一种基于人工智能的基金筛选系统及方法

摘要

本发明公开了一种基于人工智能的基金筛选系统及方法，包括人工智能分析预测主模块和客户交互主模块，所述人工智能分析预测主模块用于获取所有基金相关的数据并存储到数据库中，同时对数据进行清洗提取特征供人工智能模型学习，学习完成后产生预测模型，预测模型预测未来一个月所有基金的夏普比率，最终结合马科维茨投资组合理论和移动止盈计算出每日买入卖出信号及具体金额百分比，整个过程不需要人为干预，极大的节省了用户挑选基金的时间同时降低用户投资风险；所述客户交互主模块用于向用户展示人工智能筛选基金结果及每日买入卖出信号和具体金额百分比，同时展示基金信息，为用户提供更可信的筛选理由。

说明书

技术领域

本发明涉及大数据领域，特别涉及一种基于人工智能的基金筛选系统及方法。

背景技术

在当代中国金融市场日益完善的背景下，中国公民的理财的理念日益突显，尤其是年轻人每月会将薪金的一部分作投资规划。股票期货等投资手段需要投资者具有专业的投资眼光而且买入的金额又有一定门槛。基金作为金融工具的组合由专业的基金经理操控，准入低，近些年基金由一种小众的投资方式逐渐变为一种全民的投资活动。基金作为一种投资工具真正懂得的人有限，更大一部分的基民还在用低买高卖的方式进行投资。到最终能够赚钱的也只是一小部分，大部分的人亏钱，大大打击很多基民的投资信心；

就此目前市面上的基金理财的工具的功能仅能给用户展示某一支基金的具体详情，或者只是对基金的历史表现进行打分评级。投资者还需要反复进入各个页面对某些指标比对，甚至手动比对，而现在市场上有上万支基金，这上万支基金如果通过手动比对非常困难，要花大量的时间和脑力，为此，我们提出一种基于人工智能的基金筛选系统及方法。

发明内容

本发明的主要目的在于提供一种基于人工智能的基金筛选系统及方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种基于人工智能的基金筛选系统，包括：数据采集模块、数据处理模块、人工智能学习模块、预测模块、基金精选模块、仓位管理模块以及客户交互模块，其中，

所述数据采集模块，用于采集基金数据；

所述数据处理模块，用于清洗数据，提取特征；

所述人工智能学习模块，用于学习未来1个月基金夏普比率与历史数据之间的关系，并将学习归纳出的规律生成预测模型；

所述预测模块，用于预测未来1个月基金夏普比率，并将结果存入数据库；

所述基金精选模块，用于对未来1个月基金夏普比率进行分析，进一步精选出未来1个月最有潜力的10只基金；

所述仓位管理模块，用于计算每日买入卖出信号及具体金额百分比；

所述客户交互模块，用于将上述计算结果通过小程序展示给用户。

优选的，一种基于人工智能的基金筛选方法，包括以下步骤：

(1)、获取过去7年市场所有基金的数据，包括：基金种类、基金经理、基金规模、基金净值、基金分红、基金持仓；

(2)、数据清洗主要对数据中的脏数据进行清洗，提取特征主要从历史数据中提取出影响未来1个月基金夏普比率的关键特征，同时计算出历史数据中每只基金每个交易日未来1个月基金的夏普比率，并对夏普比率按分位数切分成10个类别；

(3)、将步骤(2)处理好的数据喂给人工智能模型学习，从大量历史数据中学习归纳出规律预测未来1个月基金夏普比率；

(4)、仓位管理，结合马科维茨投资组合理论和移动止盈计算出每日买入卖出信号及具体金额百分比。

优选的，步骤(2)中具体过程为：首先对获取的基金数据中重复数据进行处理，只保留其中的一条数据，然后针对不同数据采用不同的策略对缺失值进行填充，基金经理缺失值用前一个交易日的值填充，基金规模和基金持仓用后一个交易日的值填充，基金分红用0对缺失值进行填充，然后提取滑窗特征包括历史3天、5天、15天、20天、30天单位净值、累计净值、每日收益的平均值、方差、最大值、最小值、中位数；

