最大状态信息，迭代地确定下一个第二时间段的最大状态信息；

根据相邻两个第二时间段的最大状态信息，确定一个上述第一时间段内的市场状态信息。

根据本公开的实施例，其中，根据与上述市场状态信息对应的目标相关系数矩阵和多个上述资产数据的波动率，生成对应于不同资产数据的风险贡献函数，包括：

针对任意两个上述资产数据，根据上述目标相关系数矩阵和与上述资产数据对应的波动率，生成资产协方差；

根据与每个上述资产数据对应的初始权重和多个上述资产协方差，生成资产组合风险值；

根据上述资产组合风险值和每个上述初始权重，生成对应于不同上述资产数据的风险贡献函数。

根据本公开的实施例，其中，根据上述资产组合风险值和每个上述初始权重，生成对应于不同上述资产数据的风险贡献函数，包括：

针对每个上述资产数据，根据上述初始权重和上述资产组合风险值，生成一个边际风险贡献值；

根据上述边际风险贡献值和上述初始权重，生成上述风险贡献函数。

根据本公开的实施例，其中，根据多个上述资产数据的上述风险贡献函数，生成策略风险评估报告，包括：

针对每个上述资产数据，在不同资产数据的上述风险贡献函数相等的情况下，根据多个上述资产数据的上述风险贡献函数，生成目标贡献函数；

在上述目标贡献函数的函数值最小的情况下，确定每个上述资产数据的资产权重；

根据每个上述资产数据的资产权重和计划资源消耗量，生成上述策略风险评估报告，其中，上述策略风险评估报告包括每个上述资产数据的资源量。

根据本公开的实施例，其中，根据多个上述资产数据的上述风险贡献函数，生成目标贡献函数，包括：

基于最小二乘法，根据多个上述资产数据的上述风险贡献函数，生成目标贡献函数。

根据本公开的实施例，其中，在上述目标贡献函数的函数值最小的情况下，确定每个上述资产数据的资产权重，包括：

迭代地调整上述目标贡献函数中每个上述资产数据的初始权重，得到调整后的权重，其中，在每次调整得到的多个上述调整后的权重的和为预设数值；

针对每次调整，根据多个上述调整后的权重和上述目标贡献函数，生成目标贡献值，其中，上述目标贡献值表征上述函数值；

将与最小目标贡献值对应的多个调整后的权重确定为多个上述资产数据的资产权重。

本公开的第二方面提供了一种资产数据处理装置，包括：

获取模块，用于获取模块，用于响应于数据处理请求，从数据库中获取多个资产数据和初始参数，其中，上述资产数据具有对应的波动率，上述初始参数包括初始转移概率矩阵和初始相关系数矩阵，上述初始转移概率矩阵中的元素表征上述资产数据在历史时间下不同市场状态的概率，上述初始相关系数矩阵中的元素表征两个上述资产数据之间的相关性；

第一生成模块，用于利用处理器根据上述初始参数和历史状态概率分布数据，生成目标参数，其中，上述目标参数包括目标转移概率矩阵和对应于不同市场状态的目标相关系数矩阵；

确定模块，用于基于上述目标转移概率矩阵，根据多个上述资产数据确定在每个第一时间段内的市场状态信息，其中，上述历史时间包括多个上述第一时间段；

第二生成模块，用于针对每个上述第一时间段，根据与上述市场状态信息对应的目标相关系数矩阵和多个上述资产数据的波动率，生成对应于不同资产数据的风险贡献函数；

第三生成模块，用于根据多个上述资产数据的上述风险贡献函数，生成策略风险评估报告。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述资产数据处理方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述资产数据处理方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述资产数据处理方法。

