CN108763253B - 一种投资组合的大数据可视化系统与方法 - Google Patents
一种投资组合的大数据可视化系统与方法 Download PDFInfo
- Publication number
- CN108763253B CN108763253B CN201810284843.7A CN201810284843A CN108763253B CN 108763253 B CN108763253 B CN 108763253B CN 201810284843 A CN201810284843 A CN 201810284843A CN 108763253 B CN108763253 B CN 108763253B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- investment
- user
- investment portfolio
- 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.)
- Active
Links
- 238000013079 data visualisation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 36
- 238000012800 visualization Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 20
- 238000007418 data mining Methods 0.000 claims description 18
- 230000002265 prevention Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000011835 investigation Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 201000004569 Blindness Diseases 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种投资组合的大数据可视化系统与方法，包括数据采集模块、分布式数据库、数据分析模块、大数据集中存储池、大数据可视化驱动和推送模块；往期数据通过数据采集模块收集并存入相应的分布式数据库，由数据分析模块从各地分布式数据库中提取数据，并进行大数据分析，将结果分别传送至大数据集中存储池存储，通过大数据可视化驱动生成直观的图形界面，再通过推送模块将结果交付给用户。其提供的数据信息完整，有助于提高投资组合的效益，能够对投资组合绩效进行量化评估；另外，可视化效果好，能够处理复杂的、超多品种、新兴品种等投资组合，并能够根据客户的投资风格为其量身定制投资组合方案。
Description
技术领域
本发明涉及投资组合评估技术领域，具体为一种投资组合的大数据可视化系统及其方法。
背景技术
投资组合的目的是按照投资者的需要，选择各种各样的证券和其他资产组合成投资组合，然后管理这些组合，以实现投资的目标。投资者的需求往往是根据风险、收益、回报率等来定义的，而投资组合管理者的任务是在承担一定风险的条件下，实现不同投资回报的最大化。在计算机和物联网技术飞速发展的条件下，信息化智能化的投资组合系统逐渐问世，大大提高了人么在进行投资时的便捷性和准确性。各类投资组合软件能够对文本、图形、图像、音频、视频等个种格式的信息进行存储，便捷的到联网到投资组合数据库进行查找操作。进一步地，用户可以方便查询、新增或修改相关信息，用户还可以利用投资组合系统完成投资报告的输出与打印，以便分析查看， 明确投资的方向。
目前的投资组合管理系统缺点也很明显，具体入如下：
首先，现有的技术信息不全面，往往导致投资组合达不到最大效益。因为投资组合所面临的未来不确定因素太多，风险也很大，而且风险在一般情况下和效益成正比。实际上，投资者需要同时考虑潜在回报率和风险这两个方面的因素。在一次投资组合中需要考虑的因素需涵盖各方各面，特别是不同的投资者（包括竞争对手和合作伙伴）之间的利益竞争行为，所以经常会出现由于考虑不周，或者收集信息不够完善、考虑不够全面导致投资组合没有达到最大效益，甚至出现亏损。
其次，现有的技术难以对投资组合绩效进行量化评估。现有的技术多偏向某一阶段的比较单一的品种进行收益评估，在复杂投资组合的绩效评估上不足，往往容易摊低收益，或者只考虑短期收益而忽略长期风险、没有考虑到经济增长风险、货币风险。投资组合的收益率是组成投资组合的各种投资项目的期望收益率的加权平均数。例如，投资组合组合了 10 个品种，每个品种 5%的资金，其中有的品种是亏损的，有的品种是收益的，导致组合投资拉低了收益的品种的收益，也就是摊低收益。还有些组合投资管理系统只考虑到短期收益而忽视长远利益，没有考虑到长期风险，将来政治、经济、政策、法律、货币资金等的发展情况，导致短期收益很大但是长期会收益可能会急剧降低，致使组合投资收益达不到最大甚至负值的情况。
再次，现有技术难以较全面地分析多个投资品种或新的投资品种，全局性和前瞻性差。例如对于个人来说，一个人要关注全部投资品种并作出相应的投资决策是非常辛苦的事情，即使有计算机软件的辅助也是如此。如果根据政治、经济、政策、法律、货币资金等的发展情况划分不同的投资周期片段，每个周期片段完成多种不同的投资组合，甚至十几个品种，现有技术显然难以企及。特别是一些新兴的、未涉足的投资项目和金融产品，由于能够获取的相关信息少之又少，对其做出投资组合决策，就显得难上加难。
