TWM642113U - 投資組合分析系統 - Google Patents

Abstract

一種投資組合分析系統，包含基礎模型訓練模組、SHAP值計算模組、投資組合比例計算模組、整合計算模組及判斷模組。投資組合比例計算模組用以設定環境參數，並將環境參數及由基礎模型訓練模組獲得的預估報酬率進行計算，以獲得包含複數個投資標的之投資組合的投資組合比例。整合計算模組用以獲得投資組合預估報酬率，並根據投資組合比例計算投資組合所對應的SHAP值。判斷模組用以根據因素資料所對應的SHAP值判斷因素中各者的影響程度，以選出複數個關鍵因素。

Description

投資組合分析系統

本申請係關於一種投資組合分析系統，特別是指一種判斷影響金融商品的價格的關鍵因素的系統。

金融商品種類眾多，包含各式不同的投資標的，例如基金及股票即為多數人最普遍的投資標的。金融商品的價格因為各種因素的影響而變動，例如利率的走升或下跌、景氣因供需有週期性的循環、公司營收、甚至天災人禍及政府政策等等，都會造成市場價格的上下波動，而如何預測價格走勢是大多數投資人最感興趣的議題。為了輔助投資人對金融商品的價格走勢的判斷，各種預測金融商品變化的方法也因應而生，例如從歷史價格、價量強弱、技術面、基本面及/或籌碼面等資訊來進行判斷。

然而，金融商品的市場瞬息萬變，尤其對於投資組合的比例及潛在風險往往對投資人來說是個黑盒子，不知道什麼狀況下會有什麼變化，要準確預測市場未來的漲跌是十分困難的。然而，若能掌握影響價格的關鍵因素，依然可以判斷出金融商品的價格漲跌的大方向及目前處在景氣或產品循環的位置。因此，為了在眾多影響金融商品市場的因素中，找出主要影響價格走勢的關鍵因素，並幫助投資者能簡單且清楚地了解投資策略是如何擬定，使投資資訊與投資者之間可以建立一種信任與透明的關係，實為當下亟需解決的課題。

在本申請之一技術態樣中提出一種投資組合分析系統，包含一記憶體及一電連接該記憶體之處理器，且該投資組合分析系統運作於一電子裝置內，並包含一基礎模型訓練模組，用以基於影響一投資標的之複數個因素各自所對應的複數個因素資料和歷史價格中一預設時間段的一歷史報酬率，以機器學習方法訓練一基礎模型，並獲得所對應的投資標的之預估報酬率。一SHAP值計算模組，用以將該等因素資料代入該基礎模型，並對該基礎模型執行SHAP演算法處理，以獲得該等因素資料各自所對應的SHAP值。一投資組合比例計算模組，用以設定一環境參數，並將該環境參數及該預估報酬率進行計算，以獲得包含複數個投資標的之投資組合的投資組合比例。一整合計算模組，用以將該預估報酬率依照該投資組合比例計算，以獲得投資組合預估報酬率，並根據該投資組合比例計算該投資組合所對應的SHAP值。一判斷模組，用以根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。

在一些實施例中，該複數個投資標的包含個股、共同基金、第一類型指數股票型基金(exchange-traded funds, ETF) 及/或債券型ETF、第二類型指數股票型基金及/或債券型ETF，且該第一類型ETF的上市期間大於該第二類型ETF的上市期間。

在一些實施例中，投資組合分析系統更包含一風險係數計算模組，用以針對該投資標的為該個股或該第二類型ETF時，計算該投資標的之風險係數，並執行以下步驟：設定該第一類型ETF或加權指數作為參考標的，並計算該參考標的之參考報酬率。將該參考報酬率代入一定價模型，以計算出該投資標的與該參考標的之間的風險係數。將該風險係數代入該基礎模型，以獲得對應該投資標的之預估報酬率。

