CN110009502B - 理财数据分析方法、装置、计算机设备和存储介质 - Google Patents

理财数据分析方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110009502B
CN110009502B CN201910264392.5A CN201910264392A CN110009502B CN 110009502 B CN110009502 B CN 110009502B CN 201910264392 A CN201910264392 A CN 201910264392A CN 110009502 B CN110009502 B CN 110009502B
Authority
CN
China
Prior art keywords
data
financial
analysis
transaction
fund flow
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
Application number
CN201910264392.5A
Other languages
English (en)
Other versions
CN110009502A (zh
Inventor
马万里
甘瑞华
叶丽娜
杨明
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 CN201910264392.5A priority Critical patent/CN110009502B/zh
Publication of CN110009502A publication Critical patent/CN110009502A/zh
Application granted granted Critical
Publication of CN110009502B publication Critical patent/CN110009502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及大数据技术领域，提供一种理财数据分析方法、装置、计算机设备和存储介质，获取理财交易数据；提取理财交易数据中资金流向数据和交易时间数据；根据交易时间数据对资金流向数据进行排序；将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。以交易时间为基准，得到不同交易时间内对应的资金流向数据，基于移动加权平均法构建的理财分析模型，能够得出不同时间段内每笔资金流向发生变动后的用户理财分析数据，分析数据更为全面，且简化分析步骤，便于对用户投资情况进行准确分析。

Description

理财数据分析方法、装置、计算机设备和存储介质
技术领域
本申请涉及大数据技术领域，特别是涉及一种理财数据分析方法、装置、计算机设备和存储介质。
背景技术
随着投资理财行业的兴起，国内的金融市场出现了越来越多的理财投资产品，相应的，投资理财分析软件也层出不穷。
由于市场上投资产品种类繁多，而大部分投资者缺乏专业金融知识，对于理财投资产品的选择主要依赖于委托机构的理财经理以及理财交易数据分析软件。
然而，传统的理财交易数据处理分析方案按是根据诸多的计算方法获取理财交易数据对应的分析数据，分析方法繁琐复杂且不全面，不便于对用户投资情况进行准确分析。
发明内容
基于此，有必要针对传统的理财交易数据处理分析方案不便于对用户投资情况进行准确分析，提供便于对用户投资情况进行准确分析的一种理财数据分析方法、装置、计算机设备和存储介质。
一种理财数据分析方法，包括：
获取理财交易数据；
提取理财交易数据中资金流向数据和交易时间数据；
根据交易时间数据对资金流向数据进行排序；
将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之前，还包括:
采集历史理财交易数据；
根据历史理财交易数据，基于移动加权平均法，构建理财分析模型。
在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：
从理财数据分析结果中抽取PE(Private Equity，私募股权投资)产品的本金分配以及用户收益；
将PE产品的本金分配计入用户收益，更新用户收益；
推送更新后的用户收益。
在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：
从理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本；
将每份产品成本以及每份产品收益分别计入用户持仓成本以及用户持仓收益，更新用户持仓成本以及用户持仓收益；
推送更新后的用户持仓成本以及用户持仓收益。
在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：
将理财数据分析结果转换为Json格式的映射集合对象；
根据Json格式的映射集合对象，构建可视化图表。
在其中一个实施例中，根据Json格式的映射集合对象，构建可视化图表包括：
通过Jquery库中的ajax方法动态获取Json格式的映射集合对象；
对获取到的Json格式的映射集合对象进行清洗；
将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
一种理财数据分析装置，所述装置包括：
