CN111126666A - 资产投资建议信息的生成方法、装置和可读存储介质 - Google Patents

资产投资建议信息的生成方法、装置和可读存储介质 Download PDF

Info

Publication number
CN111126666A
CN111126666A CN201911169350.XA CN201911169350A CN111126666A CN 111126666 A CN111126666 A CN 111126666A CN 201911169350 A CN201911169350 A CN 201911169350A CN 111126666 A CN111126666 A CN 111126666A
Authority
CN
China
Prior art keywords
assets
sequence
investment
asset
type
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
CN201911169350.XA
Other languages
English (en)
Inventor
林晓明
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.)
Huatai Securities Co ltd
Original Assignee
Huatai Securities 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 Huatai Securities Co ltd filed Critical Huatai Securities Co ltd
Priority to CN201911169350.XA priority Critical patent/CN111126666A/zh
Publication of CN111126666A publication Critical patent/CN111126666A/zh
Priority to PCT/CN2020/101644 priority patent/WO2021103571A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种资产投资建议信息的生成方法，所述资产投资建议信息的生成方法包括以下步骤：获取各类资产以确定各类所述资产对应的同比序列数据，其中，各类所述资产的分类方式包括资产类型分类以及投资风险分类；根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅；根据各个所述预测涨跌幅确定各类所述资产的投资权重。本发明还公开了一种资产投资建议信息的生成装置和可读存储介质。本发明合理的生成各类资产的投资建议信息，为用户提供具有可靠稳定收益的理财产品的投资建议。

Description

资产投资建议信息的生成方法、装置和可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种资产投资建议信息的生成方法、装置及可读存储介质。
背景技术
随着人们生活水平的提高，手上的流动资金越来越富余，相对于将资金存入银行，人们更愿意将资金投资于股票、基金、债券等收益较高的理财产品。
现有技术中，人们在进行理财产品的投资时，通过查看理财产品的风险以及回报说明，并基于自身的投资经验、理财产品的风险以及回报将资金进行投资。由此可知，用户的投资方式是通过用户的投资经验以及对理财产品的预期收益进行确定，这种投资方式可靠性较差，并不能为用户带来稳定的、可靠的投资收益。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种资产投资建议信息的生成方法、装置及可读存储介质，旨在解决现有技术中资金的投资方式可靠性较差的问题。
为实现上述目的，本发明提供一种资产投资建议信息的生成方法，所述资产投资建议信息的生成方法包括以下步骤：
获取各类资产以确定各类所述资产对应的同比序列数据，其中，各类所述资产的分类方式包括资产类型分类以及投资风险分类，
根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅；
根据各个所述预测涨跌幅确定各类所述资产的投资权重。
在一实施例中，所述根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅的步骤包括：
根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列；
对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列，并确定所述合并序列的输出长度，以对所述输出长度进行预设长度的修改以得到外推合并序列；
将各个所述同比序列数据以及所述合并序列输入线性回归模型，以得到线性回归系数；