组合投资需要考虑到投资额度、风险偏好、操作期限、可投资资产、投资的最小化风险和最大化利润。随着计算机和互联网技术的飞速发展，以及大数据技术的出现，为大数据用于投资组合系统与方法提供了条件，但是， 目前市场上没有基于大数据的投资组合系统及其方法。
发明内容
本发明的目的在于提供一种投资组合的大数据可视化系统及其方法，通过数据采集、数据分析、及大数据可视化分析，为投资组合提供可视的评估报告和最优的方案，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种投资组合的大数据可视化系统，包括六大模块：数据采集模块、分布式数据库、数据分析模块、大数据集中池、大数据可视化驱动和推送模块；所述数据采集模块包括：风险防控、效益分析、产品分析、精准营销、征信评分和用户画像；所述数据分析模块包括：数据共享、数据清洗、数据挖掘和数据搜索；
优选的，所述数据采集模块安装于证券行、银行、企业内部管理部门， 与相应的数据库相联，并通过数据采集模块进行数据收集并存入相应的数据库，然后将数据存入分布式数据库。
优选的，所述风险防控用于收集各个投资项目的风险指数。
优选的，所述效益分析用于收集以往的盈亏数据以及预计未来的盈亏指数。
优选的，所述产品分析用于收集产品性能参数。
优选的，所述精准营销用于收集各类用户具体需求数据。
优选的，所述征信评分用于收集用户以及各投资企业的往期信用数据，并划分等级。
优选的，所述用户画像用于收集核心用户偏爱喜好，并对核心用户分类。
优选的，所述分布式数据库模块用于对采集到的文本、图片、图形种类繁多的数据处理成统一的数据格式，且数据库安装和分布于不同的地区或组织机构，用于保存采集的相关数据。
优选的，所述数据分析模块根据所收集到的相关数据，先进行综合分析，再计算。
优选的，所述数据共享用于允许各个部门同时使用所收集到的数据，同时分析使用。
优选的，所述数据清洗用于查找和纠正数据中可识别的错误。
优选的，所述数据挖掘用于从大量的数据中通过算法搜索隐藏于其中信息，并通过统计、在线分析处理、情报检索得出投资组合最合理的方案。
优选的，所述数据搜索用于快速的检索有用的数据信息。
优选的，所述大数据集中池安装于投资组合大数据管理部门，用于存储所有经数据分析模块处分析后得到的数据。
优选的，所述大数据可视化驱动根据数据库的信息，利用计算机图形学和图像处理技术，将数据转换成图形或图像并进行交互处理。
优选的，所述推送模块将数据分析模块分析结果进行分类总结，并提供分析结果和推荐的策略供相关用户参考。
本发明提供另一种技术方案：一种投资组合的大数据可视化系统的方法，包括以下步骤：
1：把与投资相关的数据库整合为一个投资组合大数据系统，以数据分析模块为工具，提供数据共享、数据清洗、数据挖掘和数据搜索，得出最佳投资组合的方案；
2：将往期的盈亏、风险指数、信用指数相关数据通过数据采集模块进行收集并存入相应的数据库；
3：再将数据存入分布式数据库，由数据分析模块从各地分布式数据库之中提取数据并使用数据共享、数据清洗、数据挖掘和数据搜索进行大数据分析，并生成准确的投资分析结果和有效的投资组合方案；
4：将结果和方案分别传送至大数据集中存储池存储、传送至大数据可视化驱动生成直观的图形界面、传送至推送模块将结果交付给用户。
与现有技术相比，本发明的有益效果是：
1、本投资组合的大数据可视化系统及其方法，包括风险防控、效益分析、产品分析、精准营销、征信评分和用户画像功能，系统能够自动对搜集的相关数据分别存放相应的数据库，并转换成统一的格式，系统会根据用户需求对数据库中的投资组合数据进行风险防控分析、收益分析、产品分析，根据往期的营销数据进行精准营销和征信评分，做到精准投资，会得出各种可行性方案，并为用户提供画像；经过数据分析模块，包括数据清洗、数据挖掘和数据搜索，最后把数据分析结果分类汇总，统一存放到大数据存储池备份便于查找，同时将投资组合方案可视化为用户可理解的文字及图表，并推送给用户；为用户做出全面综合的投资组合分析报告，同时可视化效果好，效率高。
2、本投资组合的大数据可视化系统及其方法，结合数据库中的大量数据进行风险防控预测，包括未来各种可发生的风险得出最优化方案，并且会把投资组合的方案可视化为用户可以理解的形式展现给用户，满足用户的投资组合需求，并减少了没有考虑长期风险而造成的的风险损失或收益损失；同时，可对所需信息进行筛选，进行收益分析、产品分析并通过可视化系统显示给用户，让非专业的用户也能看懂专业的收益分析和产品分析报告，大大减少了用户的阅读难度，也避免了用户获取信息时的不全面。
3、本投资组合的大数据可视化系统及其方法，能够根据所提供的产品，结合产品信息数据库中的信息，进行精准的营销分析，根据产品的特点确定投资组合的方式，并提供丰富的营销数据图表，避免营销的盲目性；由于经过分析综合而得出的方案，能够进行征信评分，并为用户画像，通过分析用户访问行为和信用记录、订单交易以及用户属性进行画像,为用户进行精准的信息推送，提供用户化定制的投资组合数据支持，实现投资组合的精细化运营，提升业务转化率，为用户制订出符合其投资风格的优化的投资组合方案。
附图说明
图 1 为本发明的整体框图。