数据获取模块，用于获取理财交易数据；
数据提取模块，用于提取理财交易数据中资金流向数据和交易时间数据；
数据排序模块，用于根据交易时间数据对资金流向数据进行排序；
数据分析模块，用于将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
在其中一个实施例中，所述装置还包括：
可视化图表构建模块，用于将理财数据分析结果转换为Json格式的映射集合对象；根据Json格式的映射集合对象，构建可视化图表。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取理财交易数据；
提取理财交易数据中资金流向数据和交易时间数据；
根据交易时间数据对资金流向数据进行排序；
将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取理财交易数据；
提取理财交易数据中资金流向数据和交易时间数据；
根据交易时间数据对资金流向数据进行排序；
将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
上述理财数据分析方法、装置、计算机设备和存储介质，获取理财交易数据；提取理财交易数据中资金流向数据和交易时间数据；根据交易时间数据对资金流向数据进行排序；将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。以交易时间为基准，得到不同交易时间内对应的资金流向数据，基于移动加权平均法构建的理财分析模型，能够得出不同时间段内每笔资金流向发生变动后的用户理财分析数据，分析数据更为全面，且简化分析步骤，便于对用户投资情况进行准确分析。
附图说明
图1为理财数据分析方法的应用环境图；
图2为一个实施例中理财数据分析方法的流程图；
图3为一个实施例中理财数据分析方法的详细流程图；
图4为一个实施例中理财数据分析装置的结构示意图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的理财数据分析方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104从数据库接入的数据中获取理财交易数据；提取理财交易数据中资金流向数据和交易时间数据；并根据交易时间数据对资金流向数据进行排序；将排序后的资金流向数据输入至基于移动加权平均法构建的预设理财分析模型，得到理财数据分析结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种理财数据分析方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S100，获取理财交易数据。
其中，理财交易数据是服务器通过调用接口从数据库中获取，理财交易数据包括用户基础数据以及交易属性数据。用户基础数据包括用户个人信息、用户预期收益以及用户风险信息等等，用户个人信息包括用户姓名、性别、年龄、收入水平、存贷款以及用户账户所购买的理财产品数量等信息。交易属性数据包括每份交易产品类型、交易时间、交易金额、资金流向、交易产品所属托管机构、资金收益以及损益等。
步骤S200，提取理财交易数据中资金流向数据和交易时间数据。
服务器在采集理财交易数据之后，将理财交易数据经过数据清洗、数据集成、变换以及规约等一系列处理之后，得到格式规范的理财交易数据。由于理财交易数据包含多个属性，故可从多个资金维度对理财交易数据进行处理，服务器在经过上述一系列数据处理后，将格式规范的理财交易数据存储于多维度数据表中，根据表中资金流向字段以及交易时间字段对理财交易数据进行统计分组，提取资金流向数据以及交易时间数据。其中，资金流向为国际上一个成熟的技术指标，指数处于上升状态时，产生的成交额是推动指数上涨的力量，这部分成交额被定义为资金流入；指数下跌时的成交额是推动指数下降跌的力量，这部分成交额被定义为资金流出。举例说明，在8:01这一分钟，某个板块指数较前一分钟也就是8:00是上涨的，则将8:01这一分钟的成交额计作资金流入，反之，则计作资金流出。若指数与前一分钟相比没有发生变化，则不计入。此预处理过程为：每分钟计算一次，每天加总统计一次，当天流入资金与流出资金的差额被定义为该板块当天的资金净流入。资金流向测算的是推动指数涨跌的力量强弱，具有明显的指导意义。
步骤S300，根据交易时间数据对资金流向数据进行排序。
其中，交易时间即为每笔交易发生时记录的时间。在后台，每当交易数据发生变更，数据库中便插入更新记录，更新记录包括更新时间也就是常说的时间戳、更新后的交易数据等，交易数据对应的时间戳即可视为交易时间，服务器根据交易时间的先后顺序对资金流向数据进行排序，则能得到近期以及过去时刻的交易时间对应的资金流向数据。
步骤S400，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