在一些實施例中，該風險係數計算模組還用以針對該投資標的為該第一類型ETF時，設定該第一類型ETF的風險係數為1。

在一些實施例中，該投資組合比例計算模組所設定的該環境參數是選自該投資標的之歷史價格、價格波動度、預估報酬率及預估信心比例所構成的群組，且該環境參數及該預估報酬率是透過一預設模型進行計算。

在一些實施例中，投資組合分析系統更包含一資料收集模組，用以自總體經濟指標、基本面指標、原物料指標、籌碼指標、外匯、技術面指標所構成的群組中選取該等因素及收集該等因素各自所對應的該等因素資料，以供該基礎模型訓練模組進行存取。

在一些實施例中，投資組合分析系統更包含一歷史數據計算模組，用以根據該投資標的之歷史價格計算該預設時間段的該歷史報酬率，以供該基礎模型訓練模組進行存取。

在一些實施例中，投資組合分析系統更包含一資料庫模組，包括一影響因素資料庫、一歷史數據資料庫、一模型資料庫及一報酬率數據資料庫。

下文係舉實施例配合所附圖式作詳細說明，但所描述的具體實施例僅僅用以解釋本新型，並不用來限定本新型，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本新型揭示內容所涵蓋的範圍。

此外，本新型所提到的“第一”及“第二”等用語並不代表任何順序、數量或者重要性，只是用於區分不同的部分，且附圖僅僅用以示意性地加以說明。

在全篇說明書與申請專利範圍所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本揭露之描述上額外的引導。

本申請提供一種投資組合分析系統及方法，用於從影響金融商品的投資組合之眾多因素中，判斷出較為關鍵的一或多個因素。該投資組合包括複數個投資標的，且該複數個投資標的包含個股、共同基金、第一類型指數股票型基金(exchange-traded funds, ETF)及/或債券型ETF、第二類型指數股票型基金及/或債券型ETF等，其中該第一類型ETF亦可稱為大型ETF，該第二類型ETF亦可稱為小型ETF，且該第一類型ETF的上市期間大於該第二類型ETF的上市期間。

首先，先以本申請的投資組合分析方法作為示例說明。在一些實施例中，本申請的投資組合分析方法由一處理器執行。請參閱圖1，圖1為本申請之一實施例的投資組合分析方法100之流程圖。本申請的投資組合分析方法100包含步驟S110~S180等，需要注意的是，所述步驟順序並不以此為限，可以依據實際需求而變更順序。本申請的投資組合分析方法100的具體步驟內容如下： 步驟S110：收集影響投資組合中每一投資標的之複數個因素各自所對應的複數個因素資料。 步驟S120：計算每一投資標的之歷史價格中一預設時間段的一歷史報酬率，並以機器學習方法針對每一投資標的訓練一基礎模型。 步驟S130：利用訓練好的該基礎模型獲得所對應的投資標的之預估報酬率。 步驟S140：將該等因素資料代入所對應的基礎模型，並對該基礎模型執行SHAP (SHapley Additive exPlanations)演算法處理，以獲得該等因素資料各自所對應的SHAP值。 步驟S150：設定環境參數，並將該環境參數及該預估報酬率進行計算，以獲得該等投資標的之投資組合比例。 步驟S160：將該預估報酬率依照該投資組合比例計算，以獲得投資組合預估報酬率。 步驟S170：以該投資組合比例計算該投資組合所對應的SHAP值。 步驟S180：根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。

在一些實施例中，步驟S110的投資組合可由股票及第一類型ETF等多個投資標所構成。分別收集影響每一投資標的複數個因素各自所對應的複數個因素資料。例如，針對股票產品A，收集可能影響其價格(股價)的因素於某一時間點或某一時間段所對應的數據資料。具體地，可透過處理器自動化收集影響股價的因素各自所對應的因素資料，並儲存於資料庫中。或者，使用者也可自行輸入因素及相對應的因素資料以儲存於資料庫中。而影響股價的因素例如選自總體經濟指標、基本面指標、原物料指標、籌碼指標、外匯、技術面指標所構成的群組。

