CN108446984A - 一种投资数据管理方法及装置 - Google Patents
一种投资数据管理方法及装置 Download PDFInfo
- Publication number
- CN108446984A CN108446984A CN201810231934.4A CN201810231934A CN108446984A CN 108446984 A CN108446984 A CN 108446984A CN 201810231934 A CN201810231934 A CN 201810231934A CN 108446984 A CN108446984 A CN 108446984A
- Authority
- CN
- China
- Prior art keywords
- investment
- assessed
- characteristic parameter
- suggestion
- investment product
- 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.)
- Pending
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种投资数据管理方法及装置,其中,该方法包括:获取待评估投资产品的特征参数;基于待评估投资产品的历史收益数据和特征参数的特征值,训练得到收益预测模型;基于训练得到的收益预测模型,预测待评估投资产品在未来预设时间段内的预期收益;将预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于待评估投资产品的用户投资建议;将用户投资建议反馈至用户终端。本申请在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
Description
技术领域
本申请涉及数据应用技术领域,具体而言,涉及一种投资数据管理方法及装置。
背景技术
现有金融投资领域中,选取合适的投资项目获取最大的收益是每一个投资人都有的想法,而传统的投资项目的选择是要依靠基金经理以及分析师对于行业的分析以及预测。
发明人在研究中发现,现有技术中这种方法所生产的投资组合的优劣高度依赖投资经理、分析师的分析能力以及其擅长的行业的状况。而在市面上的投资项目数量十分庞大,人的精力又是有限的,投资经理以及分析师只可能在自己所擅长的领域内选择有限的投资项目进行分析。从而避开了大部分的投资项目,尤其是那些存在投资潜力但分析师并不了解的领域。这种选择投资项目的方式,一方面耗费的投资师的人力成本过高,另一方面也无法保证投资的最优化,且无法为用户及时的提供投资建议,使用体验度较差。
发明内容
有鉴于此,本申请的目的在于提供一种投资数据管理方法及装置,以在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
第一方面,本申请提供了一种投资数据管理方法,所述方法包括:
获取待评估投资产品的特征参数;
基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型;
基于训练得到的所述收益预测模型,预测所述待评估投资产品在未来预设时间段内的预期收益;
将所述预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于所述待评估投资产品的用户投资建议;
将所述用户投资建议反馈至用户终端。
结合第一方面,本申请提供了第一方面的第一种可能的实施方式,其中,按照如下步骤训练所述投资建议模型:
获取投资产品样本,以及用户投资建议;
基于训练得到的所述收益预测模型,预测所述投资产品样本在未来预设时间段内的预期收益;
确定所述预期收益与实际收益之间的偏差信息;
将确定的所述偏离信息作为所述投资建议模型的输入特征,将获取的所述用户投资建议作为所述投资建议模型的输出结果,训练得到所述投资建议模型。
结合第一方面,本申请提供了第一方面的第二种可能的实施方式,其中,在所述获取待评估投资产品的特征参数之后,所述训练得到收益预测模型之前,所述方法还包括:
根据预设的聚类算法,从预设个数的特征参数中筛选出用于分析所述待评估投资产品的特征参数集;
所述基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型,包括:
基于所述待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
结合第一方面的第二种可能的实施方式,本申请提供了第一方面的第三种可能的实施方式,其中,所述根据预设的聚类算法,从所述预设个数的特征参数中筛选出用于分析所述待评估投资产品的特征参数集,包括:
基于所述预设个数的特征参数,确定不同的特征参数组合;
根据预设的聚类算法,分别使用不同的特征参数组合对所述待评估投资产品进行聚类,确定所述不同的特征参数组合分别对应的聚类结果;
根据所述聚类结果,从所述不同的特征参数组合中选择一种特征参数组合作为所述特征参数集。
结合第一方面的第二种可能的实施方式,本申请提供了第一方面的第四种可能的实施方式,其中,所述基于所述待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型,包括:
