CN110223137A - 产品组合推荐方法、装置、计算机设备和存储介质 - Google Patents

产品组合推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110223137A
CN110223137A CN201910428359.1A CN201910428359A CN110223137A CN 110223137 A CN110223137 A CN 110223137A CN 201910428359 A CN201910428359 A CN 201910428359A CN 110223137 A CN110223137 A CN 110223137A
Authority
CN
China
Prior art keywords
finance product
combination
product
finance
user
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
CN201910428359.1A
Other languages
English (en)
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 CN201910428359.1A priority Critical patent/CN110223137A/zh
Publication of CN110223137A publication Critical patent/CN110223137A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及大数据技术领域，提供一种产品组合推荐方法、装置、计算机设备和存储介质，首先，基于已训练的神经网络模型，能够由用户行为特征数据得到用户的理财产品偏好数据，再根据理财产品信息及成熟的马克维茨均值方差模型，绘制有效前沿曲线，能够得到满足理财产品组合的预期收益率的情况下的最优的理财产品组合，即有效理财产品组合集，通过结合用户理财偏好数据和有效理财产品组合集这二者向有用户推荐理财产品组合，能为用户在理财产品组合策略方面提供针对性建议，带来便利。

Description

产品组合推荐方法、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，特别是涉及一种产品组合推荐方法、装置、计算机设备和存储介质。
背景技术
当前，我国市场经济持续平稳发展，投资理财业务逐渐兴起，已经成文一种常见的生活方式。对于普通用户来说，由于缺乏专业的金融背景，对于理财产品的投资往往需要借助金融分析领域的专业人士或专业理财分析软件对其进行投资指导和规划。
由此，目前的投资市场中，出现了具有为用户提供多样化的理财产品的咨询功能的理财产品分析软件，该类理财分析软件主要为个人或企业用户制定投资方案，做出理财规划。
但是，传统的理财产品分析方案往往只是针对单一的理财产品，根据传统的金融产品预测方法结合业务规则为用户制定投资策略，在组合投资策略方面还不够完善，无法给用户带来便利。
发明内容
基于此，有必要针对传统理财产品分析方案在组合投资策略不够完善，无法给用户带来便利的问题，提供一种产品组合推荐方法、装置、计算机设备和存储介质。
一种产品组合推荐方法，包括：
接收用户理财产品推荐请求，获取用户信息以及理财产品信息；
提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建；
根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集；
根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
在其中一个实施例中，提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据之前，还包括：
获取历史用户信息以及历史投资理财产品信息；
建立神经网络模型、并将历史用户信息输入至神经网络模型中，获取初始理财偏好数据；
根据初始理财偏好数据与历史投资理财产品信息，获得预推荐理财产品组合；
获取预推荐理财产品组合的历史收益与风险等级；
将预推荐理财产品组合的历史收益与风险等级返回至神经网络模型中，训练神经网络模型。
在其中一个实施例中，已训练的神经网络模型包括评价网络层以及行动网络层；得到用户理财产品偏好数据包括：
将行为特征数据输入至已训练的神经网络模型，由评价网络层输出预推荐理财产品组合的评价特征数据；
将评价特征数据输入至行动网络层，得到用户理财偏好数据。
在其中一个实施例中，根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线包括：
根据所述理财产品信息，划设理财产品组合；
获取理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差；
根据理财产品组合的预期收益率、理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，通过马克维茨均值方差模型，得到理财产品组合中每个理财产品的权重；
根据理财产品组合的预期收益率以及理财产品组合中每个理财产品的权重，得到使理财产品组合方差最小的理财产品组合解；
根据不同理财产品组合的预期收益率对应的不同最小方差组合解，绘制有效前沿曲线。
在其中一个实施例中，根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合包括：
根据余弦相似度算法，将用户理财偏好数据与有效理财产品组合集中的理财产品组合进行相似度匹配；
将满足预设相似度要求和预设预期收益的理财产品组合标记为理财产品推荐组合。
在其中一个实施例中，还包括：
获取用户从有效理财产品组合集中选择的理财产品组合，对已选择理财产品组合进行风险检核。
在其中一个实施例中，对已选择理财产品组合进行风险检核包括：
获取用户信息中的用户风险等级以及已选择理财产品组合的预期收益率和方差；
根据已选择理财产品组合的预期收益率和方差，确定已选择理财产品组合的风险等级；
当用户风险等级与已选择理财产品组合的风险等级不匹配时，输出风险预警消息。
一种产品组合推荐装置，装置包括：
数据获取模块，用于接收用户理财产品推荐请求，获取用户信息以及理财产品信息；
理财偏好数据获取模块，用于提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建；
有效产品组合集确定模块，用于根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集；
