CN109859052B - 一种投资策略的智能推荐方法、装置、存储介质和服务器 - Google Patents
一种投资策略的智能推荐方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN109859052B CN109859052B CN201910039032.5A CN201910039032A CN109859052B CN 109859052 B CN109859052 B CN 109859052B CN 201910039032 A CN201910039032 A CN 201910039032A CN 109859052 B CN109859052 B CN 109859052B
- Authority
- CN
- China
- Prior art keywords
- investment
- user
- risk
- candidate
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 21
- 230000009193 crawling Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006735 deficit Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种投资策略的智能推荐方法、装置、存储介质和服务器，包括：获取用户的用户信息以及所述用户选择的投资模式；根据所述用户信息确定所述用户的投资类型；根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；获取所述候选金融产品的实时行情信息；根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；将所述符合所述用户的投资模式的投资策略推荐至所述用户。本发明可提供客观的投资建议供用户参考，可降低用户的投资风险。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种投资策略的智能推荐方法、装置、存储介质和服务器。
背景技术
随着理财观念的不断普及，越来越多的投资理财产品应运而生，如基金、债券、股票以及保险等金融产品逐渐在金融市场中发展成熟，投资理财也不再是富人们的专利，普通百姓也改变了传统的理财观念，而不只是选择把资金存放在银行。但是对于普通百姓，尤其是对于那些没有经济金融专业背景的人们来说，纷繁复杂的投资理财产品常常会让他们感到不知所措，从而只能盲目地跟风。此外，购买理财产品时，首先需要读懂产品说明书，包括说明书中产品投资方向、风险等级以及相应的附加条款，而通常各种金融产品说明书上的用词术语都比较专业，投资者如不具备一定的知识基础则很容易被忽悠，这就需要该领域的专业人士来为这些投资者进行相关方面的投资指导和规划。
目前，投资者面对大量的股票基金信息，投资者掌握的信息往往比较匮乏，没有一个行之有效的辨别方法，并且风险把控意识也比较薄弱，从导致用户不能规避风险，资产回报率低。投资者也可以根据投资顾问的建议进行投资，而投资顾问给出的投资策略建议也主要是依靠主观经验，推荐结果受投资顾问的职业素养和经验限制，常会存在推荐的投资策略与用户的实际需求不匹配的情况，这无疑降低了用户的服务体验。
综上所述，现有技术中，由于投资者掌握的信息比较匮乏，风险把控意识较弱，投资顾问给出的投资策略建议也主要是依靠主观经验，导致投资者的投资风险较大，资产回报率低。
发明内容
本发明实施例提供了一种投资策略的智能推荐方法、装置、存储介质和服务器，以解决现有技术中，由于投资者掌握的信息比较匮乏，风险把控意识较弱，投资顾问给出的投资策略建议也主要是依靠主观经验，导致投资者的投资风险较大，资产回报率低的问题。
本发明实施例的第一方面提供了一种投资策略的智能推荐方法，包括：
获取用户的用户信息以及所述用户选择的投资模式；
根据所述用户信息确定所述用户的投资类型；
根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；
获取所述候选金融产品的实时行情信息；
根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
将所述符合所述用户的投资模式的投资策略推荐至所述用户。
本发明实施例的第二方面提供了一种投资策略的智能推荐装置，包括：
信息与模式获取单元，用于获取用户的用户信息以及所述用户选择的投资模式；
投资类型确定单元，用于根据所述用户信息确定所述用户的投资类型；
金融产品筛选单元，用于根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；
行情信息获取单元，用于获取所述候选金融产品的实时行情信息；
投资策略生成单元，用于根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
投资策略推送单元，用于将所述符合所述用户的投资模式的投资策略推荐至所述用户。
本发明实施例的第三方面提供了一种服务器，包括存储器以及处理器，所述存储器存储有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：
获取用户的用户信息以及所述用户选择的投资模式；
根据所述用户信息确定所述用户的投资类型；
根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；
获取所述候选金融产品的实时行情信息；
根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
将所述符合所述用户的投资模式的投资策略推荐至所述用户。