在一些實施例中，總體經濟指標包括例如恐慌指數、10年期公債利率、10年期減2年期公債利差、美國30年期抵押貸款利率、美國高收益指數選擇權調整利差、美國整體庫存、美國製造業耐久財新訂單、美國耐久財消費支出、美國初領失業救濟金人數、美國非農就業人口、和美國五周內失業人口等等。

基本面指標包括例如公告或經過季節調整後的月營收、月營收與股價的比率、過去財報計算得本益比、利用公告財報與營收預估的本益比、過去財報計算得股價淨值比、利用公告財報與營收預估的股價淨值比、已公告營收預估的現金殖利率、和過去或即將的股息殖利率等等。

原物料指標包括例如布蘭特原油、WTI原油、天然氣、黃金、銀、銅、鐵、錫、美國黃豆、美國小麥、美國玉米、和CRB商品指數等等。

籌碼指標包括例如股東持有平均張數、股東持有600張以上比例、股東持有1000張以上比例、外資買賣超(含5日、20日、60日等平均值)、投信買賣超(含5日、20日、60日等平均值)、自營商買賣超(含5日、20日、60日等平均值)、融資餘額(含5日、20日、60日平均值)、和融券餘額(含5日、20日、60日平均值)等等。

外匯包括例如美金指數、美金對台幣匯率、和澳幣對美金匯率等等。

技術面指標包括例如交易量(含5日、20日、60日等平均值)和過去的價格等等。應理解的是，本新型的投資組合分析方法100所收集的因素資料並不限於取自上述例子，任何可能影響股價的因素皆可應用於本新型所揭示的投資組合分析方法100。

在一些實施例中，影響投資標的之因素所對應的因素資料可例如為各個因素於固定時間間隔的成長率等數據資料。舉例來說，可根據使用者需求，收集有關股票產品A的各個因素於過去任意時間段的成長率。在另一實施例中，亦可應實際需要，將影響股價的因素所對應的因素資料進行取log值等數值轉換，本新型對此不作任何限制。

在步驟S120中，計算每一投資標的之歷史價格中一預設時間段的一歷史報酬率，並以機器學習方法針對每一投資標的訓練一基礎模型。詳細來說，歷史報酬率是指買進金融商品持有t天後的報酬率。一般而言，報酬率可包括簡單報酬率及對數報酬率兩種。在一些實施例中，在第d天進場持有t天的簡單報酬率為: r =

該簡單報酬率計算方式的值域為-1~+∞，數值偏重於正的方向。

在一些實施例中，在第d天進場持有t天的對數報酬率為: R =

該對數報酬率計算方式的值域為-∞~+∞，值域上為對稱。本申請以機器學習方法訓練該基礎模型是透過自動化機器學習。換句話說，在資料平衡的情況下，訓練效果較佳，故對數報酬率計算方式更適合使用在機器學習的報酬率預估上。例如：針對股票產品A，收集其於過去一段預設時間的報酬率。例如，投資組合分析方法100可收集股票產品A過去數年、數月、數周、或任意時間區間的歷史報酬率。較佳地，投資組合分析方法100在步驟S110中是收集前述因素資料的時間點之後一段預設時間的報酬率。舉例來說，當收集的因素資料為各影響因素於時間點T1的資料，則透過上述報酬率的計算方法計算收集時間點T1之後一段預設時間的歷史報酬率。

接者，將在步驟S110所收集的因素資料及在步驟S120計算出的歷史報酬率，透過機器學習方法來訓練基礎模型。詳細來說，以因素資料作為訓練模型的輸入，而歷史報酬率作為訓練模型的目標，透過機器學習訓練出最符合的基礎模型。