其中，移动加权平均法亦称移动平均法，移动平均法与加权平均法的计算原理基本相同，不同的是加权平均法一个月计算一次单位成本，而移动平均法每当有资金流向变动，就计算一次单位成本。本实施例中，移动加权平均法不像简单移动平均法那样，在计算平均值时对移动期内的数据同等看待，而是根据愈是近期数据对计算值影响愈大这一特点，对移动期内的各个资金流向数据给予相应权重。其中，理财分析统计模型为Mt＝a1Yt-1+a2Yt-2+anYt-n，其中，Mt为第t期的移动平均数，Yt为第t期的观察数据即资金流向数据，n为移动步长，a1、a2以及an为权数(权数之和等于1)，移动步长和权数可根据实际情况进行设定。在服务器将排序后的资金流向数据输入基于移动加权平均法构建的理财分析模型后，按照交易时间的先后对近期资金流向数据给予较大的权数，对较远的资金流向数据给予较小的权数，计算平均值，得到模型输出的理财数据分析结果，理财数据分析结果包括每笔资金流向数据发生变动后的用户当前资金的平均单位成本、平均单位收益、平均单位配息、平均单位已实现损益、平均单位未实现损益、平均单位手续费、每份产品成本、每份产品收益、PE产品本金分配、用户持仓成本、用户持仓收益以及累计投资金额等数据。
上述理财数据分析方法中，获取理财交易数据；提取理财交易数据中资金流向数据和交易时间数据；根据交易时间数据对资金流向数据进行排序；将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。以交易时间为基准，得到不同交易时间内对应的资金流向数据，基于移动加权平均法构建的理财分析模型，能够得出不同时间段内每笔资金流向发生变动后的用户理财分析数据，分析数据更为全面，且简化分析步骤，便于对用户投资情况进行准确分析。
如图3所示，在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之前，还包括：S310，采集历史理财交易数据；根据历史理财交易数据，基于移动加权平均法，构建理财分析模型。
本实施例中，预设数据分析模型为事先已完成构建的模型，在实际操作过程中，只需完成一次模型构建，然后将构建好的预设理财分析模型添加到系统中，在每次理财交易数据分析中调用该模型即可。具体的，模型构建可以是采集历史理财交易数据，对理财交易数据进行清洗、集成、转换以及规约等一系列处理后，剔除不相关的数据，提取历史理财交易数据中的资金流向数据以及交易时间数据，基于移动加权平均法，构建初始理财分析模型，将提取到的资金流向数据以及交易时间数据作为训练样本集输入至初始理财分析模型，并给出理财数据分析结果的期望输出值以及训练误差允许值，利用最小二乘法对初始理财分析模型进行训练，计算理财数据分析结果的期望输出值与实际输出值的误差，然后根据最小二乘法调整模型参数，直至误差取到最小值。在其他实施例中，训练模型的方法还可以为梯度下降法以及其他算法。本实施例中，通过构建理财分析模型分析理财交易数据的方式，分析效率更高且成本低。
如图3所示，在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：S500，从理财数据分析结果中抽取PE产品的本金分配以及用户收益；将PE产品的本金分配计入用户收益，更新用户收益；推送更新后的用户收益。
其中，PE产品即为私募股权投资，简称PE，是通过私募形式募集资金，对私有企业，即非上市企业进行的权益性投资，从而推动非上市企业价值增长，最终通过上市、并购、管理层回购、股权置换等方式出售持股套现退出的一种投资行为。本金即贷款、存款或投资在计算利息之前的原始金额。在得出理财数据分析结果之后，获取其中的PE产品的本金分配以及用户收益，将PE产品的本金分配计入用户收益，更新用户收益，推送更新后的用户收益至终端。如此，展现出的用户收益更贴近于实际。
如图3所示，在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：S600，从理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本；将每份产品成本以及每份产品收益分别计入用户持仓成本以及用户持仓收益，更新用户持仓成本以及用户持仓收益；推送更新后的用户持仓成本以及用户持仓收益。
其中，用户持仓收益是指从自购买基金或者股票的那一天开始,到所看到的那天为止,所购买的基金的总收益。用户持仓成本是指在一个时期内连续分批(买入、卖出)交易某金融产品或衍生品(例如股票或期货)后的交易总成本减去浮动盈亏的数额除以现持有数量得到的数值，即(单位)持仓成本。在完成理财数据分析之后，从理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本，并将每份产品成本以及每份产品收益分别计入用户持仓成本以及用户持仓收益的计算，更新用户持仓成本以及用户持仓收益，将更新后的用户持仓收益以及用户持仓成本推送至用户终端。由此，用户能够更加直观清晰地了解到其投资产品的实际盈亏。
如图3所示，在其中一个实施例中，将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：S700，将理财数据分析结果转换为Json格式的映射集合对象；根据Json格式的映射集合对象，构建可视化图表。
具体的，由于经过预设理财分析模型分析得出的用户理财数据分析结果比较全面，数据也比较分散，不便于理财经理以及用户对理财分析结果作出准确分析，故服务器在得出理财数据分析结果后，将理财数据分析结果进行统一转换为Json格式的映射结合对象，并根据Json格式的映射集合对象，构建可视化图表。其中，可视化图表可包括折线图、柱状图、基础饼图以及散点图等等。映射集合对象数据可以包括对象字段，对象字段的可以与二维关系型的业务数据的字段相同。对象字段包括列表字段、字典字段和数组字段等。例如，对象字段可以是项目名称、机构名称或者产品名称等。服务器可以构建对象字段与可视化展示方式的展示属性之间的映射关系。不同的可视化展示方式，可以有不同的展示属性。例如，对于柱状图和折线图来讲，展示属性可以包括项目名称、X轴维度和Y轴指标三类。对于饼图来讲，展示属性可以包括项目名称和指标两类。不同的展示方式的展示属性与对象字段之间的映射关系可以不同。当需要按照不同展示方式来展示业务数据时，服务器只需要调整展示属性与对象字段之间的映射关系即可。本实施例中，服务器根据展示属性与对象字段之间的映射关系将理财数据分析结果转换为可视化工具所需的Json格式的映射集合对象，根据Json格式的映射集合对象，构建可视化图表，能够形象直观反映出用户理财理财数据分析结果。