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如下步骤：
获取用户的用户信息以及所述用户选择的投资模式；
根据所述用户信息确定所述用户的投资类型；
根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；
获取所述候选金融产品的实时行情信息；
根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
将所述符合所述用户的投资模式的投资策略推荐至所述用户。
本发明实施例中，通过获取用户的用户信息以及所述用户选择的投资模式，根据所述用户信息确定所述用户的投资类型，根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池，自动地对金融产品进行筛选，然后获取所述候选金融产品的实时行情信息，根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略，尽可能满足用户的投资需求，投资策略不是投资顾问的主观经验，更为客观，最后将所述符合所述用户的投资模式的投资策略推荐至所述用户，供所述用户参考，从而有效降低用户的投资风险，提高用户投资的资产回报率。
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投资策略的智能推荐方法的实现流程图；
图2是本发明实施例提供的投资策略的智能推荐方法S102的具体实现流程图；
图3是本发明实施例提供的投资策略的智能推荐方法S103的具体实现流程图；
图4是本发明实施例提供的投资策略的智能推荐方法S104的具体实现流程图；
图5是本发明实施例提供的投资策略的智能推荐方法S105的具体实现流程图；
图6是本发明实施例提供的投资策略的智能推荐装置的结构框图；
图7是本发明实施例提供的服务器的示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了本发明实施例提供的投资策略的智能推荐方法的实现流程，该方法流程包括步骤S101至S106。各步骤的具体实现原理如下：
S101：获取用户的用户信息以及所述用户选择的投资模式。
具体地，所述用户信息包括用户的账户信息、收入信息以及已有的投资信息。在本实施例中，设置两种投资模式，第一投资模式为固定投资风险下追求最大的收益；第二投资模式为固定预期收益下追求最低的投资风险。
可选地，所述用户信息包括第一目标限值和第二目标限值。在本发明实施例中，所述第一目标限值为亏损幅度限值，所述第二目标限值为盈利幅度限值，用户的亏损幅度限值和盈利幅度限值为用户对投资的期望需求，代表了用户对投资策略所带来的亏损和收益的要求，是用户实际需求的表达。所述用户的亏损幅度限值和盈利幅度限值可以由所述用户在智能设备上输入后传输至服务器。
可选地，在本发明实施例中，设置第一投资模式与第二投资模型这两种投资模式，所述第一投资模式为固定投资风险下追求最大的收益；所述第二模式为固定预期收益下追求最低的投资风险。
S102：根据所述用户信息确定所述用户的投资类型。
在本发明实施例中，所述用户信息可以是从调查问卷、风险测评或者用户自己输入的信息中获取，评估用户的风险承受能力，从而确定该用户的投资类型。即通过调查问卷、风险测评或者用户自己输入的信息确定用户的投资类型，不同投资类型体现用户不同的风险承受能力。所述投资类型包括稳健型、保守型和激进型。
可选地，获取用户的聊天记录或者问卷测评，分析所述聊天记录或者问卷测评，通过语言模型、概率图模型、分词算法、词性标注、依存语句分析、语义角色分词、命名实体识别、语义树算法等技术，从所述聊天记录或者问卷测评中获取所述用户投资相关的数据，确定所述用户是否已投资持有金融产品，若是，则获取所述已投资持有的金融产品的产品名称或产品标识，根据所述产品名称或产品标识，确定所述已投资持有的金融产品的产品风险类型，根据预设的所述产品风险类型与投资类型的对应关系，确定所述用户的投资类型。
可选地，作为本发明的一个实施例，所述用户信息包括第一目标限值和第二目标限值，图2示出了本发明实施例提供的投资策略的智能推荐方法步骤S102的具体实现流程：
A1：预先建立类型限值映射表，所述类型限值映射表包括投资类型与第一目标限值区间、第二目标限值区间的映射关系。
A2：根据所述第一目标限值所属的第一目标限值区间和所述第二目标限值所属的第二目标限值区间，确定所述用户的投资类型。
示例性地，所述第一目标限值为亏损幅度限值，所述第二目标限值为盈利幅度限值，预设每一投资类型对应的亏损幅度限值区间和盈利幅度限值区间，同一投资类型对应的亏损幅度限制区间和盈利幅度限值区间为一组限值区间，即预设多组限值区间，每一组限值区间与投资类型对应。查找所述用户的亏损幅度限值和盈利幅度限值属于预设的多组限值区间中的哪一组限值区间，从而确定所述用户的投资类型。
S103：根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池。
具体地，所述多因子模型是指根据金融产品的多个因子对金融数据库中的金融产品进行筛选的模型。所述多因子模型能通过有限共同因子来有效地筛选数量庞大的金融产品，在大幅度降低问题难度的同时，也通过合理预测做出了判断。
作为本发明的一个实施例，图3示出了本发明实施例提供的投资策略的智能推荐方法S103的具体实现流程，详述如下：
B1：获取所述预设的多因子模型的候选因子，所述多因子模型的候选因子不止一个。
B2：根据指定的回归分析算法，计算所述金融数据库中金融产品的候选因子的回归指标。所述回归分析算法有线性回归、逻辑回归以及多项式回归等。
B3：根据所述金融数据库中各个金融产品的候选因子的回归指标与所述用户的投资类型对应的预设指标参数，对所述金融数据库中的金融产品进行筛选过滤。
