CN108305174A - 资源处理方法、装置、存储介质和计算机设备 - Google Patents
资源处理方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN108305174A CN108305174A CN201810106032.8A CN201810106032A CN108305174A CN 108305174 A CN108305174 A CN 108305174A CN 201810106032 A CN201810106032 A CN 201810106032A CN 108305174 A CN108305174 A CN 108305174A
- Authority
- CN
- China
- Prior art keywords
- resource
- comparison
- current
- characteristic
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种资源处理方法、装置、存储介质和计算机设备,该方法包括:获取待处理的各资源;查询各所述资源各自对应的特征数据;对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。本申请提供的方案提高了资源处理效率。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种资源处理方法、装置、存储介质和计算机设备。
背景技术
随着市场经济的快速发展,越来越多的投资者会选择一些资源来进行投资。资源具体可以是金融资产,比如股票或者基金等。传统方式中,投资者往往会花大量的精力对大量的资源进行评估,以选择合适的资源进行执行后续操作。
然而,面对海量的资源数据,这种依靠投资者自身对资源进行评估以及挑选的方式不但花费大量精力,而且也无法满足对不同的资源进行实时分析的需求,导致资源处理效率低。
发明内容
基于此,有必要针对目前资源处理效率比较低的问题,提供一种资源处理方法、装置、存储介质和计算机设备。
一种资源处理方法,包括:
获取待处理的各资源;
查询各所述资源各自对应的特征数据;
对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;
分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。
一种资源处理装置,包括:
获取模块,用于获取待处理的各资源;
查询模块,用于查询各所述资源各自对应的特征数据;
确定模块,用于对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取待处理的各资源;
查询各所述资源各自对应的特征数据;
对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;
分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。
一种计算机设备,包括存储器和处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取待处理的各资源;
查询各所述资源各自对应的特征数据;
对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;
分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。
上述资源处理方法、装置、存储介质和计算机设备,在获取待处理的各资源之后,即可自动查询各资源各自对应的特征数据,再对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果,进而分别根据每个资源相关的进行特征数据比较的结果,即可相应确定每个资源相对于剩余资源的群体比较胜出概率。这样,投资者即可根据各资源相对于剩余资源的群体比较胜出概率来选取资源即可进行后续操作,资源处理的整个过程无需人工参与,提高了资源处理效率。
附图说明
图1为一个实施例中资源处理方法的应用环境图;
图2为一个实施例中资源处理方法的流程示意图;
图3为一个实施例中特征因子选择页面的界面示意图;
图4为一个实施例中评估指标选择页面的界面示意图;
图5为一个实施例中展示排序结果的界面示意图;
图6为另一个实施例中资源处理方法的流程示意图;
图7为一个实施例中资源处理方法的逻辑框图;
图8为一个实施例中资源处理装置的模块结构图;
图9为另一个实施例中资源处理装置的模块结构图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为一个实施例中资源处理方法的应用环境图。参照图1,该资源处理方法应用于资源处理系统。该资源处理系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可以理解,终端110和服务器120均可用于单独执行该资源处理方法;终端110和服务器120也可用于共同执行该资源处理方法。
图2为一个实施例中资源处理方法的流程示意图。本实施例主要以该方法应用于上述图1中的终端110来举例说明。参照图2,该资源处理方法具体包括如下步骤:
S202,获取待处理的各资源。
其中,资源是可通过网络获取所有权的物品。资源可根据属性分类为虚拟资源和实体资源。虚拟资源比如账户数值、虚拟形象产品、虚拟充值卡、游戏装备和虚拟货币等。实体资源可以是任意可被用户拥有的具有实际形态的物品,比如电子产品、玩具、工艺品或者签名照片等。在一个具体的实施例中,资源具体可以是金融资产。金融资产比如股票、基金或者期货等。
待处理的各资源是待按照某种处理方式进行处理的多个资源。比如,统计各个类别虚拟形象产品的数量,或者按照各个类别虚拟形象产品的数量对多个类别的虚拟形象产品进行排序,或者计算各个基金的收益率,或者按照各个基金的收益率对多个基金进行排序等。
具体地,用户通过用户标识登录终端后,终端可获取通过用户指令所指定的各资源各自对应的资源标识,从而获取到待处理的各资源。用户标识用于唯一标识一个用户。资源标识用于唯一标识一个资源。用户标识和资源标识均可以是包括数字、字母和符号中的至少一种字符的字符串。
终端是用于处理计算机所能识别的数据的计算机设备。也就是说,在计算机设备中,通常通过用户标识来代表用户,通过资源标识来代表资源。可以理解,对于计算机设备而言,获取待处理的各资源各自对应的资源标识,也就是获取了待处理的各资源。那么,计算机设备对多个资源标识进行处理,也就是对这些资源标识所对应的资源进行处理。
S204,查询各资源各自对应的特征数据。
其中,特征数据是反映资源特性的数据。特征数据比如资源份额或者资源份额变化比例等。资源份额是单位资源的数量。比如,资源是虚拟形象产品,那么资源份额是虚拟形象产品的数量,如10个等。再比如,资源是股票,那么资源份额是股票的数量,如10股等。资源份额增长比例是经过一段时间后,资源份额的变化量占变化前资源份额的比例。
具体地,终端上可存储有各资源所对应的特征数据。这些特征数据是与资源标识对应存储的,用于区别哪些特征数据属于哪个资源。终端在获取待处理的各资源所对应的资源标识后,可分别查找与各资源标识对应存储的特征数据,从而查询到各资源各自对应的特征数据。
在具体的实施例中,当资源为金融资产时,特征数据具体为金融资产特征值。金融资产特征值比如金融资产总值十万或者当年跟踪误差0.7986%等。
S206,对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果。
其中,一个资源与另一个资源进行特征数据比较的结果,用于表示这两个资源基于特征数据比较后的两者之间胜负结论。两个资源进行特征数据比较的结果可包括胜出、持平和落败三种类别的结果。比如,资源A与资源B进行特征数据比较,资源A胜出。
在一个实施例中,剩余资源可以是剩余的全部资源,也可以是剩余的部分资源。举例说明,待处理的各资源为资源A、资源B、资源C、资源D和资源E,对于资源A来说,剩余资源可以是剩余的全部资源:资源B、资源C、资源D和资源E;也可以是剩余的部分资源,比如资源D和资源E。
具体地,终端可对于每一个资源,分别将该资源的特征数据与剩余的每个资源的特征数据进行比较,分别得到该资源对于剩余的每个资源进行特征数据比较的结果。从而对于每个资源,分别确定了与剩余的每个资源进行特征数据比较的结果。也就是确定了这些资源中两两资源进行特征数据比较的结果。在本实施例中,将每一个资源分别与剩余的每个资源都进行特征数据比较,这样在后续计算每一个资源相对于剩余资源的群体比较胜出概率时,大大提高了计算结果的准确率,从而保证了后续资源处理的准确性。