在其中一个实施例中，根据Json格式的映射集合对象，构建可视化图表包括：通过Jquery库中的ajax方法动态获取Json格式的映射集合对象；对获取到的Json格式的映射集合对象进行清洗；将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
其中，Echarts图表插件是由百度商业前端数据可视化团队研发的图表库，可以流畅的运行在PC和移动设备上，兼容当前绝大部分浏览器(IE8/9/10/11，Chrome，Firefox，Safari等)，底层依赖轻量级的Canvas类库ZRender，提供直观、生动、可交互以及可高度个性化定制的数据可视化图表。ECharts提供了非常丰富的图表类型，常规的折线图、柱状图、散点图、饼图以及K线图，用于统计的盒形图，用于地理数据可视化的地图，热力图，线图，用于关系数据可视化的关系图，treemap，多维数据可视化的平行坐标，还有用于BI的漏斗图，仪表盘，并且支持图与图之间的混搭，满足用户绝大部分用户分析数据时的图表制作需求。本实施例中，服务器在后台使用Jquery库中的ajax方法，动态获取Json格式的映射集合对象，对获取到的Json格式的映射集合对象进行清洗，将清洗好的Json格式的映射集合对象传作为参数传给Echarts图表插件，Echarts图表插件可根据接收到的Json格式的映射集合对象构建可视化图表，随着数据的更新，展现的图表也随之变化。可以理解的是，在其他实施例中，可视化工具还可以Flot、Processing以及其他可视化工具。本实施中，通过ECharts图表插件构建可视化图表，图表类型更加多样化，视觉效果更好，能够满足不同的分析数据的图表制作要求。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种理财数据分析装置，包括：数据获取模块410、数据提取模块420、数据排序模块430和数据分析模块440，其中：
数据获取模块410，用于获取理财交易数据。
数据提取模块420，用于提取理财交易数据中资金流向数据和交易时间数据。
数据排序模块430，用于根据交易时间数据对资金流向数据进行排序。
数据分析模块440，用于将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
在一个实施例中，理财数据分析装置还包括模型构建模块450，用于采集历史理财交易数据；根据历史理财交易数据，基于移动加权平均法，构建理财分析模型。
在一个实施例中，数据分析模块440还用于从理财数据分析结果中抽取PE产品的本金分配以及用户收益；将PE产品的本金分配计入用户收益，更新用户收益；推送更新后的用户收益。
在一个实施例中，数据分析模块440还用于从理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本；将每份产品成本以及每份产品收益分别计入用户持仓成本以及用户持仓收益，更新用户持仓成本以及用户持仓收益；推送更新后的用户持仓成本以及用户持仓收益。
在一个实施例中，理财数据分析装置还包括可视化图表构建模块450，用于将理财数据分析结果转换为Json格式的映射集合对象；根据Json格式的映射集合对象，构建可视化图表。
在一个实施例中，可视化图表构建模块450还用于通过Jquery库中的ajax方法动态获取Json格式的映射集合对象；对获取到的Json格式的映射集合对象进行清洗；将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
关于理财数据分析装置的具体限定可以参见上文中对于理财数据分析方法的限定，在此不再赘述。上述理财数据分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储理财交易数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种理财数据分析方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取理财交易数据；提取理财交易数据中资金流向数据和交易时间数据；根据交易时间数据对资金流向数据进行排序；将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采集历史理财交易数据；根据历史理财交易数据，基于移动加权平均法，构建理财分析模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从理财数据分析结果中抽取PE产品的本金分配以及用户收益；将PE产品的本金分配计入用户收益，更新用户收益；推送更新后的用户收益。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本；将每份产品成本以及每份产品收益分别计入用户持仓成本以及用户持仓收益，更新用户持仓成本以及用户持仓收益；推送更新后的用户持仓成本以及用户持仓收益。