根据本公开提供的资产数据处理方法、装置、设备、介质和程序产品，利用处理器根据所述初始参数和历史状态概率分布数据，生成目标参数，基于目标转移概率矩阵根据多个资产数据确定在每个第一时间段内的市场状态信息，根据与所述市场状态信息对应的目标相关系数矩阵和多个所述资产数据的波动率，生成对应于不同资产数据的风险贡献函数，最后生成策略风险评估报告。通过在生成目标相关系数矩阵的过程中考虑了市场状态机制转换的影响因素，即加入了市场状态间的转移概率矩阵参数，从而根据历史状态概率分布数据和转移概率矩阵参数生成了目标相关系数矩阵和目标转移概率矩阵，以解决单一资产组合配置过程中不考虑市场风格转换因素，风险高的问题，提高了策略推荐的准确性，同时降低了计算资源的使用率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的资产数据处理方法的应用场景图；

图2示意性示出了根据本公开实施例的资产数据处理方法的流程图；

图3示意性示出了根据本公开实施例的生成目标参数的方法流程图；

图4示意性示出了根据本公开实施例的资产数据处理装置的结构框图；以及

图5示意性示出了根据本公开实施例的适于实现由电子设备执行的资产数据处理方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在实现本公开的过程中发现，由于市场和资产间相关性的风格轮动现象，传统的单一化风险平价投资组合在估计协方差矩阵时，往往不会考虑到市场风格转换对资产间相关性所带来的影响，在实际操作中会产生很大的模型风险，难以抵御各种市场冲击所带来的风险，已无法很好地适应市场，所以迫切需要基于机制转换的市场资产数据处理的方法。

有鉴于此，本公开的实施例提供了一种资产数据处理方法、资产数据处理装置、电子设备及介质。该方法包括：响应于数据处理请求，从数据库中获取多个资产数据和初始参数，初始参数包括初始转移概率矩阵和初始相关系数矩阵，初始转移概率矩阵中的元素表征资产数据在历史时间下不同市场状态的概率，初始相关系数矩阵中的元素表征两个资产数据之间的相关性；利用处理器根据初始参数和历史状态概率分布数据，生成目标参数；基于目标转移概率矩阵，根据多个资产数据确定在每个第一时间段内的市场状态信息；针对每个第一时间段，根据与市场状态信息对应的目标相关系数矩阵和多个资产数据的波动率，生成对应于不同资产数据的风险贡献函数；根据多个资产数据的风险贡献函数，生成策略风险评估报告。

需要说明的是，本公开提供的资产数据处理方法和资产数据处理装置可用于金融领域，例如银行等金融机构，也可用于除金融领域之外的任意领域，因此，本公开提供的资产数据处理方法和资产数据处理装置的应用领域不做限定。

在本发明的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

图1示意性示出了根据本公开实施例的资产数据处理方法的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的资产数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的资产数据处理装置一般可以设置于服务器105中。本公开实施例所提供的资产数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的资产数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图3对本公开实施例的资产数据处理方法进行详细描述。

图2示意性示出了根据本公开实施例的资产数据处理方法的流程图。

如图2所示，该方法包括操作S210～操作S250。

在操作S210，响应于数据处理请求，从数据库中获取多个资产数据和初始参数，其中，资产数据具有对应的波动率，初始参数包括初始转移概率矩阵和初始相关系数矩阵，初始转移概率矩阵中的元素表征资产数据在历史时间下不同市场状态的概率，初始相关系数矩阵中的元素表征两个资产数据之间的相关性。

在操作S220，利用处理器根据初始参数和历史状态概率分布数据，生成目标参数，其中，目标参数包括目标转移概率矩阵和对应于不同市场状态的目标相关系数矩阵。

在操作S230，基于目标转移概率矩阵，根据多个资产数据确定在每个第一时间段内的市场状态信息，其中，历史时间包括多个第一时间段。

在操作S240，针对每个第一时间段，根据与市场状态信息对应的目标相关系数矩阵和多个资产数据的波动率，生成对应于不同资产数据的风险贡献函数。

在操作S250，根据多个资产数据的风险贡献函数，生成策略风险评估报告。

根据本公开的实施例，资产数据可以指大宗商品资产、股票、避险品种黄金等不同资产类别下的资产。例如，基于上证综合指数以及商品指数选取的股票或大宗商品资产；基于纳斯达克指数以及伦敦黄金现货价格指数选取的新兴股票或黄金等。