产品推荐模块，用于根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
接收用户理财产品推荐请求，获取用户信息以及理财产品信息；
提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建；
根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集；
根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
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：
接收用户理财产品推荐请求，获取用户信息以及理财产品信息；
提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建；
根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集；
根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
上述产品组合推荐方法、装置、计算机设备和存储介质，首先，基于已训练的神经网络模型，能够由用户行为特征数据得到用户的理财产品偏好数据，再根据理财产品信息及成熟的马克维茨均值方差模型，绘制有效前沿曲线，能够得到满足理财产品组合的预期收益率的情况下的最优的理财产品组合，即有效理财产品组合集，通过结合用户理财偏好数据和有效理财产品组合集这二者向有用户推荐理财产品组合，能为用户在理财产品组合策略方面提供针对性建议，带来便利。
附图说明
图1为产品组合推荐方法的应用环境图；
图2为一个实施例中产品组合推荐方法的流程图；
图3为一个实施例中产品组合推荐方法的详细流程图；
图4为一个实施例中得到有效前沿的步骤流程图；
图5为一个实施例中理财产品组合的有效前沿示意图；
图6为一个实施例中产品组合推荐装置的结构示意图；
图7为另一个实施例中产品组合推荐装置的结构示意图；
图8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。
本申请提供的产品组合推荐方法，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当接收终端102发送的用户理财产品推荐请求，接收用户理财产品推荐请求，获取用户信息以及理财产品信息，提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建，根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集，根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。然后，将理财产品推荐组合显示于终端102的屏幕，用户可在该终端102选择需要的理财产品组合。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。
在其中一个实施例中，如图2所示，提供了一种产品组合推荐方法，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S200，接收用户理财产品推荐请求，获取用户信息以及理财产品信息。
资源服务器利用数据接口从数据库接入交易数据，提取其中的用户信息以及理财产品信息。具体的，用户信息包括用户个人信息和用户的行为特征数据等，其中，用户行为特征数据包括用户投资(已购买)的历史理财产品信息。进一步的，用户个人信息可以包括用户名称、性别、职业、年龄、用户标识、个人资产情况、用户持仓信息、用户风险等级、用户所购买的产品类型、产品收益以及产品风险等信息。理财产品是指即由商业银行和正规金融机构自行设计并发行的产品，其一般具有一定周期。具体的，可以包括一定期限内的货币基金、银行理财、债券、混合型基金以及股票型基金等。其中，理财产品信息，其可以包括理财产品属性信息和市场经济环境信息。具体的，理财产品属性信息包括产品名称、产品类型、产品预期收益、产品方差、产品风险等级、产品标识以及产品所属机构等，市场经济环境信息包括市场指数、股价点数以及货币汇率等等。更进一步的，本实施例中，理财产品信息包括理财产品组合中各个产品的预期收益率、方差以及各个产品之间的协方差。
步骤S400，提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建。
本实施例中，已训练的神经网络模型可以是强化学习网络模型。其中，强化学习又称再励学习、评价学习，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。强化学习是智能体(Agent)以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learningsystem)如何去产生正确的动作。本实施例中，强化学习网络模型是基于历史数据中用户信息、用户所购买的理财产品信息以及理财产品的收益和风险数据构建，该模型包括两个神经网络层，即行动网络层和评价网络层，行动网络层是根据当前的状态而决定下一个时刻施加到环境上去的最好动作，评价网络层根据当前的状态和模拟环境用于预测标量值的外部强化信号，这样它可单步和多步预报当前由行动网络层施加到环境上的动作强化信号，可以提前向动作网络提供有关将候选动作的强化信号，以及更多的奖惩信息(内部强化信号)，以减少不确定性并提高学习速度。在采集到用户信息后，采用归一法将数据进行统一处理，包括所有信息统一到相同周期、收入统一以人民币为单位，且以年为单位，并将数据结构化，将用户信息中的用户个人信息表示为{姓名、性别、职业、收入、预期收益等}，将用户行为特征数据中所购买的理财产品信息包括{产品标识、风险等级、年均收益、最大收益等}，提取用户行为特征数据输入至已训练的强化学习网络模型中，得到用户理财产品偏好数据。
步骤S600，根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集。