举例说明,待处理的各资源为资源A、资源B和资源C。终端可将资源A的特征数据分别与资源B的特征数据以及资源C的特征数据进行比较,从而分别得到资源A对于资源B和资源C进行特征数据比较的结果。终端可再将资源B的特征数据分别与资源A的特征数据以及资源C的特征数据进行比较,从而分别得到资源B对于资源A和资源C进行特征数据比较的结果。终端可再将资源C的特征数据分别与资源A的特征数据以及资源B的特征数据进行比较,从而分别得到资源C对于资源A和资源B进行特征数据比较的结果。这样终端即对于每个资源,分别确定了该资源与剩余的每个资源进行特征数据比较的结果。
在一个实施例中,终端可依次将各资源中的每个资源选作当前资源,从待处理的各资源中排除当前资源后剩余的资源中随机选取资源,再将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据进行比较,得到当前资源分别对于选取的每个资源进行特征数据比较的结果。在本实施例中,对于每个资源与剩余的资源单独比较时,采取随机采样的方式选取部分资源来比较,减少了待处理的数据量,缩短了数据处理时间,尤其是在待处理的资源量大的情况下,可极大地提高资源处理效率。
举例说明,待处理的各资源为资源A、资源B、资源C、资源D和资源E。终端将资源A作为当前资源时,可随机从资源B、资源C、资源D和资源E中选取资源来与资源A比较,比如选取资源C和资源D来与资源A比较。终端在将资源B作为当前资源时,也随机从资源A、资源C、资源D和资源E中选取资源来与资源B比较。比如同样选取资源C和资源D来与资源B比较,也可另外选取资源D和资源E来与资源B比较,依次类推,从而通过采样比较来减少数据处理量,提高数据处理效率。
可以理解,一个资源对于另一个资源进行特征数据比较的结果,具有相对性与方向性。比如,资源A对于资源B的进行特征数据比较的结果,是指对资源A而言胜出、持平或者落败的结果。而资源B对于资源A的进行特征数据比较的结果,则是指对资源B而言胜出、持平或者落败的结果。
在一个实施例中,终端还可依次将各资源中的每个资源选作当前资源,将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据进行比较,分别得到当前资源对于剩余的每个未曾被选作当前资源的资源进行特征数据比较的结果,继而得到剩余的每个未曾被选作当前资源的资源对于当前资源进行特征数据比较的结果。在本实施例中,对于每个资源与剩余的资源单独比较时,若两个资源正向比较已经得到比较结果时,不再对该两个资源反向比较,直接根据正向比较结果得到反向比较结果,避免了重复冗余的数据处理过程,既在一定程度上保证了数据处理结果的准确性,又可以减少数据处理量,提高数据处理效率。
举例说明,待处理的各资源为资源A、资源B和资源C。终端可将资源A的特征数据分别与资源B的特征数据以及资源C的特征数据进行比较,分别得到资源A对于资源B和资源C进行特征数据比较的结果,进而得到资源B和资源C分别对于资源A进行特征数据比较的结果。终端可再将资源B的特征数据与资源C的特征数据进行比较,得到资源B对于资源C进行特征数据比较的结果,从而得到资源C对于资源B进行特征数据比较的结果。这样终端即对于每个资源,分别确定了该资源与剩余的每个资源进行特征数据比较的结果。
其中,对两个资源的特征数据进行比较,可以是通过比较函数得到两个资源的特征数据比较的结果。比较函数是预先设置的用于比较两个资源的特征数据以得到两者之间胜负结论的非线性函数。比较函数的自变量是两个资源的特征数据,比较函数的因变量是两个资源的特征数据比较的结果。
可以理解,由于两个资源的特征数据比较的结果具有相对性,那么可以设置比较函数的因变量与自变量间比较关系的对应关系,也就是说比较函数计算得到的是哪一资源相对于哪一资源进行特征数据比较的结果。比如,比较函数为y=f(x1,x2),其中,x1和x2为自变量,具体为两个资源的特征数据,y为因变量,具体为两个资源的特征数据比较的结果。那么可以在构造具体的函数关系时,设置y为x1相对于x2进行特征数据比较的结果。
对两个资源的特征数据进行比较,也可以是通过机器学习模型得到两个资源的特征数据比较的结果。机器学习模型是预先训练好的用于比较两个资源的特征数据以输出两者之间胜负结论的模型。机器学习模型的输入是两个资源的特征数据,机器学习模型的输出是两个资源的特征数据比较的结果。
同样可以理解,在机器学习模型设计时,可以设置机器学习模型的输出与两个输入比较关系的对应关系,也就是说输出是哪个资源相对于另一资源进行特征数据比较的结果。其中,机器学习英文全称为Machine Learning,简称ML。机器学习模型可通过样本学习具备某种能力。机器学习模型可采用神经网络模型、支持向量机或者逻辑回归模型等。神经网络模型比如卷积神经网络、反向传播神经网络、反馈神经网络、径向基神经网络或者自组织神经网络等。
S208,分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率。
其中,群体比较胜出概率,表示一个对象胜于多个与该对象进行比较的对象的置信程度。群体比较胜出概率越大,表示该对象胜于与其相比较的多个对象的置信程度越高。
可以理解,在S206中,对于每个资源分别确定的与剩余的每个资源进行特征数据比较的结果,是两个资源单独比较的结果。这样,对于每个资源,终端可采用预先设置的评估函数,将与该资源相关的单独比较的结果作为自变量,计算得到,该资源胜于剩余资源的置信程度,也就是该资源相对于剩余资源的群体比较胜出概率。对于预先设置的评估函数而言,函数关系需满足计算某一资源的群体比较胜出概率时,该资源在单独比较时胜于的资源的数量与该资源的群体比较胜出概率成正比。举例说明,待处理的各资源为资源A、资源B和资源C。资源A对于资源B进行特征数据比较的结果为胜出,资源A对于资源C进行特征数据比较的结果为落败。那么,资源A的群体比较胜出概率具体可以是1/(1+1)=0.5。上述资源处理方法,在获取待处理的各资源之后,即可自动查询各资源各自对应的特征数据,再对于每个资源,分别确定与剩余的每个资源进行特征数据比较的结果,进而分别根据每个资源相关的进行特征数据比较的结果,即可相应确定每个资源相对于剩余资源的群体比较胜出概率。这样投资者即可根据各资源相对于剩余资源的群体比较胜出概率来选取资源即可进行后续操作,资源处理的整个过程无需人工参与,提高了资源处理效率。
在一个实施例中,S206包括:依次将各资源中的每个资源选作当前资源;从待处理的各资源中排除当前资源后剩余的资源中选取资源;将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于选取的每个资源的单独比较胜出概率;根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果。
其中,当前资源表示当前与其他资源进行特征数据比较的资源。比较模型是通过样本学习具备比较能力的机器学习模型。在本实施例中,特征数据可以是资源所对应的属于全部特征因子的特征数据,也可以是资源所对应的属于部分特征因子的特征数据。
具体地,终端可获取训练得到的比较模型来对待处理的各资源所对应的特征数据进行比较。终端可依次将各资源中的每个资源选作当前资源,对于当前资源执行以下操作:从待处理的各资源中排除当前资源后剩余的资源中随机选取部分资源,再将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于选取的每个资源的单独比较胜出概率。这样终端即可根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果。其中,单独比较胜出概率表示两个对象间进行比较时,其中一个对象胜于另一对象的置信程度。单独比较胜出概率越大,表示该对象胜于另一对象的置信程度越高。
在一个实施例中,根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果,包括:在当前资源对于选取的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为胜出;在当前资源对于选取的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为持平;在当前资源对于选取的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为落败。
其中,第一预设概率与第二预设概率是预先设置的用于划分结果类型的概率阈值。可以理解,终端可事先设置两个概率阈值。在单独比较胜出概率高于其中一个概率阈值(较大的概率阈值)时,判定特征数据比较的结果为胜出;在单独比较胜出概率低于另一概率阈值(较小的概率阈值)时,判定特征数据比较的结果为落败;在单独比较胜出概率介于这两个概率阈值之间时,判定特征数据比较的结果为持平。可以理解,机器学习模型(比较模型)的输出通常为某一结果的概率,用来反映某一结果的置信程度。