需要说明的是，本公开的资产数据也可以通过其他方式进行选取，上述上证综合指数等仅作为示例以说明本公开资产数据的获取方式，并非是限制本公开的资产数据只能是通过上述方式获取的。

根据本公开的实施例，策略风险评估报告的核心是配置风险，避免过度配置单一类别资产，因其大幅下跌而带来较大的收益损失。通过相对均衡分配不同资产类别在投资组合风险中的贡献度，追求资产本身风险的适度平衡，实现投资组合的风险结构优化。当某种资产的风险贡献多于其他资产，则考虑降低其权重同时提高其他资产权重，直至投资组合的整体风险保持在一定的范围内。

根据本公开的实施例，转移概率矩阵中的元素是指前一时刻资产处于市场状态j的条件下，当前时刻处于市场状态i的概率。由此可见，转移概率矩阵中的元素具有时间属性和状态属性，即转移概率矩阵中的元素与历史时间和市场状态有关。

根据本公开的实施例，资产之间的相关性与市场动荡水平、跨资产类别等因素有关，资产间的相关性对收益率和风险系数也产生较大影响。

根据本公开的实施例，历史状态概率分布数据是指各资产在历史时间下处于不同市场状态的概率。例如，A股票2016年处于波动状态的概率为0.4。

根据本公开的实施例，风险贡献函数代表组合内单个资产对整体组合的风险贡献，通过不断调整，若各资产的风险贡献值相等，整体组合的风险最低。

根据本公开的实施例，在客户端接受数据处理请求，从设备中的数据库获取各资产数据、初始转移概率矩阵、初始相关系数矩阵和历史状态概率分布数据；通过处理器处理初始转移概率矩阵、初始相关系数矩阵和历史状态概率分布数据，生成目标参数中的目标转移概率矩阵和目标相关系数矩阵；根据目标参数中的目标转移概率矩阵以及各资产前一时刻不同状态信息，确定当前各资产数据不同状态信息；确定各资产当前不同状态信息，根据目标参数中各资产间的相关系数以及各资产波动率，生成各资产对整体资产的风险贡献函数。

根据本公开的实施例，通过不断调整优化各资产的风险贡献值，在整体组合风险最低的情况下，得出各资产不同的资源量，生成收益高、风险低的策略风险评估报告。

根据本公开的实施例，利用处理器根据所述初始参数和历史状态概率分布数据，生成目标参数，基于目标转移概率矩阵根据多个资产数据确定在每个第一时间段内的市场状态信息，根据与所述市场状态信息对应的目标相关系数矩阵和多个所述资产数据的波动率，生成对应于不同资产数据的风险贡献函数，最后生成策略风险评估报告。通过在生成目标相关系数矩阵的过程中考虑了市场状态机制转换的影响因素，即加入了市场状态间的转移概率矩阵参数，从而根据历史状态概率分布数据和转移概率矩阵参数生成了目标相关系数矩阵和目标转移概率矩阵，以解决单一资产组合配置过程中不考虑市场风格转换因素，风险高的问题，提高了策略推荐的准确性，同时降低了计算资源的使用率。

根据本公开的实施例，利用处理器根据初始参数和历史状态概率分布数据，生成目标参数，包括：

根据多个资产数据之间的初始残差和协方差矩阵以及每个资产数据的收益数据，生成估计似然函数，其中，估计似然函数包括第一子似然函数和第二子似然函数。

根据本公开的实施例，初始参数初始用

根据本公开的实施例，首先考虑一个包含K个资产的投资组合，由于每个资产的价格收益率都是时间序列，因此如果时间长度为T，那么定义{Y

其中，标准差残差ε

其中，标准差矩阵D

假设R

H

估计似然函数公式(5)如下：

QL(θ；Y)＝lnf(Y

其中，θ表示估计的所有参数，即标准差矩阵参数θ

根据本公开的实施例，根据第一子似然函数生成目标残差ε

在似然函数的估计过程中，假设资产价格的收益率{Y

其中，对式(6)进行分解，则第一子似然函数如公式(7)所示：

则第二子似然函数如公式(8)所示：

通过对公式(7)的第一子似然函数进行估计，即可得到目标残差ε

根据本公开的实施例，在确定目标残差ε

根据本公开的实施例，通过市场机制动态转换，更新了资产间相关系数矩阵和初始残差，组合内各资产间的相关性将被赋予机制转换的特征，改进了协方差矩阵，得到优化的目标残差，为组合的再平衡过程提供了一个很好的策略。