在步驟S130中，利用訓練好的該基礎模型獲得所對應的投資標的之預估報酬率。在一些實施例中，為了提高預估報酬率的精確度，該預估報酬率根據不同類型的投資標的而對應有不同的計算條件。在一些實施例中，若為第一類型EFT(大型ETF)且上市期間較長，一般來說為至少5年以上，由於該類型的投資標的之訓練資料足夠，則上述步驟S120的歷史報酬率即可作為該大型ETF的預估報酬率。在一些實施例中，若投資標的為個股、共同基金、或第二類型ETF(小型ETF)時，因為比較容易受到短期籌碼的影響，或者為上市時間較短時，歷史資料較少無法有效訓練出模型時，在預估報酬上較為困難。此時，該類型的投資標的之預估報酬率可改由一參考標的作為指標，例如以市場(如大盤)或大型ETF推估的報酬率，再根據過去投資標的(例如個股、共同基金)與市場間兩者之間的風險係數，進一步預估個股、共同基金未來的預估報酬率。

請參閱圖2，圖2為本申請之一實施例計算單一投資標的之預估報酬率的流程圖。在一些實施例中，當該投資標的為個股、共同基金或第二類型ETF時，利用訓練好的該基礎模型獲得所對應的投資標的之預估報酬率的步驟(S130)包含以下步驟： 步驟S131：設定該第一類型ETF或加權指數作為參考標的，並計算該參考標的之參考報酬率； 步驟S132：將該參考報酬率代入一定價模型，以計算出該投資標的與該參考標的之間的風險係數；以及 步驟S134：將該風險係數代入該基礎模型，以獲得對應該投資標的之預估報酬率。 較佳地，該定價模型可為資本資產定價模型，但並不以此為限。

續請參閱圖2。在一些實施例中，當該投資標的為第一類型ETF時，由於大型ETF的歷史資料足夠，則在步驟S130中可包含步驟S133：設定該第一類型ETF的風險係數為1。通過增加上述風險係數的評估，可有效提高投資標的之預估報酬率的精確度。

在訓練完成該基礎模型後，在步驟S140中，將目前或欲分析的特定時間點的各因素資料代入該訓練好的基礎模型，並以該基礎模型執行SHAP (SHapley Additive exPlanations)演算法處理，以獲得各因素資料所對應的SHAP值，該SHAP值即表示每一個特徵(即因素資料)影響預估報酬率的程度，藉此對該基礎模型的預測分析達到解釋的效果。

在一些實施例中，在步驟S120中訓練好的該基礎模型，代入步驟S110儲存的歷史報酬率所對應的預設時間段中的複數個時間區間所對應的各因素資料，並對基於每個時間區間的模型執行SHAP演算法，因此可獲得各因素資料於各個時間區間所對應的SHAP值。舉例來說，假設歷史報酬率所對應的預設時間段為數年，則預設時間段可例如以每年、每月、每周、或每日等為基本單位來劃分出複數個時間區間。應理解的是，預設時間段和時間區間可根據實際需求作調整，本申請並不作限制。

在一些實施例中，將因素資料各自對應的複數個SHAP值進行加總，以獲得各因素資料各自對應的SHAP重要值。較佳地，可將因素資料各自對應的複數個SHAP值取絕對值後在進行加總，以獲得各因素資料各自對應的SHAP重要值。在一些實施例中，亦可將SHAP重要值進一步進行平均值計算或其他數值轉換，本申請並不加以限制。

需要注意的是，從過去經驗中可發現在針對多個投資標的之投資組合時，若欠缺適當的投資比例，縱使取得單一投資標的之預估報酬率，依舊無法使投資組合達到最佳的投資效應。本申請的投資組合分析方法100提供了能提升投資效應的投資組合比例。在步驟S150中，透過設定環境參數，並將該環境參數及該預估報酬率進行計算，以獲得該等投資標的之投資組合比例。在一些實施例中，該環境參數選自該投資標的之歷史股價、股價波動度、預估報酬率及預估信心比例所構成的群組，且該環境參數及該預估報酬率是透過一預設模型進行計算。較佳地，該預設模型可為Black-Litterman模型，但並不以此為限。