图中：100 数据采集模块、101 风险防控、102 效益分析、103 产品分析、104 精准营销、105 征信评分、106 用户画像、200 分布式数据库、300 数据分析模块、301 数据共享、302 数据清洗、303 数据挖掘、304 数据搜索、400 大数据集中池、500 大数据可视化驱动、600 推送模块。
具体实施方式
如图 1 所示，一种投资组合的大数据可视化系统的方法，包括以下步骤：
第一步：把与投资相关的数据库整合为一个投资组合大数据系统，以数据分析模块 300 为工具，提供数据共享 301、数据清洗 302、数据挖掘 303 和数据搜索 304，得出最佳投资组合的方案；
第二步：将往期的盈亏、风险指数、信用指数相关数据通过数据采集模块 100 进行收集并存入相应的数据库；
第三步：再将数据存入分布式数据库 200，由数据分析模块 300 从各地分布式数据库 200 之中提取数据并使用数据共享 301、数据清洗 302、数据挖掘303 和数据搜索304 进行大数据分析，并生成准确的投资分析结果和有效的投资组合方案；
第四步：将结果和方案分别传送至大数据集中存储池 400 存储、传送至大数据可视化驱动 500 生成直观的图形界面、传送至推送模块 600 将结果交付给用户。
本投资组合的大数据可视化系统，包括几大模块：数据采集模块 100、分布式数据库 200、数据分析模块 300、大数据集中池 400、大数据可视化驱动500、推送模块 600；数据采集模块 100 包括风险防控 101、效益分析 102、产品分析 103、精准营销 104、征信评分 105、用户画像 106；数据分析模块包括数据共享 301、数据清洗 302、数据挖掘 303、数据搜索 304；其中，数据采集模块 100 安装于证券行、银行、企业，与相应的数据库相联，用于采集文字、图表、图片、视频。
实施例一：
选用惠普EliteDesk880G2 TWR（i7/4G/1T/核显）台式机，操作系统预装Windows7Home Basic 32bit，主板芯片组 Intel Q170，英特尔处理器酷睿i7 6700，CPU 频率3.4GHz，最高睿频 4000MHz，总线规格DMI 8 GT/s，三级缓存 8MB，显示器尺寸 21.5 英寸，显示器分辨率1920x1080，核心架构 Skylake，四核心/八线程核心/线程数，内存容量 4GB，内存类型 DDR4 2133MHz，硬盘容量 1TB，硬盘转速 7200 转，DVD 刻录机，核芯显卡芯片Intel GMA HD 530， 显存容量共享内存容量，无线网卡支持 802.11a/b/g/n 无线协议，有线网卡1000Mbps 以太网卡，蓝牙支持蓝牙 4.0，数据接口 2×USB2.0+8×USB3.0，耳机/麦克风两用音频接口，视频接口 VGA，网络接口 RJ45（网络接口），机箱类型立式；文本数据采用数字化扫描仪，配合光学字符识别软件 OCR（Optic Character Recognize）能将扫描的法律法规文书转换成计算机的文本形式；其使用手持或台式光学扫描仪，分辨率为 300PPI甚至更高，扫描幅面通常有A4、A4 加长、A3、A1、A0，使用 36 位和 42 位色彩位数；图片、图形和视频数据可以采用数码相机或摄像机，使用 CCD 或者 CMOS 成像元件转化为数字信号供计算机处理，常用的设备包括现手机摄像机、单反相机、卡片式相机；使用高精度的数码相机或摄像机为案件提供清晰的图像或视频，格式包括 AVI、JPG、MP4、MOV、ASF、GIF；音频数据的获取，包括录音笔、手机、电脑、麦克风，可将现场内部或外部声音 20～20000Hz的频率（如麦克风、线路输入、INTERNET 广播或视频中的声音）进行录制、保存为WAV、MP3、WMA。
分布式数据库模块 200 包括采集到的文本、图片、图形数据，都将处理成统一的数据格式，其中的分布式数据库安装和分布于不同的地区或组织机构为网络数据存储系统，包括大容量存储柜和数据库服务器；大容量存储柜。
实施例二：
选用单机磁盘数量为 24 个的磁盘阵列，硬盘转速 15000rpm，10000rpm，近线7200rpm；可通过 SAN 连接 8Gbps 光纤通道，1Gbps iSCSI 和可选的 10Gbps iSCSI/FCoE，NAS 连接 1Gbps 和 10Gbps 以太网；RAID 支持 RAID0、1、5、6和 10；内置硬盘接口SAS，支持每个控制机箱 40 个；每个群集系统 960 个管理软件：Storwize V7000 和Storwize V7000 Unified 软件长度 630mm；宽度483mm，高度 87.9mm，产品重量最高配置：29.6kg；数据库服务器通过 FDDI 光纤与中心服务器联接在一起，通过FDDI 光纤与服务器集群联接在一起，处理器类型POWER7，处理器主频 3.3/3.55/3.7GHz，处理器缓存每个内核256KB 二级缓存，4MB 三级缓存，内存类型 DDR3，最大内存容量 256GB，硬盘类型SAS，光驱DVD-RAM，4 个千兆或 2 个万兆以太网端口；I/O 端口包括 3×USB 端口，2×HMC 端口，2×系统端口，2×SPCN 端口；扩展槽数量 4×PCI Express x8，4×PCI Express（可选），4×PCIe 12X I/O 抽屉，8×PCI-X DDR 12X I/O抽屉，电源类型 200V-240VAC，单相；操作系统AIX IBM I Linux for POWER；可转化为 4U 机架式，支持最多16个POWER7 内核；RAS功能：带 Chipkill 的ECC 内存，处理器指令重试，备用处理器恢复，带故障监控功能的服务处理器，热插拔磁盘托架，热插拔冗余电源和散热风扇，动态器件释放；塔式：541× 183-328.5×688mm；重量：50.5kg，机架抽屉：173×440×610mm；重量：39.5kg，所有其他元件按CRU（用户更换元件）执行（因国家/地区而异），提供保修服务升级和维护；工作温度 5-35℃，工作湿度 8%-80%；可以使用两台同类型小型机互相冗余备份。