根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测涨跌幅。
在一实施例中，所述对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列的步骤包括：
确定各类资产对应的投资风险参数，并根据所述投资风险参数对各类所述资产进行分类以得到各个集合，所述集合内各类所述资产对应的投资风险参数属于同一数值区间；
对所述集合内的各类所述资产对应的滤波序列进行合并，以得到每一个所述集合在各个所述预设观测周期的中间合并序列；
对各个所述中间合并序列进行合并，以得到各个所述预设观测周期对应的合并序列。
在一实施例中，所述将各个所述同比序列数据以及所述合并序列输入线性回归模型，以得到线性回归系数的步骤包括：
将各个所述同比序列数据作为因变量，且将所述合并序列作为自变量，以输入线性回归模型中，得到线性回归系数。
在一实施例中，所述根据各个所述预测涨跌幅，确定各类所述资产对应的投资权重的步骤包括：
对各个所述预测涨跌幅进行从大到小的排序；
根据排序的各个所述预测涨跌幅，确定各个所述预测涨跌幅对应的资产的投资权重，其中，所述预测涨跌幅越大，所述预测涨跌幅对应的资产的投资权重越大。
在一实施例中，所述根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测涨跌幅的步骤包括：
根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测值；
确定各类所述资产在当前时间对应的拟合值；
对每一类资产对应的预测值与拟合值做差，以得到每一类所述资产对应的预测涨跌幅。
在一实施例中，所述根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列的步骤包括：
对所述同比序列数据进行补零，并对补零后的同比序列数据进行傅里叶变换，得到对应的频域数据；
根据每一个所述预设观测周期确定一组滤波器系数，并根据所述滤波器系数与所述频域数据得到中间序列；
对所述中间序列进行逆傅里叶变换，得到所述资产在各个所述预设观测周期下的滤波序列。
为实现上述目的，本发明还提供一种资产投资建议信息的生成装置，所述资产投资建议信息的生成装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的资产投资建议信息的生成程序，所述资产投资建议信息的生成程序被所述处理器执行时实现如上所述的资产投资建议信息的生成方法的步骤。
为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有资产投资建议信息的生成程序，所述资产投资建议信息的生成程序被处理器执行时实现如上所述的资产投资建议信息的生成方法的步骤。
本发明实施例提出的一种资产投资建议信息的生成方法、装置和可读存储介质，装置获取各类资产以及各类资产对应的同比序列数据，并根据同比序列数据确定每一类资产对应的预测涨跌幅，再根据各个预测涨跌幅确定各类资产的投资权重。由于装置可通过各类资产的同比序列数据确定资产类型分类或者投资风险分类后的各类资产的投资权重，使得装置根据投资权重合理的生成各类资产的投资建议信息，进而为用户提供具有可靠稳定收益的理财产品的投资建议。
附图说明
图1是本发明实施例方案涉及的资产投资建议信息的生成装置的硬件结构示意图；
图2为本发明资产投资建议信息的生成方法第一实施例的流程示意图；
图3为本发明资产投资建议信息的生成方法第二实施例的流程示意图；
图4为本发明资产投资建议信息的生成方法第三实施例的流程示意图；
图5为本发明资产投资建议信息的生成方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取各类资产以确定各类所述资产对应的同比序列数据，其中，各类所述资产的分类方式包括资产类型分类以及投资风险分类，根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅；根据各个所述预测涨跌幅确定各类所述资产的投资权重。
由于装置可通过各类资产的同比序列数据确定资产类型分类或者投资风险分类后的各类资产的投资权重，使得装置根据投资权重合理的生成各类资产的投资建议信息，进而为用户提供具有可靠稳定收益的理财产品的投资建议。
如图1所示，图1是本发明实施例方案涉及的资产投资建议信息的生成装置的硬件结构示意图。
如图1所示，资产投资建议信息的生成装置可以包括：处理器1001，例如CPU，通信总线1002，存储器1003。其中，通信总线1002用于实现这些组件之间的连接通信。存储器1003可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1003可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的资产投资建议信息的生成装置结构并不构成对资产投资建议信息的生成装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1003中可以包括操作系统和资产投资建议信息的生成程序。