将所述待评估投资产品划分为不同的待评估投资产品组合;
根据预设的聚类算法,使用筛选出的所述特征参数集对所述不同的待评估投资产品组合进行聚类,得到多个聚类簇:其中,每个聚类簇中包含至少一个待评估投资产品组合;
根据聚类后每个聚类簇的统计特征,从所述多个聚类簇中选择一个对应的所述统计特征最优的聚类簇;
基于选择的所述聚类簇中的各个待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
第二方面,本申请还提供了一种投资数据管理装置,所述装置包括:
特征参数获取模块,用于获取待评估投资产品的特征参数;
预测模型训练模块,用于基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型;
预期收益预测模块,用于基于训练得到的所述收益预测模型,预测所述待评估投资产品在未来预设时间段内的预期收益;
投资建议获取模块,用于将所述预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于所述待评估投资产品的用户投资建议;
投资建议反馈模块,用于将所述用户投资建议反馈至用户终端。
结合第二方面,本申请提供了第二方面的第一种可能的实施方式,其中,所述装置还包括:
投资建议模型训练模块,用于获取投资产品样本,以及用户投资建议;基于训练得到的所述收益预测模型,预测所述投资产品样本在未来预设时间段内的预期收益;确定所述预期收益与实际收益之间的偏差信息;将确定的所述偏离信息作为所述投资建议模型的输入特征,将获取的所述用户投资建议作为所述投资建议模型的输出结果,训练得到所述投资建议模型。
结合第二方面,本申请提供了第二方面的第二种可能的实施方式,其中,所述装置还包括:
特征参数集筛选模块,用于根据预设的聚类算法,从预设个数的特征参数中筛选出用于分析所述待评估投资产品的特征参数集;
所述预测模型训练模块,具体用于基于所述待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
结合第二方面的第二种可能的实施方式,本申请提供了第二方面的第三种可能的实施方式,其中,所述特征参数集筛选模块包括:
特征参数组合确定单元,用于基于所述预设个数的特征参数,确定不同的特征参数组合;
聚类结果确定单元,用于根据预设的聚类算法,分别使用不同的特征参数组合对所述待评估投资产品进行聚类,确定所述不同的特征参数组合分别对应的聚类结果;
特征参数集选择单元,用于根据所述聚类结果,从所述不同的特征参数组合中选择一种特征参数组合作为所述特征参数集。
结合第二方面的第二种可能的实施方式,本申请提供了第二方面的第四种可能的实施方式,其中,所述预测模型训练模块包括:
投资产品组合划分单元,用于将所述待评估投资产品划分为不同的待评估投资产品组合;
投资产品组合聚类单元,用于根据预设的聚类算法,使用筛选出的所述特征参数集对所述不同的待评估投资产品组合进行聚类,得到多个聚类簇:其中,每个聚类簇中包含至少一个待评估投资产品组合;
聚类簇选择单元,用于根据聚类后每个聚类簇的统计特征,从所述多个聚类簇中选择一个对应的所述统计特征最优的聚类簇;
预测模型训练单元,用于基于选择的所述聚类簇中的各个待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
本申请提供的投资数据管理方法及装置,其首先获取待评估投资产品的特征参数;然后基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型;再者基于训练得到的所述收益预测模型,预测所述待评估投资产品在未来预设时间段内的预期收益;最后将所述预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于所述待评估投资产品的用户投资建议;将所述用户投资建议反馈至用户终端,其基于待评估投资产品的历史收益数据和特征参数的特征值训练得到的收益预测模型进行该待评估投资产品在未来预设时间段内的预期收益的预测,预测的效率和准确度均较高,以在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种投资数据管理方法的流程图;
图2示出了本申请实施例所提供的另一种投资数据管理方法的流程图;
图3示出了本申请实施例所提供的另一种投资数据管理方法的流程图;
图4示出了本申请实施例所提供的另一种投资数据管理方法的流程图;
图5示出了本申请实施例所提供的一种投资数据管理装置的结构示意图;
图6示出了本申请实施例所提供的一种投资数据管理装置中特征参数集筛选模块的结构示意图;
图7示出了本申请实施例所提供的一种投资数据管理装置中预测模型训练模块的结构示意图;
图8示出了本申请实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有技术中所生产的投资组合的优劣高度依赖投资经理、分析师的分析能力以及其擅长的行业的状况,一方面耗费的投资师的人力成本过高,另一方面也无法保证投资的最优化,且无法为用户及时的提供投资建议,使用体验度较差。基于此,本申请实施例提供了一种投资数据管理方法及装置,以在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
