CN109472704A - 基于神经网络的基金产品的筛选方法、终端设备及介质 - Google Patents

基于神经网络的基金产品的筛选方法、终端设备及介质 Download PDF

Info

Publication number
CN109472704A
CN109472704A CN201811249404.9A CN201811249404A CN109472704A CN 109472704 A CN109472704 A CN 109472704A CN 201811249404 A CN201811249404 A CN 201811249404A CN 109472704 A CN109472704 A CN 109472704A
Authority
CN
China
Prior art keywords
fund product
factor
earning rate
candidate
impact factor
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
Application number
CN201811249404.9A
Other languages
English (en)
Inventor
黄逸湄
王志博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811249404.9A priority Critical patent/CN109472704A/zh
Publication of CN109472704A publication Critical patent/CN109472704A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明适用于人工智能技术领域，提供了一种基于神经网络的基金产品的筛选方法、终端设备及计算机可读存储介质，包括：确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。由于在计算候选基金产品的收益率时，不仅考虑到了大类因子对基金产品的收益率的影响，还考虑到了各个候选基金产品的投资标的配比情况对基金产品的收益率的影响，因而提高了基金产品筛选准确度。

Description

基于神经网络的基金产品的筛选方法、终端设备及介质
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于神经网络的基金产品的筛选方法、终端设备及计算机可读存储介质。
背景技术
通常，在客户购买基金产品时，销售人员需要为客户推荐一些收益较好的基金产品。随着科技的不断发展，现有技术中出现了各种各样的基金筛选平台，用于辅助销售人员来筛选收益较好的基金产品。
然而，现有的基金筛选平台在筛选基金产品时通常只基于基金产品的基本面、阿尔法、贝塔因子等这些大类因子对基金产品进行分析，其并未考虑基金产品的投资标的的实际状况，例如若一个基金产品的投资标的中存在停牌股票或风险因素大的股票等，则会导致该基金产品的收益降低，但现有的基金筛选平台却不会考虑这些影响因素，从而导致筛选出的基金产品并不一定是收益较好的，即现有的基金筛选平台存在筛选准确率较低的问题。
发明内容
有鉴于此，本发明实施例提供了一种基于神经网络的基金产品的筛选方法、终端设备及计算机可读存储介质，以解决现有的基金筛选平台存在的基金产品筛选准确率较低的问题。
本发明实施例的第一方面提供了一种基于神经网络的基金产品的筛选方法，包括：
确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下各步骤：
确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
本发明实施例的第三方面提供了一种终端设备，包括：
第一确定单元，用于确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
第二确定单元，用于将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基金筛选单元，用于基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下各步骤：
确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
实施本发明实施例提供的一种基于神经网络的基金产品的筛选方法、终端设备及计算机可读存储介质具有以下有益效果：
本发明实施例提供的一种基于神经网络的基金产品的筛选方法在筛选基金产品时，将各个候选基金产品的各个预设影响因子的值输入预先训练好的基金收益率确定模型，由于预设影响因子中不仅包括基金的系统风险、信息比例等大类因子，还包括用于表征基金产品的投资标的对应的发行公司所属的行业的权重的行业权重这一影响因子，即本发明实施例在计算候选基金产品的收益率时，不仅考虑到了大类因子对基金产品的收益率的影响，还考虑到了各个候选基金产品的投资标的配比情况对基金产品的收益率的影响，因而提高了基金产品筛选准确度。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种基于神经网络的基金产品的筛选方法的实现流程图；