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将理财数据分析结果转换为Json格式的映射集合对象；根据Json格式的映射集合对象，构建可视化图表。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：用于通过Jquery库中的ajax方法动态获取Json格式的映射集合对象；对获取到的Json格式的映射集合对象进行清洗；将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取理财交易数据；提取理财交易数据中资金流向数据和交易时间数据；根据交易时间数据对资金流向数据进行排序；将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果，预设理财分析模型基于移动加权平均法构建。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采集历史理财交易数据；根据历史理财交易数据，基于移动加权平均法，构建理财分析模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从理财数据分析结果中抽取PE产品的本金分配以及用户收益；将PE产品的本金分配计入用户收益，更新用户收益；推送更新后的用户收益。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本；将每份产品成本以及每份产品收益分别计入用户持仓成本以及用户持仓收益，更新用户持仓成本以及用户持仓收益；推送更新后的用户持仓成本以及用户持仓收益。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将理财数据分析结果转换为Json格式的映射集合对象；根据Json格式的映射集合对象，构建可视化图表。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：用于通过Jquery库中的ajax方法动态获取Json格式的映射集合对象；对获取到的Json格式的映射集合对象进行清洗；将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种理财数据分析方法，其特征在于，所述方法包括：
获取理财交易数据；
提取所述理财交易数据中资金流向数据和交易时间数据；
根据所述交易时间数据对所述资金流向数据进行排序；
将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果；
其中，所述资金流向数据包括指数处于上升状态时产生的成交额和指数处于下跌状态时产生的成交额，所述理财数据分析结果包括每笔资金流向数据发生变动后的投资回报数据，所述预设理财分析模型基于以下方式构建得到：采集历史理财交易数据，对所述历史理财交易数据进行数据预处理，提取出预处理后的所述历史理财交易数据中的资金流向数据以及交易时间数据，基于移动加权平均法，构建初始理财分析模型，将提取出的资金流向数据以及交易时间数据作为训练样本集输入至所述初始理财分析模型，根据理财数据分析结果的期望输出值以及训练误差允许值，利用最小二乘法对所述初始理财分析模型进行训练，计算理财数据分析结果的期望输出值与实际输出值的误差，根据最小二乘法调整初始理财分析模型的模型参数，直至所述误差取到最小值，得到已训练的理财分析模型。
2.根据权利要求1所述的理财数据分析方法，所述将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：
从所述理财数据分析结果中抽取PE产品的本金分配以及用户收益；
将所述PE产品的本金分配计入所述用户收益，更新所述用户收益；
推送更新后的用户收益。
3.根据权利要求1所述的理财数据分析方法，所述将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：
从所述理财数据分析结果中抽取每份产品成本、每份产品收益、用户持仓收益以及用户持仓成本；
将所述每份产品成本以及所述每份产品收益分别计入所述用户持仓成本以及所述用户持仓收益，更新所述用户持仓成本以及所述用户持仓收益；
推送更新后的用户持仓成本以及用户持仓收益。
4.根据权利要求1所述的理财数据分析方法，其特征在于，所述将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果之后，还包括：
将所述理财数据分析结果转换为Json格式的映射集合对象；
根据所述Json格式的映射集合对象，构建可视化图表。
5.根据权利要求4所述的理财数据分析方法，其特征在于，所述根据所述Json格式的映射集合对象，构建可视化图表包括：
通过Jquery库中的ajax方法动态获取所述Json格式的映射集合对象；
对获取到的Json格式的映射集合对象进行清洗；
将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
6.一种理财数据分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取理财交易数据；
数据提取模块，用于提取所述理财交易数据中资金流向数据和交易时间数据；
数据排序模块，用于根据所述交易时间数据对所述资金流向数据进行排序；
数据分析模块，用于将排序后的资金流向数据输入至预设理财分析模型，得到理财数据分析结果；