参见图1所示的本申请实施例提供的投资数据管理方法的流程图,上述方法具体包括如下步骤:
S101、获取待评估投资产品的特征参数。
这里,本申请实施例中的待评估投资产品可以是股票产品,还可以社保产品,还可以是其他产品。为了便于进行示例说明,接下来以股票产品进行阐述。该股票产品可以是一只股票产品,还可是多只股票产品对应的混合股票产品。上述特征参数是基于数据库中保存的股票量价数据以及公司基本面数据确认的。其中,上述特征参数可以包括但不限于下述参数:技术参数、统计参数、希尔伯特-黄变换(Hilbert-Huang Transform,HHT)时频谱参数、时域特征、频域特征、小波包时频幅度谱特征。
值得说明的是,本申请提供的投资数据管理方法可以运行于搭载Hadoop以及Spark的服务器集群上,并可以使用HDFS/Hive分布式储存以及Spark分布式计算。有关Hadoop以及Spark集群的部署方法可以采用现有技术中的任一种方式,在此不再赘述。
其中,本申请可以预先将待评估投资产品的相关标识信息等从MYSQL数据库通过SQOOP转储到HDFS文件系统,其中包括待评估投资产品的编号,待评估投资产品对应股票组合的股票代码。在每日收盘后,当日数据获取完毕时,可以设置定时计划任务定时运行以存储相应待评估投资产品的标识信息。另外,本申请还可以将当日生成的待投资产品与数据库中的相关内容进行比较,若上述待投资产品并未出现在现有的数据库中,则赋予该待投资产品新的标识信息,并添加到上述数据库中。若上述待投资产品已经出现在现有的数据库中,则不做处理。最后,本申请随着待投资产品的规模变大,还可以更新上述数据库或者其他辅助数据库,以便Spark数据处理时使用。
S102、基于待评估投资产品的历史收益数据和特征参数的特征值,训练得到收益预测模型。
这里,基于历史收益数据以及特征参数的特征值训练收益预测模型。其中,上述收益预测模型是采用机器学习的方法训练得到的,有多种方法可以实现,本申请实施例中的收益预测模型是预测模型,也即是可以采用分类方法或者回归方法具体进行实现。
S103、基于训练得到的收益预测模型,预测待评估投资产品在未来预设时间段内的预期收益。
这里,收益预测模型训练的目的在于给定一个特征值,以及预设时间段即能够预测出待评估投资产品在未来预设时间段内的预期收益。
S104、将预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于待评估投资产品的用户投资建议;
S105、将用户投资建议反馈至用户终端。
这里,本申请实施例提供的投资数据管理方法可以跟踪监测每日待评估投资产品的收益轨迹。根据实际收益与收益预测模型预测得到的预期收益之间的偏差信息,通过机器学习模型,给出建仓、调仓、止盈、止损等用户投资建议。比如,2016年8月15日生产的待评估投资产品,其中600537亿晶光电累计亏损超过5%,通过算法更新最新预测值,若其依然偏离原预测轨迹,则发出止损建议,仓位重新调整,减少o组合中600537亿晶光电的仓位,增加其他股票仓位,然后判断此时新的权重计算组合是否能够达到预期。若预测效果不及原预期,则发出平仓止损建议。
其中,上述用户投资建议是将偏离信息输入至预先训练好的投资建议模型中得到的,本申请实施例提供的投资数据管理方法将上述用户投资建议及时反馈至用户终端,以便于用户及时执行建仓、调仓、止盈、止损等操作,从而满足用户投资最大化、损失最小化的需求。
本申请实施例提供的投资数据管理方法,其首先获取待评估投资产品的特征参数;然后基于待评估投资产品的历史收益数据和特征参数的特征值,训练得到收益预测模型;再者基于训练得到的收益预测模型,预测待评估投资产品在未来预设时间段内的预期收益;最后将预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于待评估投资产品的用户投资建议;将用户投资建议反馈至用户终端,其基于待评估投资产品的历史收益数据和特征参数的特征值训练得到的收益预测模型进行该待评估投资产品在未来预设时间段内的预期收益的预测,预测的效率和准确度均较高,以在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
参见图2,本申请实施例训练投资建议模型的方法具体通过如下步骤实现:
S201、获取投资产品样本,以及用户投资建议;
S202、基于训练得到的收益预测模型,预测投资产品样本在未来预设时间段内的预期收益;
S203、确定预期收益与实际收益之间的偏差信息;
S204、将确定的偏离信息作为投资建议模型的输入特征,将获取的用户投资建议作为投资建议模型的输出结果,训练得到投资建议模型。
这里,本申请实施例首先通过预先训练得到的收益预测模型,预测投资产品样本在未来预设时间段内的预期收益,然后确定该预期收益与实际收益之间的偏差信息,最后根据该偏差信息以及获取的用户投资建议进行投资建议模型的训练,以便于后续根据训练好的投资建议模型为用户提供投资建议。