举例说明,待处理的各资源为资源A、资源B和资源C。终端将资源A作为当前资源时,可选取资源B与资源A进行特征数据比较。此时,终端将资源A的特征数据与资源B的特征数据共同输入比较模型,比较模型输出资源A对于资源B的单独比较胜出概率PA。终端可再将PA与第一预设概率P1比较。当PA>P1时,判定资源A对于资源B的进行特征数据比较的结果为胜出;当PA≤P1时,则将PA与第二预设概率P2比较。当P1≥PA≥P2时,判定资源A对于资源B的进行特征数据比较的结果为持平;当PA<P2时,判定资源A对于资源B的进行特征数据比较的结果为落败。
比如,将两个资源的特征数据输入比较模型后,可以得到比较模型输出的GOAL_CMP_raw(单独比较胜出概率),根据事先设置的第一预设概率thres_U和第二预设概率thres_D,将GOAL_CMP_raw转为标准的符号判断GOAL_CMP(进行特征数据比较的结果)。当GOAL_CMP_raw>thres_U时GOAL_CMP=1(表示结果为胜出);当GOAL_CMP_raw<thres_D时GOAL_CMP=-1(表示结果为落败),当thres_U≥GOAL_CMP_raw≥thres_D时GOAL_CMP=0(表示结果为持平)。根据经验,可设thres_U=0.05,thres_D=-0.05。
本实施例中,通过统一设定的概率阈值来对比较模型输出的概率分类,避免在处理大量各不相同的概率时引入的工作量以及可能引起的结果判定错误。
在本实施例中,利用机器学习模型强大的学习能力学习比较各资源的特征数据已得到比较结果,使得通过比较模型来预测各资源间单独比较胜出概率并进行后续的处理时,可避免人工处理带人的主观性,提高处理结果的准确性与客观性。而且对于每个资源与剩余的资源单独比较时,采取随机采样的方式选取部分资源来比较,减少了待处理的数据量,缩短了数据处理时间,尤其是在待处理的资源量大的情况下,可极大地提高资源处理效率。
在一个实施例中,S206包括:依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率;根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果;根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果。
具体地,终端可获取训练得到的比较模型来对待处理的各资源所对应的特征数据进行比较。终端可依次将各资源中的每个资源选作当前资源,对于当前资源执行以下操作:将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率。
终端再根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果;然后根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果。
在一个实施例中,根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,包括:在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败。
可以理解,第一预设概率和第二预设概率的定义,以及将单独比较胜出概率与第一预设概率和第二预设概率比较得到进行特征数据比较的结果的处理方式在前述实施例中已有描述,这里可参考前述处理方式处理,不再赘述。
在一个实施例中,根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果,包括:在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为落败;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为胜出。
举例说明,待处理的各资源为资源A、资源B和资源C。终端可将资源A的特征数据与资源B的特征数据共同输入比较模型,比较模型输出资源A对于资源B的单独比较胜出概率PA,终端再将PA与第一预设概率P1比较。当PA>P1时,判定资源A对于资源B的进行特征数据比较的结果为胜出,那么可以毫无疑义地得到资源B对于资源A的进行特征数据比较的结果为落败;当PA≤P1时,则将PA与第二预设概率P2比较。当P1≥PA≥P2时,判定资源A对于资源B的进行特征数据比较的结果为持平,那么可以毫无疑义地得到资源B对于资源A的进行特征数据比较的结果也为持平;当PA<P2时,判定资源A对于资源B的进行特征数据比较的结果为落败,那么可以毫无疑义地得到资源B对于资源A的进行特征数据比较的结果为胜出。
本实施例中,根据两个对象比较时,比较结果对于这两个对象的互异性,在每个资源与剩余的资源单独比较时,若两个资源正向比较已经得到比较结果时,不再对该两个资源反向比较,直接根据正向比较结果得到反向比较结果,避免了重复冗余的数据处理过程,既在一定程度上保证了数据处理结果的准确性,又可以减少数据处理量,提高数据处理效率。
上述实施例中,利用机器学习模型强大的学习能力学习比较各资源的特征数据已得到基于指标数据的比较结果,使得通过比较模型来预测各资源间单独比较胜出概率并进行后续的处理时,可避免人工处理带人的主观性,提高处理结果的准确性与客观性。而且,对于每个资源与剩余的资源单独比较时,若两个资源正向比较已经得到比较结果时,不再对该两个资源反向比较,直接根据正向比较结果得到反向比较结果,避免了重复冗余的数据处理过程,既在一定程度上保证了数据处理结果的准确性,又可以减少数据处理量,提高数据处理效率。
在一个实施例中,S202包括:获取待处理的各资源,及处理所依据的特征因子和评估指标。S204包括:查询各资源各自对应的、且属于特征因子的特征数据;获取与特征因子和评估指标共同对应的比较模型。
其中,特征因子是用于反映特征数据类别的参数。特征数据是属于特征因子的具体特征值。比如,特征因子为短期资源份额变化比例,那么属于短期资源份额变化比例的特征数据为10%。具体比如,特征因子为当年跟踪误差,特征数据则为0.7986%。评估指标是用于评估资源价值的参数。比如,长期资源份额变化比例等。具体比如三年跟踪误差等。
在一个实施例中,资源具体可以为金融资产。特征因子具体可以是金融资产总额、金融资产利润、当年跟踪误差以及当期跟踪误差等可用于描述金融资产特征的参数。评估指标具体可以是N年跟踪误差、N年夏普比率以及N年信息比率等用于评估金融资产价值的参数。
具体地,终端可提供特征因子选择页面,从而根据用户在该特征因子选择页面触发的选择指令选取特征因子。终端也可提供评估指标选择页面,从而根据用户在该评估指标选择页面触发的选择指令选取评估指标。
举例说明,终端可提供金融资产评级系统,从而展示该系统配置的特征因子(模型因子)选择页面如图3所示。参考图3,该界面包括特征因子(模型因子)。用户可在该界面自主选取特征因子(模型因子)。终端可再展示该系统配置的评估指标(目标因子)选择页面如图4所示。参考图4,该界面包括评估指标(目标因子)。用户可在该界面自主选取评估指标(目标因子)。
进一步地,终端在获取待处理的各资源,及处理所依据的特征因子和评估指标后,即查询各资源各自对应的、且属于特征因子的特征数据,并获取与特征因子和评估指标共同对应的比较模型。
可以理解,比较模型是通过比较属于特征因子的特征数据,得到属于评估指标的指标数据比较结果。假设,特征因子为A和B,评估指标为C,那么比较模型实际上是比较两个资源的A和B,得到两个资源对于C的胜负。那么可以理解,终端在获取模型时,获取的是与特征因子和评估指标共同对应的比较模型。
在上述实施例中,用户可自主选择用于决定比较模型的特征因子与评估指标,从而可以基于不同的特征因子或者评估指标来从多方面分析资源,增强了资源处理方式的实用性与准确性。
在一个实施例中,比较模型的生成步骤包括:获取多个资源样本;收集各资源样本对应的且属于特征因子的特征数据样本,及各资源样本对应的且属于评估指标的指标数据样本;对于每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;将任意两个资源样本所对应的特征数据样本作为模型训练样本,将任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签;根据模型训练样本和相应的训练标签训练得到比较模型。
其中,资源样本是模型训练样本所属的资源。各资源样本对应的且属于特征因子的特征数据样本是训练比较模型时的输入数据,也就是模型训练样本。
具体地,终端可对每个资源样本,分别确定该资源样本与剩余的每个资源样本进行指标数据样本比较的结果。再将任意两个资源样本所对应的特征数据样本作为一个模型训练样本,将这两个资源样本进行指标数据样本比较的结果作为相应的训练标签,从而根据模型训练样本和相应的训练标签有监督地训练得到比较模型。
举例说明,假设资源样本标识为OBJ_1-OBJ_50,共50个资源样本。特征因子为FA、FB和FC,评估指标为GOAL。这50个资源样本对应的属于特征因子FA、FB和FC的特征数据,以及属于评估指标GOAL的指标数据如下表所示:
表一:
资源样本标识 | FA | FB | FC | GOAL |
OBJ_1 | 1.5 | 0.03 | 2.32 | 0.85 |
OBJ_2 | 1.84 | -1.5 | 0.12 | 0.92 |
OBJ_3 | 0.4 | -0.1 | 1.2 | 0.85 |
… | … | … | … | … |
OBJ_50 | 1.56 | 1.1 | -1.3 | 0.5 |
终端可依次将各资源样本中的每个资源样本选作当前资源样本,将当前资源样本对应的指标数据,分别与未曾被选作当前资源样本的每个资源样本所对应的指标数据比较,得到当前资源样本分别对于未曾被选作当前资源样本的每个资源样本的单独比较的结果,如下表所示:
表二:
其中,FA.1、FB.1和FC.1为一个资源样本(X)的特征数据,FA.2、FB.2和FC.2为另一个资源样本(Y)的特征数据,GOAL_CMP即为X相对于Y比较的结果。GOAL_CMP为符号判别函数,即X>Y则GOAL_CMP(X,Y)=1,表示X胜出;X=Y则GOAL_CMP(X,Y)=0,表示X与Y持平;X<Y则GOAL_CMP(X,Y)=-1,表示X落败。
具体地,终端可再将任意两个资源样本的FA.1、FB.1、FC.1、FA.2、FB.2和FC.2共同作为模型输入,将相应的GOAL_CMP作为训练标签,有监督地训练得到比较模型。比较模型的每一组输入数据(FA.1、FA.2、FB.1、FB.2、FC.1和FC.2)为一组偏序化的输入数据。偏序化的输入数据定义了输入数据中两个资源特征数据的比较关系。也就是说,输出结果是FA.1、FB.1和FC.1所对应的资源样本对于FA.2、FB.2和FC.2所对应的资源样本比较的结果,具有方向性。
在一个实施例中,终端还可获取通过用户指令指定的时间区间,从而在获取特征数据时,获取该时间区间下的各资源各自对应的、且属于特征因子的特征数据。
可以理解,这样用户即可根据自身需求,自主选取特征因子和评估指标,训练得到相应的符合自身需求的比较模型。比如,对于金融资产,用户关注的重点是夏普比率,用户即可以夏普比率为评估指标,以能够获取金融资产特征值的特征因子为特征因子,训练出比较模型。再采用训练得到的比较模型进行预测评估。
上述实施例中,提供了比较模型的训练途径,通过以多个资源历史的特征数据为样本,以资源历史的指标数据为标签,以客观的数据训练得到不同特征因子与评估指标对应的比较模型,使得后续通过比较模型来预测各资源间单独比较胜出概率并进行后续的处理时,可避免人工处理带人的主观性,使得处理结果更加准确。
在一个实施例中,S208包括:依次将各资源中的每个资源选作当前资源;确定当前资源相关的结果中胜出的第一数量和落败的第二数量;将第一数量作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率;或者,将第一数量和第二数量之差作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率。
其中,当前资源相关的结果中胜出的第一数量,表示当前资源在与其他资源进行特征数据比较时,战胜了的资源的数量。当前资源相关的结果中落败的第二数量,表示当前资源在与其他资源进行特征数据比较时,败北的资源的数量。
在一个实施例中,评估函数具体如下式所示:
其中%PK(A)为资源A相对于剩余资源的群体比较胜出概率,x为剩余资源中的资源,为资源A相关的结果中胜出的第一数量,为资源A相关的结果中落败的第二数量。
举例说明,待处理的各资源为资源A、资源B和资源C。资源A对于资源B进行特征数据比较的结果为胜出,资源A对于资源C进行特征数据比较的结果为落败。即那么,资源A的群体比较胜出概率具体可以是1/(1+1)=0.5。
在一个实施例中,评估函数具体如下式所示:
上述实施例中,提供了多种具体的根据单独比较胜出概率计算群体比较胜出概率的方式,使得群体比较胜出概率的计算更灵活多样。
在一个实施例中,该资源处理方法还包括:将各资源按照相应确定的群体比较胜出概率排序。
具体地,终端可将各资源按照相应确定的群体比较胜出概率降序排序。排序时,群体比较胜出概率高的靠前,群体比较胜出概率低的靠后。终端也可将各资源按照相应确定的群体比较胜出概率升序排序。排序时,群体比较胜出概率低的靠前,群体比较胜出概率高的靠后。
在一个实施例中,将各资源按照相应确定的群体比较胜出概率排序包括:将各资源按照相应确定的群体比较胜出概率降序排序;根据各资源在排序后的排序位置确定相应资源所属的分类等级。
具体地,终端可将各资源按照相应确定的群体比较胜出概率降序排序。排序时,群体比较胜出概率高的靠前,群体比较胜出概率低的靠后。终端可再根据各资源在排序后的排序位置确定相应资源所属的分类等级。比如,将所有资源均分为5等分,top20%作为5星等级,前20~40%作为4星等级,前40~60%作为3星等级,60~80%作为4星等级,bottom20%作为1星等级。可以理解,这里将所有资源均分为5等分仅为举例说明,并非对划分方式与划分的分类等级的数量进行限定。举例说明,图5示出了一个实施例中展示排序结果的界面示意图。参考图5,可以看到,该界面包括排序后的资源标识和各资源对应的群体比较胜出概率。
在本实施例中,在确定各资源相对于剩余资源的群体比较胜出概率后,对各资源按照相应确定的群体比较胜出概率降序排序,并确定各资源所属的分类等级,以通过资源等级来直观反映资源的价值,这样用户即可根据资源所属的等级快速进行资源挑选以进行后续的操作。
上述实施例中,在确定各资源相对于剩余资源的群体比较胜出概率,即可对各资源进行排序,通过排序结果来直观地反映出各资源的价值,便于用户后续进行资源选取并执行后续操作。
如图6所示,在一个具体的实施例中,该资源处理方法具体包括以下步骤:
S602,获取待排序的各资源,及排序所依据的特征因子和评估指标。
S604,查询各资源各自对应的、且属于特征因子的特征数据;获取与特征因子和评估指标共同对应的比较模型。
具体地,终端获取的数据如下表所示。
表三
资源标识 | FA | FB | FC |
OBJ_1 | 3.2 | -1.3 | 2.1 |
OBJ_2 | 2.1 | -2.1 | -0.1 |
OBJ_3 | 1.2 | 1.5 | 0.5 |
… | … | … | … |
OBJ_20 | 0.3 | 0.07 | 1.1 |
其中,待排序的各资源所对应的资源标识为OBJ_1-OBJ_20,特征因子为FA、FB和FC,可以理解,此时是采用训练完成的模型进行预测,那么各资源所对应的属于评估指标的指标数据是未知的。
S606,依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率。
表四:
具体地,终端依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据组合得到多组偏序化模型输入数据。表四中的每一行数据FA.1、FB.1、FC.1、FA.2、FB.2和FC.2即为一组偏序化模型输入数据,GOAL_CMP_raw为比较模型输出的单独比较胜出概率。
S608,将当前资源对于未曾被选作当前资源的资源的单独比较胜出概率与第一预设概率和第二预设概率比较;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率大于第一预设概率时,跳转至步骤S610;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,跳转至步骤S612;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率小于第二预设概率时,跳转至步骤S614。
S610,确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出,并确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为落败。
S612,确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平,并确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为持平。
S614,确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败,并确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为胜出。
S616,确定当前资源相关的结果中胜出的第一数量和落败的第二数量。
S618,将第一数量作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率;或者,将第一数量和第二数量之差作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率。