图3示意性示出了根据本公开实施例的生成目标参数的方法流程图。

如图3所示，根据初始转移概率矩阵和历史状态概率数据生成与市场状态对应的目标参数，包括操作S310～操作S380。

在操作S310，根据初始转移概率矩阵、当前市场状态概率和历史状态概率数据，生成滤波概率。

假设市场存在N个不同的机制(状态)，可以用{Δ

假设Δ

初始转移概率矩阵λ

其中p

历史市场所处状态概率分布(已知)用f(Y

滤波概率，代表在给定前一时刻及之前信息的条件下，前一时刻市场处于状态j的概率，用P[Δ

在操作S320，根据滤波概率和初始转移概率矩阵，生成预测概率。

预测概率代表在已知前一时刻及之前全部信息的条件下，当前时刻市场处于状态i的概率，用公式P[Δ

其中，P[Δ

在操作S330，根据预测概率和历史状态概率数据，生成当前市场状态概率。

其中，当前市场状态概率f(Y

其中，滤波概率P[Δ

其中，上述计算公式(9)～(12)是一个迭代计算的过程。

在操作S340，利用平滑推断算法对不同市场状态的滤波概率、预测概率和当前市场状态概率进行计算，得到观测概率数据。

在基于马尔可夫链状态的平滑推断算法中，下一状态的概率分布由当前状态决定，与时间序列中前面的状态无关。在马尔可夫链的每一步，系统根据概率分布，可以根据转移概率从一个状态转移到另一个状态，也可以保持当前状态，因此通过对不同市场状态的滤波概率、预测概率和当前市场状态概率进行计算即可得到观测概率数据ξ

在操作S350，根据观测概率数据和目标残差，生成中间转移概率矩阵和中间初始相关系数矩阵，其中，中间参数包括中间转移概率矩阵和中间相关系数矩阵。

根据观测概率数据和目标残差，生成的中间转移概率矩阵λ

其中，ε

中间参数用

在操作S360，判断中间参数与初始参数之间的差值是否满足预设阈值。

在操作S370，如果不满足，将中间参数确定为新的初始参数，以根据新的初始参数迭代地确定目标参数。

在操作S380，如果满足，将中间参数确定为目标参数。

将中间参数与初始参数作差，当差值不小于预设阈值δ时，将中间参数确定为新的初始参数，同时更新迭代新的目标参数；当差值小于阈值时，暂停迭代，确定中间参数为目标参数。差值计算公式(15)如下：

其中，δ为局部收敛精度的阈值，例如δ为0.1。

根据本公开的实施例，通过利用基于马尔可夫链状态的平滑推断算法，不断更新迭代得到最优的转移概率矩阵和相关系数矩阵。得到的观测概率数据主要用作识别市场状态，因此，本公开可以通过识别市场状态来自我调整，既考虑并优化了市场状态间的转移关联性，又更新优化了资产组合间的相关性。