最后计算每只基金每个交易日未来1个月基金的夏普比率，具体公式如下：

其中E(Rp)：投资组合预期的报酬率；Rf：无风险利率σp：投资组合超额报酬率的标准差。

然后对夏普比率进行分位数归类生成10个类别。

优选的，步骤(3)采用人工智能Lightgbm算法对历史数据进行学习归纳，采用贝叶斯优化自动调整Lightgbm模型参数，使模型准确率达到最高且不用人为干预，第一步定义一个Lightgbm模型的训练函数，返回需要优化的指标；第二步指定好需要调的参数范围；第三步调用maximize或者minimize 方法让贝叶斯优化自己去找最优的参数。

优选的，步骤(4)结合马科维茨投资组合理论和移动止盈计算每日仓位比重，具体方法如下：

(4.1)、每日定时计算持仓以来单位净值涨幅百分比，公式如下：

若Rt>-5％则保持仓位不动，否侧采用马科维茨投资组合理论调整仓位占比；

(4.2)、计算基金组合在定区间的的每日收益率，生成m*n的矩阵A

指 (m为交易日天数，n为投资基金数，m必须大于n)；

(4.3)、计算矩阵A的协方差矩阵；

(4.4)、求解协方差矩阵的特征值和特征向量；

(4.5)、根据特征值计算具体仓位。

与现有技术相比，本发明具有如下有益效果：

人工智能分析预测主模块主要用于获取所有基金相关的数据并存储到数据库中，同时对数据进行清洗提取特征供人工智能模型学习，学习完成后产生预测模型，预测模型预测未来一个月所有基金的夏普比率，针对预测结果结合历史数据进一步分析精选出最有潜力的10只基金，最终结合马科维茨投资组合理论和移动止盈计算出每日买入卖出信号及具体金额百分比，整个过程不需要人为干预，极大的节省了用户挑选基金的时间同时降低用户投资风险；所述客户交互主模块主要用于向用户展示人工智能筛选基金结果及每日买入卖出信号和具体金额百分比，同时展示基金的详细信息、风险指标、历史收益基础信息，为用户提供更可信的筛选理由。

附图说明

图1为本发明中模块结构图；

图2为本发明中流程示意图；

图3为本发明中Lightgbm算法其中一颗决策树的示意图；

图4为本发明中贝叶斯优化自动调整Lightgbm模型参数原理图之一；

图5为本发明中贝叶斯优化自动调整Lightgbm模型参数原理图之二。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

请参阅图1，本发明提供一种基于人工智能的基金筛选系统，包括数据采集模块、数据处理模块、人工智能学习模块、预测模块、基金精选模块、仓位管理模块、客户交互模块，其中，

数据采集模块，用于采集基金数据；

数据处理模块，用于清洗数据，提取特征；

人工智能学习模块，用于学习未来1个月基金夏普比率与历史数据之间的关系，并将学习归纳出的规律生成预测模型；

预测模块，用于预测未来1个月基金夏普比率，并将结果存入数据库；

基金精选模块，用于对未来1个月基金夏普比率进行分析，进一步精选出未来1个月最有潜力的10只基金；

仓位管理模块，用于计算每日买入卖出信号及具体金额百分比；

客户交互模块，用于将上述计算结果通过小程序展示给用户；

请参阅图2，一种基于人工智能的基金筛选方法，包括以下步骤：

(1)获取过去7年市场所有基金的数据，包括：基金种类、基金经理、基金规模、基金净值、基金分红、基金持仓；

(2)首先对获取的基金数据中重复数据进行处理，只保留其中的一条数据，然后针对不同数据采用不同的策略对缺失值进行填充，基金经理缺失值用前一个交易日的值填充，基金规模和基金持仓用后一个交易日的值填充，基金分红用0对缺失值进行填充，然后提取滑窗特征包括历史3天、5天、15 天、20天、30天单位净值、累计净值、每日收益的平均值、方差、最大值、最小值、中位数，如下表示例：

最后计算每只基金每个交易日未来1个月基金的夏普比率，具体公式如下：

其中E(Rp)：投资组合预期的报酬率；

Rf：无风险利率；

σp：投资组合超额报酬率的标准差。

然后对夏普比率进行分位数归类，如下表

(3)采用人工智能Lightgbm算法对历史数据进行学习归纳，采用贝叶斯优化自动调整Lightgbm模型参数，使模型准确率达到最高且不用人为干预。

图3为Lightgbm算法其中一颗决策树的示意图，如第一条路径为 accum_nav_10历史前10天累计净值满足小于等于1.739，同时满足小于等于 1.650，则预测未来1个月的夏普比率为-0.009属于0类别。

图4和图5为现有的贝叶斯优化自动调整Lightgbm模型参数原理图，作为产考。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。