CN107436866A

CN107436866A - 理财产品的推荐方法及装置

Info

Publication number: CN107436866A
Application number: CN201610352201.7A
Authority: CN
Inventors: 梁丽; 王森; 胡强; 张超
Original assignee: Alibaba Group Holding Ltd
Current assignee: Advanced New Technologies Co Ltd; Advantageous New Technologies Co Ltd
Priority date: 2016-05-25
Filing date: 2016-05-25
Publication date: 2017-12-05

Abstract

本申请提供了一种理财产品的推荐方法及装置，所述理财产品的推荐方法包括：获取用户的风测问卷信息和至少一个参考信息；其中，所述参考信息包括下述中的至少一个：理财行为信息、历史消费行为信息、身份信息；将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值；基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，获得用户的最终风险偏好；根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。本申请所述理财产品的推荐方法及装置，能够提高推荐的准确率，提升用户的粘性。

Description

理财产品的推荐方法及装置

技术领域

本申请涉及数据处理领域，特别涉及一种理财产品的推荐方法及装置。

背景技术

随着经济的发展和科技的进步，人们的理财意识逐渐增强，越来越多的人将闲置资金投入到购买金融理财产品中，而不局限于传统的定期或活期储蓄。

在用户购买金融理财产品进行投资时，其最关心的是产品风险和收益情况。一般的，在用户购买前，无论是银行还是网上理财平台会通过风险测试问卷调查的方式确定用户的风险偏好，从而为用户推荐相应的风险等级的理财产品。

当用户在进行风险测试问卷调查时，为了达到自己的购买目的可以调整风险问卷的问题答案，从而导致风测结果不准确，进而导致向用户推荐的理财产品也不符合用户实际的风险承受能力，推荐准确性较低。例如，当用户期望购买到高风险的理财产品时，其可以通过人为提高自己的收入，使得最终的风测结果达到高风险档次，进而风测结果偏离用户实际的风险承受能力。再者，目前当用户经过风险测试问卷后，其对应的风险偏好相对来说是固定不变的，这与用户实际的风险偏好情况也常常不相符合。因为随着用户理财能力的丰富增长，以及财产的累积，用户的风险承受力也在变化，相应的风险偏好也在变化。若基于固定的风险偏好，向用户推荐相应的理财产品，显然不能很好地满足用户的需求。

综上所述，针对现有技术存在的上述问题，需要一种能够实时准确定位用户的风险偏好，进而提高推荐的准确率，提升用户的粘性的推荐方法。

发明内容

本申请实施方式的目的是提供一种理财产品的推荐方法及装置，能够提高推荐的准确率，提升用户的粘性。

本申请提供一种理财产品的推荐方法，所述方法包括：

获取用户的风测问卷信息和至少一个参考信息；其中，所述参考信息包括下述中的至少一个：理财行为信息、历史消费行为信息、身份信息；

将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值；

基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，获得用户的最终风险偏好；

根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。

本申请还提供一种理财产品的推荐装置，所述装置包括：

信息获取模块，用于获取用户的风测问卷信息和至少一个参考信息；其中，所述参考信息包括下述中的至少一个：理财行为信息、历史消费行为信息、身份信息；

权重学习模块，用于将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值；

风险偏好确定模块，用于基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，获得用户的最终风险偏好；

推送模块，用于根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。

由以上描述的本实施方式所提供的技术方案可见，通过获取用户的至少一个参考信息，然后将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值；基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，能够准确实时地获得用户的最终风险偏好；进而根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。相对于现有的单纯依靠用户的风测问卷信息确定用户的风险偏好而言，能够提高推荐的准确率，提升用户的粘性。