根据本公开的实施例，利用平滑推断算法对不同市场状态的滤波概率、预测概率和当前市场状态概率进行计算，得到观测概率数据，包括：

根据不同市场状态的滤波概率、预测概率和当前市场状态概率，分别生成状态概率向量、预测概率向量和滤波概率向量；

根据状态概率向量、预测概率向量和滤波概率向量，生成向量估计函数。

利用平滑推断算法处理向量估计函数，生成观测概率数据。

在一种实施例中，将每个状态的概率分布集合成为一个向量，可以得到如公式(16)所示的状态概率向量η

将预测概率集合成为向量，可以得到如公式(17)所示的预测概率向量ξ

将滤波概率集合成为向量，可以得到如公式(18)所示的滤波概率向量ξ

在一种实施例中，根据状态概率向量、预测概率向量和滤波概率向量，生成如公式(19)所示的向量估计函数：

ξ

其中，λ′为对相对应的转移概率矩阵λ进行求导。

其中，估计过程如公式(20)所示：

其中，Θ代表逐项相乘。

利用平滑推断算法处理向量估计函数，生成观测概率数据，其中观测概率数据ξ

其中，(÷)代表逐项相除。

在一种实施例中，若中间参数与初始参数之间的差值不满足预设阈值，则将中间参数确定为新的初始参数，以根据新的初始参数迭代地确定目标参数。

根据本公开的实施例，还包括针对目标相关系数矩阵进行标准化处理，得到处理后的目标相关系数矩阵，以利用处理后的目标相关系数矩阵生成所述风险贡献函数。

在一种实施例中，通过迭代取得收敛的目标相关系数矩阵R

根据本公开的实施例，基于目标转移概率矩阵，根据多个资产数据确定在每个第一时间段内的市场状态信息，包括：

针对每个资产数据，根据预设的初始概率向量和状态概率向量，生成与资产数据对应的初始资产值。

在一种实施例中，初始资产值X

X

其中，μ

根据本公开的实施例，针从多个初始资产值确定当前的第二时间段下最大的初始资产值，并将与最大的初始资产值对应的市场状态确定为当前的第二时间段的最大状态信息。

在一种实施例中，利用维特比(Viterbi)算法进行递推，例如根据公式(24)，从多个初始资产值确定当前的第二时间段下最大的初始资产值X

其中，j仍为市场状态，只是在表示上与前一时刻市场状态i做出区分。

根据本公开的实施例，基于上一个第二时间段的最大状态信息，迭代地确定下一个第二时间段的最大状态信息。

参照公式(24)，迭代地确定下一个第二时间段的最大状态信息，将此状态记为在最后时刻T的最优市场状态。

根据本公开的实施例，根据相邻两个第二时间段的最大状态信息，确定一个第一时间段内的市场状态信息。

根据T时刻确定的状态，倒推T-1时刻的最优市场状态。以此类推，一一确定前面时刻的最优市场状态(即最大状态信息)。

例如，假设将市场状态信息划分为状态1(平稳状态)、状态2(波动状态)两种状态，简记为状态1和状态2。市场状态概率值在2018年底到2022年底间的情况如表(1)所示：

从表(1)中可知，当T时刻＝2022年底时，最优市场状态为状态2(波动)，倒推T-1时刻＝2021年底时，最优市场状态(即最大状态信息)为状态1(平稳)，以此类推，2020年底最优市场状态为状态1(平稳)，2019年底为状态2(波动)，2018年底为状态2(波动)。即最优市场状态路径为(波动，波动，平稳，平稳，波动)。

根据本公开的实施例，根据维特比算法，在时间上从后往前逐步取对应的最优市场状态，有利于风险评价投资组合根据最优的市场状态进行自我调整，同时在识别市场状态的基础上，可以计算得到各状态下的资产波动率，从而和目标相关系数矩阵结合得出最优的协方差矩阵，并将结果应用于风险平价投资组合中，制定风险平衡策略，降低组合投资风险。

