一种资金的预测方法、装置及电子设备
技术领域
本说明书涉及金融技术领域,特别涉及一种资金的预测方法、装置及电子设备。
背景技术
随着社会经济的不断发展,资金的预测是很常见的问题之一。例如:关于基金公司的收益,经常会遇到这样的需求:已知截止到今天为止每天的资金量,需要预测未来若干天(如明天,后天)的资金量。现有技术主要使用变量分析的方法,来对未来某天的资金量进行预测,仅仅考虑了变量与最终结果之间的线性关系,预测准确率较低。亟需一种新的预测方法来对资金进行预测,以提高预测的准确率。
发明内容
本说明书实施例提供一种资金的预测方法、装置及电子设备,用于解决现有技术中资金预测准确率较低的技术问题,提高预测的准确率。
第一方面,本说明书实施例提供一种资金的预测方法,包括:
获取待预测的一天的目标资金特征,所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
可选的,所述神经网络的训练方法包括:
获取过去n天的历史资金数据,每天的所述历史资金数据包括当天的资金量和资金特征,n为大于1的整数,所述资金特征包括当天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
基于所述过去n天的历史资金数据进行神经网络训练得到训练好的神经网络。
可选的,所述时间属性特征包括如下至少一个特征:当天是否是周末、是否是假日、是假日的第几天、是否是月初以及是否是月末。
可选的,所述资金周期性特征包括如下至少一个特征:昨天的资金量、上周同期资金量、上月同期资金量、去年同期资金量。
可选的,所述资金增量特征包括如下至少一个特征:昨天较前天资金量的增量、上周同期资金量增量、上月同期资金量增量。
可选的,所述资金增加速率特征包括如下至少一个特征:昨天较前天的增量与前天较大前天增量的差值、昨天较上周同天的增量与上周同天较上上周同天增量的差值。
第二方面,本说明书实施例提供一种资金的预测装置,包括:
获取单元,用于获取待预测的一天的目标资金特征,所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
预测单元,用于将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
可选的,所述装置还包括:
训练单元,用于通过如下方法进行神经网络训练:
获取过去n天的历史资金数据,每天的所述历史资金数据包括当天的资金量和资金特征,n为大于1的整数,所述资金特征包括当天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
基于所述过去n天的历史资金数据进行神经网络训练得到训练好的神经网络。
可选的,所述时间属性特征包括如下至少一个特征:当天是否是周末、是否是假日、是假日的第几天、是否是月初以及是否是月末。
可选的,所述资金周期性特征包括如下至少一个特征:昨天的资金量、上周同期资金量、上月同期资金量、去年同期资金量。
可选的,所述资金增量特征包括如下至少一个特征:昨天较前天资金量的增量、上周同期资金量增量、上月同期资金量增量。
可选的,所述资金增加速率特征包括如下至少一个特征:昨天较前天的增量与前天较大前天增量的差值、昨天较上周同天的增量与上周同天较上上周同天增量的差值。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取待预测的一天的目标资金特征,所述目标资金特征包所述含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
第四方面,本说明书实施例提供一种电子设备,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取待预测的一天的目标资金特征,所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
本说明书实施例中的上述一个或多个技术方案,至少具有如下技术效果:
本说明书实施例提供一种资金的预测方法,通过获取待预测的一天的目标资金特征,该目标资金特征包所述含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。由于上述预测方法,基于预测一天的时间属性特征、资金周期性特征、资金增量特征、资金增加速率特征这四种具有交互影响的特征,并将目标资金特征输入到训练好的神经网络预测得到对应的目标资金量,由于神经网络充分考虑上述各特征之间的交叉关系,更准确的反映资金的变化过程,从而获得更准确的预测结果,解决现有技术中资金预测准确率较低的技术问题,提高了资金预测的准确率。
附图说明
为了更清楚地说明本说明书实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本说明书的一些实施例,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为本说明书实施例提供的一种资金的预测方法的流程图;
图2为本说明书实施例提供的一种资金特征之间的交叉关系的示意图;
图3为本说明书实施例提供一种资金的预测装置的示意图;
图4为本说明书实施例提供的一种电子设备的示意图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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例,都属于本说明书保护的范围。
在本说明书实施例提供一种资金的预测方法、装置及电子设备,用于解决现有技术中资金预测准确率低的技术问题,提高资金预测的准确率。
下面结合附图对本说明书实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。
资金的影响因素即资金特征众多,资金特征的选取是资金的预测的准确率的关键。同时,资金的预测方法也至关重要,相同的资金特征不同的预测方法预测的资金量准确率差异较大。本说明书将预测方法和资金特征相结合来优化资金量的预测。
本说明书实施例提供一种资金的预测方法,请参考图1,该预测方法包括:
S110:获取待预测的一天的目标资金特征,所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
S120:将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
具体实施过程中,神经网络的训练方法包括:
获取过去n天的历史资金数据时,可以先获取n天每天的资金量,然后根据过去n天的资金量获取每天的k个资金特征。n的取值越大预测结果越准确,但n的取值越大预测速率越低。具体的,n的可以根据电子设备的计算能力和预测准确率的要求取中间值,如n可以取90、180、365等。k的具体取值本说明书不做限制。为了提高预测的准确率,本说明书实施例提供的资金特征中可以包含如下至少一类特征,每类特征中的特征个数不限:
时间属性特征,包括下述至少一个特征:当天是否周末、是否假日、是假日的第几天、是否月初(末)、每月的第几天等。
资金周期性特征,包括下述至少一个特征:昨天的资金量、上周同期资金量、上月同期资金量、去年同期资金量、最近m天平均资金量等。