其中，马克维茨均值方差模型是基于马克维茨投资组合理论以及理财产品信息构建，其目标函数为：minб2(rp)＝∑∑XiXjCov(ri,rj)，rp＝∑xiri，限制条件为：1＝∑Xi(允许卖空)或1＝∑Xi(Xi≥0)(不允许卖空)，其中rp为组合收益，ri为第i只投资项目的收益，Xi、Xj为投资项目i、j的投资比例，б2(rp)为组合投资方差(组合总风险)，Cov(ri,rj)为两个投资项目之间的协方差，投资项目可以是理财产品组合。本实施例中，当马克维茨均值方差模型构建之后，便获取理财产品信息中的各个理财产品组合的预期收益率，进而根据各个理财产品组合的预期收益率，求解马克维茨均值方差模型在给定的理财产品组合的预期收益率下，为使理财产品组合风险最小时各理财产品组合中单个理财产品的权重，进而绘制出有效前沿曲线。由上述马克维茨均值方差模型的可知，在限制条件下求解Xi使组合风б2(rp)最小，可通过拉格朗日函数求得。该模型的意义是，在给定预期收益的条件下，通过上式可确定每个投资项目(如理财产品)上的权重，即投资比例(项目资金分配)，使该组合的总投资风险(方差)最小。该模型以方差刻画风险，在不同的预期收益水平下，得到相应的使方差最小的资产组合解，这些解构成了最小方差组合，也就是我们通常所说的有效组合，有效组合的收益率期望和相应的最小方差组合之间所形成的曲线，就是有效前沿曲线，有效前沿曲线中包括多个点，每一个点都代表在给定的预期收益率的情况下最优的理财产品组合即有效投资组合，有效前沿曲线即为有效投资组合的集合，采集位于有效前沿曲线中的组合，得到组合集，将组合集确定为有效理财产品组合集。本实施例中，通过有效前沿能够初步得到符合客户预期的收益水平的理财产品组合，并且能够进一步根据用户特点实现理财产品组合的个性化推荐。我们可以根据理财产品信息和马克维茨均值方差模型，得到有效理财产品组合集，用户可根据自己的理财偏好从中选择合适的理财产品组合。
步骤S800，根据理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
由于有效理财产品组合集中存在多个有效组合，用户在获取有效理财产品组合集后，可能依然无法抉择适合自己的理财产品组合，如果选择与自身资产情况和预期收益不相符合的理财产品组合，可能导致用户无法获得预期的收益。为了避免上述问题的发生，我们可根据基于强化学习网络模型得到的用户理财偏好数据，从有效理财产品组合集中为用户匹配出适宜的理财产品组合，推荐理财产品组合，供客户选择，提高客户选择效率。
上述产品组合推荐方法，首先，基于已训练的神经网络模型，能够由用户行为特征数据得到用户的理财产品偏好数据，再根据理财产品信息及成熟的马克维茨均值方差模型，绘制有效前沿曲线，能够得到满足理财产品组合的预期收益率的情况下的最优的理财产品组合，即有效理财产品组合集，通过结合用户理财偏好数据和有效理财产品组合集这二者向有用户推荐理财产品组合，能为用户在理财产品组合策略方面提供针对性建议，带来便利。
如图3所示，在其中一个实施例中，提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据之前，还包括：S300，获取历史用户信息以及历史投资理财产品信息，建立神经网络模型、并将历史用户信息输入至神经网络模型中，获取初始理财偏好数据，根据初始理财偏好数据与历史投资理财产品信息，获得预推荐理财产品组合，获取预推荐理财产品组合的历史收益与风险等级，将预推荐理财产品组合的历史收益与风险等级返回至神经网络模型中，训练神经网络模型。
神经网络模型以强化学习网络模型为例，该模型包括行动网络层和评价网络层，行动网络层是一个全连接神经网络模型，其输入端的结构与结构化用户信息的结构相同，在输入用户信息后，其输出端为风险等级不同的若干分类输出项，能够根据输入端接收的用户信息加以分析输出对应的初始的用户理财偏好数据，然后根据初始理财偏好数据与历史投资理财产品信息，获取预推荐理财产品组合，再获取预推荐理财产品组合之后，查找预推荐理理财产品的历史收益以及风险等级，将预推荐理财产品组合的历史收益与风险等级返回至强化学习网络模型中，然后根据梯度调整强化学习网络模型的参数，继续对强化学习网络模型进行训练，直至强化学习网络模型的状态最佳。在建立好强化学习网络模型后，初始化行动网络层参数和评价网络层参数，采用策略梯度算法在多次迭代中更新行动网络层参数和评价网络层参数，调整强化学习网络模型的参数，直到强化学习网络模型能够输出最优理财偏好数据。
在其中一个实施例中，得到用户理财产品偏好数据包括：S420，将行为特征数据输入至已训练的神经网络模型，由评价网络层输出预推荐理财产品组合的评价特征数据，将评价特征数据输入至行动网络层，得到用户理财偏好数据。
评价特征数据即为奖励值或处罚值，在将预推荐投资产品组合的历史收益与风险等级返回至强化学习网络模型，强化学习网络模型计算输出一个奖励值或惩罚值，再将该奖励值或惩罚值返回至强化学习网络模型，以对强化学习网络模型中的网络层的参数进行调整，具体包括：将历史用户信息输入预设强化学习网络模型的评价网络层，由评价网络层计算出预推荐理财产品组合的奖励值或处罚值，再将奖励值或处罚值输入至行动网络层，由行动网络层输出用户理财偏好数据，其中，采用最小化损失函数更新评价网络层的参数，采用随机梯度下降的方式更新行动网络层参数，在更新完后强化学习网络参数之后，将用户的新状态输入至强化学习网络模型，持续迭代对强化学习网络结构的参数进行更新，直到强化学习网络模型的状态达到最佳，能够输出最优理财偏好数据。其中，随机梯度下降算法为每次都通过贝尔曼方程以递归形式反馈，更新强化学习网络模型的参数，调整其状态。可以理解的是，在其他实施例中，更新更新行动网络层参数的算法还可以是其他策略梯度方法、Adagrad算法以及其他优化算法。利用强化学习网络模型输出用户理财偏好数据，强化学习网络模型以学习的方式不断修改从状态到动作的映射策略，能够达到优化系统性能目的。
如图4所示，在其中一个实施例中，根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线包括：S601，根据所述理财产品信息，划设理财产品组合；S602，获取理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差；S604，根据理财产品组合的预期收益率、理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，通过马克维茨均值方差模型，得到理财产品组合中每个理财产品的权重；S606，根据理财产品组合的预期收益率以及理财产品组合中每个理财产品的权重，得到使理财产品组合方差最小的理财产品组合解；S608，根据不同理财产品组合的预期收益率对应的不同最小方差组合解，绘制有效前沿曲线。