其中，所述资金流向数据包括指数处于上升状态时产生的成交额和指数处于下跌状态时产生的成交额，所述理财数据分析结果包括每笔资金流向数据发生变动后的投资回报数据，所述预设理财分析模型基于以下方式构建得到：采集历史理财交易数据，对所述历史理财交易数据进行数据预处理，提取出预处理后的所述历史理财交易数据中的资金流向数据以及交易时间数据，基于移动加权平均法，构建初始理财分析模型，将提取出的资金流向数据以及交易时间数据作为训练样本集输入至所述初始理财分析模型，根据理财数据分析结果的期望输出值以及训练误差允许值，利用最小二乘法对所述初始理财分析模型进行训练，计算理财数据分析结果的期望输出值与实际输出值的误差，根据最小二乘法调整初始理财分析模型的模型参数，直至所述误差取到最小值，得到已训练的理财分析模型。
7.根据权利要求6所述的理财数据分析装置，其特征在于，所述装置还包括：
可视化图表构建模块，用于将所述理财数据分析结果转换为Json格式的映射集合对象；根据所述Json格式的映射集合对象，构建可视化图表。
8.根据权利要求7所述的理财数据分析装置，其特征在于，所述可视化图表构建模块，还用于通过Jquery库中的ajax方法动态获取所述Json格式的映射集合对象，对获取到的Json格式的映射集合对象进行清洗，将清洗好的Json格式的映射集合对象作为参数传给Echarts图表插件，构建可视化图表。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN201910264392.5A 2019-04-03 2019-04-03 理财数据分析方法、装置、计算机设备和存储介质 Active CN110009502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910264392.5A CN110009502B (zh) 2019-04-03 2019-04-03 理财数据分析方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910264392.5A CN110009502B (zh) 2019-04-03 2019-04-03 理财数据分析方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110009502A CN110009502A (zh) 2019-07-12
CN110009502B true CN110009502B (zh) 2023-10-27

Family

ID=67169576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910264392.5A Active CN110009502B (zh) 2019-04-03 2019-04-03 理财数据分析方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110009502B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472895B (zh) * 2019-09-12 2022-08-23 广州酷旅旅行社有限公司 财务系统风控方法、装置、计算机设备和存储介质
CN112581268A (zh) * 2019-09-30 2021-03-30 北京宸瑞科技股份有限公司 海量资金交易数据情报分析方法及系统
CN111784504A (zh) * 2020-06-29 2020-10-16 京东数字科技控股有限公司 一种数据处理方法、装置、电子设备及存储介质
CN111815070A (zh) * 2020-07-23 2020-10-23 深圳壹账通智能科技有限公司 基于区块链的数据处理方法、装置、设备、及存储介质
CN111858742A (zh) * 2020-07-23 2020-10-30 中国建设银行股份有限公司 一种数据可视化方法、装置、存储介质及设备
CN114201972B (zh) * 2021-12-14 2022-07-05 长安银行股份有限公司 一种理财产品数据处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089208B1 (en) * 1999-04-30 2006-08-08 Paypal, Inc. System and method for electronically exchanging value among distributed users
CN101770629A (zh) * 2008-12-31 2010-07-07 杨冠平 基于期货投资者自身历史交易数据的诊断系统和方法
CN107123047A (zh) * 2017-04-14 2017-09-01 北京金融资产交易所有限公司 基于债券交易的数据采集系统及其数据采集方法
CN107679675A (zh) * 2017-10-20 2018-02-09 江苏电力信息技术有限公司 一种基于移动加权平均的现金流入预测方法