图2是本发明实施例提供的一种基于神经网络的基金产品的筛选方法中S12的具体实现流程图；
图3是本发明实施例提供的一种基于神经网络的基金产品的筛选方法中S121的具体实现流程图；
图4是本发明实施例提供的一种基于神经网络的基金产品的筛选方法中S13的具体实现流程图；
图5是本发明实施例提供的一种终端设备的结构框图；
图6是本发明另一实施例提供的一种终端设备的结构框图。
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。
请参阅图1，图1是本发明实施例提供的一种基于神经网络的基金产品的筛选方法的实现流程图。本实施例中，基于神经网络的基金产品的筛选方法的执行主体为终端设备。终端设备可以是智能手机、平板电脑等设备，此处不做限制。
如图1所示的基于神经网络的基金产品的筛选方法包括以下步骤：
S11：确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例。
候选基金产品为金融机构推出的可供客户购买的基金产品，不同候选基金产品的投资标的的配比不同。投资标的可以是股票、债券及货币等。
预设影响因子用于描述对基金产品的收益率产生影响的因素，本发明实施例中，预设影响因子包括：行业权重、系统风险及信息比例。
行业权重用于表征基金产品的投资标的对应的发行公司所属的行业的权重。本发明实施例中，基金产品的行业权重可以基于基金产品的各个投资标的的占比确定。基金产品的某一投资标的的占比用于表征基金产品总额中用于投资该投资标的金额占基金产品总额的比例。作为本发明一实施例，可以将基金产品的各个投资标的中占比最高的投资标的的占比确定为基金产品的行业权重。
系统风险通过基金产品每个月的阿尔法收益的标准差描述。其中，基金产品每个月的阿尔法收益可以从金融管理机构每个月发布的财务报表中获得。
信息比例指基金产品的阿尔法收益与系统风险的比值。
S12：将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率。
基金收益率确定模型是基于预设数量的样本数据，通过机器学习算法对预先构建的神经网络模型进行训练得到的。样本数据中的每条数据均由一基金产品在预设历史时段内的预设影响因子的值及历史收益率构成。其中，预设历史时段可根据实际需求设置，此处不做限制，预设历史时段的时长通常为1个月；历史收益率用于表征基金产品在预设历史时段内的收益率，也就是说，当预设历史时段为某个月时，历史收益率则表示基金产品在该月的收益率。
神经网络模型包括依次连接的因子筛选层及收益率计算层。其中，因子筛选层用于从预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子。本发明实施例中，将影响因子之间的相关性小于第一相关性阈值的预设影响因子确定为对基金产品的收益率产生不同影响的影响因子，将影响因子之间的相关性大于或等于第一相关性阈值的影响因子确定为对基金产品的收益率产生相同影响的影响因子。若预设影响因子中存在多个对基金产品的收益率产生相同影响的影响因子，则因子筛选层从这些影响因子中仅保留一个影响因子，将其他影响因子均进行剔除，进而筛选得到对基金产品的收益率产生不同影响的有效影响因子。收益率计算层用于基于各个有效影响因子的值确定候选基金产品的收益率。
在对神经网络模型进行训练时，将每条样本数据中包含的基金产品在预设历史时段内的各个预设影响因子的值作为神经网络模型的输入，将每条样本数据中包含的基金产品的历史收益率作为神经网络模型的输出，对神经网络模型进行训练。具体的，终端设备在神经网络模型的因子筛选层计算每任意两个预设影响因子之间的相关性，基于每任意两个预设影响因子之间的相关性从所有预设影响因子中筛选出有效影响因子，并将各个有效影响因子的值作为收益率计算层的输入，在收益率计算层先从有效影响因子中筛选出与基金产品的历史收益率正相关的目标影响因子，再基于目标影响因子构建线性回归方程，并基于岭回归算法、各个目标影响因子的值及基金产品的历史收益率确定线性回归方程中各个目标影响因子的权重，进而完成对基金收益率确定模型的训练，即在神经网络模型的训练过程中，终端设备会在收益率计算层学习到各个目标影响因子相对于基金产品的收益率的权重。
终端设备将训练完成的神经网络模型确定为基金收益率确定模型，也就是说，基金收益率确定模型包括依次连接的因子筛选层及收益率计算层。
作为本发明一实施例，S12具体可通过如图2所示的S121～S123实现，详述如下：
S121：将所述候选基金产品的各个所述预设影响因子的值导入所述因子筛选层，在所述因子筛选层基于各个所述预设影响因子的值，从所有所述预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子。