在图1所示的装置中，处理器1001可以用于调用存储器1003中存储的资产投资建议信息的生成程序，并执行以下操作：
获取各类资产以确定各类所述资产对应的同比序列数据，并根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列；
对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列；
根据所述合并序列以及各个所述同比序列数据，确定各类所述资产的投资权重。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
获取各类资产以确定各类所述资产对应的同比序列数据，其中，各类所述资产的分类方式包括资产类型分类以及投资风险分类，
根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅；
根据各个所述预测涨跌幅确定各类所述资产的投资权重。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列；
对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列，并确定所述合并序列的输出长度，以对所述输出长度进行预设长度的修改以得到外推合并序列；
将各个所述同比序列数据以及所述合并序列输入线性回归模型，以得到线性回归系数；
根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测涨跌幅；
根据各个所述预测涨跌幅，确定各类所述资产对应的投资权重。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
确定各类资产对应的投资风险参数，并根据所述投资风险参数对各类所述资产进行分类以得到各个集合，所述集合内各类所述资产对应的投资风险参数属于同一数值区间；
对所述集合内的各类所述资产对应的滤波序列进行合并，以得到每一个所述集合在各个所述预设观测周期的中间合并序列；
对各个所述中间合并序列进行合并，以得到各个所述预设观测周期对应的合并序列。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
将各个所述同比序列数据作为因变量，且将所述合并序列作为自变量，以输入线性回归模型中，得到线性回归系数。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
对各个所述预测涨跌幅进行从大到小的排序；
根据排序的各个所述预测涨跌幅，确定各个所述预测涨跌幅对应的资产的投资权重，其中，所述预测涨跌幅越大，所述预测涨跌幅对应的资产的投资权重越大。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测值；
确定各类所述资产在当前时间对应的拟合值；
对每一类资产对应的预测值与拟合值做差，以得到每一类所述资产对应的预测涨跌幅。
在一实施例中，处理器1001可以调用存储器1003中存储的资产投资建议信息的生成处理程序，还执行以下操作：
对所述同比序列数据进行补零，并对补零后的同比序列数据进行傅里叶变换，得到对应的频域数据；
根据每一个所述预设观测周期确定一组滤波器系数，并根据所述滤波器系数与所述频域数据得到中间序列；
对所述中间序列进行逆傅里叶变换，得到所述资产在各个所述预设观测周期下的滤波序列。
基于上述硬件构建，提出本发明资产投资建议信息的生成方法的各个实施例。
参照图2，本发明第一实施例提供一种资产投资建议信息的生成方法，所述方法包括：
步骤S100，获取各类资产以确定各类所述资产对应的同比序列数据；
在本实施例中，执行主体为资产投资建议信息的生成装置，为了便于描述，以下以装置指代资产投资建议信息的生成装置。装置可视为服务端，装置通过APP的形式可装载于客户端中，使得客户端基于APP与装置通信连接。
在本实施例中，资产可为基金、债券、股票以及商品等。用户可打开客户端上装载的APP，APP即为理财产品的投资程序；用户可基于APP选择需要投资的理财产品，例如，用户想投资A股票和B债券，用户可基于APP的资产的选择界面上选择A股票以及B债券，APP再将用户选择的A股票以及B债券发送装置，使得装置根据A股票以及B债券获取各类资产。
具体的，在装置获得用户选定的理财产品后，需对理财产品进行资产的分类，以得到各类资产。资产分类的方式可根据资产的类型进行分类，例如，可将理财产品分为股票、债券、商品等；资产分类的方式还可根据投资风险的大小进行分类，例如，可将投资风险较大的股票与商品作为一类资产，将投资风险较小的债券作为另一类资产。可以理解的是，分类方式包括资产类型分类以及投资风险分类。
在获取各类资产后，装置需确定各类资产对应的同比序列数据。同比序列数据中所包含的数据均为月度同比数据。每一个月度同比数据以固定的12月周期进行计算，例如，资产为股票，则将2019年9月月末的股票收盘价格与2018年9月月末的股票收盘价格的比值或比值的对数值作为2019年9月的同比序列数据，2019年9月为观测时刻，该同比序列数据