本申请考虑到不同的待评估投资产品具有的特征参数也并不完全相同,因此,为了确保在对特征参数进行完整选取的同时,还能够排除其他非相关特征参数的干扰因素,本申请实施例还根据预设的聚类算法从预设个数的特征参数中选取了对应的特征参数集。在筛选得到特征参数集后,便可以基于待评估投资产品的历史收益数据和在筛选出的特征参数集下的特征值进行收益预测模型的训练。
其中,本申请实施例中的聚类算法可以是K-MEANS聚类算法,还可以是层次聚类算法,还可以是其他聚类算法,本申请实施例对此不做具体的限制。
参见图3,上述特征参数集筛选过程具体包括如下步骤:
S301、基于预设个数的特征参数,确定不同的特征参数组合;
S302、根据预设的聚类算法,分别使用不同的特征参数组合对待评估投资产品进行聚类,确定不同的特征参数组合分别对应的聚类结果;
S303、根据聚类结果,从不同的特征参数组合中选择一种特征参数组合作为特征参数集。
这里,本申请实施例首先通过预设个数确定对应于特征参数组合的个数,然后通过迭代尝试不同的特征参数组合对待评估投资产品进行聚类,确定不同的特征参数组合分别对应的聚类结果,最后基于聚类后得到的各个聚类簇的统计特征之间的差异性,从不同的特征参数组合中选择一种使得差异性最大的特征参数组合作为特征参数集。
其中,在通过比较各个聚类簇的统计特征后,确定每个聚类簇与其他聚类簇之间的差异性,若差异性比较大,则表明该聚类簇比较显著,可以从不同的特征参数组合选取出对应的特征参数组合,若差异性比较小,则表明该聚类簇不显著,则将对应的特征参数组合舍弃掉。
参见图4,本申请实施例提供的投资数据管理方法通过如下步骤训练上述收益预测模型:
S401、将待评估投资产品划分为不同的待评估投资产品组合;
S402、根据预设的聚类算法,使用筛选出的特征参数集对不同的待评估投资产品组合进行聚类,得到多个聚类簇:其中,每个聚类簇中包含至少一个待评估投资产品组合;
S403、根据聚类后每个聚类簇的统计特征,从多个聚类簇中选择一个对应的统计特征最优的聚类簇;
S404、基于选择的聚类簇中的各个待评估投资产品的历史收益数据和在筛选出的特征参数集下的特征值,训练得到收益预测模型。
这里,本申请实施例首先将待评估投资产品划分为不同的待评估投资产品组合,然后根据使用筛选出的特征参数集对不同的待评估投资产品组合进行聚类,得到多个聚类簇,然后基于聚类后的每个聚类簇的统计特征,从多个聚类簇中选择一个对应的统计特征最优的聚类簇,最后将筛选出的特征参数集下的特征值作为收益预测模型的输入特征,将任一个待评估投资产品的历史收益数据作为收益预测模型的输入结果,训练得到对应于该任一个待评估投资产品的收益预测模型。
其中,本申请实施例可以采用神经网络模型作为收益预测模型,模型训练阶段也就是训练神经网络模型中一些未知的参数信息的过程。之后,就可以基于该收益预测模型为用户提供收益预测服务此时只需要将用户提供的特征参数集的特征值输入到训练好的收益预测模型中即可。
本申请实施例在将待评估投资产品划分为不同的待评估投资产品组合之前,还根据用户自定义参数,对待评估投资产品进行过滤。
具体的,本申请实施例中的用户自定义参数,可以是最短交易天数、相对大盘胜率、历史平均绝对收益、历史最大回撤、历史夏普比率、组合所包含上市公司平均年净利润增幅等参数中的一种或多种。通过输入一个或多个参数过滤条件,即可对待评估投资产品进行初步过滤,得到符合条件的精简待评估投资产品。例如,可以设定过去250个交易日中,以每7个交易日为滑窗,每7个交易日的收益率均高于沪深300等相关过滤参数筛选出相应的待评估投资产品,进一步提高后续模型训练的效率。
同理,本申请实施例还可以在对待评估投资产品进行不同的待评估投资产品组合的划分后,对各个待评估投资产品组合进行上述过滤操作,以进一步提高后续模型训练的效率。
本申请实施例提供的投资数据管理方法,其首先获取待评估投资产品的特征参数;然后基于待评估投资产品的历史收益数据和特征参数的特征值,训练得到收益预测模型;再者基于训练得到的收益预测模型,预测待评估投资产品在未来预设时间段内的预期收益;最后将预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于待评估投资产品的用户投资建议;将用户投资建议反馈至用户终端,其基于待评估投资产品的历史收益数据和特征参数的特征值训练得到的收益预测模型进行该待评估投资产品在未来预设时间段内的预期收益的预测,预测的效率和准确度均较高,以在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
基于同一申请构思,本申请实施例中还提供了与投资数据管理方法对应的投资数据管理装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述投资数据管理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图5所示,本申请实施例所提供的投资数据管理装置,包括:
特征参数获取模块11,用于获取待评估投资产品的特征参数;
预测模型训练模块22,用于基于待评估投资产品的历史收益数据和特征参数的特征值,训练得到收益预测模型;
预期收益预测模块33,用于基于训练得到的收益预测模型,预测待评估投资产品在未来预设时间段内的预期收益;
投资建议获取模块44,用于将预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于待评估投资产品的用户投资建议;
