CN109711848A - 一种金融交易的匹配系统及其构建方法、匹配方法 - Google Patents

一种金融交易的匹配系统及其构建方法、匹配方法 Download PDF

Info

Publication number
CN109711848A
CN109711848A CN201811625534.8A CN201811625534A CN109711848A CN 109711848 A CN109711848 A CN 109711848A CN 201811625534 A CN201811625534 A CN 201811625534A CN 109711848 A CN109711848 A CN 109711848A
Authority
CN
China
Prior art keywords
layer
transaction
user
matching
neural network
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
CN201811625534.8A
Other languages
English (en)
Inventor
黄赞
胡峰
戴宇浩
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.)
WUHAN FINANCIAL ASSETS EXCHANGE Co Ltd
Original Assignee
WUHAN FINANCIAL ASSETS EXCHANGE 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 WUHAN FINANCIAL ASSETS EXCHANGE Co Ltd filed Critical WUHAN FINANCIAL ASSETS EXCHANGE Co Ltd
Priority to CN201811625534.8A priority Critical patent/CN109711848A/zh
Publication of CN109711848A publication Critical patent/CN109711848A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种金融交易的匹配系统及其构建方法、匹配方法,涉及金融资产交易领域,该方法包括构建金融交易深度神经网络,深度神经网络包括输入层、输出层、以及至少3层的中间层。在每一层设置多个感知器,每一层感知器从上一层感知器接收数据,且同一层的感知器相互独。获取已评估用户的交易参数并输入至感知器,每一交易参数以带有权值W的神经网络学习算法计算得出匹配结果。将匹配结果以及理想结果输入代价函数,调整权值W并在代价函数计算偏差最小时,将权值W作为当前的最优权值。多次输入已评估用户交易参数以及已评估用户理想结果,得到最终的最优权值W,带入到神经数据链中,得到最终的金融交易深度神经网络。