示例性地，从金融数据库中选取各种类型的基金(股票型，货币型，商品型，黄金型，债券型)，构建多因子模型用于预测未来半年基金的索提诺比率(Sortino Ratio)，索提诺比率是一种衡量投资组合相对表现的方法。与夏普比率(Sharpe Ratio)有相似之处，但索提诺比率运用下偏标准差而不是总标准差，以区别不利和有利的波动。具体地，包括如下步骤：
a、候选因子包括：1)过去三年信息比率；2)过去三年选时能力；3)过去三年选股能力；4)过去三年年化收益率；5)过去三年最大回撤；6)过去三年下行标准差；7)过去三年夏普比率；8)过去三年索提诺比率；9)当前时点基金规模；进一步地，对各候选因子进行有效性检验，所述有效性检验的具体步骤如下：
1)、判断“相关系数的均值”是否大于0.05；
2)“一档索提诺比率”与“三档索提诺比率”差距大于5％；
3)排除共线性，如两个候选因子的相关系数的绝对值大于0.7，则保留信息比率较大的候选因子。
b、用于所述多因子模型训练的样本数据为金融产品当前时间前5年周期的数据；
c、对样本数据进行预选：排除成立时间不超过三年的基金；
d、根据回归分析算法，计算各候选因子的回归指标；
e、根据计算的各候选因子的回归指标与预设的指标参数，对基金进行筛选。具体地，若计算的候选因子的指标不满足预设的指标参数，则过滤掉所述候选因子对应的金融产品。
可选地，在所述步骤B3之后，根据所述多因子模型过滤后得到的金融产品按产品风险类型分类，将分类后的金融产品作为候选金融产品存入待选金融产品池。
S104：获取所述候选金融产品的实时行情信息。
具体地，所述实时行情信息是指与金融产品的风险与收益相关的信息。包括正面信息和负面信息。所述正面信息是指利于所述金融产品增加收益的信息，反之，所述负面信息是指可能降低所述金融产品收益的信息。
作为本发明的一个实施例，图4示出了本发明实施例提供的投资策略的智能推荐方法S104的具体实现流程，详述如下：
C1：获取所述候选金融产品关联的指定网站的地址(URL)、网站编号以及爬行策略。所述指定网站包括金融论坛、金融信息网站等。爬行策略是指网络爬虫抓取信息时采用的策略，常用的爬行策略包括深度优先策略、广度优先策略、反向链接数策略以及大站优先策略。深度优先策略是按照深度由低到高的顺序，依次访问下一级网页链接，直到不能再深入为止。网络爬虫在完成一个爬行分支后返回到上一链接节点进一步搜索其它链接。当所有链接遍历完后，爬行任务结束。广度优先策略是按照网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。当同一层次中的页面爬行完毕后，网络爬虫再深入下一层继续爬行。反向链接数策略中的反向链接数是指一个网页被其他网页链接指向的数量，反向链接数表示的是一个网页的内容受到其他人的推荐的程度，通过这个指标来评价网页的重要程度，从而决定不同网页的抓取先后顺序。大站优先策略是对于待抓取URL队列中的所有网页根据所属的网站进行分类，对于待下载页面数多的网站，优先下载。需说明的是，当指定的爬行策略有多个时，多个爬行策略彼此不能冲突，以免网络爬虫无法有效抓取信息。在本发明实施例中，可以对不同的网站设定不同的爬行策略，以满足用户不同的抓取需求，提高信息的抓取效率。
C2：根据所述地址、所述网站编号以及所述爬行策略设置爬虫抓取参数。所述爬虫抓取参数是用于设置抓取网络平台的网页数据的网络爬虫。
C3：根据所述爬虫抓取参数设置网络爬虫抓取所述候选金融产品关联的指定网站上所述候选金融产品的实时行情信息。具体地，根据所述爬虫抓取所述指定网站的网页数据，获取所述指定网站的抓取规则，并根据所述指定网站的抓取规则，对所述指定网站上的网页数据进行解析，获取所述候选金融产品的实时行情信息，所述实时行情信息为文本信息。
在本发明实施例中，通过爬虫抓取指定网站论坛上的海量数据，如与所述金融产品池中的金融产品相关的网站，为需要进行监控的网站编号，选取预设个数包括URL、网站编号和类型的种子，将所述种子的URL作为当前URL，将所述种子的网站编号作为当前网站编号，将所述种子的类型作为当前类型。获取至少一个爬行策略，根据所述策略确定预设个数爬虫抓取参数；根据所述当前类型获取与所述当前类型对应的规则；按照所述爬虫抓取参数从所述当前URL抓取网页数据，根据所述规则对所述网页数据进行解析获得所需的实时行情信息。所述实时行情信息的文本信息包括金融产品的正面信息和负面信息。
可选地，将抓取的所述实时行情信息进行预处理。所述预处理包括数据去重、空值处理、数据去噪等处理，还包括将来自不同网站的实时行情信息进行格式统一的处理，从而获取有效的实时行情信息。有效的实时行情信息是指不包括重复信息、空信息的文本信息。
可选地，所述实时行情信息包括实时交易信息，所述实时交易信息是指股票、期货、黄金等金融产品的交易信息，根据时间区间可以分为秒级、分时、日行等实时交易信息。根据不同的时间区间实时获取股市最新动态，为投资者提供最精确度的投资建议。
S105：根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略。
作为本发明的一个实施例，所述用户信息包括第一目标限值，图5示出了本发明实施例提供的投资策略的智能推荐方法S105的具体实现流程，详述如下：
D1：基于所述候选金融产品的实时行情信息，预测所述候选金融产品的第一预期数值与第二预期数值，所述第一预期数值用于标识所述候选金融产品的预期风险，所述第二预期数值用于标识所述候选金融产品的预期收益。例如，所述第一预期数值为预测风险值，所述第二预期数值为预测收益值。可选地，构建行情风险分析模型，所述行情风险分析模型用于根据实时行情信息对金融产品的风险与收益进行预测。具体地，获取设定数量的样本金融产品的行情信息，将该设定数量的样本金融产品的行情信息输入至卷积神经网络模型，根据所述样本金融产品的实际风险值和实际收益值对该卷积神经网络模型进行训练，确定该神经网络模型的最优模型参数，从而获得训练好的神经网络模型作为所述行情风险分析模型，根据所述行情风险分析模型获取所述第一预期数值和所述第二预期数值。