投资建议反馈模块55,用于将用户投资建议反馈至用户终端。
如图5所示,上述投资数据管理装置还包括:
投资建议模型训练模块66,用于获取投资产品样本,以及用户投资建议;基于训练得到的收益预测模型,预测投资产品样本在未来预设时间段内的预期收益;确定预期收益与实际收益之间的偏差信息;将确定的偏离信息作为投资建议模型的输入特征,将获取的用户投资建议作为投资建议模型的输出结果,训练得到投资建议模型。
如图5所示,上述投资数据管理装置还包括:
特征参数集筛选模块77,用于根据预设的聚类算法,从预设个数的特征参数中筛选出用于分析待评估投资产品的特征参数集;
预测模型训练模块22,具体用于基于待评估投资产品的历史收益数据和在筛选出的特征参数集下的特征值,训练得到收益预测模型。
参见图6,上述特征参数集筛选模块77包括:
特征参数组合确定单元771,用于基于预设个数的特征参数,确定不同的特征参数组合;
聚类结果确定单元772,用于根据预设的聚类算法,分别使用不同的特征参数组合对待评估投资产品进行聚类,确定不同的特征参数组合分别对应的聚类结果;
特征参数集选择单元773,用于根据聚类结果,从不同的特征参数组合中选择一种特征参数组合作为特征参数集。
参见图7,上述预测模型训练模块22包括:
投资产品组合划分单元221,用于将待评估投资产品划分为不同的待评估投资产品组合;
投资产品组合聚类单元222,用于根据预设的聚类算法,使用筛选出的特征参数集对不同的待评估投资产品组合进行聚类,得到多个聚类簇:其中,每个聚类簇中包含至少一个待评估投资产品组合;
聚类簇选择单元223,用于根据聚类后每个聚类簇的统计特征,从多个聚类簇中选择一个对应的统计特征最优的聚类簇;
预测模型训练单元224,用于基于选择的聚类簇中的各个待评估投资产品的历史收益数据和在筛选出的特征参数集下的特征值,训练得到收益预测模型。
对应于图1至图4中的投资数据管理方法,本申请实施例还提供了一种计算机设备,如图8所示,该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序,其中,上述处理器2000执行上述计算机程序时实现上述投资数据管理方法的步骤。
具体地,上述存储器1000和处理器2000能够为通用的存储器和处理器,这里不做具体限定,当处理器2000运行存储器1000存储的计算机程序时,能够执行上述投资数据管理方法,从而解决目前依靠基金经理以及分析师对于行业的分析以及预测所带来的人力成本高,且无法保证投资最大化的问题,进而达到在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
对应于图1至图4中的投资数据管理方法,本申请实施例还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运行时执行上述投资数据管理方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述投资数据管理方法,从而解决目前依靠基金经理以及分析师对于行业的分析以及预测所带来的人力成本高,且无法保证投资最大化的问题,进而达到在降低人力成本的同时,进一步保证投资的最大化,实用性更佳,且能够为用户及时的提供投资建议,使用体验度较佳。
本申请实施例所提供的投资数据管理方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种投资数据管理方法,其特征在于,所述方法包括:
获取待评估投资产品的特征参数;
基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型;
基于训练得到的所述收益预测模型,预测所述待评估投资产品在未来预设时间段内的预期收益;
将所述预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于所述待评估投资产品的用户投资建议;
将所述用户投资建议反馈至用户终端。
2.如权利要求1所述的方法,其特征在于,按照如下步骤训练所述投资建议模型:
获取投资产品样本,以及用户投资建议;
基于训练得到的所述收益预测模型,预测所述投资产品样本在未来预设时间段内的预期收益;
确定所述预期收益与实际收益之间的偏差信息;
将确定的所述偏离信息作为所述投资建议模型的输入特征,将获取的所述用户投资建议作为所述投资建议模型的输出结果,训练得到所述投资建议模型。
3.如权利要求1所述的方法,其特征在于,在所述获取待评估投资产品的特征参数之后,所述训练得到收益预测模型之前,所述方法还包括:
根据预设的聚类算法,从预设个数的特征参数中筛选出用于分析所述待评估投资产品的特征参数集;
所述基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型,包括:
基于所述待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
4.如权利要求3所述的方法,其特征在于,所述根据预设的聚类算法,从所述预设个数的特征参数中筛选出用于分析所述待评估投资产品的特征参数集,包括:
基于所述预设个数的特征参数,确定不同的特征参数组合;