在实际应用中，可以是获取理财产品信息后，根据各理财产品信息中理财产品属性信息和市场经济环境信息，将具有相同或相似属性信息或相关联的理财产品划设到相同的理财产品组合。其中，方差为单个理财产品的预期收益率的方差，即表示每个理财产品预期收益率与其总体预期收益率均值的偏离程度，为已知量。协方差用于衡量两个变量的总体误差，而方差是协方差的一种特殊情况，即两个变量相同，协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。本实施例中，协方差为预期收益率的协方差，表示两个理财产品之间的预期收益率之间的误差。由马克维茨均值方差模型的函数可知，在给定理财产品组合中预期收益率的情况下，利用拉格朗日函数，可确定该理财产品组合中每个理财产品的权重(投资比例)，使得该组合的方差最小。其中，拉格朗日函数为拉格朗日乘数法，是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法，这种方法将一个有n个变量与k个约束条件的最优化问题转换为一个有n+k个变量的方程组的极值问题，其变量不受任何约束。具体的，各理财产品的预期收益率是用户预先给出，为已知变量，各个理财产品组合的预期收益率即为该组合中所有理财产品的预期收益率的加权平均。根据一组理财产品组合可以构建多个理财产品组合，例如，一组理财产品组合包括理财产品A、理财产品以及理财产品C，其可构建的组合包括理财产品A和理财产品B构成的组合I、由理财产品A和理财产品C构成的组合II、由理财产品B和理财产品C构成组合III，且上述三种组合中理财产品A、理财产品以及理财产品C在其组合中所占比例未知。由上述马克维茨均值方差模型可知，在给定某个理财产品组合的预期收益率的条件下，建立马克维茨均值方差模型，设置好模型的约束条件，可通过拉格朗日函数可确定该理财产品组合中每个理财产品的权重，使得该理财产品组合方差(风险)最小的组合解。进一步的，不同的理财产品组合预期收益率能得到对应的不同最小方差组合解，进而绘制出有效前沿曲线，获取有效理财产品组合集。
具体的，将要解决的问题转化为约束优化问题，得到：
其中，wi为产品i在组合中的权重，i＝1,2,3…n，wj为产品j在组合中的权重，j＝1,2,3…j，σij为由产品i和产品j组成的方差，为预期收益率。对于上述带约束条件的优化问题，可引入拉格朗日乘子λ和μ来求条件极值，构造拉格朗日辅助函数：
其中，上式分别对wi求导数，然后，令其一阶导数为0，可以得到如下方程组：
结合已知的理财产品组合的预期收益率、该组合中各个产品的方差以及预期收益率，求得各个产品的权重。然后，根据λ和μ以及各个产品的权重，可计算得到该理财产品组合的方差。以此迭代计算，给定不同的理财产品组合预期收益率，可求得对应的最小方差组合解。如图5所示，点A即代表在给定预期收益率的情况下其所在的理财产品组合中的最小方差组合。然后，以理财产品组合的方差表示二维坐标系的横轴，以理财产品组合的预期收益率表示二维坐标系的纵坐标，可以得到一条如图5所示的理财产品组合的有效前沿曲线，在这条有效前沿曲线上的点都是有效理财产品组合，取该有效前沿曲线上的点，组成有效理财产品组合集。本实施例中，利用拉格朗日乘除法求解最小方差组合，将原本计算复杂的过程转换为有n+k个变量的方程组的极值问题，且该变量不受任何约束，简化了计算过程。
如图4所示，在其中一个实施例中，根据理财偏好数据和有效理财产品组合集，推荐理财产品组合包括：S820，根据余弦相似度算法，将用户理财偏好数据与有效理财产品组合集中的理财产品组合进行相似度匹配，将满足预设相似度要求和预设预期收益的理财产品组合标记为理财产品推荐组合。
其中，理财偏好数据是以风险等级的形式给出，将用户理财偏好数据转换为一个向量表示形式，与有效理财产品组合集中的理财产品组合进行余弦相似度匹配。余弦相似度，是通过计算两个向量的夹角余弦值来评估两者之间的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。一个向量空间中两个向量夹角间的余弦值作为衡量两个个体之间差异的大小，余弦值接近1，夹角趋于0，表明两个向量越相似，余弦值接近于0，夹角趋于90度，表明两个向量越不相似。余弦相似度匹配方法如下：
其中，cosθ为余弦相似度，A为用户理财偏好的向量，B为理财产品组合的向量。匹配后，获取余弦相似度最高的M(M≥1)个理财产品组合，并从M个投资产品组合中获取预期收益最高的N个理财产品组合作为向用户推荐的投资产品组合，此处M大于N，本实施中，获取余弦相似度最高的10个理财产品组合，并从10个理财产品组合中选择预期收益最高的5个理财产品组合，向用户推荐输出。可以理解的是，在其他实施例中，推荐的理财产品组合可以为多个也可以为一个，上述M和N可以取其他数值，只要满足M大于N即可。余弦相似度匹配方法还可以为皮尔森相关系数法、杰卡德相似度算法以及其他算法。本实施例中，根据用户理财偏好数据，利用余弦相似度匹配算法，从有效理财产品组合中匹配出相似最高且收益最高的多个理财产品组合作为目标理财产品组合推荐，更具针对性，实现个性化推荐。
如图4所示，在其中一个实施例中，还包括：S900，获取用户从有效理财产品组合集中选择的理财产品组合，对已选择理财产品组合进行风险检核。
投资理财实际是风险与机遇并存，任何理财产品有收益就会有风险，故需要对理财产品进行风险检核。其中，风险检核即表示风险检查核实，当服务器从有效理财产品组合集中获取用户已选择的理财产品组合后，会依据成熟的风险等级划分方法将该已选择理财产品组合划分为相应等级，并对该已选择的理财产品组合进行风险检核。由此，可以对用户已选择的理财产品组合的风险进行量化分析，有助于将用户投资风险降到最低。
如图4所示，在其中一个实施例中，对已选择理财产品组合进行风险检核包括：S950，获取用户信息中的用户风险等级；根据已选择理财产品组合的预期收益率和方差，确定已选择理财产品组合的风险等级；当用户风险等级与已选择理财产品组合的风险等级不匹配时，输出风险预警消息。
其中，用户风险、用户已选择的理财产品组合的预期收益率和方差为已知量，用户风险等级即按照风险承受能力从低到高分为：A1(谨慎型)、A2(稳健型)、A3(平衡型)、A4(进取型)以及A5(激进型)；与之对应的理财产品按照风险等级从低到高分为：R1(谨慎型)、R2(稳健型)、R3(平衡型)、R4(进取型)以及R5(激进型)。服务器在获取用户已选择的理财产品组合后，根据该组合的预期收益率和方差，划分相应的风险等级。然后，将用户风险等级与用户已选择的理财产品组合的风险等级进行匹配，当已选择的理财产品风险等级大于用风险等级时，表明用户选择的理财产品组合风险等级超出用户的风险承受能力，输出风险预警信息，此风险预警信息用于通知理财经理帮助用户作出正确分析。本实施例中，在用户选择相应的理财产品组合之后，利用用户风险等级和该产品组合的风险等级作出风险检核，有效地避免了用户选择与自身风险承受能力不符的产品组合，造成资金损失。
应该理解的是，虽然图2-4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2-4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。
在其中一个实施例中，如图6所示，提供了一种产品组合推荐装置，包括：数据获取模块610、理财偏好数据获取模块620、有效产品组合集确定模块630和产品推荐模块640，其中：
数据获取模块610，用于接收用户理财产品推荐请求，获取用户信息以及理财产品信息。