数据分析模块 300，根据所收集到的相关数据，先进行综合分析、计算，安装于服务器中，数据共享301用于允许各个部门同时使用所收集到的数据，便于同时分析使用；数据清洗302 用于查找和纠正数据中可识别的错误，包括检查数据一致性，处理无效值和缺失值；数据挖掘303用于从大量的数据中通过算法搜索隐藏于其中信息，并通过统计、在线分析处理、情报检索得出投资组合最合理的方案；数据搜索 304 用于快速的检索有用的数据信息。
实施例三：
数据分析模块 300，服务器采用 CPU 型号为 AMD Opteron 6172 的超微SBE-714E-7142G-T4 的双刀片式服务器，CPU 型号为 AMD Opteron 6172，CPU 类型AMD 皓龙6000，CPU 频率 2.1GHz，标配 CPU 数量 8 颗，最大 CPU 数量 56 颗；三级缓存为 12MB ，总线规格为 FSB 3200MHz ，CPU 核心十二核（Magny-Cours），主板芯片组AMD SR5650+SP5100，内存类型：ECC DDR3，内存容量：32GB，内存插槽数量 32，最大内存容量 3584GB；硬盘接口类型 SATA，标配硬盘容量 2TB，硬盘用4块500GB 2.5 英寸 SATA 硬盘，内部硬盘架数最大支持 8 块 2.5 英寸热插拔SATA 硬盘，支持热插拔；RAID 模式RAID 0，1，使用Intel 82576 千兆网卡；最多 8 个冷却风扇，最高支持 14 刀片系统，标配子系统型号SBA-7142G-T4，可标配 2 个；电源数量 4 个，电源功率 1620W；尺寸为 307×470×737mm，适用工作温度为 10℃-35℃，工作湿度 8%-90%，储存温度-40℃-70℃，储存湿度 5%-95%；数据分析可采用 Hadoop 软件，Hadoop 是一个能够对大量数据进行分布式处理的软件框架，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（highthroughput）来访问应用程序的数据，HDFS 放宽了（relax）POSIX 的要求，可以以流的形式访问（streaming access）文件系统中的数据，Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的，它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理；以并行的方式工作， 通过并行处理加快处理速度，Hadoop 还是可伸缩的，能够处理 PB 级数据；能够让用户轻松架构和使用的分布式计算平台，用户可以轻松地在 Hadoop 上开发和运行处理海量数据的应用程序；数据挖掘工具可采用 QUEST，QUEST 是IBM 公司 Almaden 研究中心开发的一个多任务数据挖掘系统，系统具有如下特点：提供了专门在大型数据库上进行各种开采的功能：关联规则发现、序列模式发现、时间序列聚类、决策树分类、递增式主动开采，各种开采算法具有近似线性（O(n)）计算复杂度，可适用于任意大小的数据库，算法具有找全性，即能将所有满足指定类型的模式全部寻找出来，为各种发现功能设计了相应的并行算法。
大数据集中池 400 安装于投资组合大数据管理部门，用于存储所有经数据分析模块 300 处分析后得到的数据，拥有高度的安全性能，一旦存入不可随意修改，只能由拥有最高权限的相关人员对数据进行操作，保证数据的长期正确和有效性；大数据可视化驱动 500，根据数据库的信息，利用计算机图形学和图像处理技术，将数据转换成图形或图像并进行交互处理。
实施例四：
计算机图形学和图像处理技术可采用Adobe Systems 开发和发行的图像处理软件Adobe Photoshop CS6 软件，简称“PS”；Photoshop 可以处理以像素所构成的数字图像，使用其众多的编修与绘图工具，可以有效地进行图片编辑工作，可以将数据以图像的形式存储以便直观的进行交互处理，可在Windows 下安装，有 1024x768 分辨率和 1280x800），16 位颜色和 256 MB（建议使用 512MB）的显存；支持OpenGL 2.0 系统，该软件使用前需要激活；大数据可视化驱动 500 服务器采用 CPU 型号为 AMD Opteron 6172 的超微SBE-714E-7142G-T4的双刀片式服务器，CPU型号为 AMD Opteron 6172，CPU 类型AMD 皓龙6000，CPU 频率 2.1GHz，标配 CPU 数量 8 颗，最大 CPU 数量 56 颗；三级缓存为 12MB ，总线规格为 FSB 3200MHz ，CPU 