资金增量特征,包括下述至少一个特征:昨天较前天资金量的增量、上周同期资金量增量,上月同期资金量增量、最近m天资金量增量等。
资金增加速率特征,包括下述至少一个特征:昨天较前天的增量与前天较大前天增量的差值、昨天较上周同天的增量与上周同天较上上周同天增量的差值等。
其中,资金周期性特征、资金增量特征以及资金增加速率特征属于资金属性特征。获取每天的k个资金特征时,可以获取过去n天中每天的资金属性特征包括周期性特征、增量特征以及增加速率特征作为每天的k个资金特征,也可以获取过去n天中每天的资金属性特征和时间属性特征作为每天的k个资金特征。进而,将每天的资金量和每天的k个资金特征作为每天的历史资金数据。
在获得过去n天的历史资金数据之后,基于过去n天的历史资金数据进行神经网络训练得到训练好的神经网络。根据过去n天的历史资金数据进行神经网络训练,可以获取一天中每个资金特征之间的交叉关系及资金量与k个资金特征之间的非线性关系,能够更为准确的获得资金的变化过程。例如:若是节假日,同期的资金量会有增加或者减少,同期的资金增量也会增加或者减少等。
具体的,可以将过去n天的历史资金数据作为训练样本进行神经网络训练,过去n天中每天的资金特征和资金量为一个训练样本<X,Y>,X可以用向量表示,包含k个资金特征,第t个样本的资金特征可以表示为<xt1,xt2,…,xtk>,Y表示当天的资金量,第t个样本的资金量可以表示为yt。获得每天的资金量与k个资金特征之间的非线性函数Y=f(X),通过非线性函数Y=f(X)表征资金特征之间的交叉关系和资金量与资金特征之间的非线性关系。例如:请参考图2是一个3层的神经网络(更多层的神经网络结构类似),每个样本有3个特征(即k=3),通过神经网络学习到的非线性函数Y=hw,b(X),通过非线性函数Y=hw,b(X)来表征特征之间的交叉关系和特征与资金量之间非线性关系。
获得训练好的神经网络之后,进行资金预测时,执行S110获得待预测的一天的目标资金特征。具体的,获取待预测的一天的k个目标资金特征。k个目标资金特征可以根据过去的n天的资金量获得,包括待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征。例如:待预测的一天为第j个样本,获取其资金特征<xj1,xj2,…,xjk>。
接着执行S120将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。具体的,利用训练好的神经网络Y=f(X),将S110获得的k个目标资金特征<xj1,xj2,…,xjk>输入到Y=f(X)中对目标资金量Yj进行预测,获得Yj=f(xj1,xj2,…,xjk)。通过神经网络训练方法能够更准确的刻画特征之间的复杂的交叉及非线性关系,由此进行资金量的预测能够大大提高资金预测的准确率。
具体实施过程中,本说明书实施例在进行资金预测时,也可以单独获取时间属性特征或者资金属性特征来进行神经网络训练,获得表征特征交叉关系及特征与资金量之间的非线性关系的非线性函数即预测函数,由此进行资金预测。相对于根据时间属性特征或者资金属性特征进行资金预测,上述实施例根据时间属性特征和资金属性特征来进行资金预测,充分考虑了时间属性对各个资金特征的交叉影响,对资金的预测准确率大大提高。
基于上述实施例提供的一种资金的预测方法,本说明书实施例还对应提供一种预测装置,请参考图3,该装置包括:
获取单元31,用于获取待预测的一天的目标资金特征,所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;
预测单元32,用于将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
作为一种可选的实施方式,所述装置还可以包括:训练单元33,用于通过如下方法进行神经网络训练。具体的,获取过去n天的历史资金数据,每天的所述历史资金数据包括当天的资金量和资金特征,n为大于1的整数,所述资金特征包括当天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;基于所述过去n天的历史资金数据进行神经网络训练获得训练好的神经网络。
其中,所述时间属性特征包括如下至少一个特征:当天是否是周末、是否是假日、是假日的第几天、是否是月初以及是否是月末。所述资金周期性特征包括如下至少一个特征:昨天的资金量、上周同期资金量、上月同期资金量、去年同期资金量。所述资金增量特征包括如下至少一个特征:昨天较前天资金量的增量、上周同期资金量增量、上月同期资金量增量。所述资金增加速率特征包括如下至少一个特征:昨天较前天的增量与前天较大前天增量的差值、昨天较上周同天的增量与上周同天较上上周同天增量的差值。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关方法的实施例中进行了详细描述,此处不再详细阐述。
请参考图4,是根据一示例性实施例示出的一种用于实现数据查询方法的电子设备700的框图。例如,电子设备700可以是计算机,数据库控制台,平板设备,个人数字助理等。
参照图4,电子设备700可以包括以下一个或多个组件:处理组件702,存储器704,电源组件706,多媒体组件708,输入/输出(I/O)的接口710,以及通信组件712。
处理组件702通常控制电子设备700的整体操作,诸如与显示,数据通信,及记录操作相关联的操作。处理元件702可以包括一个或多个处理器720来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件702可以包括一个或多个模块,便于处理组件702和其他组件之间的交互。
存储器704被配置为存储各种类型的数据以支持在设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统,一个或多个电源,及其他与为电子设备700生成、管理和分配电力相关联的组件。
I/O接口710为处理组件702和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
通信组件712被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件712经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件712还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器704,上述指令可由电子设备700的处理器720执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得电子设备能够执行一种数据查询方法,所述方法包括:
获取待预测的一天的目标资金特征,所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征;将所述目标资金特征输入到训练好的神经网络,预测得到对应的目标资金量。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。