理财偏好数据获取模块620，用于提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建。
有效产品组合集确定模块630，用于根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集。
产品推荐模块640，用于根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
如图7所示，在其中一个实施例中，产品组合推荐装置还包括神经网络模型训练模块650，用于获取历史用户信息以及历史投资理财产品信息，建立神经网络模型、并将历史用户信息输入至神经网络模型中，获取初始理财偏好数据，根据初始理财偏好数据与历史投资理财产品信息，获得预推荐理财产品组合，获取预推荐理财产品组合的历史收益与风险等级，将预推荐理财产品组合的历史收益与风险等级返回至神经网络模型中，训练神经网络模型。
在其中一个实施例中，有效产品组合集确定模块620还用于根据所述理财产品信息，划设理财产品组合，获取理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，根据理财产品组合的预期收益率、理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，通过马克维茨均值方差模型，得到理财产品组合中每个理财产品的权重，根据理财产品组合的预期收益率以及理财产品组合中每个理财产品的权重，得到使理财产品组合方差最小的理财产品组合解，根据不同理财产品组合的预期收益率对应的不同最小方差组合解，绘制有效前沿曲线。
在其中一个实施例中，理财偏好数据获取模块630还用于将将行为特征数据输入至已训练的神经网络模型，由评价网络层输出预推荐理财产品组合的评价特征数据，将评价特征数据输入至行动网络层，得到用户理财偏好数据。
在其中一个实施例中，产品推荐模块640还用于根据余弦相似度算法，将理财偏好数据与有效理财产品组合集中的理财产品组合进行相似度匹配，将满足预设相似度要求和预设预期收益的理财产品组合标记为理财产品推荐组合。
在其中一个实施例中，产品组合推荐装置还包括风险检核模块660，用于获取用户从有效理财产品组合集中选择的理财产品组合，对已选择理财产品组合进行风险检核。
在其中一个实施例中，风险检核模块660还用于获取用户信息中的用户风险等级；根据已选择理财产品组合的预期收益率和方差，确定已选择理财产品组合的风险等级；当用户风险等级与已选择理财产品组合的风险等级不匹配时，输出风险预警消息。
关于产品组合推荐装置的具体限定可以参见上文中对于产品组合推荐方法的限定，在此不再赘述。上述产品组合推荐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。
在其中一个实施例中，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8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用户信息、理财产品信息以及理财产品交易数据等。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产品组合推荐方法。
本领域技术人员可以理解，图8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。
在其中一个实施例中，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：接收用户理财产品推荐请求，获取用户信息以及理财产品信息，提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建，根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集，根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史用户信息以及历史投资理财产品信息，建立神经网络模型、并将历史用户信息输入至神经网络模型中，获取初始理财偏好数据，根据初始理财偏好数据与历史投资理财产品信息，获得预推荐理财产品组合，获取预推荐理财产品组合的历史收益与风险等级，将预推荐理财产品组合的历史收益与风险等级返回至神经网络模型中，训练神经网络模型。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：将行为特征数据输入至已训练的神经网络模型，由神经网络模型的评价网络层输出预推荐理财产品组合的评价特征数据，将评价特征数据输入至神经网络模型的行动网络层，得到用户理财偏好数据。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述理财产品信息，划设理财产品组合，获取理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，根据理财产品组合的预期收益率、理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，通过马克维茨均值方差模型，得到理财产品组合中每个理财产品的权重根据理财产品组合的预期收益率以及理财产品组合中每个理财产品的权重，得到使理财产品组合方差最小的理财产品组合解，根据不同理财产品组合的预期收益率对应的不同最小方差组合解，绘制有效前沿曲线。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：根据余弦相似度算法，将用户理财偏好数据与有效理财产品组合集中的理财产品组合进行相似度匹配，将满足预设相似度要求和预设预期收益的理财产品组合标记为理财产品推荐组合。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取用户从有效理财产品组合集中选择的理财产品组合，对已选择理财产品组合进行风险检核。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取用户信息中的用户风险等级；根据已选择理财产品组合的预期收益率和方差，确定已选择理财产品组合的风险等级；当用户风险等级与已选择理财产品组合的风险等级不匹配时，输出风险预警消息。