核心十二核（Magny-Cours），主板芯片组AMDSR5650+SP5100，内存类型：ECC DDR3，内存容量：32GB，内存插槽数量 32，最大内存容量 3584GB；硬盘接口类型 SATA，标配硬盘容量 2TB，硬盘用4块500GB 2.5 英寸 SATA 硬盘，内部硬盘架数最大支持 8 块 2.5 英寸热插拔SATA 硬盘，支持热插拔；RAID 模式RAID 0，1，使用Intel 82576 千兆网卡；最多 8 个冷却风扇，最高支持 14 刀片系统，标配子系统型号SBA-7142G-T4，可标配 2 个；电源数量 4 个，电源功率 1620W；尺寸为 307×470×737mm，适用工作温度为10℃-35℃，工作湿度 8%-90%，储存温度-40℃-70℃，储存湿度 5%-95%。
推送模块 600 将数据分析模块 300 分析结果进行分类总结，并提供分析结果和推荐的策略，以供相关用户参考；推送模块 600 服务器采用 CPU 型号为AMD Opteron6172 的超微 SBE-714E-7142G-T4 的双刀片式服务器，CPU 型号为AMD Opteron 6172，CPU类型AMD 皓龙 6000，CPU 频率 2.1GHz，标配 CPU 数量 8 颗，最大 CPU 数量 56 颗；三级缓存为12MB，总线规格为 FSB 3200MHz，CPU 核心十二核（Magny-Cours），主板芯片组 AMDSR5650+SP5100，内存类型：ECC DDR3，内存容量：32GB，内存插槽数量 32，最大内存容量3584GB；硬盘接口类型SATA，标配硬盘容量2TB，硬盘用4块500GB 2.5 英寸SATA 硬盘，内部硬盘架数最大支持 8 块 2.5 英寸热插拔SATA 硬盘，支持热插拔；RAID 模式RAID0，1，使用Intel 82576 千兆网卡；最多 8 个冷却风扇，最高支持 14刀片系统，标配子系统型号SBA-7142G-T4，可标配 2 个；电源数量 4 个，电源功率 1620W；尺寸为 307×470×737mm，适用工作温度为 10℃-35℃，工作湿度 8%-90%，储存温度-40℃-70℃，储存湿度 5%-95%。
综上：本投资组合的大数据可视化系统及其方法，包括风险防控101、效益分析102、产品分析103、精准营销104、征信评分105和用户画像106，系统能够自动对搜集的相关数据分别存放相应的数据库，并转换成统一的格式，系统会根据用户需求对数据库中的投资组合数据进行风险防控分析、收益分析、产品分析，根据往期的营销数据进行精准营销104和征信评分105，做到精准投资，会得出各种可行性方案，并为用户提供画像；经过数据分析模块300，包括数据清洗302、数据挖掘303和数据搜索304，最后把数据分析结果分类汇总，统一存放到大数据存储池备份便于查找，同时将投资组合方案可视化为用户可理解的文字及图表，并推送给用户；为用户做出全面综合的投资组合分析报告，同时可视化效果好，效率高；其次，本发明结合数据库中的大量数据进行风险防控预测，包括未来各种可发生的风险得出最优化方案，并且会把投资组合的方案可视化为用户可以理解的形式展现给用户，满足用户的投资组合需求，并减少了没有考虑长期风险而造成的的风险 损失或收益损失；同时，可对所需信息进行筛选，进行收益分析、产品分析 并通过可视化系统显示给用户，让非专业的用户也能看懂专业的收益分析和产品分析报告，大大减少了用户的阅读难度，也避免了用户获取信息时的不全面；另外，本发明能够根据所提供的产品，结合产品信息数据库中的信息，进行精准的营销分析，根据产品的特点确定投资组合的方式，并提供丰富的 营销数据图表，避免营销的盲目性；由于经过分析综合而得出的方案，能够 进行征信评分105，并为用户画像106，通过分析用户访问行为和信用记录、订单交易以及用户属性进行画像,为用户进行精准的信息推送，提供用户化定制的投资组合数据支持，实现投资组合的精细化运营，提升业务转化率，为用户制订出符合其投资风格的优化的投资组合方案。
Claims (8)
1.一种投资组合的大数据可视化系统，其特征在于，包括六大模块：数据采集模块（100）、分布式数据库（200）、数据分析模块（300）、大数据集中池（400）、大数据可视化驱动（500）和推送模块（600）；数据分析模块（300）包括：数据共享（301）、数据清洗（302）、数据挖掘（303）和数据搜索（304）；
该系统在使用时，包括以下步骤：
1）：把与投资相关的分布式数据库（200）整合为一个投资组合大数据系统，以数据分析模块（300）为工具，提供数据共享（301）、数据清洗（302）、数据挖掘（303）和数据搜索（304）；
把数据分析结果分类汇总，统一存放到大数据集中池（400）备份便于查找，同时大数据可视化驱动（500）将投资组合方案可视化为用户可理解的文字及图表，并由推送模块（600）推送给用户；
2）：将往期的盈亏、风险指数、信用指数相关数据通过数据采集模块（100）进行收集并存入相应的分布式数据库（200）；
所述数据采集模块（100）包括：风险防控（101）、收益分析（102）、产品分析（103）、精准营销（104）、征信评分（105）和用户画像（106）；系统自动对搜集的相关数据分别存放相应的分布式数据库（200），并转换成统一的格式；