根据本公开的实施例，根据与市场状态信息对应的目标相关系数矩阵和多个资产数据的波动率，生成对应于不同资产数据的风险贡献函数，包括：

针对任意两个资产数据，根据目标相关系数矩阵和与资产数据对应的波动率，生成资产协方差。

在一种实施例中，假设投资组合D内有d个资产数据，其中资产数据a在组合中所占的初始权重为w

σ

根据本公开的实施例，根据与每个资产数据对应的初始权重w

在一种实施例中，资产组合风险值用σ

根据本公开的实施例，根据资产组合风险值和每个初始权重，生成对应于不同资产数据的风险贡献函数。

根据本公开的实施例，根据资产组合风险值和每个初始权重，生成对应于不同资产数据的风险贡献函数，包括：

针对每个资产数据，根据初始权重和资产组合风险值，生成一个边际风险贡献值。

在一种实施例中，边际风险贡献值用MRC表示，一般组合整体的风险值σ

根据本公开的实施例，根据边际风险贡献值和初始权重，生成风险贡献函数。

风险贡献函数用TRC表示，其代表组合内各资产对于整体的风险贡献，计算公式(28)如下：

验证TRC有效性公式(29)如下：

根据本公开的实施例，在单个资产权重变化对组合影响的基础上加入了单个资产的具体权重，得到了组合内单个资产对整体的风险贡献。当所有资产的风险贡献值相加与组合整体的风险一致可以便于验证本公开的方法的有效性，根据风险平价投资组合方法的核心思想，本公开所要达到的目标是使得组合内所有资产的风险贡献值相等。

根据本公开的实施例，根据多个资产数据的风险贡献函数，生成策略风险评估报告，包括：

针对每个资产数据，在不同资产数据的风险贡献函数相等的情况下，根据多个资产数据的风险贡献函数，生成目标贡献函数。

在目标贡献函数的函数值最小的情况下，确定每个资产数据的资产权重。

在一种实施例中，当目标贡献函数的值最小时，可以得出各资产所对应的资产权重。

根据本公开的实施例，根据每个资产数据的资产权重和计划资源消耗量，生成策略风险评估报告，其中，策略风险评估报告包括每个资产数据的资源量。

将客户计划资源消耗量与各项投资资产的资产权重的乘积作为各项资产的投资资源量，作为策略风险评估报告中的一项重要指标结果。

例如，对应于客户计划资源消耗量为一万元，计划投资A、B两种类型的股票，A类股票初始权重为0.4，B类股票初始权重为0.6，经过迭代更新后得到A类股票权重为0.3，B类股票权重为0.7，则A、B股票投资资源量分别为3千元和7千元。

根据本公开的实施例，根据计划资源消耗量以及权重，可以得到一个简单的再平衡策略，当市场风格转变时可以进行再平衡，根据识别的市场状态的转换调整风险平价投资组合的权重，不断迭代从而生成时效性高的策略风险评估报告。

根据本公开的实施例，根据多个资产数据的风险贡献函数，生成目标贡献函数，包括基于最小二乘法，根据多个资产数据的风险贡献函数，生成目标贡献函数。

最小二乘法是一种数学优化方法，通过最小化误差的平方和寻找数据的最佳匹配。在本发明中，组合整体的风险已知，优化目标是组合内所有资产的风险贡献值相等。

构建多个资产数据的风险贡献函数(30)如下：

根据本公开的实施例，在目标贡献函数的函数值最小的情况下，确定每个资产数据的资产权重，包括：

迭代地调整目标贡献函数中每个资产数据的初始权重，得到调整后的权重，其中，在每次调整得到的多个调整后的权重的和为预设数值。

目标贡献函数是使每个资产的风险贡献值与均值项的误差均方和最小，构建目标贡献函数(31)如下：

其中，w＝(w

其中，组合风险贡献值的均值项公式(32)如下:

根据本公开的实施例，针对每次调整，根据多个调整后的权重和目标贡献函数，生成目标贡献值，其中，目标贡献值表征函数值。

根据本公开的实施例，将与最小目标贡献值对应的多个调整后的权重确定为多个资产数据的资产权重。

本发明中约束条件的设置中首先考虑分配到各资产的权重之和为1，即不保留现金，但考虑到现实情况，做空操作对于现实投资者而言并不容易，因此对组合进行了卖空的限制。通过对公式(31)进行迭代计算，得到对应于每次迭代的调整后的权重，基于调整后的权重和目标贡献函数，生成对应于此次迭代的目标贡献值，最终将最小目标贡献值对应的多个调整后的权重确定为多个资产数据的资产权重。