Description

一种金融交易的匹配系统及其构建方法、匹配方法
技术领域
本发明涉及金融资产交易领域,具体涉及一种金融交易的匹配系统及其构建方法、匹配方法。
背景技术
在银行和投资机构进行贷款或投资时,企业的信用水平是其需要考虑的重要因素。但是,由于当前我国信用市场发展不成熟,暂时缺乏统一的信用管理标准以及较为客观的风险评估规则,导致一部分企业信用是不准确的。这样的市场状态,首先,严重妨碍了对诚信企业的投资行为,导致企业融资困难,或者融资成本过高,企业的发展受阻;其次,也可能银行以及投资机构带来了不良资产负担,降低了其应得的利润和减弱了其市场竞争力。
同时,针对金融资产转让这一广泛存在的业务领域,交易的双方不论机构或者个人都是独立封闭的单一体。一方面,撮合双方的交易基本取决于交易人员主动性寻找及沟通筛选,资产和资金更多倾向于现有的大机构、大企业、大客户,不利于资金流向中小企业服务;另一方面,对于交易中存在的风险高效率低、因人为介入而导致的交易成本偏高问题也不断凸显。
目前,在风险评估和金融产品定价等方面,多数机构还是采用传统的计算方式,如在穆迪评定中,影响其评分的主要因素包括利息备付率(CV)、杠杆率(LV)、投资回报率(ROA)、营收稳定性(RS)、波动性调整后的杠杆率(vLV)和总资产(AT)等,并不考虑外部因素的影响,只依赖财务指标进行计算。这些导致在中国市场中评分不准确,进而匹配效率、精度低下,风险较高的问题。
因此亟需一种能够高效率、精准匹配、低风险的匹配方法。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种金融交易的匹配系统及其构建方法、匹配方法,能够高效率、精准匹配、低风险针对金融资产转让为交易方进行匹配。
为达到以上目的,第一方面,本发明实施例提供一种金融交易的匹配方法
构建金融交易深度神经网络,所述深度神经网络包括输入层、输出层、以及至少3层的中间层;
在每一层设置多个感知器,每一层所述感知器从上一层感知器接收数据,且同一层的所述感知器相互独立;
获取已评估用户的交易参数并输入至输入层中对应的感知器,每一交易参数在每一层中以带有权值W的神经网络学习算法计算,并在输出层得出匹配结果,所述交易参数包括用户资产、用户投资资金,所述匹配结果包括交易风险、交易模型;
获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值;
多次输入已评估用户交易参数以及已评估用户理想结果,得到最终的最优权值W,带入到神经数据链中,得到最终的金融交易深度神经网络。
作为一个优选的实施方案,获取已评估用户的交易参数的方式包括:所述评估用户在注册时填写的信息、从第三方平台获取和/或网络爬虫从网络进行提取,所述第三方平台包括银行、征信机构。
作为一个优选的实施方案,所述带有权值W的神经网络学习算法为:
所述交易参数每经过一个中间层,进行一次计算,且在第一层进行带权值W线性变化函数计算后,交替进行激励函数计算以及带权值W的线性变化函数计算。
作为一个优选的实施方案,所述线性计算函数为:
其中,表示中间层第l层第j个感知器的偏置项,表示l层第j个感知器的值,表示第l-1层的第k个感知器的值,为第l层权重系数。
作为一个优选的实施方案,所述激励函数为:
其中z为线性变化函数的匹配结果。
作为一个优选的实施方案,所述代价函数根据MLE(Maximum LikelihoodEstimate,极大似然估计)以及交叉熵(Cross Entropy)构建。
作为一个优选的实施方案,所述代价函数为:
其中,n表示样本数量,xi表示第i个已评估用户,y(xi)是已评估用户理想结果,aL(xi)是所述金融交易深度神经网络的所述匹配结果,其中L是神经网络的层数。当代价函数C最小时,可以从中推导出所述权值W的最优近似值。
作为一个优选的实施方案,所述交易参数还包括投资偏好、资产阈值。
第二方面,本发明实施例提供一种基于上述实施例方法构建的金融交易的匹配系统,其包括所述输入层、所述中间层、所述输出层以及反馈层,
所述反馈层用于获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值。
第三方面,本发明实施例提供一种第二方面的金融交易匹配方法:
获取用户的注册信息,并根据用户的注册信息,从第三方平台获取资产信息;
根据所述注册信息以及资产信息进行整理,得到待评估用户的交易参数;
将所述交易参数输入到所述金融交易的匹配系统中的金融交易深度神经网络,得出最终匹配结果,获取符合该匹配结果的交易对象。