所述风险防控（101）用于收集各个投资项目的风险指数；收益分析（102）用于收集以往的盈亏数据以及预计未来的盈亏指数；系统根据用户需求对分布式数据库（200）中的投资组合数据进行风险防控（101）分析、收益分析（102）、产品分析（103），根据往期的营销数据进行精准营销（104）和征信评分（105），做到精准投资，得出各种可行性方案，并为用户提供用户画像（106），得出最佳投资组合的方案；
3）：再将数据存入分布式数据库（200），由数据分析模块（300）从各地分布式数据库（200）之中提取数据并使用数据共享（301）、数据清洗（302）、数据挖掘（303）和数据搜索（304）进行大数据分析，并生成准确的投资分析结果和有效的投资组合方案；
结合分布式数据库（200）中的大量数据进行风险防控（101）预测，包括未来各种可发生的风险得出最优化方案；
数据挖掘（303）用于从大量的数据中通过算法搜索隐藏于其中信息，并通过统计、在线分析处理、情报检索得出投资组合最合理的方案；
经过分析综合而得出的方案，进行征信评分（105），并为用户画像（106），通过分析用户访问行为和信用记录、订单交易以及用户属性进行用户画像（106），为用户进行精准的信息推送，提供用户化定制的投资组合数据支持，实现投资组合的精细化运营，提升业务转化率，为用户制订出符合其投资风格的优化的投资组合方案；
4）：将结果和方案分别传送至大数据集中池（400）存储、传送至大数据可视化驱动（500）生成直观的图形界面、传送至推送模块（600）将结果交付给用户；
根据所提供的产品，结合产品信息分布式数据库（200）中的信息，进行精准的营销分析，根据产品的特点确定投资组合的方式，并提供丰富的营销数据图表，避免营销的盲目性；
同时，对所需信息进行筛选，进行收益分析（102）、产品分析（103）并通过可视化系统显示给用户，让非专业的用户也能看懂专业的收益分析（102）和产品分析（103）报告。
2.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述数据采集模块（100）安装于证券行、银行、企业内部管理部门，与相应的数据库相联，并通过数据采集模块（100）进行数据收集并存入相应的数据库，然后将数据存入分布式数据库（200）。
3.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述风险防控（101）用于收集各个投资项目的风险指数；效益分析（102）用于收集以往的盈亏数据以及预计未来的盈亏指数；产品分析（103）用于收集产品性能参数；精准营销（104）用于收集各类用户具体需求数据；征信评分（105）用于收集用户以及各投资企业的往期信用数据，并划分等级；用户画像（106）用于收集核心用户偏爱喜好，并对核心用户分类。
4.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述分布式数据库模块（200）用于对采集到的文本、图片、图形种类繁多的数据处理成统一的数据格式，且数据库安装和分布于不同的地区或组织机构，用于保存采集的相关数据。
5.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述数据分析模块（300）根据所收集到的相关数据，先进行综合分析，再计算；数据共享（301）用于允许各个部门同时使用所收集到的数据，同时分析使用；数据清洗（302）用于查找和纠正数据中可识别的错误；数据挖掘（303）用于从大量的数据中通过算法搜索隐藏于其中信息，并通过统计、在线分析处理、情报检索得出投资组合最合理的方案；数据搜索（304）用于快速的检索有用的数据信息。
6.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述大数据集中池（400）安装于投资组合大数据管理部门，用于存储所有经数据分析模块（300）处分析后得到的数据。
7.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述大数据可视化驱动（500）根据数据库的信息，利用计算机图形学和图像处理技术，将数据转换成图形或图像并进行交互处理。
8.根据权利要求1所述的一种投资组合的大数据可视化系统，其特征在于，所述推送模块（600）将数据分析模块（300）分析结果进行分类总结，并提供分析结果和推荐的策略供相关用户参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810284843.7A CN108763253B (zh) | 2018-04-02 | 2018-04-02 | 一种投资组合的大数据可视化系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810284843.7A CN108763253B (zh) | 2018-04-02 | 2018-04-02 | 一种投资组合的大数据可视化系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108763253A CN108763253A (zh) | 2018-11-06 |
| CN108763253B true CN108763253B (zh) | 2022-02-01 |
Family