本实施例中，终端设备将候选基金产品的各个预设影响因子的值导入基金收益率确定模型的因子筛选层，在因子筛选层基于各个预设影响因子的值，从所有预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子，如此，既可以降低基金收益率确定模型的复杂程度，又可以提高基金收益率计算的准确性。
作为本发明一实施例，S121具体可以通过如图3所示的S1211～S1212实现，详述如下：
S1211：在所述因子筛选层基于各个所述预设影响因子的值，计算每两个所述预设影响因子之间的相关性。
本发明实施例中，终端设备在因子筛选层可以通过线性回归算法计算每任意两个预设影响因子之间的相关性。若计算得到的某两个预设影响因子之间的相关性小于第一相关性阈值，则说明该两个预设影响因子之间的相关性较低，该两个预设影响因子可以对基金产品的收益率产生不同影响；若计算得到的某两个预设影响因子之间的相关性大于或等于第一相关性阈值，则说明该两个预设影响因子之间的相关性较高，该两个预设影响因子对基金产品的收益率产生的影响基本相同。
其中，第一相关性阈值可根据实际情况设置，此处不做限制。
S1212：将相关性小于第一相关性阈值的所有所述预设影响因子均保留，并从相关性大于或等于所述第一相关性阈值的所有所述预设影响因子中仅保留一个所述预设影响因子，将保留的所述预设影响因子确定为有效影响因子。
终端设备计算得到每两个预设影响因子之间的相关性后，将相关性小于第一相关性阈值的所有预设影响因子均保留，并从相关性大于或等于第一相关性阈值的所有预设影响因子中只保留一个预设影响因子，将其他预设影响因子均剔除，将最终保留下来的所有预设影响因子确定为能够对基金产品的收益率产生不同影响的有效影响因子。
终端设备筛选出有效影响因子后，将各个有效影响因子的值输入至基金收益率确定模型的收益率计算层。
S122：在所述收益率计算层基于各个所述有效影响因子的值，从所述有效影响因子中筛选与基金产品的收益率正相关的目标影响因子。
本发明实施例中，终端设备在基金收益率确定模型的收益率计算层基于各个有效影响因子的值，从所有有效影响因子中筛选与基金产品的收益率正相关的目标影响因子。
作为本发明一实施例，终端设备在收益率计算层可以基于T检验算法来检验各个有效影响因子是否与基金产品的收益率正相关，终端设备将与基金产品的收益率正相关的有效影响因子确定为目标影响因子。
S123：在所述收益率计算层基于各个所述目标影响因子的值及预先学习到的各个所述目标影响因子的权重，计算所述候选基金产品的收益率。
本实施例中，终端设备在基金收益率确定模型的收益率计算层筛选出目标影响因子后，基于各个目标影响因子的值及预先学习到的各个目标影响因子的权重，计算各个候选基金产品的收益率。其中，各个目标影响因子的权重是在对基金收益率确定模型的训练过程中学习得到的。
作为本发明一实施例，S123具体可以通过以下步骤实现：
在所述收益率计算层基于以下公式计算所述候选基金产品的收益率：
其中，Gain为候选基金产品的收益率，A为常数，n为目标影响因子的个数，Xi为第i个目标影响因子的值，Ai为第i个目标影响因子的权重，X为所有目标影响因子的值的均值。
S13：基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
本发明实施例中，终端设备确定出各个候选基金产品的收益率后，基于各个候选基金产品的收益率，从所有候选基金产品中筛选符合预设要求的目标基金产品，并将目标基金产品推荐给客户。其中，预设要求可根据实际需求设置，此处不做限制。例如，预设要求可以是：收益率大于或等于预设收益率阈值，或者预设要求还可以是：收益率排列在前N位，N为大于或等于1的整数。
作为本发明一实施例，S13具体可以包括以下步骤：
将所述候选基金产品中收益率大于或等于预设收益率阈值的候选基金产品确定为目标基金产品。
本实施例中，终端设备计算得到各个候选基金产品的收益率后，将各个候选基金产品的收益率与预设收益率阈值进行比较，若候选基金产品的收益率大于或等于预设收益率阈值，则说明该候选基金产品的收益率较高，因此，终端设备将收益率大于或等于预设收益率阈值的候选基金产品确定为目标基金产品。
其中，预设收益率阈值可根据实际需求设置，此处不做限制。
作为本发明另一实施例，S13还可以通过如图4所示的S131～S132实现，详述如下：
S131：基于所述候选基金产品的收益率，将各个所述候选基金产品按照收益率从高到低的顺序进行排序。
S132：将排列靠前的N个所述候选基金产品确定为目标基金产品。
本实施例中，终端设备计算得到各个候选基金产品的收益率后，基于各个候选基金产品的收益率，将各个候选基金产品按照收益率从高到低的顺序进行排序，排列在前的候选基金产品的收益率高于排列在后的候选基金产品的收益率。终端设备将排列靠前的N个候选基金产品确定为目标基金产品。