D2：根据所述第一预期数值、所述第二预期数值与所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品。具体地，将所述待选金融产品池中的所述候选金融产品分别按所述第一预期数值和所述第二预期数值排列从高到低排列。
可选地，所述投资模式包括第一投资模式与第二投资模式，上述D2具体包括：
D21：若所述用户选择的投资模式为所述第一投资模式，从所述待选金融产品池中选择所述第一预期数值不高于所述第一目标限值且所述第二预期数值不低于第二指定目标值的候选金融产品。所述第二指定目标值为系统指定的最低收益数值。
D22：若所述用户选择的投资模式为所述第二投资模式，从所述待选金融产品池中选择所述第二预期数值不低于所述第二目标限值且所述第一预期数值不高于第一指定目标值的候选金融产品。所述第一指定目标值为系统指定的最高风险值。
示例性地，当用户选择第一投资模式时，根据用户的亏损幅度限值，从待选金融产品池中选择预测风险值不高于所述亏损幅度限值且预测收益值不低于第二指定目标值的金融产品，并将选择的所述金融产品按预测收益值从高到低排列。
示例性地，当用户选择第二投资模式时，从所述待选金融产品池中选择预测收益值不低于所述盈利幅度限值且预测风险值不高于第一指定目标值的金融产品，并将选择的所述金融产品按预测风险值从低到高排列。
D3：将选择的目标候选金融产品进行组合，生成符合所述用户的投资模式的投资策略。
可选地，在本发明实施例中，符合所述用户的投资模式的投资策略是指不同类型的金融产品的组合符合第一投资模式或者第二投资模式的投资策略。具体地，将经过步骤D2选择的候选金融产品按产品类型分类，选择至少两种不同产品类型的候选金融产品进行组合，生成符合所述用户的投资模式的投资策略，若用户选择的是第二投资模式，则所述投资策略中的金融产品的预测收益值之和不低于用户的盈利幅度限值。若用户选择的是第一投资模式，则所述投资策略中的金融产品的预测收益值之和不低于系统指定的最低收益数值(即第二指定目标值)。进一步地，优先选择预测风险值低的金融产品进行组合生成投资策略。
可选地，在本发明实施例中，获取所述待选金融产品池中的候选金融产品的风险因子的值，所述风险因子包括信息比率、收益率、波动率以及最大回撤率中的一个或者多个的组合，根据所述风险因子的值确定所述待选金融产品池中的候选金融产品的产品风险类型，并将所述候选金融产品按所述产品风险类型分类。进一步地，获取所述待选金融产品池中候选金融产品的历史信息，根据各个候选金融产品的历史信息，例如过去一年波动率的大小，分别构建低风险、中风险、高风险组合，其中低风险的预测风险值低于第一风险值，中风险的预测风险值低于第二风险值，高风险的预测风险值低于第三风险值，第一风险小于第二风险值，第二风险值小于第三风险值。不同风险组合对应不同的投资类型。
S106：将所述符合所述用户的投资模式的投资策略推荐至所述用户。
在本发明实施例中，将生成的符合所述用户的投资模式的投资策略推荐至所述用户的智能设备，为用户提供客观、专业的投资建议，从而有效降低用户的投资风险，并尽可能为用户带来高的资产回报率。
本发明实施例中，通过获取用户的用户信息以及所述用户选择的投资模式，根据所述用户信息确定所述用户的投资类型，根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池，自动地对金融产品进行筛选，然后获取所述候选金融产品的实时行情信息，根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略，尽可能满足用户的投资需求，投资策略不是投资顾问的主观经验，更为客观，最后将所述符合所述用户的投资模式的投资策略推荐至所述用户，供所述用户参考，从而有效降低用户的投资风险，提高用户投资的资产回报率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的智能推荐方法，图6示出了本申请实施例提供的投资策略的智能推荐装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该投资策略的智能推荐装置包括：信息与模式获取单元61，投资类型确定单元62，金融产品筛选单元63，行情信息获取单元64，投资策略生成单元65，投资策略推送单元66，其中：
信息与模式获取单元61，用于获取用户的用户信息以及所述用户选择的投资模式；
投资类型确定单元62，用于根据所述用户信息确定所述用户的投资类型；
金融产品筛选单元63，用于根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；
行情信息获取单元64，用于获取所述候选金融产品的实时行情信息；
投资策略生成单元65，用于根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
投资策略推送单元66，用于将所述符合所述用户的投资模式的投资策略推荐至所述用户。
可选地，所述用户信息包括第一目标限值和第二目标限值，所述投资类型确定单元62包括：
关系映射模块，用于预先建立类型限值映射表，所述类型限值映射表包括投资类型与第一目标限值区间、第二目标限值区间的映射关系；
投资类型确定模块，用于根据所述第一目标限值所属的第一目标限值区间和所述第二目标限值所属的第二目标限值区间，确定所述用户的投资类型。
可选地，所述行情信息获取单元64包括：
第一信息获取模块，用于获取所述候选金融产品关联的指定网站的地址、网站编号以及爬行策略；
参数设置模块，用于根据所述地址、所述网站编号以及所述爬行策略设置爬虫抓取参数；