根据预设的聚类算法,分别使用不同的特征参数组合对所述待评估投资产品进行聚类,确定所述不同的特征参数组合分别对应的聚类结果;
根据所述聚类结果,从所述不同的特征参数组合中选择一种特征参数组合作为所述特征参数集。
5.如权利要求3所述的方法,其特征在于,所述基于所述待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型,包括:
将所述待评估投资产品划分为不同的待评估投资产品组合;
根据预设的聚类算法,使用筛选出的所述特征参数集对所述不同的待评估投资产品组合进行聚类,得到多个聚类簇:其中,每个聚类簇中包含至少一个待评估投资产品组合;
根据聚类后每个聚类簇的统计特征,从所述多个聚类簇中选择一个对应的所述统计特征最优的聚类簇;
基于选择的所述聚类簇中的各个待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
6.一种投资数据管理装置,其特征在于,所述装置包括:
特征参数获取模块,用于获取待评估投资产品的特征参数;
预测模型训练模块,用于基于所述待评估投资产品的历史收益数据和所述特征参数的特征值,训练得到收益预测模型;
预期收益预测模块,用于基于训练得到的所述收益预测模型,预测所述待评估投资产品在未来预设时间段内的预期收益;
投资建议获取模块,用于将所述预期收益与实际收益之间的偏离信息输入至预先训练好的投资建议模型,得到对应于所述待评估投资产品的用户投资建议;
投资建议反馈模块,用于将所述用户投资建议反馈至用户终端。
7.如权利要求6所述的装置,其特征在于,所述装置还包括:
投资建议模型训练模块,用于获取投资产品样本,以及用户投资建议;基于训练得到的所述收益预测模型,预测所述投资产品样本在未来预设时间段内的预期收益;确定所述预期收益与实际收益之间的偏差信息;将确定的所述偏离信息作为所述投资建议模型的输入特征,将获取的所述用户投资建议作为所述投资建议模型的输出结果,训练得到所述投资建议模型。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
特征参数集筛选模块,用于根据预设的聚类算法,从预设个数的特征参数中筛选出用于分析所述待评估投资产品的特征参数集;
所述预测模型训练模块,具体用于基于所述待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
9.如权利要求8所述的装置,其特征在于,所述特征参数集筛选模块包括:
特征参数组合确定单元,用于基于所述预设个数的特征参数,确定不同的特征参数组合;
聚类结果确定单元,用于根据预设的聚类算法,分别使用不同的特征参数组合对所述待评估投资产品进行聚类,确定所述不同的特征参数组合分别对应的聚类结果;
特征参数集选择单元,用于根据所述聚类结果,从所述不同的特征参数组合中选择一种特征参数组合作为所述特征参数集。
10.如权利要求8所述的装置,其特征在于,所述预测模型训练模块包括:
投资产品组合划分单元,用于将所述待评估投资产品划分为不同的待评估投资产品组合;
投资产品组合聚类单元,用于根据预设的聚类算法,使用筛选出的所述特征参数集对所述不同的待评估投资产品组合进行聚类,得到多个聚类簇:其中,每个聚类簇中包含至少一个待评估投资产品组合;
聚类簇选择单元,用于根据聚类后每个聚类簇的统计特征,从所述多个聚类簇中选择一个对应的所述统计特征最优的聚类簇;
预测模型训练单元,用于基于选择的所述聚类簇中的各个待评估投资产品的历史收益数据和在筛选出的所述特征参数集下的特征值,训练得到收益预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231934.4A CN108446984A (zh) | 2018-03-20 | 2018-03-20 | 一种投资数据管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231934.4A CN108446984A (zh) | 2018-03-20 | 2018-03-20 | 一种投资数据管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108446984A true CN108446984A (zh) | 2018-08-24 |
Family
ID=63195560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810231934.4A Pending CN108446984A (zh) | 2018-03-20 | 2018-03-20 | 一种投资数据管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446984A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359865A (zh) * | 2018-10-17 | 2019-02-19 | 深圳壹账通智能科技有限公司 | 产品评估方法、装置、计算机设备和存储介质 |
CN109598542A (zh) * | 2018-11-20 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种营销权益的投放方法、装置及电子设备 |