S620,将各资源按照相应确定的群体比较胜出概率降序排序;根据各资源在排序后的排序位置确定相应资源所属的分类等级。
S622,获取多个资源样本;收集各资源样本对应的且属于特征因子的特征数据样本,及各资源样本对应的且属于评估指标的指标数据样本。
S624,对于每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;将任意两个资源样本所对应的特征数据样本作为模型训练样本,将任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签;根据模型训练样本和相应的训练标签训练得到比较模型。
其中,S622与S624可在S604之前执行。
具体地,资源处理方法具体包括机器学习模型训练和机器学习模型使用两个阶段。如图7所示,在模型训练阶段,终端可获取多个资源样本;收集各资源样本对应的且属于特征因子的特征数据样本,及各资源样本对应的且属于评估指标的指标数据样本,从而得到训练数据集。终端再对每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;将任意两个资源样本所对应的特征数据样本作为模型训练样本,将任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签,从而得到偏序化训练样本进行机器学习模型训练,得到训练完成的机器学习模型(比较模型)。在模型使用阶段,终端获取待排序的各资源,及排序所依据的特征因子和评估指标,查询各资源各自对应的、且属于特征因子的特征数据,得到待预测数据集。终端继而依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同作为偏序化模型输入数据,使用机器学习模型(比较模型)预测得到当前资源的单独比较胜出概率,继而得到该资源的群体比较胜出概率。终端从而将各资源按照相应确定的群体比较胜出概率降序排序。
应该理解的是,虽然上述各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图8所示,在一个实施例中,提供了一种资源处理装置800。参照图8,该资源处理装置800包括:获取模块801、查询模块802和确定模块803。
获取模块801,用于获取待处理的各资源。
查询模块802,用于查询各资源各自对应的特征数据。
确定模块803,用于对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率。
在一个实施例中,确定模块803还用于依次将各资源中的每个资源选作当前资源;从待处理的各资源中排除当前资源后剩余的资源中选取资源;将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于选取的每个资源的单独比较胜出概率;根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果。
在一个实施例中,确定模块803还用于在当前资源对于选取的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为胜出;在当前资源对于选取的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为持平;在当前资源对于选取的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为落败。
在一个实施例中,确定模块803还用于依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率;根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果;根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果。
在一个实施例中,确定模块803还用于在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败。
在一个实施例中,确定模块803还用于在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为落败;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为胜出。
在一个实施例中,获取模块801还用于获取待处理的各资源,及排序所依据的特征因子和评估指标;查询模块802还用于查询各资源各自对应的、且属于特征因子的特征数据;获取与特征因子和评估指标共同对应的比较模型。
在一个实施例中,资源处理装置800还包括训练模块805,用于获取多个资源样本;收集各资源样本对应的且属于特征因子的特征数据样本,及各资源样本对应的且属于评估指标的指标数据样本;对于每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;将任意两个资源样本所对应的特征数据样本作为模型训练样本,将任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签;根据模型训练样本和相应的训练标签训练得到比较模型。
在一个实施例中,确定模块803还用于依次将各资源中的每个资源选作当前资源;确定当前资源相关的结果中胜出的第一数量和落败的第二数量;将第一数量作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率;或者,将第一数量和第二数量之差作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率。
如图9所示,在一个实施例中,资源处理装置800还包括:训练模块805和排序模块804。排序模块804用于将各资源按照相应确定的群体比较胜出概率排序。
在一个实施例中,排序模块804还用于将各资源按照相应确定的群体比较胜出概率降序排序;根据各资源在排序后的排序位置确定相应资源所属的分类等级。
在一个实施例中,资源为金融资产;特征数据为金融资产特征值。
图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110或服务器120。如图10所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现资源处理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行资源处理方法。本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的资源处理装置可以实现为一种计算机程序的形式,计算机程序可在如图10所示的计算机设备上运行,计算机设备的非易失性存储介质可存储组成该资源处理装置的各个程序模块,比如,图8所示的获取模块801、查询模块802和确定模块803等。各个程序模块组成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的资源处理方法中的步骤。
例如,图10所示的计算机设备可以通过如图8所示的资源处理装置800中的获取模块801获取待处理的各资源。通过查询模块802查询各资源各自对应的特征数据。通过确定模块803对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率。
在一个实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时,使得处理器执行以下步骤:获取待处理的各资源;查询各资源各自对应的特征数据;对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率。
在一个实施例中,对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果,包括:依次将各资源中的每个资源选作当前资源;从待处理的各资源中排除当前资源后剩余的资源中选取资源;将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于选取的每个资源的单独比较胜出概率;根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果。
在一个实施例中,根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果,包括:在当前资源对于选取的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为胜出;在当前资源对于选取的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为持平;在当前资源对于选取的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为落败。