信息抓取模块，用于根据所述爬虫抓取参数设置网络爬虫抓取所述候选金融产品关联的指定网站上所述候选金融产品的实时行情信息。
可选地，所述投资策略生成单元65包括：
信息预测模块，用于基于所述候选金融产品的实时行情信息，预测所述候选金融产品的第一预期数值与第二预期数值，所述第一预期数值用于标识所述候选金融产品的预期风险，所述第二预期数值用于标识所述候选金融产品的预期收益；
金融产品选择模块，用于根据所述第一预期数值、所述第二预期数值与所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品；
投资策略生成模块，用于将选择的目标候选金融产品进行组合，生成符合所述用户的投资模式的投资策略。
可选地，所述金融产品选择模块包括：
第一选择子模块，用于若所述用户选择的投资模式为所述第一投资模式，从所述待选金融产品池中选择所述第一预期数值不高于所述第一目标限值且所述第二预期数值不低于第二指定目标值的候选金融产品；
第二选择子模块，用于若所述用户选择的投资模式为所述第二投资模式，从所述待选金融产品池中选择所述第二预期数值不低于所述第二目标限值且所述第一预期数值不高于第一指定目标值的候选金融产品。
可选地，所述金融产品筛选单元63包括：
候选因子获取模块，用于获取所述预设的多因子模型的候选因子，所述多因子模型的候选因子不止一个；
回归指标计算模块，用于根据指定的回归分析算法，计算所述金融数据库中金融产品的候选因子的回归指标；
产品筛选模块，用于根据所述金融数据库中各个金融产品的候选因子的回归指标与所述用户的投资类型对应的预设指标参数，对所述金融数据库中的金融产品进行筛选过滤。
本发明实施例中，通过获取用户的用户信息以及所述用户选择的投资模式，根据所述用户信息确定所述用户的投资类型，根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池，自动地对金融产品进行筛选，然后获取所述候选金融产品的实时行情信息，根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略，尽可能满足用户的投资需求，投资策略不是投资顾问的主观经验，更为客观，最后将所述符合所述用户的投资模式的投资策略推荐至所述用户，供所述用户参考，从而有效降低用户的投资风险，提高用户投资的资产回报率。
图7是本发明一实施例提供的服务器的示意图。如图7所示，该实施例的服务器7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如投资策略的智能推荐程序。所述处理器70执行所述计算机程序72时实现上述各个投资策略的智能推荐方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至66的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/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72在所述服务器7中的执行过程。
所述服务器7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是服务器7的示例，并不构成对服务器7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，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70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71可以是所述服务器7的内部存储单元，例如服务器7的硬盘或内存。所述存储器71也可以是所述服务器7的外部存储设备，例如所述服务器7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71还可以既包括所述服务器7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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)
1.一种投资策略的智能推荐方法，其特征在于，包括：
获取用户的用户信息以及所述用户选择的投资模式，所述用户信息包括用户的账户信息、收入信息以及已有的投资信息，所述用户信息从调查问卷或者风险测评中获取；
根据所述用户信息确定所述用户的投资类型，所述投资类型用于体现所述用户的风险承受能力，其中，通过获取用户的聊天记录或者问卷测评，分析所述聊天记录或者问卷测评，从所述聊天记录或者问卷测评中获取所述用户投资相关的数据，确定所述用户是否已投资持有金融产品，若是，则获取所述已投资持有的金融产品的产品名称或产品标识，根据所述产品名称或产品标识，确定所述已投资持有的金融产品的产品风险类型，根据预设的所述产品风险类型与投资类型的对应关系，确定所述用户的投资类型；
根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；
获取所述候选金融产品的历史信息，根据各个候选金融产品的历史信息，分别构建低风险、中风险、高风险组合，其中低风险的预测风险值低于第一风险值，中风险的预测风险值低于第二风险值，高风险的预测风险值低于第三风险值，第一风险值小于第二风险值，第二风险值小于第三风险值，不同风险组合对应不同的投资类型；
获取所述候选金融产品的实时行情信息；
根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
将所述符合所述用户的投资模式的投资策略推荐至所述用户。
2.根据权利要求1所述的智能推荐方法，其特征在于，所述用户信息包括第一目标限值和第二目标限值，所述根据所述用户信息确定所述用户的投资类型，包括：