CN110472889A (zh) * | 2019-08-22 | 2019-11-19 | 泰康保险集团股份有限公司 | 资源配置方法、资源配置装置、存储介质与电子设备 |
CN112270436A (zh) * | 2020-10-26 | 2021-01-26 | 北京明略昭辉科技有限公司 | 一种资源投放效果评估方法、装置及系统 |
CN112330022A (zh) * | 2020-11-05 | 2021-02-05 | 国网雄安金融科技集团有限公司 | 一种基于电力大数据资产配置权重确定方法及其相关设备 |
WO2021103572A1 (zh) * | 2019-11-25 | 2021-06-03 | 华泰证券股份有限公司 | 资产投资建议信息的生成方法、装置和可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912690A (zh) * | 2016-04-20 | 2016-08-31 | 上海垒土资产管理有限公司 | 基于分组朴素贝叶斯模型的多因子在线预测方法及系统 |
CN106022522A (zh) * | 2016-05-20 | 2016-10-12 | 南京大学 | 一种基于互联网公开的大数据预测股票的方法及系统 |
CN106897797A (zh) * | 2017-02-23 | 2017-06-27 | 南京大学 | 一种基于社会网络聚类的股票指数跟踪预测方法及系统 |
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 |
CN107798608A (zh) * | 2017-10-19 | 2018-03-13 | 深圳市耐飞科技有限公司 | 一种投资产品组合推荐方法及系统 |
CN107798609A (zh) * | 2017-11-08 | 2018-03-13 | 上海宽全智能科技有限公司 | 量化交易策略生成方法与装置、设备及存储介质 |
-
2018
- 2018-03-20 CN CN201810231934.4A patent/CN108446984A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912690A (zh) * | 2016-04-20 | 2016-08-31 | 上海垒土资产管理有限公司 | 基于分组朴素贝叶斯模型的多因子在线预测方法及系统 |
CN106022522A (zh) * | 2016-05-20 | 2016-10-12 | 南京大学 | 一种基于互联网公开的大数据预测股票的方法及系统 |
CN106897797A (zh) * | 2017-02-23 | 2017-06-27 | 南京大学 | 一种基于社会网络聚类的股票指数跟踪预测方法及系统 |
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 |
CN107798608A (zh) * | 2017-10-19 | 2018-03-13 | 深圳市耐飞科技有限公司 | 一种投资产品组合推荐方法及系统 |
CN107798609A (zh) * | 2017-11-08 | 2018-03-13 | 上海宽全智能科技有限公司 | 量化交易策略生成方法与装置、设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359865A (zh) * | 2018-10-17 | 2019-02-19 | 深圳壹账通智能科技有限公司 | 产品评估方法、装置、计算机设备和存储介质 |
CN109598542A (zh) * | 2018-11-20 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种营销权益的投放方法、装置及电子设备 |
CN109598542B (zh) * | 2018-11-20 | 2023-10-27 | 创新先进技术有限公司 | 一种营销权益的投放方法、装置及电子设备 |
CN110472889A (zh) * | 2019-08-22 | 2019-11-19 | 泰康保险集团股份有限公司 | 资源配置方法、资源配置装置、存储介质与电子设备 |
WO2021103572A1 (zh) * | 2019-11-25 | 2021-06-03 | 华泰证券股份有限公司 | 资产投资建议信息的生成方法、装置和可读存储介质 |
CN112270436A (zh) * | 2020-10-26 | 2021-01-26 | 北京明略昭辉科技有限公司 | 一种资源投放效果评估方法、装置及系统 |
CN112330022A (zh) * | 2020-11-05 | 2021-02-05 | 国网雄安金融科技集团有限公司 | 一种基于电力大数据资产配置权重确定方法及其相关设备 |
CN112330022B (zh) * | 2020-11-05 | 2023-10-10 | 国网雄安金融科技集团有限公司 | 一种基于电力大数据资产配置权重确定方法及其相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446984A (zh) | 一种投资数据管理方法及装置 | |