Figure BDA0002287228920000084
根据下述公式计算得到：
Figure BDA0002287228920000081
t0＝2018年9月,t0+12＝2019年9月。
月度同比数据的周期为12个月。
步骤S200，根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅；
在确定各个同比序列数据后，装置再根据各个同比序列数据得到每一类资产对应的预测涨跌幅。具体的，参照图3，也即步骤S200包括：
步骤S210，根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列；
在确定各类资产的同比序列数据后，装置再根据同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列。
具体的，在一段连续时间内的资产数据序列具有时间维度，例如股票价格数据为连续时间上的数值序列，因此由此而得的资产的同比序列数据可看作一个时间序列。该时间序列可以类比为一项经济金融资产运动产生的时域信号，而该时域信号具有傅里叶级数的表达方式，因此可对该同比序列数据进行傅里叶变换，得到对应的频域数据，在频域对其进行分析处理。
不同类型的资产在统一的金融经济系统中有其共同的经济周期，经济周期即为预设观测周期，资产的同比数据在预设观测周期内呈现有规律的变化，而预设观测周期为42个月、100个月以及200个月，预设观测周期设置于装置内。在频域上，每一个预设观测周期对应着一个目标频率信号，这些目标频率信号是稳定且持续的，而其他不稳定或者不可持续的频率信号可视为噪声。故，装置对每一类资产的同比序列数据进行频域滤波，以保留目标频率信号，降低噪声的干扰，保留目标频率信号的同比序列数据即为频域数据。
由于傅里叶变换中存在栅栏效应，在求取每一类资产的滤波序列时，先对同比序列数据进行补零，并对补零后的同比序列数据进行傅里叶变换，得到对应的频域数据。以
Figure BDA0002287228920000082
代表第i类资产的同比序列数据，以
Figure BDA0002287228920000083
代表第i类资产的同比序列数据对应的频域数据。
如下述公式(1)、(2)、(3)所示，根据每一个预设观测周期period确定一组滤波器系数gausswin，并根据每一组滤波器系数gausswin与频域数据wavefft得到一组中间序列
Figure BDA0002287228920000091
Figure BDA0002287228920000092
Figure BDA0002287228920000093
Figure BDA0002287228920000094
其中，nfft是同比数据补零后长度，gaussindex是1至nfft的数列，centerfrequency代表中心频率即所要提取周期因子对应的频率，gaussalpha为影响高斯滤波带宽的参数。这些参数可优选设置为：nfft取4096，period取对应的42个月、100个月或200个月，gaussalpha取10。
需要说明的是，根据下面的公式(4)对
Figure BDA0002287228920000095
进行共轭对称操作：
Figure BDA0002287228920000096
接着对第i类资产中各个预设观测周期period的中间序列
Figure BDA0002287228920000097
进行逆傅里叶变换，得到第i类资产在各个预设观测周期下的滤波序列
Figure BDA0002287228920000098
通过上述公式的变换得到公式(5)，变换流程为：对每一组中间序列进行逆傅里叶变换，得到一组第二中间序列；根据预设序列长度LEN从第二中间序列中截取数据点得到每一类资产在各个预设观测周期下的滤波序列
Figure BDA0002287228920000099
其中，预设序列长度LEN等于同比序列长度L1与外推长度L2之和。
Figure BDA00022872289200000910
其中，Real(Z)是Z的实数部分。
步骤S220，对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列，并确定所述合并序列的输出长度，以对所述输出长度进行预设长度的修改以得到外推合并序列；
在面对同一个全球经济金融环境，多类资产受到同样的经济周期的驱使而呈现出相关性极强的行为。因此，对于每一类资产，需要将同一预设观测周期下的多类资产的滤波序列进行合并，即将它们相似的共同经济周期变化特征并进行合并，合并后的序列能够反映市场中统一的系统级别的周期运动，以供后续处理中较好地对各类资产的价格同比序列数据进行拟合。
在合并方式为同类型资产合并方式时，预设观测周期的合并序列的合成可参照如下流程：
步骤A、根据各类所述资产的滤波序列得到第一滤波矩阵；
在本实施例中，各类资产可为股票、债券以及商品，股票、债券以及商品的滤波序列分别为