预先建立类型限值映射表，所述类型限值映射表包括投资类型与第一目标限值区间、第二目标限值区间的映射关系；
根据所述第一目标限值所属的第一目标限值区间和所述第二目标限值所属的第二目标限值区间，确定所述用户的投资类型。
3.根据权利要求1所述的智能推荐方法，其特征在于，所述获取所述候选金融产品的实时行情信息，包括：
获取所述候选金融产品关联的指定网站的地址、网站编号以及爬行策略；
根据所述地址、所述网站编号以及所述爬行策略设置爬虫抓取参数；
根据所述爬虫抓取参数设置网络爬虫抓取所述候选金融产品关联的指定网站上所述候选金融产品的实时行情信息。
4.根据权利要求1所述的智能推荐方法，其特征在于，所述根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略，包括：
基于所述候选金融产品的实时行情信息，预测所述候选金融产品的第一预期数值与第二预期数值，所述第一预期数值用于标识所述候选金融产品的预期风险，所述第二预期数值用于标识所述候选金融产品的预期收益；
根据所述第一预期数值、所述第二预期数值与所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品；
将选择的目标候选金融产品进行组合，生成符合所述用户的投资模式的投资策略。
5.根据权利要求4所述的智能推荐方法，其特征在于，所述用户信息还包括第一目标限值和第二目标限值，所述投资模式包括第一投资模式与第二投资模式，所述根据所述第一预期数值、所述第二预期数值与所述用户选择的投资模式，从所述待选金融产品池中选择候选金融产品，包括：
若所述用户选择的投资模式为所述第一投资模式，从所述待选金融产品池中选择所述第一预期数值不高于所述第一目标限值且所述第二预期数值不低于第二指定目标值的候选金融产品；
若所述用户选择的投资模式为所述第二投资模式，从所述待选金融产品池中选择所述第二预期数值不低于所述第二目标限值且所述第一预期数值不高于第一指定目标值的候选金融产品。
6.根据权利要求1至5任一项所述的智能推荐方法，其特征在于，所述根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，包括：
获取所述预设的多因子模型的候选因子，所述多因子模型的候选因子不止一个；
根据指定的回归分析算法，计算所述金融数据库中金融产品的候选因子的回归指标；
根据所述金融数据库中各个金融产品的候选因子的回归指标与所述用户的投资类型对应的预设指标参数，对所述金融数据库中的金融产品进行筛选过滤。
7.一种投资策略的智能推荐装置，其特征在于，所述投资策略的智能推荐装置包括：
信息与模式获取单元，用于获取用户的用户信息以及所述用户选择的投资模式，所述用户信息包括用户的账户信息、收入信息以及已有的投资信息，所述用户信息从调查问卷或者风险测评中获取；
投资类型确定单元，用于根据所述用户信息确定所述用户的投资类型，所述投资类型用于体现所述用户的风险承受能力，其中，通过获取用户的聊天记录或者问卷测评，分析所述聊天记录或者问卷测评，从所述聊天记录或者问卷测评中获取所述用户投资相关的数据，确定所述用户是否已投资持有金融产品，若是，则获取所述已投资持有的金融产品的产品名称或产品标识，根据所述产品名称或产品标识，确定所述已投资持有的金融产品的产品风险类型，根据预设的所述产品风险类型与投资类型的对应关系，确定所述用户的投资类型；
金融产品筛选单元，用于根据预设的多因子模型与所述用户的投资类型对金融数据库中的金融产品进行过滤，并将过滤后保留的金融产品作为候选金融产品存入待选金融产品池；获取所述候选金融产品的历史信息，根据各个候选金融产品的历史信息，分别构建低风险、中风险、高风险组合，其中低风险的预测风险值低于第一风险值，中风险的预测风险值低于第二风险值，高风险的预测风险值低于第三风险值，第一风险值小于第二风险值，第二风险值小于第三风险值，不同风险组合对应不同的投资类型；
行情信息获取单元，用于获取所述候选金融产品的实时行情信息；
投资策略生成单元，用于根据所述候选金融产品的实时行情信息以及所述用户选择的投资模式，从所述待选金融产品池中选择目标候选金融产品，生成符合所述用户的投资模式的投资策略；
投资策略推送单元，用于将所述符合所述用户的投资模式的投资策略推荐至所述用户。
8.根据权利要求7所述的智能推荐装置，其特征在于，所述用户信息包括第一目标限值和第二目标限值，所述投资类型确定单元包括：
关系映射模块，用于预先建立类型限值映射表，所述类型限值映射表包括投资类型与第一目标限值区间、第二目标限值区间的映射关系；
投资类型确定模块，用于根据所述第一目标限值所属的第一目标限值区间和所述第二目标限值所属的第二目标限值区间，确定所述用户的投资类型。
9.一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6中任一项所述投资策略的智能推荐方法的步骤。
10.一种服务器，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述投资策略的智能推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039032.5A CN109859052B (zh) | 2019-01-16 | 2019-01-16 | 一种投资策略的智能推荐方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910039032.5A CN109859052B (zh) | 2019-01-16 | 2019-01-16 | 一种投资策略的智能推荐方法、装置、存储介质和服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109859052A CN109859052A (zh) | 2019-06-07 |