以上可以看出，本实施提供的一种基于神经网络的基金产品的筛选方法在筛选基金产品时，将各个候选基金产品的各个预设影响因子的值输入预先训练好的基金收益率确定模型，由于预设影响因子中不仅包括基金的系统风险、信息比例等大类因子，还包括用于表征基金产品的投资标的对应的发行公司所属的行业的权重的行业权重这一影响因子，即本发明实施例在计算候选基金产品的收益率时，不仅考虑到了大类因子对基金产品的收益率的影响，还考虑到了各个候选基金产品的投资标的配比情况对基金产品的收益率的影响，因而提高了基金产品筛选准确度。
请参阅图5，图5是本发明实施例提供的一种终端设备的结构框图。本实施例中的终端设备为终端设备。该终端设备包括的各单元用于执行图1至图4对应的实施例中的各步骤。具体请参阅图1至图4以及图1至图4所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，终端设备500包括：第一确定单元51、第二确定单元52及基金筛选单元53。其中：
第一确定单元51用于确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例。
第二确定单元52用于将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率。
基金筛选单元53用于基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
作为本发明一实施例，所述基金收益率确定模型包括依次连接的因子筛选层及收益率计算层；第二确定单元52包括第一因子筛选单元、第二因子筛选单元及第一计算单元。其中：
第一因子筛选单元用于将所述候选基金产品的各个所述预设影响因子的值导入所述因子筛选层，在所述因子筛选层基于各个所述预设影响因子的值，从所有所述预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子。
第二因子筛选单元用于在所述收益率计算层基于各个所述有效影响因子的值，从所述有效影响因子中筛选与基金产品的收益率正相关的目标影响因子。
第一计算单元用于在所述收益率计算层基于各个所述目标影响因子的值及预先学习到的各个所述目标影响因子的权重，计算所述候选基金产品的收益率。
作为本发明一实施例，第一因子筛选单元包括第二计算单元及第三确定单元。其中：
第二计算单元用于在所述因子筛选层基于各个所述预设影响因子的值，计算每两个所述预设影响因子之间的相关性。
第三确定单元用于将相关性小于第一相关性阈值的所有所述预设影响因子均保留，并从相关性大于或等于所述第一相关性阈值的所有所述预设影响因子中仅保留一个所述预设影响因子，将保留的所述预设影响因子确定为有效影响因子。
作为本发明一实施例，第一计算单元具体用于：
在所述收益率计算层基于以下公式计算所述候选基金产品的收益率：
其中，Gain为候选基金产品的收益率，A为常数，n为有效影响因子的个数，Xi为第i个有效影响因子的值，Ai为第i个有效影响因子的权重，X为所有有效影响因子的值的均值。
作为本发明一实施例，基金筛选单元53包括排序单元及第四确定单元。其中：
排序单元用于基于所述候选基金产品的收益率，将各个所述候选基金产品按照收益率从高到低的顺序进行排序。
第四确定单元用于将排列靠前的N个所述候选基金产品确定为目标基金产品。
以上可以看出，本实施例提供的一种终端设备在筛选基金产品时，将各个候选基金产品的各个预设影响因子的值输入预先训练好的基金收益率确定模型，由于预设影响因子中不仅包括基金的系统风险、信息比例等大类因子，还包括用于表征基金产品的投资标的对应的发行公司所属的行业的权重的行业权重这一影响因子，即本发明实施例在计算候选基金产品的收益率时，不仅考虑到了大类因子对基金产品的收益率的影响，还考虑到了各个候选基金产品的投资标的配比情况对基金产品的收益率的影响，因而提高了基金产品筛选准确度。
图6是本发明另一实施例提供的一种终端设备的结构框图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如基于神经网络的基金产品的筛选方法的程序。处理器60执行所述计算机程序62时实现上述各个基于神经网络的基金产品的筛选方法各实施例中的步骤，例如图1所示的S11至S13。或者，所述处理器60执行所述计算机程序62时实现上述图5对应的实施例中各单元的功能，例如，图5所示的单元51至53的功能，具体请参阅图5对应的实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成第一确定单元、第二确定单元及基金筛选单元，各单元具体功能如上所述。
所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的基金产品的筛选方法，其特征在于，包括：
确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
2.根据权利要求1所述的基于神经网络的基金产品的筛选方法，其特征在于，所述基金收益率确定模型包括依次连接的因子筛选层及收益率计算层；
所述将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率，包括：