Figure BDA0002287228920000101
将每一个滤波序列作为一个向量，由三个向量组合形成一个滤波矩阵M1，M1即为第一滤波矩阵。
步骤B，对所述第一滤波矩阵进行希尔伯特变换，得到对应的第二滤波矩阵；
在本步骤中，如下式所示，调用软件平台库函数hibert对M1进行希尔伯特变换得到第二滤波矩阵M2：
M2＝hilbert(M1)
步骤C，根据第二滤波矩阵进行合并权重的迭代计算。
具体地，先初始化预设观测周期取值为period的合并权重向量
Figure BDA0002287228920000102
为长度为N的全1的向量，其中，N为矩阵M2中向量数目，即资产的类别数，当资产只包含股票、债券以及商品时取值为3。
根据下述公式(6)、(7)、(8)进行合并权重向量
Figure BDA0002287228920000103
的迭代计算：
Figure BDA0002287228920000104
weightm＝mean(weight)(7)
Figure BDA0002287228920000105
其中,
Figure BDA0002287228920000106
代表经过第k次迭代计算后的合并权重向量,M*N代表矩阵M和N相乘，(M)′是M的共轭转置，diag(W)是包含W在主对角线上的对角矩阵，conj(M)是M的复共轭，M.*N代表矩阵M和N点乘,mean(M)是M的每列均值。
当迭代计算次数到达预设迭代次数阈值dcnt，合并权重收敛，得到最终的合并权重向量
Figure BDA0002287228920000111
在本实施中，可选取dcnt＝100。
由于各类资产的滤波序列可视为时域信号，其受到整个经济金融系统的周期的影响与信号传播的原理有相似之处，大多受到强烈的噪音干扰，信噪比通常不高，因此本步骤所给出的合并权重迭代计算方法通过减少相位差估计误差，得出各类资产的合并序列的最优权重，以此有效提高各类资产的滤波序列的合并序列的信噪比和稳定性。
步骤D，根据第二滤波矩阵和合并权重向量得到合并序列。
根据下述公式(9)得到的预设观测周期取值为period的合成序列Xperiod是一个向量，即
Figure BDA0002287228920000112
abs(W)是W的每个元素的复数幅值(W的每个元素是复数)，sum(W)是W的元素总和。
需要说明的是，上述举例的各类资产的分类方式是按照资产类型进行分类的；在资产的分类方式为投资风险进行分类时，需要将投资风险归为一类的各项资产先进行滤波序列的合并，在对各类资产的合并序列再次进行合并，得到预设观测周期下的最终合并序列。例如，按照投资风险，将股票与商品分为一类，另一类为债券，预设观测周期为42个月，则先根据股票以及商品在42个月对应的滤波序列，确定股票与商品在42个月对应的第一合并序列，再将第一合并序列与债券在42个月的滤波序列再次进行合并，从而得到两类资产在42个月对应的合并序列。
装置在确定各个预设观测周期对应的合并序列后，需要对合并序列进行高斯滤波外推，从而得到外推合并序列。
具体的，获取合并序列，再确定合并序列的输出长度，进而对输出长度进行预设长度的修改，从而得到外推合并序列。例如，42个月的合并序列的输出长度为120，外推滤波一期，即得到输出长度为121的外推合并序列，外推滤波一期即为预设长度，预设长度可根据实际需求进行设置，并不限定于1。
步骤S230，将各个所述同比序列数据以及所述合并序列输入线性回归模型，以得到线性回归系数；
装置中存储有线性回归模型，装置可将各类资产对应的同步序列数据作为因变量，合并序列作为自变量，输入线性回归模型中，从而得到线性回归系数。具体的，线性回归模型具有对应的公式，也即线性回归公式，线性回归公式为：
Figure BDA0002287228920000121
其中，X42、X100、X200为不预测预设观测周期42个月、100个月以及200个月对应的合并序列，b1为截距项，b2、b3、b4为线性回归系数，
Figure BDA0002287228920000122
为同比序列数据。线性回归模型根据线性回归公式，采用最小二乘估计算法得到线性回归系数的估计值。
需要说明的是，各类资产的分类可以是按照资产类别或者投资风险进行分类的，若是资产的分类方式为资产类别分类，则采用上述公式获取线性回归系数；若资产的分类方式为投资风险分类，则需对各类资产的同比序列数据进行差分，得到差分数据，进而将差分数据作为因变量，将合并序列作为自变量，代入线性回归系数得到线性回归系数。
同比序列数据差分得到差分数据，具体如下：
利用线性回归方程，可以得到第t期同比序列数据的拟合值LPt(LPt＝b1+b2*X42filter[120]+b3*X100filter[120]+b4*X200filter[120])和第t+1期的同比序列数据的预测值LPt+1(LPt+1＝b1+b2*X42filter[121]+b3*X100filter[121]+b4*X200filter[121])。进而，将t+1期预测值和t期拟合值做差，得到对数同比序列的一阶差分：ΔLPt+1＝LPt+1-LPt，ΔLPt+1即为差分数据。