本发明一种金融交易的匹配系统及其构建方法、匹配方法中的采用深度网络神经算法,对输入数据进行后向反馈规模训练,并自动生成多套合理的金融资产交易模型,按分析结果评分匹配合适的交易对手,以单向人工智能匹配的方式代替传统的交易双方双向主动寻找的方式,大大降低了沟通成本。本发明中的设置多层的神经网络,它有很多节点(感知器)构成,每个感知器都会接受数据(成为输入),并通过一定的数学变化后输出结果。这些感知器是分层组织的,每一层的感知器从上一层接受数据,并输出给下一层的感知器,同一层的感知器之间是独立无连接的。这种结构相对于时延神经网络来说更为简单,同时在输入已评估用户数据后,对其进行了训练,并达到稳定,使得其更加准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对实施例对应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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种金融交易的匹配系统及其构建方法的步骤流程图;
图2为本发明一种金融交易的匹配系统的结构示意图。
图中:1-输入层,2-中间层,3-输出层,4-反馈层。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
参见图1所示,本发明实施例提供一种金融交易的匹配系统及其构建方法、匹配方法,其能够高效率、精准匹配、低风险针对金融资产转让为交易方进行匹配。
为达到上述技术效果,本申请的总体思路如下:
构建金融交易深度神经网络,所述深度神经网络包括输入层、输出层、以及至少3层的中间层;
在每一层设置多个感知器,每一层所述感知器从上一层感知器接收数据,且同一层的所述感知器相互独立;
获取已评估用户的交易参数并输入至输入层中对应的感知器,每一交易参数在每一层中以带有权值W的神经网络学习算法计算,并在输出层得出匹配结果,所述交易参数包括用户资产、用户投资资金,所述匹配结果包括交易风险、交易模型;
获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值;
多次输入已评估用户交易参数以及已评估用户理想结果,得到最终的最优权值W,带入到神经数据链中,得到最终的金融交易深度神经网络。
综上所述,首先构建基于感知器的金融交易深度神经网络,其每一层所述感知器从上一层感知器接收数据,且同一层的所述感知器相互独立,并通过代价函数进行反馈,获得申请网络中的权值。这种结构的深度神经网络在经过训练后较为稳定,准确,能够实时调整其计算参数。同时,其设置用户的多个交易参数的输入接口,相对于传统只能固定数值范围、固定情景模式下匹配,本发明综合能力更强。
为了更好的理解上述技术方案,下面结合具体实施方式进行详细的说明。
实施例一
本发明实施例提供一种金融交易的匹配方法,其包括:
S1:构建金融交易深度神经网络,所述深度神经网络包括输入层、输出层、以及至少3层的中间层。
本发明采用构建深度神经网络的方式,对金融资产转让中的交易方的各个交易参数进行综合性计算,相比较传统的人为咨询、查找、交流,直接通过机器进行数据计算更加客观,匹配速度更加迅速,而成本更加低廉。而除了进行计算还需要进行输入以及输出,因此对应设置深度神经网络的输入层、输出层,以及进行计算的中间层。
进一步的整个平台系统将数据输入输入层,中间层在深度神经网络模型中也称为隐藏层,该层数据全部来自于输入层数据的线性组合,中间层对这些数据的先行官组合进行计算后,从输出层输出匹配结果。
需要说明的是,中间层的层数可以根据具体需求调整,如交易参数项目较多、形成匹配结果要求较多等等,则可以增加深度神经网络的中间层的层数。中间层的层优选范围为5层至10层。
S2:在每一层设置多个感知器,每一层所述感知器从上一层感知器接收数据,且同一层的所述感知器相互独立。
S3:获取已评估用户的交易参数并输入至输入层中对应的感知器,每一交易参数在每一层中以带有权值W的神经网络学习算法计算,并在输出层得出匹配结果,所述交易参数包括用户资产、用户投资资金,所述匹配结果包括交易风险、交易模型。
作为一个优选的实施方案,上述获取已评估用户的交易参数的方式包括所述评估用户在注册时填写的信息、从第三方平台获取和/或网络爬虫从网络进行提取,所述第三方平台包括银行、征信机构。通过自动提取网络海量有效数据包括三方信用数据,网络公示数据作为辅助并进行大数据分析,不仅降低数据来源风险,还引入更多交易潜在真实数据,很好的保证了数据安全可靠。
举例来说,系统可以抽取两部分数据作为输入层数据:一部分包括交易平台的注册用户的基本信息,具体的,其包括针对企业的如企业名称、营业执照、注册资本、年度财务报表、期望投资的资金阈值、期望投入的资产阈值、投资风险偏好、投资周期等,个人用户的个人收入、年龄、资产数量、投资风险厌恶度等。而另一部分包括用户注册后,系统通过上述录入的数据通过网络爬虫搜集到第三方数据,其中第三方包括来自政府、公用事业、银行、征信等机构。待所有数据收集完成后,系统自动进行有效数据单元划分。其中,智能识别并筛选出用户的投资资金、资产阈值等投资硬性要求将作为输入层的输入基本单元,成为A其他的如投资风险偏好等因子作为输入层的输入特征单元,即交易参数。