ID=63980578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810284843.7A Active CN108763253B (zh) | 2018-04-02 | 2018-04-02 | 一种投资组合的大数据可视化系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108763253B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506630A (zh) * | 2020-04-23 | 2020-08-07 | 西安工业大学 | 一种用于经济学数据管理系统 |
| CN114742594A (zh) * | 2022-04-25 | 2022-07-12 | 北京中捷互联信息技术有限公司 | 一种金融推广投资数据处理测评装置及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809634A (zh) * | 2015-05-11 | 2015-07-29 | 中国旅游研究院 | 旅游数据调研与监测系统 |
| CN105184642A (zh) * | 2015-09-02 | 2015-12-23 | 浪潮软件集团有限公司 | 一种综合治税平台 |
| CN105608643A (zh) * | 2015-12-15 | 2016-05-25 | 广西金中软件有限公司 | 智慧旅游综合服务管理平台 |
| CN106447434A (zh) * | 2016-09-14 | 2017-02-22 | 全联征信有限公司 | 个人信用生态平台 |
| CN107229708A (zh) * | 2017-05-27 | 2017-10-03 | 科技谷（厦门）信息技术有限公司 | 一种个性化出行服务大数据应用系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7680719B1 (en) * | 2006-12-12 | 2010-03-16 | Goldman Sachs & Co. | Method, system and apparatus for wealth management |
-
2018
- 2018-04-02 CN CN201810284843.7A patent/CN108763253B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809634A (zh) * | 2015-05-11 | 2015-07-29 | 中国旅游研究院 | 旅游数据调研与监测系统 |
| CN105184642A (zh) * | 2015-09-02 | 2015-12-23 | 浪潮软件集团有限公司 | 一种综合治税平台 |
| CN105608643A (zh) * | 2015-12-15 | 2016-05-25 | 广西金中软件有限公司 | 智慧旅游综合服务管理平台 |
| CN106447434A (zh) * | 2016-09-14 | 2017-02-22 | 全联征信有限公司 | 个人信用生态平台 |
| CN107229708A (zh) * | 2017-05-27 | 2017-10-03 | 科技谷（厦门）信息技术有限公司 | 一种个性化出行服务大数据应用系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108763253A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210374610A1 (en) | Efficient duplicate detection for machine learning data sets | |
| US10715598B1 (en) | Implementation of a web-scale data fabric | |
| US20200050968A1 (en) | Interactive interfaces for machine learning model evaluations | |
| CA2953817C (en) | Feature processing tradeoff management | |
| US9595053B1 (en) | Product recommendation using sentiment and semantic analysis | |
| US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
| US10878515B2 (en) | System and method for intraday liquidity analytics | |
| US10510113B2 (en) | Providing financial transaction data to a user | |
| US7908239B2 (en) | System for storing event data using a sum calculator that sums the cubes and squares of events | |