根据本公开的实施例，使用最小二乘法构建考虑到风险平价投资组合中资产间的相关性，通过不端优化来配置最终的各资产权重值。该组合对于风险的缓释效果较好，考虑了资产间相关性因素的风险平价投资组合更趋于成熟，一定程度克服了了相关系数时变性的局限。

基于上述由电子设备执行的资产数据处理方法，本公开还提供了一种资产数据处理装置。以下将结合图4对该装置进行详细描述。

图4示意性示出了根据本公开实施例的资产数据处理装置的结构框图。

如图4所示，该实施例的资产数据处理装置400包括获取模块410、第一生成模块420、确定模块430、第二生成模块440和第三生成模块450。

获取模块410，用于响应于数据处理请求，从数据库中获取多个资产数据和初始参数，其中，资产数据具有对应的波动率，初始参数包括初始转移概率矩阵和初始相关系数矩阵，初始转移概率矩阵中的元素表征资产数据在历史时间下不同市场状态的概率，初始相关系数矩阵中的元素表征两个资产数据之间的相关性。在一实施例中，获取模块410可以用于执行前文描述的操作S210，在此不再赘述。

第一生成模块420，用于利用处理器根据初始参数和历史状态概率分布数据，生成目标参数，其中，目标参数包括目标转移概率矩阵和对应于不同市场状态的目标相关系数矩阵。在一实施例中，第一生成模块420可以用于执行前文描述的操作S220，在此不再赘述。

确定模块430，用于基于目标转移概率矩阵，根据多个资产数据确定在每个第一时间段内的市场状态信息，其中，历史时间包括多个第一时间段。在一实施例中，确定模块430可以用于执行前文描述的操作S230，在此不再赘述。

第二生成模块440，用于针对每个第一时间段，根据与市场状态信息对应的目标相关系数矩阵和多个资产数据的波动率，生成对应于不同资产数据的风险贡献函数。在一实施例中，第二生成模块440可以用于执行前文描述的操作S240，在此不再赘述。

第三生成模块450，用于根据多个资产数据的风险贡献函数，生成策略风险评估报告。在一实施例中，第三生成模块450可以用于执行前文描述的操作S250，在此不再赘述。

根据本公开的实施例，第一生成模块420包括估计似然函数生成子模块、目标残差生成子模块和目标参数生成子模块。

估计似然函数生成子模块，用于根据多个资产数据之间的初始残差和协方差矩阵以及每个资产数据的收益数据，生成估计似然函数，其中，估计似然函数包括第一子似然函数和第二子似然函数。