在一个实施例中,对于每个资源,分别确定与剩余的每个资源进行特征数据比较的结果,包括:依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率;根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果;根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果。
在一个实施例中,根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,包括:在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败。
在一个实施例中,根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果,包括:在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为落败;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为胜出。
在一个实施例中,获取待处理的各资源,包括:获取待处理的各资源,及排序所依据的特征因子和评估指标。查询各资源各自对应的特征数据,包括:查询各资源各自对应的、且属于特征因子的特征数据;获取与特征因子和评估指标共同对应的比较模型。
在一个实施例中,比较模型的生成步骤包括:获取多个资源样本;收集各资源样本对应的且属于特征因子的特征数据样本,及各资源样本对应的且属于评估指标的指标数据样本;对于每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;将任意两个资源样本所对应的特征数据样本作为模型训练样本,将任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签;根据模型训练样本和相应的训练标签训练得到比较模型。
在一个实施例中,分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率,包括:依次将各资源中的每个资源选作当前资源;确定当前资源相关的结果中胜出的第一数量和落败的第二数量;将第一数量作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率;或者,将第一数量和第二数量之差作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率。
在一个实施例中,该计算机程序被处理器执行时,还使得处理器执行以下步骤:将各资源按照相应确定的群体比较胜出概率排序。
在一个实施例中,将各资源按照相应确定的群体比较胜出概率排序,包括:将各资源按照相应确定的群体比较胜出概率降序排序;根据各资源在排序后的排序位置确定相应资源所属的分类等级。
在一个实施例中,资源为金融资产;特征数据为金融资产特征值。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中储存有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:获取待处理的各资源;查询各资源各自对应的特征数据;对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率。
在一个实施例中,对于每个资源,分别确定与剩余资源单独进行特征数据比较的结果,包括:依次将各资源中的每个资源选作当前资源;从待处理的各资源中排除当前资源后剩余的资源中选取资源;将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于选取的每个资源的单独比较胜出概率;根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果。
在一个实施例中,根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果,包括:在当前资源对于选取的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为胜出;在当前资源对于选取的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为持平;在当前资源对于选取的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于选取的资源进行特征数据比较的结果为落败。
在一个实施例中,对于每个资源,分别确定与剩余的每个资源进行特征数据比较的结果,包括:依次将各资源中的每个资源选作当前资源;将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率;根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果;根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果。
在一个实施例中,根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,包括:在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败。
在一个实施例中,根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果,包括:在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为胜出时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为落败;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为持平时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为持平;在当前资源对于未曾被选作当前资源的资源进行特征数据比较的结果为落败时,则确定未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为胜出。
在一个实施例中,获取待处理的各资源,包括:获取待处理的各资源,及排序所依据的特征因子和评估指标。查询各资源各自对应的特征数据,包括:查询各资源各自对应的、且属于特征因子的特征数据;获取与特征因子和评估指标共同对应的比较模型。
在一个实施例中,比较模型的生成步骤包括:获取多个资源样本;收集各资源样本对应的且属于特征因子的特征数据样本,及各资源样本对应的且属于评估指标的指标数据样本;对于每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;将任意两个资源样本所对应的特征数据样本作为模型训练样本,将任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签;根据模型训练样本和相应的训练标签训练得到比较模型。
在一个实施例中,分别根据每个资源相关的结果,相应确定每个资源相对于剩余资源的群体比较胜出概率,包括:依次将各资源中的每个资源选作当前资源;确定当前资源相关的结果中胜出的第一数量和落败的第二数量;将第一数量作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率;或者,将第一数量和第二数量之差作为分子、第一数量和第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率。
在一个实施例中,该计算机程序被处理器执行时,还使得处理器执行以下步骤:将各资源按照相应确定的群体比较胜出概率排序。
在一个实施例中,将各资源按照相应确定的群体比较胜出概率排序,包括:将各资源按照相应确定的群体比较胜出概率降序排序;根据各资源在排序后的排序位置确定相应资源所属的分类等级。
在一个实施例中,资源为金融资产;特征数据为金融资产特征值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种资源处理方法,包括:
获取待处理的各资源;
查询各所述资源各自对应的特征数据;
对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;
分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。