| CN108717661B (zh) | 一种金融业风险预警的集群存储与分析方法 | |
| CN108763253B (zh) | 一种投资组合的大数据可视化系统与方法 | |
| KR20200026382A (ko) | 투자 가이드 방법 및 그를 위한 시스템 | |
| US20180357227A1 (en) | System and method for analyzing popularity of one or more user defined topics among the big data | |
| CN110991241B (zh) | 异常识别方法、设备及计算机可读介质 | |
| US11775531B2 (en) | Systems and methods for lossy data compression using key artifacts and dynamically generated cycles | |
| WO2018188352A1 (zh) | 资源平衡性的确定方法、装置、设备以及存储介质 | |
| CN107424091A (zh) | 一种基于数据仓库的立法评估系统 | |
| CN110737749B (zh) | 创业计划评价方法、装置、计算机设备及存储介质 | |
| KR102172532B1 (ko) | 공시 및 미디어를 활용한 가격 영향도 산출 방법 및 그를 위한 시스템 | |
| JP2010282561A (ja) | 情報処理装置、情報処理システム、情報処理方法および情報処理プログラム | |
| WO2023152965A1 (ja) | データ提供装置、データ提供方法及びプログラム | |
| US20240005235A1 (en) | Method and system for dynamically recommending commands for performing a product data management operation | |
| CN107516101B (zh) | 一种边界数据划分方法与设备 | |
| KR20160071678A (ko) | 사업 아이템 발굴 장치 및 방법 | |
| CN117591387A (zh) | 业务系统优化方法、装置、电子设备和可读存储介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221025 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Yami Technology (Guangzhou) Co.,Ltd. Address before: 443002 No. 8, University Road, Yichang, Hubei Patentee before: CHINA THREE GORGES University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221108 Address after: 201100 room 139, floor 1, building 6, No. 60, Zhonghui Road, Minhang District, Shanghai Patentee after: Shanghai Kafang Information Technology Co.,Ltd. Address before: Room 418, building 9, No. 509, Caobao Road, Xuhui District, Shanghai 200030 Patentee before: GUANYAN (SHANGHAI) PATENT TECHNOLOGY CO.,LTD. Effective date of registration: 20221108 Address after: Room 418, building 9, No. 509, Caobao Road, Xuhui District, Shanghai 200030 Patentee after: GUANYAN (SHANGHAI) PATENT TECHNOLOGY CO.,LTD. Address before: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Yami Technology (Guangzhou) Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Big Data Visualization System and Method for Investment Portfolios Effective date of registration: 20231219 Granted publication date: 20220201 Pledgee: Bank of Shanghai Limited by Share Ltd. Minhang branch Pledgor: Shanghai Kafang Information Technology Co.,Ltd. Registration number: Y2023980072254 |