附图说明

为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一个实施方式提供的理财产品的推荐方法的原理示意图；

图2为本申请一个实施方式提供的理财产品的推荐方法的流程图；

图3为本申请一个实施方式提供的理财产品的推荐方法的流程图；

图4为本申请一个实施方式提供的预设风险值基准模型工作原理图；

图5为本申请一个实施方式提供的推荐方法中确定风险等级的流程图；

图6为本申请一个实施方式提供的理财产品的推荐装置的示意图；

图7为本申请一个实施方式提供的理财产品的推荐装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。

下面结合附图对本申请所述的理财产品的推荐方法及装置进行详细的说明。图1是本申请一个实施方式提供的基金风险值的获取方法的流程图。虽然本申请提供了如下述实施方式或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块结构。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施方式提供的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品执行时，可以按照实施方式或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本申请中提供一种理财产品的推荐方法，可以应用于终端设备上某一功能应用中，例如结合市场上主流的理财产品应用等。本申请中所述的终端设备可以是移动电话、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、手持计算机(Pocket PC)、智能可穿戴设备等移动终端设备，也可以包括具有信息数据查询功能的台式计算机(desktopPC)、自助服务终端等。当然，在所述终端设备上实现本申请所述数据处理方法的方式可以包括所述客户端上的APP应用，或者包括http协议的页面应用等。

请参阅图1和图2，本申请一个实施方式所提供的一种理财产品的推荐方法可以包括如下步骤。

步骤S10：获取用户的风测问卷信息和至少一个参考信息；其中，所述参考信息包括下述中的至少一个：理财行为信息、历史消费行为信息、身份信息。

在本实施方式中，上述风测问卷信息或参考信息可以通过客户端上功能应用中设置的外部数据调用接口从服务器中获取得到。具体的，所述风测问卷信息可以为用户实时填写的信息，也可以为用户在理财平台上预先填写后保存的，本申请在此并不作具体的限定。具体的，所述风测问卷信息可以为传统金融行业中用于评定用户风险等级、确定用户风险偏好的风险测试问卷表示的信息。所述风险测试问卷能够帮助投资者相对准确地对自我风险承受能力、投资理念、投资性格等进行专业性的自我认知测试，为投资者推荐适合自身的投资产品提供基础的依据。

在本实施方式中，所述参考信息可以包括理财行为信息、历史消费行为信息、身份信息中的一种或多种组合，当然也还可以包括其他信息，例如与用户相关联的其他信息，本申请在此并不作具体的限定。所述参考信息能够随着时间的变化而不断变化。具体的，所述理财行为信息具体的可以为用户在金融理财平台的历史行为对应的信息。所述历史消费行为信息具体可以为用户在消费网站上的历史消费行为对应的信息。所述身份信息可以包括用户的年龄、职业、是否有房有车、是否有孩子等基本属性信息。

步骤S12：将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值。

在本实施方式中，通过建立预设机器学习模型，将所述各个参考信息代入所述预设机器学习模型，可以学习出各个参考信息对用户风险偏好的影响大小。

在大数据背景下，所述预设机器学习模型可以基于用户在各个理财平台或消费平台上累积的信息，自动学习出各个参数对用户风险偏好的影响权重和风险值。具体建模计算时，可以以所述参考信息为特征因子，以用户在平台预设时间内购买金融产品的风险等级为目标，计算出各个参考信息的权重和风险值。所述预设时间可以为一个月，可以为三个月等本申请在此并不限定。当然随着时间的增加，各个参考信息会进行相应的累积，针对各个参考信息的各个权重值会相应调整以达到较为合理的数值。

在实施方式中，通过模型方式计算各个参考信息的权重时，能够保证本申请所述推荐方法具有较好的准确率和适用性。具体的，随着用户在平台中累积信息的增加，可以基于上述用户在平台中累积的信息对模型进行进一步完善，从而使得通过模型方式计算各个参考信息的权重更准确。此外，对于用户行为较为稀疏的用户(如新用户)在风测问卷信息的基础上通过增加身份信息权重可以调整用户的风险偏好，从而使得通过该预设机器学校模型获得的风险偏好更为准确，且适用性广。