在其中一个实施例中，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：接收用户理财产品推荐请求，获取用户信息以及理财产品信息，提取用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建，根据理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据有效前沿曲线，得到有效理财产品组合集，根据用户理财偏好数据以及有效理财产品组合集，得到理财产品推荐组合。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史用户信息以及历史投资理财产品信息，建立神经网络模型、并将历史用户信息输入至神经网络模型中，获取初始理财偏好数据，根据初始理财偏好数据与历史投资理财产品信息，获得预推荐理财产品组合，获取预推荐理财产品组合的历史收益与风险等级，将预推荐理财产品组合的历史收益与风险等级返回至神经网络模型中，训练神经网络模型。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：将将行为特征数据输入至已训练的神经网络模型，由神经网络模型的评价网络层输出预推荐理财产品组合的评价特征数据，将评价特征数据输入至神经网络模型的行动网络层，得到用户理财偏好数据。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述理财产品信息，划设理财产品组合，获取理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，根据理财产品组合的预期收益率、理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，通过马克维茨均值方差模型，得到理财产品组合中每个理财产品的权重根据理财产品组合的预期收益率以及理财产品组合中每个理财产品的权重，得到使理财产品组合方差最小的理财产品组合解，根据不同理财产品组合的预期收益率对应的不同最小方差组合解，绘制有效前沿曲线。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据余弦相似度算法，将用户理财偏好数据与有效理财产品组合集中的理财产品组合进行相似度匹配，将满足预设相似度要求和预设预期收益的理财产品组合标记为理财产品推荐组合。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取用户从有效理财产品组合集中选择的理财产品组合，对已选择理财产品组合进行风险检核。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取用户信息中的用户风险等级；根据已选择理财产品组合的预期收益率和方差，确定已选择理财产品组合的风险等级；当用户风险等级与已选择理财产品组合的风险等级不匹配时，输出风险预警消息。
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，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)

1.一种产品组合推荐方法，其特征在于，包括：
接收用户理财产品推荐请求，获取用户信息以及理财产品信息；
提取所述用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，所述已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建；
根据所述理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据所述有效前沿曲线，得到有效理财产品组合集；
根据所述用户理财偏好数据以及所述有效理财产品组合集，得到理财产品推荐组合。
2.根据权利要求1所述的产品组合推荐方法，其特征在于，所述提取所述用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据之前，还包括：
获取历史用户信息以及历史投资理财产品信息；
建立所述神经网络模型、并将所述历史用户信息输入至所述神经网络模型中，获取初始理财偏好数据；
根据所述初始理财偏好数据与所述历史投资理财产品信息，获得预推荐理财产品组合；
获取所述预推荐理财产品组合的历史收益与风险等级；
将所述预推荐理财产品组合的历史收益与风险等级返回至所述神经网络模型中，训练所述神经网络模型。
3.根据权利要求2所述的产品组合推荐方法，其特征在于，所述已训练的神经网络模型包括评价网络层以及行动网络层；所述得到用户理财产品偏好数据包括：
将所述行为特征数据输入至所述已训练的神经网络模型，由所述评价网络层输出所述预推荐理财产品组合的评价特征数据；
将所述评价特征数据输入至所述行动网络层，得到用户理财偏好数据。
4.根据权利要求1所述的产品组合推荐方法，其特征在于，所述根据所述理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线包括：
根据所述理财产品信息，划设理财产品组合；
获取所述理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差；
根据所述理财产品组合的预期收益率、所述理财产品组合中各个产品的预期收益率、方差以及各个理财产品之间的协方差，通过所述马克维茨均值方差模型，得到所述理财产品组合中每个理财产品的权重；
根据所述理财产品组合的预期收益率以及所述理财产品组合中每个理财产品的权重，得到使所述理财产品组合方差最小的理财产品组合解；
根据不同理财产品组合的预期收益率对应的不同最小方差组合解，绘制所述有效前沿曲线。
5.根据权利要求1所述的产品组合推荐方法，其特征在于，所述根据所述用户理财偏好数据以及所述有效理财产品组合集，得到理财产品推荐组合包括：
根据余弦相似度算法，将所述用户理财偏好数据与所述有效理财产品组合集中的理财产品组合进行相似度匹配；
将满足预设相似度要求和预设预期收益的理财产品组合标记为理财产品推荐组合。
6.根据权利要求1至5任一项所述的产品组合推荐方法，其特征在于，还包括：
获取用户从所述有效理财产品组合集中选择的理财产品组合，对所述已选择理财产品组合进行风险检核。
7.根据权利要求6所述的产品组合推荐方法，其特征在于，所述对所述已选择理财产品组合进行风险检核包括：
获取所述用户信息中的用户风险等级以及已选择理财产品组合的预期收益率和方差；
根据所述已选择理财产品组合的预期收益率和方差，确定所述已选择理财产品组合的风险等级；
当所述用户风险等级与所述已选择理财产品组合的风险等级不匹配时，输出风险预警消息。
8.一种产品组合推荐装置，其特征在于，所述装置包括：
数据获取模块，用于接收用户理财产品推荐请求，获取用户信息以及理财产品信息；
理财偏好数据获取模块，用于提取所述用户信息中携带的行为特征数据，并将提取的行为特征数据输入至已训练的神经网络模型，得到用户理财产品偏好数据，所述已训练的神经网络模型基于历史用户信息以及历史投资理财产品信息构建；
有效产品组合集确定模块，用于根据所述理财产品信息，绘制基于马克维茨均值方差模型的有效前沿曲线，根据所述有效前沿曲线，得到有效理财产品组合集；