需要说明的是,感知器是人工神经网络中的一种典型结构,它的主要的特点是结构简单,对所能解决的问题存在着收敛算法,并能从数学上严格证明。
需要说明的是,交易模型的理论基础其实非常广泛,涵盖了国际上许多先进的理论,其中包括现代金融投资学、金融工程学、金融行为学、金融会计学、财会学、计量经济学、混沌学、仿真学等现代多学科众多理论;同时它还包括了传统的技术分析理论,如均线理论、图形分析理论、波浪理论等,并充分利用电脑、通讯等现代科学技术。交易模型分类的方法比较多,可以根据使用者分类,也可以根据模型理论分类。交易促成/匹配则,其促进行为必须具有一定的逻辑性和科学性,投资决策要求客观、迅速,不能带有模糊不清的分析和主观判断,而系统化的交易决策模型可以通过现代计算机技术将传统的交易方式转换成为数学模型,并通过大量的信息和数据进行检验分析,评估交易模型的可行性,从而做到严格的定性和定量,保证了投资决策的科学性。
在这样设置逐层并行的感知器排列方式后,如果把系统的感知器中计算公式较为稳定看成一个状态的话,将多个已经评估用户的数据输入至初始的这种结构的感知器则会初始系统逐渐偏向该状态。如果把系统的稳定点视为一个能量函数的极小点,那么初始系统朝这个稳定点的优化过程就是逐渐优化感知器。如果将系统看成一套思维方式的话,这些感知器即为思维方式中的记忆点,通过这些记忆点来“思考”输入的已评估用户的交易参数,并和已经存在的已评估用户理想结果进行比对,使得这些记忆点逐渐稳定,其思维方式逐渐稳定。
作为一个优选的实施方案,所述带有权值W的神经网络学习算法为:
所述交易参数每经过一个中间层,进行一次计算,且在第一层进行带权值W线性变化函数计算后,交替进行激励函数计算以及带权值W的线性变化函数计算。
通过线性计算将各个交易参数联系起来匹配结果,同时,为了将每个感知器能够将输入数据压缩到指定区间,并且让原本线性的特征组合通过激活函数表现出非线性的特征,引入激活函数。
举例来说,所述线性计算函数为:
其中,表示中间层第l层第j个感知器的偏置项,表示l层第j个感知器的值,表示第l-1层的第k个感知器的值,为第l层权重系数。
进一步的,所述激励函数为:
其中z为线性变化函数的匹配结果。
S4:获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值。
设置好感知器结构,并逐层进行计算得到匹配结果后,该匹配结果并不是绝对正确的,因此需要进一步的根据理想结果进行调整,即使用已评估的用户的交易数据进行计算,并和该已评估的用户的实际理想结果进行对比,根据对比的结果调整感知器中权值,使得感知器能够计算出相同或者相近的结果。
其中,所述代价函数根据MLE(Maximum Likelihood Estimate,极大似然估计)以及交叉熵(Cross Entropy)构建。
具体来说,代价函数为:
其中,n表示样本数量,xi表示第i个已评估用户,y(xi)是已评估用户理想结果,aL(xi)是所述金融交易深度神经网络的所述匹配结果,其中L是神经网络的层数。当代价函数C最小时,可以从中推导出所述权值W的最优近似值。
代价函数,又叫损失函数或成本函数,它是将一个或多个变量的事件阈值映射到直观地表示与该事件。一个优化问题试图最小化损失函数。目标函数是损失函数或其负值,在这种情况下它将被最大化。
通过代价函数,向前反馈当前匹配结果的与理想结果的偏差、损失,从而调整权重W,使得本金融交易深度神经系统逐渐成型。最终能够准确、高效同时低成本的进行交易双方匹配。
具体来说,采用深度网络神经算法,对输入数据进行后向反馈规模训练,并自动生成多套合理的金融资产交易模型,按分析结果评分匹配合适的交易对手,以单向人工智能匹配的方式代替传统的交易双方双向主动寻找的方式,大大降低了沟通成本。
S5:多次输入已评估用户交易参数以及已评估用户理想结果,得到最终的最优权值W,带入到神经数据链中,得到最终的金融交易深度神经网络。
由于中间层是多个层次的,通过逐层并行的感知器计算比对一个已评估用户的交易参数,可以得出的权值W可以是多种组合甚至包含多个数值范围,因此需要得到稳定的金融交易深度神经网络,需要输入多个已评估用户交易数据以及已评估用户理想结果,逐渐缩小权值W取值的范围,直至金融交易深度神经网络稳定,即匹配结果趋向于与已知结果相同或者相近。
基于同一发明构思,本申请提供实施例二,其具体实施方式如下。
实施例二
如图2所示,本发明还提供一种基于实施例一构建方法构建的匹配系统,其包括前述输出层、前述中间层、前述输出层,以及反馈层,其反馈层用于获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值。
前述方法实施例中的各种变化方式和具体实例同样适用于本实施例的系统,通过前述方法的详细描述,本领域技术人员可以清楚的知道本实施例中系统的实施方法及好处,所以为了说明书的简洁,在此不再详述。