目标残差生成子模块，用于根据第一子似然函数生成目标残差。

目标参数生成子模块，用于针对每个市场状态，根据初始转移概率矩阵和历史状态概率数据生成与市场状态对应的目标参数。

根据本公开的实施例，目标参数生成子模块包括滤波概率生成单元、预测概率生成单元、当前市场状态概率生成单元、观测概率数据生成单元、第一生成单元和第二生成单元。

滤波概率生成单元，用于根据初始转移概率矩阵、当前市场状态概率和历史状态概率数据，生成滤波概率。

预测概率生成单元，用于根据滤波概率和初始转移概率矩阵，生成预测概率。

当前市场状态概率生成单元，用于根据预测概率和历史状态概率数据，生成当前市场状态概率。

观测概率数据生成单元，用于利用平滑推断算法对不同市场状态的滤波概率、预测概率和当前市场状态概率进行计算，得到观测概率数据。

第一生成单元，用于根据观测概率数据和目标残差，生成中间转移概率矩阵和中间初始相关系数矩阵，其中，中间参数包括中间转移概率矩阵和中间相关系数矩阵。

第二生成单元，用于在中间参数与初始参数之间的差值满足预设阈值的情况下，将中间参数确定为目标参数。

根据本公开的实施例，观测概率数据生成单元包括第一生成子单元、第二生成子单元和第三生成子单元。

第一生成子单元，用于根据不同市场状态的滤波概率、预测概率和当前市场状态概率，分别生成状态概率向量、预测概率向量和滤波概率向量。

第二生成子单元，用于根据状态概率向量、预测概率向量和滤波概率向量，生成向量估计函数。

第三生成子单元，用于利用平滑推断算法处理向量估计函数，生成观测概率数据。

根据本公开的实施例，观测概率数据生成单元还包括第四生成子单元。

第四生成子单元，用于在差值不满足预设阈值的情况下，将中间参数确定为新的初始参数，以根据新的初始参数迭代地确定目标参数。

根据本公开的实施例，观测概率数据生成单元还包括第五生成子单元。

第五生成子单元，用于对目标相关系数矩阵进行标准化处理，得到处理后的目标相关系数矩阵，以利用所述处理后的目标相关系数矩阵生成所述风险贡献函数。

根据本公开的实施例，确定模块430包括第一确定子模块、第二确定子模块、第三确定子模块和第四确定子模块。

第一确定子模块，用于针对每个资产数据，根据预设的初始概率向量和状态概率向量，生成与资产数据对应的初始资产值。

第二确定子模块，用于从多个初始资产值确定当前的第二时间段下最大的初始资产值，并将与最大的初始资产值对应的市场状态确定为当前的第二时间段的最大状态信息。

第三确定子模块，用于基于上一个第二时间段的最大状态信息，迭代地确定下一个第二时间段的最大状态信息。

第四确定子模块，用于根据相邻两个第二时间段的最大状态信息，确定一个第一时间段内的市场状态信息。

根据本公开的实施例，第二生成模块440包括第一生成子模块、第二生成子模块和第三生成子模块。

第一生成子模块，用于针对任意两个资产数据，根据目标相关系数矩阵和与资产数据对应的波动率，生成资产协方差。

第二生成子模块，用于根据与每个资产数据对应的初始权重和多个资产协方差，生成资产组合风险值。

第三生成子模块，用于根据资产组合风险值和每个初始权重，生成对应于不同资产数据的风险贡献函数。

根据本公开的实施例，第三生成子模块包括第三生成单元和第四生成单元。

第三生成单元，用于针对每个资产数据，根据初始权重和资产组合风险值，生成一个边际风险贡献值。

第四生成单元，用于根据边际风险贡献值和初始权重，生成风险贡献函数。

根据本公开的实施例，第三生成模块450包括第四生成子模块、第五生成子模块和第六生成子模块。

第四生成子模块，用于针对每个资产数据，在不同资产数据的风险贡献函数相等的情况下，根据多个资产数据的风险贡献函数，生成目标贡献函数。

第五生成子模块，用于在目标贡献函数的函数值最小的情况下，确定每个资产数据的资产权重。

第六生成子模块，用于根据每个资产数据的资产权重和计划资源消耗量，生成策略风险评估报告，其中，策略风险评估报告包括每个资产数据的资源量。

根据本公开的实施例，第四生成子模块包括第五生成单元。

第五生成单元，用于基于最小二乘法，根据多个资产数据的风险贡献函数，生成目标贡献函数。

根据本公开的实施例，第五生成子模块包括第六生成单元、第七生成单元和第八生成单元。

第六生成单元，用于迭代地调整目标贡献函数中每个资产数据的初始权重，得到调整后的权重，其中，在每次调整得到的多个调整后的权重的和为预设数值。

第七生成单元，用于针对每次调整，根据多个调整后的权重和目标贡献函数，生成目标贡献值，其中，目标贡献值表征函数值。

第八生成单元，用于将与最小目标贡献值对应的多个调整后的权重确定为多个资产数据的资产权重。

根据本公开的实施例，获取模块410、第一生成模块420、确定模块430、第一生成模块440和第二生成模块450中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块410、第一生成模块420、确定模块430、第一生成模块440和第二生成模块450中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块410、第一生成模块420、确定模块430、第一生成模块440和第二生成模块450中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图5示意性示出了根据本公开实施例的适于实现由电子设备执行的资产数据处理方法的电子设备的方框图。

如图5所示，根据本公开实施例的电子设备500包括处理器501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM502和RAM503以外的一个或多个存储器中。处理器501也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的资产数据处理方法。

在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分509被下载和安装，和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。