在步驟S160中，將每一投資標的之預估報酬率依照該投資組合比例計算，以獲得投資組合預估報酬率。需要注意的是，若單一投資標的之預估報酬率是使用對數報酬率的計算方法，則計算投資組合預估報酬率時須先換回簡單報酬率，再進行權重相加的組合。

在步驟S170中，在取得該投資組合比例後，以該投資組合比例計算該投資組合所對應的SHAP值。需要注意的是，該投資組合所對應的SHAP值的計算是根據每一投資標的之報酬率是採用簡單報酬率或對數報酬率而有所區分。此外，該投資組合所對應的SHAP值是在評估了前述風險係數後獲得的SHAP值，故可大幅降低個股、共同基金或小型ETF這類型投資標的容易受到短期籌碼或上市期間較短而影響整體投資組合預估報酬率的程度。

最後，在步驟S180中，根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。請參閱圖3及圖4A至AE。圖3為本申請之一實施例選出複數個關鍵因素的流程圖，圖4A為本申請之一實施例之關鍵因素排序結果示例圖，圖4B為圖4A之一關鍵因素與一投資組合一年報酬率的關係圖，圖4C為本申請之一實施例之關鍵因素排序結果示例圖，圖4D為圖4C之一關鍵因素與一投資組合一年報酬率的關係圖，及圖4E為本申請之一實施例之關鍵因素排序結果示例圖。步驟S180具體內容包含： 步驟S181：找出該等SHAP值在該預設時間段所累積最高的數個所對應的因素； 步驟S182：找出該等SHAP值在該預設時間段之最末時間點為正值所對應的因素；及 步驟S183：找出該等SHAP值中在該預設時間段之最末時間點為負值所對應的因素。

圖4A繪示本申請之一實施例的歷史前十大關鍵因素排序結果示例圖，其中於圖4A的示例中可找出該等SHAP值在歷史上所累積最高的數個所對應的因素。以圖4A中CRB商品指數年增率關鍵因素分析影響投資組合報酬率為例，CRB商品指數年增率和此投資組合報酬率的關係圖(圖4B)中發現，當CRB商品指數年增率高時，此投資組合報酬率低。因此，以投資組合分析方法100作為輔助判斷的依據時，可判斷此投資組合無法抵抗通膨。

應理解的是，圖4A僅為本申請實施例應用投資組合分析方法100的一個示例，其僅排序出某一時期的前十大關鍵因素，並未列出所有因素的當前排序，而因素的選擇、關鍵因素的數量及時間的設定等可根據使用者依實際需求作設計。

特別說明的是，SHAP演算法可測量模型中每個特徵(即因素資料)對每個預測(即歷史報酬率)的正面或負面貢獻的程度。舉例來說，當SHAP為正值時，其數值越大，則正面貢獻程度越大，而當SHAP值為負值時，其數值越小，則負面貢獻程度越大。簡單來說，SHAP值的絕對值越大，則貢獻程度越大。圖4C繪示本申請之一實施例前五大看漲關鍵因素排序結果示例圖。以圖4C中美國耐久財消費支出年增率為正值所對應的因素為例，由美國耐久財消費支出年增率和此投資組合報酬率的關係圖(圖4D)中發現，當美國耐久財消費支出年增率低時，此投資組合報酬率高，而目前因景氣趨緩，美國耐久財消費支出年增率為-11%，此投資組合在股債配置下，有較高的機率上漲。

圖4E繪示本申請之一實施例前五大看跌關鍵因素排序結果示例圖。以圖4E中CRB商品指數年增率為負值所對應的因素為例，其中可看到銅年增率和CRB商品指數年增率都是跟通膨相關的因素，也都是導致目前投資組合相對較負向的影響，除此之外，近期負向影響的SHAP值相對於正向影響的SHAP值小，也可以表示此投資組合近期上漲的機會較大。

