[发明专利]一种因子检验方法和系统

说明书

本发明提供一种因子检验方法及因子检验系统，包括：显示用户界面，接收对所述用户界面的第一配置操作；基于所述第一配置操作进行参数设置；根据设置的参数生成因子的机器学习模型；基于所述机器学习模型得到因子的检验结果。本发明实施例中因子检验系统使用机器学习模型对所有因子进行验证，提升了因子检验时的检验准确性。

技术领域

本发明涉及金融与大数据分析技术领域，尤其涉及一种因子检验方法和系统。

背景技术

金融资产的定价、价格走势的预测一直以来都是投资领域研究的核心问题。证券作为主要的投资金融资产，一直以来都是相关研究和实践的重要对象。因子量化投资基本原理为选取一系列对于资产收益有解释性的因子作为解释变量建立模型。因子选股的基本原理是采用某个或某些因子作为选股的标准，满足这些因子的股票买入，不满足的则卖出。

目前，传统因子模型使用因子截面序列与截面超额收益率序列的向量信息系数(Information coefficient，IC)来检验因子的有效程度，并通常认定该IC序列的绝对值均值大于某一阈值则将因子认定为有效因子。

然而，单纯的IC不能反映出数据的全部信息。例如数据放在一起做总体回归虽可以得到指标整体的历史规律，但市场不会长期保持一种风格，整体IC忽略了很多重要的信息。

发明内容

本发明实施例提供一种因子检验方法和系统，解决现有的因子模型进行因子检验时检验准确性较差的问题。

为解决上述技术问题，本发明提供一种因子检验方法，包括：

显示用户界面，接收对所述用户界面的第一配置操作；

基于所述第一配置操作进行参数设置；

根据设置的参数生成因子的机器学习模型；

基于所述机器学习模型得到因子的检验结果。

可选的，上述方法中，所述基于所述第一配置操作进行参数设置的步骤包括：

基于所述第一配置操作进行量化策略参数和模型参数的配置；

其中，所述量化策略参数包括标的参数、交易参数和因子数据中的至少一项；

所述模型参数包括机器学习算法参数，预设预期收益率参数和回报评估参数中的至少一项。

可选的，上述方法中，所述根据设置的参数生成因子的机器学习模型的步骤包括：

基于设置的参数生成AI量化策略工作流；

运行所述AI量化策略工作流进行机器学习模型训练，生成因子的机器学习模型。

可选的，上述方法中，所述运行所述AI量化策略工作流进行机器学习模型训练，生成因子的机器学习模型的步骤包括：

将因子数据作为机器学习模型的输入数据；

所述AI量化策略工作流根据所述模型参数对输入数据进行机器学习模型训练。

可选的，上述方法中，所述将因子数据作为机器学习模型的输入数据的步骤之前，所述方法还包括：

对所述因子数据进行数据预处理，所述数据预处理包括以下至少一项：

采样、缺失值处理、标准化、归一化、数据集拆分、数据类型转换、数值编码、特征二值化和特征删除；

所述将因子数据作为机器学习模型的输入数据的步骤包括：

使用进行数据预处理之后的所述因子数据作为机器学习模型的输入数据。

可选的，上述方法中，所述AI量化策略工作流根据所述模型参数对输入数据进行机器学习模型训练的步骤包括：