将所述候选基金产品的各个所述预设影响因子的值导入所述因子筛选层，在所述因子筛选层基于各个所述预设影响因子的值，从所有所述预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子；
在所述收益率计算层基于各个所述有效影响因子的值，从所述有效影响因子中筛选与基金产品的收益率正相关的目标影响因子；
在所述收益率计算层基于各个所述目标影响因子的值及预先学习到的各个所述目标影响因子的权重，计算所述候选基金产品的收益率。
3.根据权利要求2所述的基于神经网络的基金产品的筛选方法，其特征在于，所述将所述候选基金产品的各个所述预设影响因子的值导入所述因子筛选层，在所述因子筛选层基于各个所述预设影响因子的值，从所有所述预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子，包括：
在所述因子筛选层基于各个所述预设影响因子的值，计算每两个所述预设影响因子之间的相关性；
将相关性小于第一相关性阈值的所有所述预设影响因子均保留，并从相关性大于或等于所述第一相关性阈值的所有所述预设影响因子中仅保留一个所述预设影响因子，将保留的所述预设影响因子确定为有效影响因子。
4.根据权利要求2所述的基于神经网络的基金产品的筛选方法，其特征在于，所述在所述收益率计算层基于各个所述目标影响因子的值及预先学习到的各个所述目标影响因子的权重，计算所述候选基金产品的收益率，包括：
在所述收益率计算层基于以下公式计算所述候选基金产品的收益率：
其中，Gain为候选基金产品的收益率，A为常数，n为目标影响因子的个数，Xi为第i个目标影响因子的值，Ai为第i个目标影响因子的权重，X为所有目标影响因子的值的均值。
5.根据权利要求1至4任一项所述的基于神经网络的基金产品的筛选方法，其特征在于，所述基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品，包括：
基于所述候选基金产品的收益率，将各个所述候选基金产品按照收益率从高到低的顺序进行排序；
将排列靠前的N个所述候选基金产品确定为目标基金产品。
6.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
7.根据权利要求6所述的终端设备，其特征在于，所述基金收益率确定模型包括依次连接的因子筛选层及收益率计算层；
所述将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率，包括：
将所述候选基金产品的各个所述预设影响因子的值导入所述因子筛选层，在所述因子筛选层基于各个所述预设影响因子的值，从所有所述预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子；
在所述收益率计算层基于各个所述有效影响因子的值，从所述有效影响因子中筛选与基金产品的收益率正相关的目标影响因子；
在所述收益率计算层基于各个所述目标影响因子的值及预先学习到的各个所述目标影响因子的权重，计算所述候选基金产品的收益率。
8.根据权利要求7所述的终端设备，其特征在于，所述将所述候选基金产品的各个所述预设影响因子的值导入所述因子筛选层，在所述因子筛选层基于各个所述预设影响因子的值，从所有所述预设影响因子中筛选对基金产品的收益率产生不同影响的有效影响因子，包括：
在所述因子筛选层基于各个所述预设影响因子的值，计算每两个所述预设影响因子之间的相关性；
将相关性小于第一相关性阈值的所有所述预设影响因子均保留，并从相关性大于或等于所述第一相关性阈值的所有所述预设影响因子中仅保留一个所述预设影响因子，将保留的所述预设影响因子确定为有效影响因子。
9.一种终端设备，其特征在于，包括：
第一确定单元，用于确定各个候选基金产品的各个预设影响因子的值；所述预设影响因子包括行业权重、系统风险及信息比例；
第二确定单元，用于将所述候选基金产品的各个所述预设影响因子的值输入预先训练好的基金收益率确定模型，确定所述候选基金产品的收益率；
基金筛选单元，用于基于所述候选基金产品的收益率，从所述候选基金产品中筛选符合预设要求的目标基金产品。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201811249404.9A 2018-10-25 2018-10-25 基于神经网络的基金产品的筛选方法、终端设备及介质 Pending CN109472704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811249404.9A CN109472704A (zh) 2018-10-25 2018-10-25 基于神经网络的基金产品的筛选方法、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811249404.9A CN109472704A (zh) 2018-10-25 2018-10-25 基于神经网络的基金产品的筛选方法、终端设备及介质