基于同一发明构思,本申请提供实施例三。
实施例三
本发明还提供一种基于实施例二的金融交易匹配方法,其包括
获取用户的注册信息,并根据用户的注册信息,从第三方平台获取资产信息;
根据所述注册信息以及资产信息进行整理,得到待评估用户的交易参数;
将所述交易参数输入到所述金融交易的匹配系统中的金融交易深度神经网络,得出最终匹配结果,获取符合该匹配结果的交易对象。
同理于实施例二,前述方法实施例中的各种变化方式和具体实例同样适用于本实施例的系统,通过前述方法的详细描述,本领域技术人员可以清楚的知道本实施例中系统的实施方法及好处,所以为了说明书的简洁,在此不再详述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
总体来说,本发明实施例提供的一种金融交易的匹配系统及其构建方法、匹配方法,能够高效率、精准匹配、低风险针对金融资产转让为交易方进行匹配。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种金融交易匹配系统的构建方法,其特征在于,其包括:
构建金融交易深度神经网络,所述深度神经网络包括输入层、输出层、以及至少3层的中间层;
在每一层设置多个感知器,每一层所述感知器从上一层感知器接收数据,且同一层的所述感知器相互独立;
获取已评估用户的交易参数并输入至输入层中对应的感知器,每一交易参数在每一层中以带有权值W的神经网络学习算法计算,并在输出层得出匹配结果,所述交易参数包括用户资产、用户投资资金,所述匹配结果包括交易风险、交易模型;
获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值;
多次输入已评估用户交易参数以及已评估用户理想结果,得到最终的最优权值W,带入到神经数据链中,得到最终的金融交易深度神经网络。
2.如权利要求1所述的方法,其特征在于,获取已评估用户的交易参数的方式包括:所述评估用户在注册时填写的信息、从第三方平台获取和/或网络爬虫从网络进行提取,所述第三方平台包括银行、征信机构。
3.如权利要求1所述的方法,其特征在于,所述带有权值W的神经网络学习算法为:
所述交易参数每经过一个中间层,进行一次计算,且在第一层进行带权值W线性变化函数计算后,交替进行激励函数计算以及带权值W的线性变化函数计算。
4.如权利要求3所述的方法,其特征在于:
所述线性计算函数为:
其中,表示中间层第l层第j个感知器的偏置项,表示l层第j个感知器的值,表示第l-1层的第k个感知器的值,为第l层权重系数。
5.如权利要求3所述的方法,其特征在于:
所述激励函数为:
其中z为线性变化函数的匹配结果。
6.如权利要求1所述的方法,其特征在于,所述代价函数根据MLE(Maximum LikelihoodEstimate,极大似然估计)以及交叉熵(Cross Entropy)构建。
7.如权利要求5所述的方法,其特征在于,所述代价函数为:
其中,n表示样本数量,xi表示第i个已评估用户,y(xi)是已评估用户理想结果,aL(xi)是所述金融交易深度神经网络的所述匹配结果,其中L是神经网络的层数。当代价函数C最小时,可以从中推导出所述权值W的最优近似值。
8.如权利要求1所述的方法,其特征在于,所述交易参数还包括投资偏好、资产阈值。
9.一种基于权利要求1-8任意一项方法构建的金融交易的匹配系统,其包括所述输入层、所述中间层、所述输出层以及反馈层,
所述反馈层用于获取已评估用户的理想结果,将匹配结果以及理想结果输入代价函数,调整所述权值W并在代价函数计算偏差最小时,将所有的所述权值W作为当前的最优权值。
10.一种基于权利要求9的金融交易匹配方法,其特征在于:
获取用户的注册信息,并根据用户的注册信息,从第三方平台获取资产信息;
根据所述注册信息以及资产信息进行整理,得到待评估用户的交易参数;
将所述交易参数输入到所述金融交易的匹配系统中的金融交易深度神经网络,得出最终匹配结果,获取符合该匹配结果的交易对象。
CN201811625534.8A 2018-12-28 2018-12-28 一种金融交易的匹配系统及其构建方法、匹配方法 Pending CN109711848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811625534.8A CN109711848A (zh) 2018-12-28 2018-12-28 一种金融交易的匹配系统及其构建方法、匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811625534.8A CN109711848A (zh) 2018-12-28 2018-12-28 一种金融交易的匹配系统及其构建方法、匹配方法