产品推荐模块，用于根据所述用户理财偏好数据以及所述有效理财产品组合集，得到理财产品推荐组合。
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7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7中任一项所述的方法的步骤。
CN201910428359.1A 2019-05-22 2019-05-22 产品组合推荐方法、装置、计算机设备和存储介质 Pending CN110223137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910428359.1A CN110223137A (zh) 2019-05-22 2019-05-22 产品组合推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910428359.1A CN110223137A (zh) 2019-05-22 2019-05-22 产品组合推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110223137A true CN110223137A (zh) 2019-09-10

Family

ID=67821606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910428359.1A Pending CN110223137A (zh) 2019-05-22 2019-05-22 产品组合推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110223137A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874789A (zh) * 2019-09-25 2020-03-10 杭州优行科技有限公司 一种数据处理方法、装置及终端
CN111179037A (zh) * 2019-12-31 2020-05-19 中国银行股份有限公司 理财产品的推荐方法及装置
CN111222993A (zh) * 2020-01-03 2020-06-02 中国工商银行股份有限公司 基金推荐方法及装置
CN111311420A (zh) * 2020-02-21 2020-06-19 深圳市思迪信息技术股份有限公司 一种业务数据的推送方法及装置
CN111563791A (zh) * 2020-03-31 2020-08-21 北京奇艺世纪科技有限公司 商品的划分、推荐方法、装置、电子设备和存储介质
CN111898970A (zh) * 2020-06-30 2020-11-06 深圳前海微众银行股份有限公司 一种产品申请资格的认证方法及装置
CN111967948A (zh) * 2020-09-08 2020-11-20 中国银行股份有限公司 一种银行产品推荐方法、装置、服务器及存储介质
CN112330462A (zh) * 2020-11-05 2021-02-05 刘华玲 一种智能投顾方法
CN112862620A (zh) * 2021-03-31 2021-05-28 山东大学 一种基于投资者偏好的投资产品组合推荐方法及系统
CN113313605A (zh) * 2020-02-27 2021-08-27 京东数字科技控股股份有限公司 产品的获取方法和装置、存储介质和电子装置
CN113379545A (zh) * 2021-06-09 2021-09-10 中国工商银行股份有限公司 产品推荐方法、装置、电子设备及存储介质
CN114297511A (zh) * 2022-01-27 2022-04-08 中国农业银行股份有限公司 理财推荐方法、装置、系统和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436866A (zh) * 2016-05-25 2017-12-05 阿里巴巴集团控股有限公司 理财产品的推荐方法及装置
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109784779A (zh) * 2019-03-04 2019-05-21 广州杰赛科技股份有限公司 财务风险预测方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436866A (zh) * 2016-05-25 2017-12-05 阿里巴巴集团控股有限公司 理财产品的推荐方法及装置
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109784779A (zh) * 2019-03-04 2019-05-21 广州杰赛科技股份有限公司 财务风险预测方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘志东;: "不同均值-风险准则下的资产组合有效前沿比较研究", 经济数学, no. 01, pages 31 - 40 *
刘艳萍: "风险投资组合模型优化及应用研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, pages 145 - 1 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874789A (zh) * 2019-09-25 2020-03-10 杭州优行科技有限公司 一种数据处理方法、装置及终端
CN110874789B (zh) * 2019-09-25 2022-07-29 杭州优行科技有限公司 一种数据处理方法、装置及终端
CN111179037A (zh) * 2019-12-31 2020-05-19 中国银行股份有限公司 理财产品的推荐方法及装置
CN111179037B (zh) * 2019-12-31 2023-07-25 中国银行股份有限公司 理财产品的推荐方法及装置
CN111222993A (zh) * 2020-01-03 2020-06-02 中国工商银行股份有限公司 基金推荐方法及装置
CN111311420A (zh) * 2020-02-21 2020-06-19 深圳市思迪信息技术股份有限公司 一种业务数据的推送方法及装置
CN113313605A (zh) * 2020-02-27 2021-08-27 京东数字科技控股股份有限公司 产品的获取方法和装置、存储介质和电子装置