| CN109859052B true CN109859052B (zh) | 2024-02-23 |
Family
ID=66894787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910039032.5A Active CN109859052B (zh) | 2019-01-16 | 2019-01-16 | 一种投资策略的智能推荐方法、装置、存储介质和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859052B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390047A (zh) * | 2019-06-19 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
| CN110659318B (zh) * | 2019-08-15 | 2024-05-03 | 中国平安财产保险股份有限公司 | 基于大数据的策略推送方法、系统及计算机设备 |
| CN110533537A (zh) * | 2019-09-02 | 2019-12-03 | 智慧谷(厦门)物联科技有限公司 | 一种基于区块链的金融产品处理方法 |
| CN110659388B (zh) * | 2019-10-10 | 2022-07-22 | 北京奇艺世纪科技有限公司 | 一种待推荐信息筛选方法、装置、电子设备及存储介质 |
| CN111091466A (zh) * | 2019-11-25 | 2020-05-01 | 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 |
| KR102239140B1 (ko) * | 2020-02-19 | 2021-04-12 | 에셋플러스자산운용 주식회사 | 맞춤형 투자 포트폴리오 생성 및 검증하는 장치 및 방법 |
| CN112330404A (zh) * | 2020-11-10 | 2021-02-05 | 广发证券股份有限公司 | 数据处理方法和装置、服务器及存储介质 |
| CN113409152B (zh) * | 2021-06-22 | 2023-08-25 | 平安科技（深圳）有限公司 | 金融产品组合的适配方法、装置、设备及存储介质 |
| CN113781239A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 一种策略确定方法、装置、电子设备以及存储介质 |
| CN114782150B (zh) * | 2022-06-21 | 2022-09-13 | 北京梦幻天下科技有限公司 | 一种基于金融产品定向筛选的金融产品推荐方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7373324B1 (en) * | 1999-10-07 | 2008-05-13 | Robert C. Osborne | Method and system for exchange of financial investment advice |
| CN107180386A (zh) * | 2017-05-02 | 2017-09-19 | 优品财富管理股份有限公司 | 一种量化策略直播系统 |
| CN107798607A (zh) * | 2017-07-25 | 2018-03-13 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
| CN108229801A (zh) * | 2017-12-22 | 2018-06-29 | 上海宽全智能科技有限公司 | 逆向资产配置分析方法、设备及存储介质 |
| CN108804564A (zh) * | 2018-05-22 | 2018-11-13 | 深圳壹账通智能科技有限公司 | 金融产品的组合推荐方法及终端设备 |
| CN108921706A (zh) * | 2018-06-22 | 2018-11-30 | 中欧钱滚滚基金销售（上海）有限公司 | 基金投资理财的人工智能运算系统 |
-
2019
- 2019-01-16 CN CN201910039032.5A patent/CN109859052B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7373324B1 (en) * | 1999-10-07 | 2008-05-13 | Robert C. Osborne | Method and system for exchange of financial investment advice |
| CN107180386A (zh) * | 2017-05-02 | 2017-09-19 | 优品财富管理股份有限公司 | 一种量化策略直播系统 |
| CN107798607A (zh) * | 2017-07-25 | 2018-03-13 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
| CN108229801A (zh) * | 2017-12-22 | 2018-06-29 | 上海宽全智能科技有限公司 | 逆向资产配置分析方法、设备及存储介质 |
| CN108804564A (zh) * | 2018-05-22 | 2018-11-13 | 深圳壹账通智能科技有限公司 | 金融产品的组合推荐方法及终端设备 |