Publications (1)

Publication Number Publication Date
CN109711848A true CN109711848A (zh) 2019-05-03

Family

ID=66259192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811625534.8A Pending CN109711848A (zh) 2018-12-28 2018-12-28 一种金融交易的匹配系统及其构建方法、匹配方法

Country Status (1)

Country Link
CN (1) CN109711848A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950382A (zh) * 2021-04-02 2021-06-11 中国工商银行股份有限公司 交易业务撮合匹配方法、装置、电子设备及介质
CN113449103A (zh) * 2021-01-28 2021-09-28 民生科技有限责任公司 融入标签与文本交互机制的银行交易流水分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550927A (zh) * 2015-11-30 2016-05-04 吉林大学 一种银行信贷系统风险评估方法及装置
CN105701693A (zh) * 2015-12-31 2016-06-22 浙江图讯科技股份有限公司 一种基于深度学习的企业信用评价方法
CN105894379A (zh) * 2016-03-30 2016-08-24 上海坤士合生信息科技有限公司 金融产品交易策略的生成系统和生成方法
CN106294694A (zh) * 2016-08-08 2017-01-04 杭州麒谋网络科技有限公司 资产配置大数据分析控制系统
CN108416663A (zh) * 2018-01-18 2018-08-17 阿里巴巴集团控股有限公司 评估金融违约风险的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550927A (zh) * 2015-11-30 2016-05-04 吉林大学 一种银行信贷系统风险评估方法及装置
CN105701693A (zh) * 2015-12-31 2016-06-22 浙江图讯科技股份有限公司 一种基于深度学习的企业信用评价方法
CN105894379A (zh) * 2016-03-30 2016-08-24 上海坤士合生信息科技有限公司 金融产品交易策略的生成系统和生成方法
CN106294694A (zh) * 2016-08-08 2017-01-04 杭州麒谋网络科技有限公司 资产配置大数据分析控制系统
CN108416663A (zh) * 2018-01-18 2018-08-17 阿里巴巴集团控股有限公司 评估金融违约风险的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
殷瑞刚等: "深度学习中的无监督学习方法综述", 《计算机系统应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449103A (zh) * 2021-01-28 2021-09-28 民生科技有限责任公司 融入标签与文本交互机制的银行交易流水分类方法及系统
CN113449103B (zh) * 2021-01-28 2024-05-10 民生科技有限责任公司 融入标签与文本交互机制的银行交易流水分类方法及系统
CN112950382A (zh) * 2021-04-02 2021-06-11 中国工商银行股份有限公司 交易业务撮合匹配方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
Li et al. Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy
Niu et al. A hybrid stock price index forecasting model based on variational mode decomposition and LSTM network
Wang et al. Forecasting stochastic neural network based on financial empirical mode decomposition
Cao et al. A neural network approach to understanding implied volatility movements
Leow et al. Robo-advisor using genetic algorithm and BERT sentiments from tweets for hybrid portfolio optimisation
Cipiloglu Yildiz et al. A portfolio construction framework using LSTM‐based stock markets forecasting
CN110599336A (zh) 一种金融产品购买预测方法及系统
Marne et al. Predicting Price of Cryptocurrency–A Deep Learning Approach
Huang et al. Novel deep reinforcement algorithm with adaptive sampling strategy for continuous portfolio optimization
Sun et al. Predicting futures market movement using deep neural networks
CN109711848A (zh) 一种金融交易的匹配系统及其构建方法、匹配方法
Negi et al. Cryptocurrency Price Analysis using Deep Learning
KR102409041B1 (ko) 액터 크리틱 모델을 이용한 포트폴리오 자산배분 강화학습방법
TW201928844A (zh) 金融商品的相關性預測系統及其方法
Dash et al. Designing an efficient predictor model using PSNN and crow search based optimization technique for gold price prediction
Ge et al. Single stock trading with deep reinforcement learning: A comparative study
Lotfi et al. OPEC oil price prediction using ANFIS
NAPITUPULU Artificial neural network application in gross domestic product forecasting an Indonesia case
Begicheva et al. Bank transactions embeddings help to uncover current macroeconomics
Sadatrasou et al. An application of data mining classification and bi-level programming for optimal credit allocation
Napitupulu Artificial neural network application in gross domestic product forecasting: an Indonesia case
Wang et al. Data analysis of portfolio optimization using artificial neural network in China’s stock market
Larsson et al. Time series forecasting of the SP global clean energy index using a multivariate LSTM
Küçüklerli et al. Sentiment-Driven Exchange Rate Forecasting: Integrating Twitter Analysis with Economic Indicators
Atlan et al. Forecasting of Bitcoin price using the multilayer perceptron technique

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: 20190503

RJ01 Rejection of invention patent application after publication