2.根据权利要求1所述的方法,其特征在于,所述对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果,包括:
依次将各所述资源中的每个资源选作当前资源;
从待处理的各资源中排除当前资源后剩余的资源中选取资源;
将当前资源对应的特征数据,分别与选取的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于选取的每个资源的单独比较胜出概率;
根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果。
3.根据权利要求2所述的方法,其特征在于,所述根据当前资源分别对于选取的每个资源的单独比较胜出概率,确定当前资源分别对于选取的每个资源进行特征数据比较的结果,包括:
在当前资源对于选取的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于所述选取的资源进行特征数据比较的结果为胜出;
在当前资源对于选取的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于所述选取的资源进行特征数据比较的结果为持平;
在当前资源对于选取的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于所述选取的资源进行特征数据比较的结果为落败。
4.根据权利要求1所述的方法,其特征在于,所述对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果,包括:
依次将各所述资源中的每个资源选作当前资源;
将当前资源对应的特征数据,分别与未曾被选作当前资源的每个资源所对应的特征数据共同输入比较模型,得到当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率;
根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果;
根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果。
5.根据权利要求4所述的方法,其特征在于,所述根据当前资源分别对于未曾被选作当前资源的每个资源的单独比较胜出概率,确定当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,包括:
在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率大于第一预设概率时,则确定当前资源对于所述未曾被选作当前资源的资源进行特征数据比较的结果为胜出;
在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率未达到第一预设概率且达到第二预设概率时,则确定当前资源对于所述未曾被选作当前资源的资源进行特征数据比较的结果为持平;
在当前资源对于未曾被选作当前资源的资源的单独比较胜出概率小于第二预设概率时,则确定当前资源对于所述未曾被选作当前资源的资源进行特征数据比较的结果为落败。
6.根据权利要求5所述的方法,其特征在于,所述根据当前资源分别对于未曾被选作当前资源的每个资源进行特征数据比较的结果,确定未曾被选作当前资源的每个资源分别对于当前资源进行特征数据比较的结果,包括:
在当前资源对于所述未曾被选作当前资源的资源进行特征数据比较的结果为胜出时,则确定所述未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为落败;
在当前资源对于所述未曾被选作当前资源的资源进行特征数据比较的结果为持平时,则确定所述未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为持平;
在当前资源对于所述未曾被选作当前资源的资源进行特征数据比较的结果为落败时,则确定所述未曾被选作当前资源的每个资源对于当前资源进行特征数据比较的结果为胜出。
7.根据权利要求2或3所述的方法,其特征在于,所述获取待处理的各资源,包括:
获取待处理的各资源,及处理所依据的特征因子和评估指标;
所述查询各所述资源各自对应的特征数据,包括:
查询各所述资源各自对应的、且属于所述特征因子的特征数据;
获取与所述特征因子和所述评估指标共同对应的比较模型。
8.根据权利要求7所述的方法,其特征在于,所述比较模型的生成步骤包括:
获取多个资源样本;
收集各资源样本对应的且属于所述特征因子的特征数据样本,及各资源样本对应的且属于所述评估指标的指标数据样本;
对于每个资源样本,分别确定与剩余的每个资源样本进行指标数据样本比较的结果;
将任意两个资源样本所对应的特征数据样本作为模型训练样本,将所述任意两个资源样本进行指标数据样本比较的结果作为相应的训练标签;
根据所述模型训练样本和相应的训练标签训练得到比较模型。
9.根据权利要求1所述的方法,其特征在于,所述分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率,包括:
依次将各所述资源中的每个资源选作当前资源;
确定当前资源相关的结果中胜出的第一数量和落败的第二数量;
将所述第一数量作为分子、所述第一数量和所述第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率;或者,
将所述第一数量和所述第二数量之差作为分子、所述第一数量和所述第二数量之和作为分母,计算得到当前资源相对于剩余资源的群体比较胜出概率。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将各所述资源按照相应确定的群体比较胜出概率排序。
11.根据权利要求10所述的方法,其特征在于,所述将各所述资源按照相应确定的群体比较胜出概率排序,包括:
将各所述资源按照相应确定的群体比较胜出概率降序排序;
根据各所述资源在排序后的排序位置确定相应资源所属的分类等级。
12.根据权利要求1-6中任一项所述的方法,其特征在于,所述资源为金融资产;所述特征数据为金融资产特征值。
13.一种资源处理装置,包括:
获取模块,用于获取待处理的各资源;
查询模块,用于查询各所述资源各自对应的特征数据;
确定模块,用于对于每个所述资源,分别确定与剩余资源单独进行特征数据比较的结果;分别根据每个所述资源相关的结果,相应确定每个所述资源相对于剩余资源的群体比较胜出概率。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至12中任一项所述的方法的步骤。
15.一种计算机设备,包括存储器和处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至12中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106032.8A CN108305174B (zh) | 2018-02-02 | 2018-02-02 | 资源处理方法、装置、存储介质和计算机设备 |
PCT/CN2019/072977 WO2019149133A1 (zh) | 2018-02-02 | 2019-01-24 | 资源处理方法、存储介质和计算机设备 |
US16/895,450 US20200302541A1 (en) | 2018-02-02 | 2020-06-08 | Resource processing method, storage medium, and computer device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106032.8A CN108305174B (zh) | 2018-02-02 | 2018-02-02 | 资源处理方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305174A true CN108305174A (zh) | 2018-07-20 |
CN108305174B CN108305174B (zh) | 2021-12-14 |
Family
ID=62864376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810106032.8A Active CN108305174B (zh) | 2018-02-02 | 2018-02-02 | 资源处理方法、装置、存储介质和计算机设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200302541A1 (zh) |
CN (1) | CN108305174B (zh) |