| CN108921706A (zh) * | 2018-06-22 | 2018-11-30 | 中欧钱滚滚基金销售（上海）有限公司 | 基金投资理财的人工智能运算系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109859052A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859052B (zh) | 一种投资策略的智能推荐方法、装置、存储介质和服务器 | |
| Huang et al. | Deep learning in finance and banking: A literature review and classification | |
| Amani et al. | Data mining applications in accounting: A review of the literature and organizing framework | |
| US11276007B2 (en) | Method and system for composite scoring, classification, and decision making based on machine learning | |
| Ic et al. | Development of a quick credibility scoring decision support system using fuzzy TOPSIS | |
| KR101913591B1 (ko) | 비정형 데이터를 정형화하여 금융상품을 추천하는 방법 | |
| US20060122849A1 (en) | Technique evaluating device, technique evaluating program, and technique evaluating method | |
| Saleh et al. | Big Data analytics and financial reporting quality: qualitative evidence from Canada | |
| CN107437227A (zh) | 股票投资分析装置与方法 | |
| US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
| KR102551906B1 (ko) | 기업정보를 이용한 기업 평가 시스템 | |
| CN111291925A (zh) | 一种基于人工智能的金融市场预测及决策的系统、方法 | |
| Roy et al. | Modelling a sustainable credit score system (SCSS) using BWM and fuzzy TOPSIS | |
| Sayyadi Tooranloo et al. | Analyzing causal relationships of effective factors on the decision making of individual investors to purchase shares | |
| Chen et al. | Time-varying causality in the price-rent relationship: Revisiting housing bubble symptoms | |
| Janková et al. | Type-2 fuzzy expert system approach for decision-making of financial assets and investing under different uncertainty | |
| Cristea | Emerging IT technologies for accounting and auditing practice | |
| Hoang et al. | Assessing environmental, social and governance (ESG) performance of global electronics industry: an integrated MCDM approach-based spherical fuzzy sets | |
| CN116228302A (zh) | 业务市场环境的分析方法、装置、处理器以及电子设备 | |
| KR102543211B1 (ko) | 비정형 기업 데이터를 이용한 기업성장 예측 시스템 | |
| Nikolić et al. | Application of FAHP–PROMETHEE Hybrid Model for Prioritizing SMEs Failure Factors | |
| KR20230062256A (ko) | 기업정보를 이용한 기업 투자정보 제공 시스템 | |
| Takayanagi et al. | Context-Aware Stock Recommendations with Stocks' Characteristics and Investors' Traits | |
| Kanthimathi et al. | Stock Market Prediction Using AI | |
| Meghanadh et al. | Imputation of missing values in the fundamental data: using MICE framework |
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 |