CN111563791A (zh) * 2020-03-31 2020-08-21 北京奇艺世纪科技有限公司 商品的划分、推荐方法、装置、电子设备和存储介质
CN111563791B (zh) * 2020-03-31 2023-12-26 北京奇艺世纪科技有限公司 商品的划分、推荐方法、装置、电子设备和存储介质
CN111898970A (zh) * 2020-06-30 2020-11-06 深圳前海微众银行股份有限公司 一种产品申请资格的认证方法及装置
CN111967948A (zh) * 2020-09-08 2020-11-20 中国银行股份有限公司 一种银行产品推荐方法、装置、服务器及存储介质
CN112330462A (zh) * 2020-11-05 2021-02-05 刘华玲 一种智能投顾方法
CN112862620A (zh) * 2021-03-31 2021-05-28 山东大学 一种基于投资者偏好的投资产品组合推荐方法及系统
CN113379545A (zh) * 2021-06-09 2021-09-10 中国工商银行股份有限公司 产品推荐方法、装置、电子设备及存储介质
CN114297511A (zh) * 2022-01-27 2022-04-08 中国农业银行股份有限公司 理财推荐方法、装置、系统和存储介质

Similar Documents

Publication Publication Date Title
CN110223137A (zh) 产品组合推荐方法、装置、计算机设备和存储介质
Livieris et al. A CNN–LSTM model for gold price time-series forecasting
Sarmento et al. Enhancing a pairs trading strategy with the application of machine learning
Thawornwong et al. The adaptive selection of financial and economic variables for use with artificial neural networks
Ala’raj et al. Modelling customers credit card behaviour using bidirectional LSTM neural networks
Araujo et al. Machine learning methods for inflation forecasting in Brazil: New contenders versus classical models
EP3201862A1 (en) Trading platform systems and methods
Snihovyi et al. Implementation of robo-advisor services for different risk attitude investment decisions using machine learning techniques
Azu et al. Exchange rate fluctuation and sustainable economic growth in Nigeria: VAR approach
Ntwiga Social network analysis for credit risk modeling
Figá-Talamanca et al. Common dynamic factors for cryptocurrencies and multiple pair-trading statistical arbitrages
Wei et al. Dynamic multi-period sparse portfolio selection model with asymmetric investors’ sentiments
Uslu et al. A machine learning approach to detection of trade-based manipulations in Borsa Istanbul
Zhang et al. Auto uning of price prediction models for high-frequency trading via reinforcement learning
Biancardi et al. A fuzzy approach for R&D compound option valuation
Katterbauer et al. A deep learning approach to risk management modeling for Islamic microfinance
Li et al. Enhancing a stock timing strategy by reinforcement learning
Kalaycı et al. Optimal model description of finance and human factor indices
Sun et al. Determination of temporal stock investment styles via biclustering trading patterns
CN110084400A (zh) 信息预测方法、装置、计算机设备和存储介质
Wibowo et al. Forecasting Indonesia stock price using time series analysis and machine learning in R
Lee et al. Fund price analysis using convolutional neural networks for multiple variables
Marti Decoding the Quant Market: A Guide to Machine Learning in Trading
Kanimozhi et al. Predicting Mortgage-Backed Securities Prepayment Risk Using Machine Learning Models
CHELHI et al. Application of Data Mining for modeling of an Islamic Financial Product (Murabaha) Return Risk in a Macroeconomic Context

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