步骤S240，根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测涨跌幅；
在确定线性回归系数后，装置即可根据外推合并序列以及线性回归系数对每一类资产进行同比序列数据的拟合预测得到预测值，预测值
Figure BDA0002287228920000123
Figure BDA0002287228920000124
当前时间的拟合值为
Figure BDA0002287228920000125
Figure BDA0002287228920000126
Figure BDA0002287228920000127
从而得到预测涨跌幅
Figure BDA0002287228920000131
Figure BDA0002287228920000132
步骤S300，根据各个所述预测涨跌幅确定各类所述资产的投资权重。
,在确定各类资产对应的预测涨跌幅后，即可根据预测涨跌幅确定各类资产的目标权重。具体的，预测涨跌幅可为正或者负，在预测涨跌幅大于0时，则表明预测涨跌幅对应的资产的下一期具有更大的收益，而在预测涨跌幅小于0时，则表明预测涨跌幅对应的资产在下一期收益会有所降低。
装置可以根据各类资产对应的预测涨跌幅的大小确定各类资产的投资权重，预测涨跌幅越大，则投资权重越大。
装置在确定各类差值的投资权重后，即可生成各类资产的投资建议信息。例如，各类资产分别为股票、商品以及债券，股票、商品以及债券对应的权重分别为0.2、0.5、0.3，则生成“建议将资金分为20％、50％以及30％，将20％的资金投资股票、将50％的资金投资商品以及将30％的资金投资债券”。此外，在某一类资产中含有多种资产，如，A类资产包括股票和债券，则股票以及债券的投资权重均为A类资产的投资权重的一半。
此外，装置还可以根据用户设置的期望理财产品的作为参考，以修正投资建议信息。例如，用户设置的期望理财产品为中低风险且稳定的产品，而债券风险较低且稳定，则将“建议将资金分为20％、50％以及30％，将20％的资金投资股票、将50％的资金投资商品以及将30％的资金投资债券”，修正为“建议将资金分为15％、45％以及40％，将15％的资金投资股票、将45％的资金投资商品以及将40％的资金投资债券”。
在装置生成投资建议信息后，将该投资建议信息反馈至用户对应的客户端，使得基于该投资建议信息对各类理财产品进行投资。
在本实施例提供的技术方案中，装置获取各类资产以及各类资产对应的同比序列数据，并根据同比序列数据确定每一类资产对应的预测涨跌幅，再根据各个预测涨跌幅确定各类资产的投资权重。由于装置可通过各类资产的同比序列数据确定资产类型分类或者投资风险分类后的各类资产的投资权重，使得装置根据投资权重合理的生成各类资产的投资建议信息，进而为用户提供具有可靠稳定收益的理财产品的投资建议。
在一实施例中，合并序列还可根据SUMPLE算法合成。具体的，每个同比序列数据可以表示为：
Figure BDA0002287228920000141
式中k为时间变量，
Figure BDA0002287228920000142
是第i个同比数据在k时刻的数据，
Figure BDA0002287228920000143
为噪声。
合成的权值系数表示为：
Figure BDA0002287228920000144
其中K是以相关时间间隔ncor为单位的时间变量，即合成中的迭代次数，
Figure BDA0002287228920000145
为理想权值，
Figure BDA0002287228920000146
是噪声引起的权值估计误差，则合成的合成序列可以表示为：
Figure BDA0002287228920000147
其中*为取复共轭，L为同比序列数据的总个数。如果将合成序列的输出表示成如下形式：
Figure BDA0002287228920000148
那么，信号和噪声项分别为：
Figure BDA0002287228920000149
Figure BDA00022872289200001410
SUMPLE算法中的第K+1次的权值系数
Figure BDA00022872289200001411
可由第K次的
Figure BDA00022872289200001412
递推得到：
Figure BDA00022872289200001413
式中RK+1为归一化系数，可以防止权值幅度因连续累加变得不稳定，它保证了各个同比序列数据的权值系数的平方和等于同比序列数据的数量，即
Figure BDA00022872289200001414
上式的权值
Figure BDA00022872289200001415
还可利用Ck改写为：
Figure BDA00022872289200001416