如上所述，本申請投資組合分析方法利用機器學習，基於風險係數評估及最佳投資組合比例的條件下，獲得投資組合預估報酬率，並提供可解釋性的模型，可以清楚簡單地顯示出影響投資組合的關鍵領先指標因素，提供投資人目前投資組合下優勢與劣勢的資訊，進而使投資資訊與投資者之間可以建立一種信任與透明的關係。

請參閱圖5、圖6及圖7。圖5為本申請之一實施例的投資組合分析系統的方塊示意圖，圖6為本申請之一實施例之一基礎模型訓練模組的架構圖，及圖7為本申請之一實施例之一投資組合分析系統的架構圖。如圖5所示，本申請的投資組合分析系統200包含一記憶體201及一電連接該記憶體201之處理器202，且投資組合分析系統200運作於一電子裝置300(如圖9所示，詳如後述)，用以執行投資組合分析方法100。在一些實施例中，記憶體201用於儲存在處理器202上運行的電腦程式，亦即，處理器202用於執行投資組合分析方法100。如圖7所示，投資組合分析系統200至少包括一基礎模型訓練模組210、一SHAP值計算模組220、一投資組合比例計算模組230、一整合計算模組240及一判斷模組250。

在一些實施例中，如圖6所示，投資組合分析系統200還包含一資料收集模組211、一歷史數據計算模組212、一影響因素資料庫213、一歷史數據資料庫214及一模型資料庫215。具體地，資料收集模組211用以自總體經濟指標、基本面指標、原物料指標、籌碼指標、外匯、技術面指標所構成的群組中選取該等因素及收集該等因素各自所對應的該等因素資料，以供該影響因素資料庫213進行存取。歷史數據計算模組212用以根據該投資標的之歷史價格計算該預設時間段的該歷史報酬率，以供該歷史數據資料庫214進行存取。此外，基礎模型訓練模組210訓練完成的基礎模型可儲存於模型資料庫215，其中模型資料庫215還用於儲存根據不同投資標的所訓練出的基礎模型，或基礎模型訓練模組210針對各時間點所訓練的一或多個模型，以供日後需要時取用。

在一些實施例中，如圖7所示，基礎模型訓練模組210用以執行例如投資組合分析方法100的步驟S120及S130，用以基於影響一投資標的之複數個因素各自所對應的複數個因素資料和歷史價格中一預設時間段的一歷史報酬率，以機器學習方法訓練一基礎模型，並獲得所對應的投資標的之預估報酬率，其中該預估報酬率儲存於一報酬率數據資料庫216。

SHAP值計算模組220用以執行例如投資組合分析方法100的步驟S140。具體地，SHAP值計算模組220用以將該等因素資料代入該基礎模型，並對該基礎模型執行SHAP演算法處理，以獲得影響該預估報酬率之該等因素資料各自所對應的SHAP值。

續請參閱圖7，投資組合比例計算模組230用以執行例如投資組合分析方法100的步驟S150。具體地，投資組合比例計算模組230用以設定一環境參數，並將該環境參數及該預估報酬率進行計算，以獲得包含複數個投資標的之投資組合的投資組合比例。在一些實施例中，投資組合比例計算模組230所設定的該環境參數是選自該投資標的之歷史股價、股價波動度、預估報酬率及預估信心比例所構成的群組，且該環境參數及該預估報酬率是透過一預設模型進行計算。較佳地，該預設模型可為Black-Litterman模型，但並不以此為限。

請參閱圖8，圖8繪示出投資組合分析系統200在多個投資標的所對應的SHAP值計算模組220與整合計算模組240之間的架構圖。如圖8所示，投資組合分析系統200還包括一風險係數計算模組241，用以執行例如投資組合分析方法100的步驟S131、S132、S133及S134。在一些實施例中，在透過SHAP值計算模組220獲得每一投資標的之SHAP值之後，投資組合分析系統200還將投資組合比例計算模組230所獲得之投資組合比例應用於於每一投資標的之SHAP值，並增加對每一投資標的之風險係數的計算。詳細來說，風險係數計算模組241用以針對投資標的為該個股、共同基金或該第二類型ETF時，計算該投資標的之風險係數，並執行以下步驟：設定該第一類型ETF或加權指數作為參考標的，並計算該參考標的之參考報酬率；接著，將該參考報酬率代入一定價模型，以計算出該投資標的與該參考標的之間的風險係數；最後，將該風險係數代入該基礎模型，以獲得對應該投資標的之預估報酬率。較佳地，該定價模型可為資本資產定價模型。特別說明的是，當該投資標的為該第一類型ETF時，風險係數計算模組241設定該第一類型ETF的投資標的之風險係數為1。

如圖7及圖8所示，整合計算模組240用以執行例如投資組合分析方法100的步驟S160及S170。具體地，整合計算模組240用以將該預估報酬率依照該投資組合比例計算，以獲得投資組合預估報酬率，並根據該投資組合比例計算該投資組合所對應的SHAP值。

續請參閱圖7，判斷模組250用以執行投資組合分析方法100的步驟S180。具體地，判斷模組250用以根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。具體地，判斷模組250根據整合計算模組240計算出的投資組合所對應的SHAP值判斷此等因素中各者的影響程度，以選出目前或某特定時間點的複數個關鍵因素，或者，根據投資組合所對應的SHAP值判斷每個特徵(即因素資料)對該投資組合預估報酬率的正面或負面貢獻的程度，以選出特定時期的複數個關鍵因素。判斷模組250所執行的詳細步驟流程可參考上述投資組合分析方法100的說明。

請參閱圖9，圖9為本申請之一實施例之投資組合分析系統200的使用場景圖。如圖9所示，投資組合分析系統200例如可運作於一電子裝置300(即伺服器)中。伺服器300可供一或多個使用者設備進行存取。在一些實施例中，伺服器300可供使用者設備310a透過有線存取技術連接，以供其進一步使用投資組合分析系統200。此外，伺服器300亦可供另一使用者設備310b透過無線存取技術連接，以供其進一步使用投資組合分析系統200。在一些實施例中，所述使用者設備可為電腦、手機、或各種非移動式或攜帶型智慧型裝置，本申請並不加以限制。

特別說明的是，上文描述的投資組合分析系統的實施例可採用程式設計方式(諸如利用電腦、處理器)實施為模擬處理器等等。在其它實施例中，可以使用專業或專用電路實施元件、功能或元件中的一個或多個。如本文中使用的術語“模組”或“元件”旨在包括用於實施歸屬於模組或元件的功能的任何硬體、軟體、邏輯或前述組合。

雖然本新型之實施例已揭露如上，然其並非用以限定本新型，任何熟習此技藝者，在不脫離本新型之範圍內，當可做些許之更動與潤飾，因此本新型之保護範圍當以後附之申請專利範圍所界定為準。

100:投資組合分析方法 S110、S120、S130、S140、S150、S160、S170、S180:步驟 S131、S132、S133、S134:步驟 S181、S182、S183:步驟 200:投資組合分析系統 201:記憶體 202:處理器 210:基礎模型訓練模組 211:資料收集模組 212:歷史數據計算模組 213:影響因素資料庫 214:歷史數據資料庫 215:模型資料庫 216:報酬率數據資料庫 220:SHAP值計算模組 230:投資組合比例計算模組 240:整合計算模組 241:風險係數計算模組 250:判斷模組 300:電子裝置 310a、310b:使用者設備

圖1為本申請之一實施例的投資組合分析方法之流程圖。 圖2為本申請之一實施例的計算單一投資標的之預估報酬率的流程圖。 圖3為本申請之一實施例的選出複數個關鍵因素的流程圖。 圖4A為本申請之一實施例的關鍵因素排序結果示例圖。 圖4B為圖4A之一關鍵因素與一投資組合年報酬率的關係圖。 圖4C為本申請之一實施例的關鍵因素排序結果示例圖。 圖4D為圖4C之一關鍵因素與一投資組合年報酬率的關係圖。 圖4E為本申請之一實施例的關鍵因素排序結果示例圖。 圖5為本申請之一實施例的投資組合分析系統的方塊示意圖。 圖6為本申請之一實施例的基礎模型訓練模組的架構圖。 圖7為本申請之一實施例的投資組合分析系統的架構圖。 圖8為本申請之一實施例的投資組合分析系統的另一架構圖。 圖9為本申請之一實施例的投資組合分析系統使用場景圖。

200:投資組合分析系統

210:基礎模型訓練模組

216:報酬率數據資料庫

220:SHAP值計算模組

230:投資組合比例計算模組

240:整合計算模組

250:判斷模組

Claims (8)

1. 一種投資組合分析系統，包含一記憶體及一電連接該記憶體之處理器，並運作於一電子裝置內，且該投資組合分析系統包含： 一基礎模型訓練模組，用以基於影響一投資標的之複數個因素各自所對應的複數個因素資料和歷史價格中一預設時間段的一歷史報酬率，以機器學習方法訓練一基礎模型，並獲得所對應的投資標的之預估報酬率； 一SHAP值計算模組，用以將該等因素資料代入該基礎模型，並對該基礎模型執行SHAP演算法處理，以獲得該等因素資料各自所對應的SHAP值； 一投資組合比例計算模組，用以設定一環境參數，並將該環境參數及該預估報酬率進行計算，以獲得包含複數個投資標的之投資組合的投資組合比例； 一整合計算模組，用以將該預估報酬率依照該投資組合比例計算，以獲得投資組合預估報酬率，並根據該投資組合比例計算該投資組合所對應的SHAP值；以及 一判斷模組，用以根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。
2. 如請求項1所述之投資組合分析系統，其中該複數個投資標的包含個股、共同基金、第一類型指數股票型基金(exchange-traded funds, ETF) 及/或債券型ETF、第二類型指數股票型基金及/或債券型ETF，且該第一類型ETF的上市期間大於該第二類型ETF的上市期間。
3. 如請求項2所述之投資組合分析系統，更包含一風險係數計算模組，用以針對該投資標的為該個股、共同基金或該第二類型ETF時，計算該投資標的之風險係數，並執行以下步驟： 設定該第一類型ETF或加權指數作為參考標的，並計算該參考標的之參考報酬率； 將該參考報酬率代入一定價模型，以計算出該投資標的與該參考標的之間的風險係數；以及 將該風險係數代入該基礎模型，以獲得對應該投資標的之預估報酬率。
4. 如請求項3所述之投資組合分析系統，其中該風險係數計算模組還用以針對該投資標的為該第一類型ETF時，設定該第一類型ETF的風險係數為1。
5. 如請求項1所述之投資組合分析系統，其中該投資組合比例計算模組所設定的該環境參數是選自該投資標的之歷史股價、股價波動度、預估報酬率及預估信心比例所構成的群組，且該環境參數及該預估報酬率是透過一預設模型進行計算。
6. 如請求項1所述之投資組合分析系統，更包含一資料收集模組，用以自總體經濟指標、基本面指標、原物料指標、籌碼指標、外匯、技術面指標所構成的群組中選取該等因素及收集該等因素各自所對應的該等因素資料，以供該基礎模型訓練模組進行存取。
7. 如請求項1所述之投資組合分析系統，更包含一歷史數據計算模組，用以根據該投資標的之歷史價格計算該預設時間段的該歷史報酬率，以供該基礎模型訓練模組進行存取。
8. 如請求項1所述之投資組合分析系統，更包含一資料庫模組，包括一影響因素資料庫、一歷史數據資料庫、一模型資料庫及一報酬率數據資料庫。

Images