Publications (1)

Publication Number Publication Date
CN109472704A true CN109472704A (zh) 2019-03-15

Family

ID=65664398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811249404.9A Pending CN109472704A (zh) 2018-10-25 2018-10-25 基于神经网络的基金产品的筛选方法、终端设备及介质

Country Status (1)

Country Link
CN (1) CN109472704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111508607A (zh) * 2020-04-13 2020-08-07 山东师范大学 一种基于bp神经网络的肥胖症预测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111508607A (zh) * 2020-04-13 2020-08-07 山东师范大学 一种基于bp神经网络的肥胖症预测系统
CN111508607B (zh) * 2020-04-13 2023-10-13 山东师范大学 一种基于bp神经网络的肥胖症预测系统

Similar Documents

Publication Publication Date Title
Zhang et al. Deeplob: Deep convolutional neural networks for limit order books
CN108846520B (zh) 贷款逾期预测方法、装置以及计算机可读存储介质
CN107730262A (zh) 一种欺诈识别方法和装置
US20230342846A1 (en) Micro-loan system
CN108665366A (zh) 确定用户风险等级的方法、终端设备及计算机可读存储介质
Shingi A federated learning based approach for loan defaults prediction
CN109242672A (zh) 贷款的还款信息预测方法、装置以及计算机可读存储介质
TWI752349B (zh) 風險識別方法及裝置
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
US20220027993A1 (en) System and method for facilitating social trading
US8521542B1 (en) Systems and methods for classifying account data using artificial neural networks
CN110264342A (zh) 一种基于机器学习的业务审核方法及装置
CN109191133A (zh) 支付渠道的选择方法及终端设备
CN109472704A (zh) 基于神经网络的基金产品的筛选方法、终端设备及介质
KR102174608B1 (ko) 기계 학습 기반의 채무불이행 예측 장치 및 방법
CN110245985A (zh) 一种信息处理方法及装置
CN109767333A (zh) 选基方法、装置、电子设备及计算机可读存储介质
CN111667307B (zh) 一种理财产品销量的预测方法及装置
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
Nishitha et al. Stock price prognosticator using machine learning techniques
CN111079992A (zh) 数据处理方法、装置和存储介质
Hjelkrem et al. An end-to-end deep learning approach to credit scoring using CNN+ XGBoost on transaction data
CN110264306A (zh) 基于大数据的产品推荐方法、装置、服务器及介质
US11381467B2 (en) Method and system for generating synthetic data from aggregate dataset
CN107679731A (zh) 一种可信度的计算方法以及相关设备

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