本实施例中，利用SUMPLE算法对各个同比序列数据进行合成时，通过预设次数的迭代使得各个同比序列数据的权值系数收敛，即预先通过实验确定权值系数收敛的迭代次数，并存储为预设次数，在利用SUMPLE算法对各个同比序列数据进行合成时，在迭代次数达到所述预设次数时，停止迭代，并输出合成的合并序列。合并序列代表的系统级别的金融数据运动规律，更加稳定可靠，可预测性更强。同时，由于SUMPLE算法适用于低信噪比的数据的合成，利用SUMPLE算法对各个同比序列数据合成时，可以计算出各个同比序列数据的最优权值，从而使得到的合成的合并序列信噪比更高。
本实施例中，在利用SUMPLE算法对各个同比序列数据进行合成时，可选用整体迭代或滚动迭代两种迭代方式进行迭代，使得各个同比序列数据的权值系数收敛。在通过整体迭代的方式进行合成时，进行一次采样，然后用整体数据对自身进行迭代更新，此时相关时间间隔ncor即为整体数据对应的时长；在通过滚动迭代的方式进行合成时，将采样窗口滚动向前，多次采样，用下一时刻采样得到的序列更新上一时刻得到的权重系数，此时相关时间间隔ncor为预设时长，所述预设时长可根据实际情况进行设置，例如，所述预设时长可设置为4个月(或120天)。在实际合成中，由于数据长度有限，而在利用滚动迭代时，迭代的次数受到采样数据的总时长限制，因此可能由于数据长度不够导致迭代次数较少，从而影响权值系数的收敛，而整体迭代的方式的迭代次数不受同比序列数据长度的限制。因此，本实施例中，优选地，利用SUMPLE算法对各个同比序列数据进行合成时，选用整体迭代的方式进行合成，可以保证各个同比序列数据的权值系数收敛。
参照图4，图4为本发明资产投资建议信息的生成方法的第二实施例，基于第一实施例，所述步骤S100中获取各类资产以确定各类所述资产对应的同比序列数据包括：
步骤S110，获取观测时刻、预设滞后期以及预设同比序列长度；
经研究发现，资产原始价格滞后于其同比序列数据，存在一个滞后期，例如资产原始价格比起同比序列数据慢5个月左右，即周期相位上的变化会在5个月后反映在资产收益率上。换言之，对于观测时刻t，若
Figure BDA0002287228920000151
则认为预测时刻t+5对应资产收益率会上升，反之若
Figure BDA0002287228920000152
则认为t+5期对应资产收益率会下降。
因此，在本实施例中，在获取了观测时刻和预设同比序列长度后，还需要获取一个预设滞后期。例如，将预设滞后期设置为5个月。
步骤S120，根据所述观测时刻与所述预设滞后期得到结束时刻，并根据所述结束时刻以及所述预设同比序列长度得到开始时刻；
步骤S130，获取从所述开始时刻到所述结束时刻的各类所述资产的同比序列数据。
例如，若预设同比序列长度为120，对于观测时刻t＝2010年5月31日,需要的同比序列数据是[t-(120+5)月，t-5月]，即以日期从2000年1月31日开始到2009年12月31日结束的股票价格月度序列，用来预测2010年5月31日时股票的价格走势。
在本实施例中，在对资产走势进行预测时，根据资产原始价格相对于其同比序列数据的滞后期获取多类资产的同比序列数据，降低了对每一类资产走势预测的误差。
参照图5，图5为本发明资产投资建议信息的生成方法的第三实施例，基于第一至第三中任一实施例，所述步骤S220中对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列包括：
步骤S221，确定各类资产对应的投资风险参数，并根据所述投资风险参数对各类所述资产进行分类以得到各个集合，所述集合内各类所述资产对应的投资风险参数属于同一数值区间；
步骤S222，对所述集合内的各类所述资产对应的滤波序列进行合并，以得到每一个所述集合在各个所述预设观测周期的中间合并序列；
步骤S223，对各个所述中间合并序列进行合并，以得到各个所述预设观测周期对应的合并序列。
在本实施例中，在资产的分类方式为投资风险进行分类时，需要将投资风险归为一类的各项资产先进行滤波序列的合并，在对各类资产的合并序列再次进行合并，得到预设观测周期下的最终合并序列。
具体的，装置先确定每一类资产对应的滤波序列，每一类资产的分类方式为资产类型分类。装置再确定每一类资产对应的投资风险参数，投资风险参数表征资产的投资风险，投资风险参数越高，该资产的投资风险越大。装置可根据每一类资产的投资风险参数进行各类资产的分类，得到各个集合，集合内的各类资产的投资风险参数属于同一数值区间。例如，由两个集合，一个集合中的各类资产分别为股票和商品，股票和商品对应的投资风险参数所在的数值区间对应高风险投资；另一个集合的资产则为债券，债券对应的投资风险参数所在的数值区间对应低风险投资。而预设观测周期为42个月，则先根据股票以及商品在42个月对应的滤波序列，确定股票与商品在42个月对应的中间合并序列，将债券的滤波序列作为另一个集合的中间合并序列，再将两个集合对应的中间合并序列在42个月再次进行合并，从而得到高风险投资集合与低风险投资集合在42个月对应的合并序列。
在本发明中，资产投资建议信息的生成方法可分为八个步骤，具体为：
步骤1：确定各类资产的同比序列数据，而各类资产的分类方式包括资产类型分类以及投资风险分类，因而，可将步骤1拆分为两种情况，其中一种为资产类型分类方式所得的各类资产的同比序列数据，定义为步骤1.1；另一种为投资风险分类方式所得的各类资产的同比序列数据，定义为步骤1.2；