CN108364107A (zh) | 一种投资数据处理方法及装置 | |
Chang et al. | Using investment satisfaction capability index based particle swarm optimization to construct a stock portfolio | |
Sehgal et al. | Artificial intelligence methods for oil price forecasting: a review and evaluation | |
CN101714273A (zh) | 一种基于规则引擎的银行异常业务监控方法和系统 | |
Gabralla et al. | Computational modeling of crude oil price forecasting: A review of two decades of research | |
Gupta et al. | Clustering-Classification based prediction of stock market future prediction | |
Zhang et al. | Short term electricity spot price forecasting using catboost and bidirectional long short term memory neural network | |
Zhu et al. | A novel decomposition-ensemble approach to crude oil price forecasting with evolution clustering and combined model | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Sharma et al. | Incorporating causality in energy consumption forecasting using deep neural networks | |
Yuan et al. | A dynamic clustering ensemble learning approach for crude oil price forecasting | |
Chatterjee et al. | Stock volatility prediction using time series and deep learning approach | |
CN108304975A (zh) | 一种数据预测系统及方法 | |
Kumar et al. | Credit score prediction system using deep learning and k-means algorithms | |
Metawa et al. | Artificial Intelligence and Big Data for Financial Risk Management | |
Xu et al. | Deep learning with multiple scale attention and direction regularization for asset price prediction | |
Ayankoya et al. | Using neural networks for predicting futures contract prices of white maize in South Africa | |
Jiang et al. | Research on big data in business model innovation based on GA-BP model | |
Mehrmolaei et al. | A brief survey on event prediction methods in time series | |
Rahman et al. | To predict customer churn by using different algorithms | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
CN108389134A (zh) | 证券投资组合的监控系统及方法 | |
Dash et al. | Customer attrition analytics in banking | |
Kozarzewski | A neural network based time series forecasting system |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |
|
RJ01 | Rejection of invention patent application after publication |