WO (1) | WO2019149133A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019149133A1 (zh) * | 2018-02-02 | 2019-08-08 | 腾讯科技(深圳)有限公司 | 资源处理方法、存储介质和计算机设备 |
CN113302644A (zh) * | 2018-09-14 | 2021-08-24 | 元素人工智能公司 | 交易计划管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693511A (zh) * | 2012-06-11 | 2012-09-26 | 深圳市中金阿尔法投资研究有限公司 | 基于策略分类的对冲基金指数与评级系统 |
CN103366305A (zh) * | 2013-01-23 | 2013-10-23 | 李佩伦 | 股票信息对比系统 |
CN106056449A (zh) * | 2016-05-26 | 2016-10-26 | 黑龙江省容维投资顾问有限责任公司 | 一种股票资讯信息推送系统及推送方法 |
CN107248030A (zh) * | 2017-05-26 | 2017-10-13 | 谢首鹏 | 一种基于机器学习算法的债券风险预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
US9805381B2 (en) * | 2014-08-21 | 2017-10-31 | Affectomatics Ltd. | Crowd-based scores for food from measurements of affective response |
CN107437227A (zh) * | 2017-08-17 | 2017-12-05 | 天弘基金管理有限公司 | 股票投资分析装置与方法 |
CN108305174B (zh) * | 2018-02-02 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 资源处理方法、装置、存储介质和计算机设备 |
-
2018
- 2018-02-02 CN CN201810106032.8A patent/CN108305174B/zh active Active
-
2019
- 2019-01-24 WO PCT/CN2019/072977 patent/WO2019149133A1/zh active Application Filing
-
2020
- 2020-06-08 US US16/895,450 patent/US20200302541A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693511A (zh) * | 2012-06-11 | 2012-09-26 | 深圳市中金阿尔法投资研究有限公司 | 基于策略分类的对冲基金指数与评级系统 |
CN103366305A (zh) * | 2013-01-23 | 2013-10-23 | 李佩伦 | 股票信息对比系统 |
CN106056449A (zh) * | 2016-05-26 | 2016-10-26 | 黑龙江省容维投资顾问有限责任公司 | 一种股票资讯信息推送系统及推送方法 |
CN107248030A (zh) * | 2017-05-26 | 2017-10-13 | 谢首鹏 | 一种基于机器学习算法的债券风险预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019149133A1 (zh) * | 2018-02-02 | 2019-08-08 | 腾讯科技(深圳)有限公司 | 资源处理方法、存储介质和计算机设备 |
CN113302644A (zh) * | 2018-09-14 | 2021-08-24 | 元素人工智能公司 | 交易计划管理系统 |
CN113302644B (zh) * | 2018-09-14 | 2023-12-22 | 元素人工智能公司 | 交易计划管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108305174B (zh) | 2021-12-14 |
WO2019149133A1 (zh) | 2019-08-08 |
US20200302541A1 (en) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sensini | Selection of Determinants in Corporate Financial Distress | |
CN107679946A (zh) | 基金产品推荐方法、装置、终端设备及存储介质 | |
Pompe et al. | The prediction of bankruptcy of small-and medium-sized industrial firms | |
Rahman et al. | Machine learning based customer churn prediction in banking | |
US7590582B2 (en) | Method for analyzing investments using overlapping periods | |
CN106875206A (zh) | 信息获取、评估、问卷调查方法、装置及服务器 | |
Alsubaie et al. | Cost-sensitive prediction of stock price direction: Selection of technical indicators | |
CN108596495A (zh) | 一种零售信贷业务评分系统及方法 | |
CN108876076A (zh) | 基于指令数据的个人信用评分方法及装置 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN109345050A (zh) | 一种量化交易预测方法、装置及设备 | |
Visalakshmi et al. | An integrated fuzzy DEMATEL-TOPSIS approach for financial performance evaluation of GREENEX industries | |
Cao et al. | Bond rating using support vector machine | |
CN110288460A (zh) | 基于前向传播的催收预测方法、装置、设备及存储介质 | |
CN108305174A (zh) | 资源处理方法、装置、存储介质和计算机设备 | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
Priscilla et al. | Baseline modeling for early prediction of loan approval system | |
CN111737308A (zh) | 基于最小熵分值的股票交易点预测方法、系统及存储介质 | |
Ying et al. | Real-world credit scoring: a comparative study of statistical and artificial intelligent methods | |
Hung et al. | Data Mining for Bankruptcy Prediction: An Experiment in Vietnam. | |
Takata et al. | Boosting approach to early bankruptcy prediction from multiple-year financial statements | |
Çela et al. | Integrating multiple sources of ordinal information in portfolio optimization | |
KR102636122B1 (ko) | 딥러닝을 이용한 시장규모 예측 장치 및 그 방법 | |
Azrak et al. | Applying machine learning to automate stock portfolio management | |
Lindberg et al. | Comparison of machine learning models for market predictions with different time horizons |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |