[发明专利]一种由数据驱动的高维度交易员评估方法和系统

说明书

本发明提供了一种由数据驱动的高维度交易员评估方法，所述方法包括：建立交易员分析基础特征库；基于所述基础特征库，对所述基础特征库的特征进行组合，以得到一全面特征库；基于一特定的评估维度目标，对交易员的交易记录进行处理，为每个交易员样本生成学习目标；根据对所述交易处理得到的训练、目标数据集，采用非线性模型进行训练得到评价模型M；获取该交易员的特征值，结合所述特征值和评价模型M，得到所述交易员的预测目标值。该方法和系统可以通过交易员的交易记录，对多个维度进行综合分析，并且在不同的分析角度上，给出对应的交易员能力、风险评估。

技术领域

本发明涉及数据分析领域，尤其涉及一种由数据驱动的高维度交易员评估方法和系统。

背景技术

证券从业者需要对投资者(及广义的交易员)建立完整的投资能力及倾向数据库，并对其交易能力、风险偏好进行长期准确的追踪，以提供对应的投资承受能力评级等信息。

传统办法所依赖的往往是静态、低维数据，即现在的资产总额、流动性情况、风险问卷等，然后进行单一维度的分析，所评价的准确度低、主观性模糊性较强、无法综合考虑交易员多维度的信息。

发明内容

基于此，本发明有必要提供一种由数据驱动的高维度交易员评估方法和系统。

一种由数据驱动的高维度交易员评估方法，所述方法包括：

建立交易员分析基础特征库；

基于所述基础特征库，对所述基础特征库的特征进行组合，以得到一全面特征库；

基于一特定的评估维度目标，对交易员的交易记录进行处理，为每个交易员样本生成学习目标；

根据对所述交易处理得到的训练、目标数据集，采用非线性模型进行训练得到评价模型M；

获取该交易员的特征值，结合所述特征值和评价模型M，得到所述交易员的预测目标值。

在其中一个实施例中，在所述步骤获取该交易员的特征值，结合所述特征值和评价模型M，得到所述交易员的预测目标值后，所述方法还包括：

对所述预测目标值进行排序；

并归一化所述排序结果至目标范围，从而得到交易员的评估结果。

在其中一个实施例中，所述基于一特定的评估维度目标，对交易

员的交易记录进行处理，为每个交易员样本生成学习目标的步骤

具体为：

根据时间片切分训练集和目标集；

给定某一具体的交易员T，其中，第一笔交易时间点为A，最后一笔交易时间点为S，未来时间片为N；

截取(A，S～N)的时间段为训练数据段，而(S～N，S)为目标数据段，进行切分；

根据切割的训练集，对所述训练集进行特征抽取；

针对得到的目标集，根据不同的评估目标，分别得到不同的目标集。

在其中一个实施例中，所述根据对所述交易处理得到的训练、目标数据集，采用非线性模型进行训练得到评价模型M的步骤包括：

根据对所述交易进行处理得到训练数据集、目标数据集；

采取梯度集成树模型进行训练得到模型M。

在其中一个实施例中，所述基础特征库的特征包括：

表现特征，所述表现特征包括夏普比率和最大回撤；

行为特征，所述行为特征包括开平仓时间分布和仓位分布；