CN108776922A (zh) * 2018-06-04 2018-11-09 北京至信普林科技有限公司 基于大数据的理财产品推荐方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249957A1 (en) * 2005-03-07 2008-10-09 Hiroaki Masuyama Stock Portfolio Selection Device, Stock Portfolio Selection Method and Medium Storing Stock Portfolio Selection Program

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089208B1 (en) * 1999-04-30 2006-08-08 Paypal, Inc. System and method for electronically exchanging value among distributed users
CN101770629A (zh) * 2008-12-31 2010-07-07 杨冠平 基于期货投资者自身历史交易数据的诊断系统和方法
CN107123047A (zh) * 2017-04-14 2017-09-01 北京金融资产交易所有限公司 基于债券交易的数据采集系统及其数据采集方法
CN107679675A (zh) * 2017-10-20 2018-02-09 江苏电力信息技术有限公司 一种基于移动加权平均的现金流入预测方法
CN108776922A (zh) * 2018-06-04 2018-11-09 北京至信普林科技有限公司 基于大数据的理财产品推荐方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
商业模式PNMP-CET@I反馈调节分析模型:蚂蚁金服案例;李超等;《系统工程理论与实践》;第38卷(第6期);第1413-1421页 *

Also Published As

Publication number Publication date
CN110009502A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110009502B (zh) 理财数据分析方法、装置、计算机设备和存储介质
CN109063945B (zh) 一种基于价值评估体系的售电公司360度客户画像构建方法
CN103164804B (zh) 一种个性化的信息推送方法及装置
CN107993143A (zh) 一种信贷风险评估方法及系统
CN106251174A (zh) 信息推荐方法及装置
US8583408B2 (en) Standardized modeling suite
CN107729519B (zh) 基于多源多维数据的评估方法及装置、终端
US20210073683A1 (en) Machine learning models for evaluating differences between groups and methods thereof
Bijak et al. Modelling LGD for unsecured retail loans using Bayesian methods
CN113095408A (zh) 风险的确定方法、装置和服务器
US11790380B2 (en) Systems and methods for finding an interaction subset within a set of interactions
CN108154311A (zh) 基于随机森林和决策树的优质客户识别方法及装置
CN110751589A (zh) 一种ppp项目投资决策分析系统
CN108428138B (zh) 一种基于客户分群的客户生存率分析装置及分析方法
CN114493686A (zh) 一种运营内容生成推送方法及装置
US11295325B2 (en) Benefit surrender prediction
Megeid et al. The Role of Big Data Analytics in Supply Chain “3Fs”: Financial Reporting, Financial Decision Making and Financial Performance “An Applied Study”
CN107844874A (zh) 企业营运问题分析系统及其方法
EP3493082A1 (en) A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
CN112132689A (zh) 一种基于时序因子事件的推荐方法和装置
JP6317940B2 (ja) 高精度小地域シミュレーションシステム及びそのプログラム
Shamisavi et al. Forecasting Tehran Stock Exchange Trend with Time Series Analysis, Fundamental Data, and Sentiment Analysis in News
CN117522433A (zh) 一种不良资产估值方法、系统、设备及介质
Veronica et al. Analysis Indonesia’s Export Value Forecasting to G20 Countries Using Long Short-Term Memory Neural Network Method

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