步骤S14：基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，获得用户的最终风险偏好。

在本实施方式中，通过所述预设机器学习模型学习出用户的每个参考信息对用户风险偏好的权重和风险值后，基于所述参考信息的权重和风险值可以对所述风测问卷信息确定的用户的初始风险偏好进行校正，以获得准确的用户的最终风险偏好。

在本实施方式中，所述风险偏好可以表示与用户风险承受能力相适应的风险大小的导向。具体的，所述风险偏好可以为预先划分好的等级中的一个。例如可以为高等风险、中高等风险、中等风险、中低等风险、低等风险中的一个。此外，所述风险偏好的形式也可为按照预定的划分规则划分的风险值，或风险范围值，例如0-2为低等风险；2-4为中低等风险；4-6为中等风险；6-8为中高等风险；8-10为高等风险等。当然所述风险偏好的形式还可以为其他形式，例如字母等，本申请在此并不限定。

在本实施方式中，通过所述用户的风测问卷信息可以初步确定出用户的初始风险偏好。通过所述预设机器学习模型学习出的每个参考信息对应的权重和风险值，通过加权求和可以确定所述用户的最终风险偏好。

在一个具体的应用场景中，以风险值为0-10为例，数值越高，风险越高。根据风测问卷信息确定的用户的初始风险偏好对应的风险值为5，初步判断为中等风险。通过预设机器学习模型确定的所述理财行为信息对应的权重为0.3，其对应的风险值为8，所述历史消费行为信息对应的权重为0.2，其对应的风险值为7，所述风测问卷信息对应的权重为0.5，对应的风险值可以为5。则加权求和获得的校正后的最终风险偏好为＝0.5×5+0.3×8+0.2×7＝6.3，其对应的风险偏好为中高风险。可以看出，通过参考信息对根据风测问卷信息确定的用户的初始风险偏好进行校正后，获得的最终风险偏好可能与初始风险偏好会有等级变化，更能反应出用户当前的风险偏好需求。

步骤S16：根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。

在本实施方式中，当确定出用户的最终风险偏好后，可以根据所述用户的最终风险偏好选择与其相对于的风险值的指定产品推送给用户。

具体的，所述用户的风险偏好与所述风险值之间可以预先建立有对应关系。例如，可以根据风险值的大小对用户的风险偏好划分等级。每个风险偏好等级下可以对应有至少一个风险值大小相匹配的产品。当确定出用户的最终风险偏好后，可以将与所述最终风险偏好对应的至少一个指定产品推送给用户。

在本申请实施方式中，通过获取用户的至少一个参考信息，然后将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值；基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，能够准确实时地获得用户的最终风险偏好；进而根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。相对于现有的单纯依靠用户的风测问卷信息确定用户的风险偏好而言，能够提高推荐的准确率，提升用户的粘性。

请参阅图3，在一个实施方式中，所述产品的类别可以包括开放式基金，相应的，所述方法还包括确定指定基金对应的风险值的步骤，该步骤具体可以包括：

步骤S11：获取指定基金的资产组合评价参数和至少一个动态评价参数；

步骤S13：将所述资产组合评价参数和至少一个动态评价参数代入预设风险值基准模型，获取所述指定基金的风险值。

所述产品的类别可以在线理财平台、银行、证券公司等提供的理财产品中的一种，本申请在此并不作具体的限定。

在本实施方式中，所述产品可以为开放式基金。具体的，开放式基金是指基金发起人在设立基金时，基金单位或者股份总规模不固定，可视投资者的需求，随时向投资者出售基金单位或者股份，并可以应投资者的要求赎回发行在外的基金单位或者股份的一种基金运作方式。开放式基金产品的风险，通常基于产品成立时的资产组成，由管理者设定相应的风险等级类型。而随着市场行情的变化，基金的风险大小也会随之改变。其中，所述指定基金可以为根据用户的风测问卷信息结合用户的其他参考信息综合确定的用户风险等级下的开放式基金。

在本实施方式中，所述资产组合评价参数可以用于表示基金的资产组合对应的加权风险的大小。具体的，所述资产组合可以包括股票、债券、现金中的一种或多种的组合。此外，所述资产组合还可以包括其他金融产品的类型及其组合方式，本申请在此并不作具体的限定。

在本实施方式中，所述资产组合对应的资产组合评价参数可以用于表示基金的各种资产组合的加权风险大小。所述资产组合可以以预定的周期进行调整。例如，可以以一个季度为周期进行调整。具体的，可以根据基金的季度业绩报告中持有的股票、债券、现金等的资产配置信息调整基金的资产组合，从而对应更新所述资产组合对应的加权风险大小。在本实施中，当获取了每个基金的资产组合后，可以按照所述资产组合加权风险的由小到大的顺序进行排序，以获得所有基金的资产组合评价参数的排序结果。

在本实施方式中，所述动态评价参数能实时更新，以便能够对基金的风险值进行实时调整。具体的，在一个实施方式中，所述动态评价参数可以包括下述中的至少一个：回撤值评价参数、收益波动率评价参数。

其中，所述回撤值评价参数具体可以为基金的最大回撤。所述最大回撤可以表示为基金的从最高点到最低点的跌幅。所述最大回撤可以用于反应基金的抗跌能力和可能的跌幅。当获取了每个基金的回撤值后，可以按照所述回撤值由小到大的顺序进行排序，以获得所有基金的回撤值的排序结果。

所述收益波动率评价参数具体可以为自当日起往前预定个数的交易日的日收益率的波幅。其中，所述预定个数的交易日具体可以为最近的5个交易日，当然，所述预定个数也可以为3个或者7个等等，本申请在此并不作具体的限定，只需保证在预定个数的交易日内能够实时获得所述收益波动率评价参数。所述收益波动率可以用于反应基金的实时波动情况。一般的，收益与风险呈正比。相对来说，风险较高的基金，其对应的收益也相对较高；相反的，风险较低的基金，其对应的收益也相对较低。当获取了每个基金的收益波动率后，可以按照所述收益波动率由小到大的顺序进行排序，以获得所有基金的收益波动率的排序结果。

在本实施方式中，所述动态评价参数除了上述列举的回撤值评价参数、收益波动率评价参数之外，还可以包括夏普比率、风险调整收益、标准差、信息比率等等，本申请在此并不作具体的限定。

在本实施方式中，通过将所述资产组合评价参数和至少一个动态评价参数代入预设风险值基准模型，通过所述预设风险值基准模型可以计算出每个评价参数的权重，然后加权求和确定所述指定基金的风险值。

在实施方式中，将所述资产组合评价参数和至少一个动态评价参数代入预设风险值基准模型获取所述指定基金的风险值具体可以包括：将所述指定基金的资产组合评价参数和至少一个动态评价参数分别按照预定排序规则进行排序；基于所述评价参数的排序结果获取指定基金的每个评价参数对应的风险排名；根据所述指定基金的评价参数对应的风险排名及预设权重获得每个评价参数对应的加权风险值；将每个评价参数对应的加权风险值进行累加获得所述指定基金对应的风险值。

请参阅图4，在一个具体的实施方式中，所述获取所述指定基金的风险值的步骤可以包括：

步骤S131：将所述资产组合评价参数和至少一个动态评价参数分别按照预定排序规则进行排序；

步骤S132：基于所述评价参数的排序结果获取指定基金的每个评价参数对应的风险排名；

步骤S133：根据所述指定基金的评价参数对应的风险排名及预设权重获得每个评价参数对应的加权风险值；将每个评价参数对应的加权风险值进行累加获得所述指定基金对应的风险值。

在本实施方式中，所述预设数量的基金具体可以为基金池中所有的基金，也可以为部分指定的基金。所述基金的种类可以包括开放式基金也可以包括封闭式基金。当然，所述预设数量的基金也可以只包括开放式基金，具体的，本申请在此并不作具体的限定。在本实施方式中，可以利用云计算平台，对基金池中的基金进行统计确定所述基金的个数。所述预设数量的基金可为所述云计算平台统计确定的基金个数。

所述基金的评价参数可以包括资产组合评价参数和至少一个动态评价参数。针对每个动态参数而言，可以将所述动态参数按照预定排序规则进行排序，以获得所述预设数量基金的动态评价参数的排序结果。所述预定排序规则可以为按照所述动态参数表示的该基金的风险由小到达的规则。当然，所述预定排序规则也可以为按照所述动态参数表示的该基金的风险由大到小的规则，或者还可以为其他的预定排序规则。所述预定排序规则并不限于上述描述，所属领域技术人员在本申请的技术精髓启示下，还可能做出其他的变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

在本实施方式中，所述评价参数的排序结果可以包括每个基金的评价参数的参数值大小与其名次的对应关系。

在本实施方式中，可以将每个评价参数的参数值与所述评价参数的排序结果进行对比，确定所述评价参数的风险排名。具体的，可以将所述评价的参数值与所述排序结果中的参数值进行比较，查询到相同的参数值，然后根据所述参数值大小与名次的对应关系确定该参数值对应的评价参数在排序结果中的排名。

具体的，对于回撤值评价参数而言，其对应的评价参数可以为回撤值。如表1所示，对于基金A而言，其回撤值可为20％。当将所述回撤值20％在回撤值评价参数对应的排序结果中进行查询，可以确定该基金A回撤值评价参数的风险排名为第120名，所述基金池中的预定个数可以为200。

表1

	回撤值	风险排名
			最大回撤	20％	120

对于收益波动率评价参数而言，其对应的评价参数可以为收益波动率。如表2所示，对于基金A而言，所述收益波动率可为4％。当将所述收益波动率4％在收益波动率评价参数对应的排序结果中进行查询，可以确定该基金A收益波动率评价参数的风险排名为第40名。

表2

	收益波动率	风险排名
			短期波动	4％	40

对于资产组合评价参数而言，其对应的评价参数可以为资产组合对应的加权风险的大小。如表3所示，对于基金A而言，其资产类别包括债券和股票。其中所述债券所占的权重为0.3；股票所在的权重为0.7。对于债券而言其对应的风险值可以为2；对于股票而言，其对应的风险值可以为10。其中，对于资产类别的风险值可以分为0-10分，其中，数值越大表示风险越高。将所述风险值与权重进行加权求和，得到该基金资产组合对应的加权风险值为7.6。当将所述加权风险值7.6在资产组合评价参数对应的排序结果中进行查询，可以确定该基金A资产组合评价参数的风险排名为160名。

表3

在本实施方式中，对于每个评价参数而言，其可以对应有预设权重。所述预设权重用于表示该评价参数对于最终的风险值的影响大小。具体的，所述预设权重可以通过机器学习的方式获取。例如，可以先在基金池中针对具有不同风险等级不同类别的基金进行抽样分析。例如，可以选高风险的基金20个、中高风险的基金20个、中等风险的基金20个、中低风险的基金20个、低风险的基金20个，进行自学习分析各个评价参数对基金风险值的影响大小，从而确定每个评价参数的权重。此外，所述预设权重还可以以其他方式进行确定，本申请在此并不作具体的限定。

在本实施方式中，所述指定基金的评价参数对应的风险排名与预设权重的乘积为所述评价参数对应的加权风险值；进一步的，将各个评价参数对应的加权风险值进行累加，可以获得指定基金的风险值。

如表4所示，对于基金A而言，所述资产组合评价参数的风险排名为160，对应的权重为0.2，其加权风险值对应为32。所述回撤值评价参数的风险排名为120，对应的权重为0.4，其加权风险值为48。所述收益波动率评价参数的风险排名为40，对应的权重为0.4，其加权风险值为16。当将上述加权风险值进行累加时，该基金的风险值为96。

表4

在本实施方式中，可以将所述风险值以预定的方式向用户展示。用户通过所述指定基金的风险值的实时展示，可以了解到目前该基金的风险大小，能为投资行为作参考。

在本实施方式中，通过长期的最大回撤，短期的资产组合风险，以及最近交易日的波动风险的排名，能尽量及时的追踪基金调仓情况带来的波动风险。例如：部分混合型基金在股市行情明显看好时，可能配置股票型资产风险出现变化，例如某基金最近一期公布的主要资产配比为债券，同时历史回撤显示的风险也较低，根据历史情况判断，可认为是混合基金中的中低风险的基金，但最近的收益率波动风险明显增加，其风险值明显会上升，再通过相对风险值排序进行风险的调整，确定其最近风险为混合基金中的中等风险。

在一个实施方式中，所述预定的方式可以包括下述中的任意一种：数值、图表、颜色、文字、动画。

在本实施方式中，所述风险值可以是数值的形式，例如数字、百分数等形式；也可以为文字的形式，例如，将所述风险值对应分为对个等级，风险由低到高分为一级、二级、三级、四级、五级等；也可以为颜色的形式，例如不同颜色代表风险的高低，例如红色表示高风险、绿色表示低风险、黄色表示中等风险等；也可以为动画，例如根据风险值的大小，对应调用不同的动画，以动画展示或语音提示的方式告知用户该基金对应的风险大小。当然，所述预定的方式并不限于上述描述，所属领域技术人员在本申请的技术精髓启示下，还可能做出其他的变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

本申请实施方式中，通过将指定基金的每个评价参数在预设数量基金中进行排名，获得相应的风险排名，然后将指定基金的评价参数对应的风险排名加权求和获得指定基金对应的风险值。由于该指定基金的风险值是基于所述评价参数中的资产组合评价参数和实时变动的至少一个动态评价参数经过在预设数量基金中进行风险排名综合获得的，因此其能够实时反应所述指定基金的风险大小，以便展示给用户，为用户投资提供可靠的依据。

在一个实施方式中，所述方法还可以包括：

基于所述风险值、所述预设数量获得所述指定基金的相对风险值。

在本实施方式中，所述相对风险值可以为所述风险值与所述预设数量的比值。例如，基金A的所述风险值为96，所述预设数量为200，则所述相对风险值为96/200＝0.48。

在本实施方式中，可以将所述相对风险值与预定的方式进行显示。其中，所述预定的方式可以包括下述中的任意一种：数值、图表、颜色、文字、动画。具体的，可以参照上述风险值的显示，本申请在此不再赘述。

在本实施方式中，当所述相对风险值显示给用户时，便于用户直观地看出该基金在预定数量的基金中相对风险的大小。例如，将相对风险值0.48显示给用户时，用户通过0.8可以指定该基金在预定数量的基金中的处于的中等风险水平。

在一个实施方式中，在所述基于所述评价参数的排序结果获取指定基金的每个评价参数对应的风险排名的步骤后，所述方法还可以包括：

基于预定算法对所述评价参数对应的风险排名进行归一化处理获得相应的风险排名值；

相应的，执行根据所述指定基金的评价参数对应的风险排名值以及预设权重获得每个评价参数对应的加权风险值的步骤。

在本实施方式中，所述基于所述预定算法对所述评价参数对应的风险排名进行归一化处理具体可以为将所述评价参数对应的风险排名与预设数量作商，以获得相应的风险排名值。所述风险排名值能够用于反应每个评价参数在预设数量基金中的相对风险大小。

当获得指定基金每个评价参数的风险排名值后，可以将所述风险排名值加权处理，获得指定基金每个评价参数的加权风险值。其中，所述预设权重用于表示该评价参数对于最终的风险值的影响大小。具体的，所述预设权重可以通过机器学习的方式获取。例如，可以先在基金池中针对具有不同风险等级不同类别的基金进行抽样分析。例如，可以选高风险的基金20个、中高风险的基金20个、中等风险的基金20个、中低风险的基金20个、低风险的基金20个，进行自学习分析各个评价参数对基金风险值的影响大小，从而确定每个评价参数的权重。此外，所述预设权重还可以以其他方式进行确定，本申请在此并不作具体的限定。

在一个具体的实施方式中，请参阅表5，对于基金A而言，所述资产组合评价参数的风险排名为160，对应的风险排名值为160/200＝0.8，对应的权重为0.2，其加权风险值对应为0.16。所述回撤值评价参数的风险排名为120，对应的风险排名值为120/200＝0.6，对应的权重为0.4，其加权风险值为0.24。所述收益波动率评价参数的风险排名为40，对应的风险排名值为40/200＝0.2，对应的权重为0.4，其加权风险值为0.08。当将上述加权风险值进行累加时，该指定基金的风险值为0.48。

表5

在本申请实施方式中，所述相对风险值为预设数量基金的相对风险值，利用风险值排序，这样能更好的体现该基金在预设数量基金乃至整个基金市场中所处的风险位置。例如：某只基金更多的配置了股票型基金，但是当前市场上其他基金更多的配置的股票型基金，其相对风险也不会明显增加。

请参阅图5，在一个实施方式中，所述方法还可以包括：

步骤S134：获取所述指定基金风险值的排名，根据所述风险值的排名基于预设规则确定所述指定基金的风险等级。

在本实施方式中，与所述评价参数的排名类似，可以将预设数量的基金按照风险值由小到大的顺序进行排名。然后将所述指定基金的风险值在排序结果进行对比，确定所述指定基金风险值的排名。再根据所述风险值的排名基于预设规则确定所述指定基金的风险等级。具体的，可以将所述风险值的排名与所述预设数量作商，确定所述风险值的相对排名，然后根据所述风险值的相对排名，以及预设的针对风险值的相对排名的等级，确定所述指定基金的风险等级。例如相对排名为0-0.2为一级风险；0.2-0.4为二级风险，0.4-0.6为三级风险；0.6-0.8为四级风险；0.8-1为五级风险。当基金A的风险值排名为96，归一化处理：96/200＝0.48后，该基金风险值的相对排名为0.48，其在0.4-0.6范围内，属于三级风险。相应的，将所述基金为三级风险显示给用户。

在本实施方式中，通过对基金的风险等级进行细化，例如将其分为5档，可以与用户的5种风险测评结果相对应。通过对基金风险等级的识别和向用户展示，能够为用户提供适合其风险等级产品的基础，也为用户行为的风险等级识别提供底层数据支持。

在一个实施方式中，所述资产组合包括两种以上的资产类别；其中，获得所述资产组合评价参数的加权风险值可以包括：

根据每种资产类别所占的权重以及每种资产类别的风险值确定资产类别的子加权风险值；将每种资产类别对应的子加权风险值进行累加获得所述资产组合评价参数的加权风险值。

在本实施方式中，所述资产组合可以包括两种以上的资产类别。以基金A为例，其可以包括债券和股票。每种资产类别可以按照资金份额的不同占有不同的权重。如表6所示，以基金A为例，其债券所占的权重可以为30％，股票所占的权重可以为70％。对于每种资产类别而言，根据其对应的风险高低不同可以预先设定对应的风险值。例如以总分10来评判，对于风险较低的债券而言，其对应的风险值可以为2分，对于风险很高的股票而言，其对应的风险值可以为10分。当对作者资产类别进行加权处理时，可以获得每个资产类别对应的子加权风险值。以基金A为例，其债券的子加权风险值为0.6，其股票的子加权风险值为7。当将所述子加权风险值累加时，可以获得资产组合评价参数的加权风险。以基金A为例，其加权风险值为7.6。

表6

基于上述实施方式所述的理财产品的推荐方法，本申请还提供一种理财产品的推荐装置。

请参阅图6，所述理财产品的推荐装置可以包括：

信息获取模块20，可以用于获取用户的风测问卷信息和至少一个参考信息；其中，所述参考信息包括下述中的至少一个：理财行为信息、历史消费行为信息、身份信息；

权重学习模块22，可以用于将所述参考信息代入预设机器学习模型确定所述参考信息对应的权重和风险值；

风险偏好确定模块24，可以用于基于所述参考信息的权重和风险值对所述风测问卷信息确定的用户的初始风险偏好进行校正，获得用户的最终风险偏好；

推送模块26，可以用于根据所述用户的最终风险偏好选择具有与所述风险偏好对应风险值的指定产品推送给用户。

请参阅图7，所述理财产品的推荐装置的另一种实施方式中，所述产品的类别包括开放式基金，所述装置还包括风险值确定模块21，相应的，所述信息获取模块20还可以用于获取指定基金的资产组合评价参数和至少一个动态评价参数；

所述风险值确定模块21可以用于将所述资产组合评价参数和至少一个动态评价参数代入预设风险值基准模型获取所述指定基金的风险值。

上述实施方式公开的理财产品的推荐装置与本申请理财产品的推荐方法实施方式相对应，可以实现本申请的理财产品的推荐方法实施方式并达到方法实施方式的技术效果。

本申请中各个实施方式所涉及的上述描述仅是本申请中的一些实施方式中的应用，在某些标准、方法的基础上略加修改后的实施方式也可以实行上述本申请各实施方式的方案。当然，在符合本申请上述各实施方式的中所述的处理方法步骤的其他无创造性的变形，仍然可以实现相同的申请，在此不再赘述。

虽然本申请提供了如实施方式或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施方式中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施方式或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施方式阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然，也可以将实现某功能的模块由多个子模块或子单元组合实现。

本申请中所述的方法、装置或模块可以以可读程序嵌入控制器方式实现，所述控制器按具体要求实现例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施方式或者实施方式的某些部分所述的方法。

本说明书中的各个实施方式采用递进的方式描述，各个实施方式之间相同或相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

在本申请文件中，介绍了本申请的多个实施方式，所属领域技术人员可以理解得出，本申请中的实施方式之间可以互相组合。而且，所属领域技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims

1.一种理财产品的推荐方法，其特征在于，其包括：

2.如权利要求1所述的方法，其特征在于，所述产品的类别包括开放式基金，相应的，所述方法还包括确定指定基金对应的风险值的步骤，该步骤包括：

获取指定基金的资产组合评价参数和至少一个动态评价参数；

将所述资产组合评价参数和至少一个动态评价参数代入预设风险值基准模型，获取所述指定基金的风险值。

3.如权利要求2所述的方法，其特征在于：所述获取所述指定基金的风险值的步骤包括：

将所述资产组合评价参数和至少一个动态评价参数分别按照预定排序规则进行排序；

基于所述评价参数的排序结果获取指定基金的每个评价参数对应的风险排名；

根据所述指定基金的评价参数对应的风险排名及预设权重获得每个评价参数对应的加权风险值；将每个评价参数对应的加权风险值进行累加获得所述指定基金对应的风险值。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

5.如权利要求3所述的方法，其特征在于，在所述基于所述评价参数的排序结果获取指定基金的每个评价参数对应的风险排名的步骤后，所述方法还包括：

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

获取所述指定基金风险值的排名，根据所述风险值的排名基于预设规则确定所述指定基金的风险等级。

7.如权利要求2所述的方法，其特征在于，所述动态评价参数包括下述中的至少一个：

回撤值评价参数、收益波动率评价参数。

8.如权利要求3所述的方法，其特征在于，所述资产组合包括两种以上的资产类别；其中，获得所述资产组合评价参数的加权风险值包括：

9.一种理财产品的推荐装置，其特征在于，其包括：

10.如权利要求9所述的装置，其特征在于，所述产品的类别包括开放式基金，所述装置还包括风险值确定模块，相应的，所述信息获取模块还用于获取指定基金的资产组合评价参数和至少一个动态评价参数；

所述风险值确定模块用于将所述资产组合评价参数和至少一个动态评价参数代入预设风险值基准模型获取所述指定基金的风险值。