步骤2：确定同比序列数据在各个预设观测周期对应的滤波序列；
步骤3：将相同的预设观测周期对应的不同滤波序列进行合并得到合并序列，所采用的合并方法有两种，优选采用sumple算法对滤波序列进行合并，而合并的方式有三种，定义为步骤3.1、步骤3.2以及步骤3.3，其中，步骤3.1为将资产按照资产类型分类各类资产的滤波序列的合并，步骤3.2为将资产按照投资风险分类的各类资产的滤波序列的合并，步骤3.3则是针对资产为投资风险分类的同一类资产中不同种类资产的滤波序列先合并，再将各类资产对应的初步合并的序列再进行合并；
步骤4：将合并序列进行外推，也即对合并序列进行高斯滤波外推，得到外推合并序列；
步骤5：将同比序列数据以及合并序列输入线性回归模型中得到线性回归系数，步骤5包括2种不同的步骤，分别为步骤5.1以及步骤5.2，步骤5.1为将资产对应的同步序列数据作为因变量且合并序列作为自变量进行带截距项的线性回归，得到线性回归系数，而步骤5.2为将资产对应的同步序列数据的差分作为因变量且合并序列作为自变量进行带截距项的线性回归，得到线性回归系数；
步骤6：以外推合并序列作为自变量、线性回归系数作为系数，对资产同步序列数据进行拟合预测得到预测值，且获取当前时间，也即当前期的拟合值，通过预测值与拟合值做差，并进行滞后期调整，得到预测涨跌幅；
步骤7：按照预测涨跌幅的大小，对各类资产进行排序，从而确定各类资产对应的投资权重；
步骤8：根据各类资产的投资权重，生成资产投资建议信息。
由于步骤1中包括两种处理情况、步骤3中包括三种处理情况以及步骤5中包括两种处理情况，对这三个步骤的不同处理情况进行排序组合，经实测，得到投资建议信息最为准确的两种策略，
其中，策略一为：步骤1.1+步骤2+步骤3.1+步骤4+步骤5.1+步骤6+步骤7+步骤8；
策略二为：步骤1.2+步骤2+步骤3.3+步骤4+步骤5.1+步骤6+步骤7+步骤8。
本发明还提供一种资产投资建议信息的生成装置，所述资产投资建议信息的生成装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的资产投资建议信息的生成程序，所述资产投资建议信息的生成程序被所述处理器执行时实现如上实施例所述的资产投资建议信息的生成方法的步骤。
本发明还提供一种可读存储介质，所述可读存储介质上存储有资产投资建议信息的生成程序，所述资产投资建议信息的生成程序被处理器执行时实现如上实施例所述的资产投资建议信息的生成方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种资产投资建议信息的生成方法，其特征在于，所述资产投资建议信息的生成方法包括以下步骤：
获取各类资产以确定各类所述资产对应的同比序列数据，其中，各类所述资产的分类方式包括资产类型分类以及投资风险分类；
根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅；
根据各个所述预测涨跌幅确定各类所述资产的投资权重。
2.如权利要求1所述的资产投资建议信息的生成方法，其特征在于，所述根据各个所述同比序列数据确定每一类所述资产对应的预测涨跌幅的步骤包括：
根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列；
对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列，并确定所述合并序列的输出长度，以对所述输出长度进行预设长度的修改以得到外推合并序列；
将各个所述同比序列数据以及所述合并序列输入线性回归模型，以得到线性回归系数；
根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测涨跌幅。
3.如权利要求2所述的资产投资建议信息的生成方法，其特征在于，所述对各类所述资产对应的所述滤波序列进行合并得到各个所述预设观测周期的合并序列的步骤包括：
确定各类资产对应的投资风险参数，并根据所述投资风险参数对各类所述资产进行分类以得到各个集合，所述集合内各类所述资产对应的投资风险参数属于同一数值区间；
对所述集合内的各类所述资产对应的滤波序列进行合并，以得到每一个所述集合在各个所述预设观测周期的中间合并序列；
对各个所述中间合并序列进行合并，以得到各个所述预设观测周期对应的合并序列。
4.如权利要求2所述的资产投资建议信息的生成方法，其特征在于，所述将各个所述同比序列数据以及所述合并序列输入线性回归模型，以得到线性回归系数的步骤包括：
将各个所述同比序列数据作为因变量，且将所述合并序列作为自变量，以输入线性回归模型中，得到线性回归系数。
5.如权利要求2所述的资产投资建议信息的生成方法，其特征在于，所述根据各个所述预测涨跌幅，确定各类所述资产对应的投资权重的步骤包括：
对各个所述预测涨跌幅进行从大到小的排序；
根据排序的各个所述预测涨跌幅，确定各个所述预测涨跌幅对应的资产的投资权重，其中，所述预测涨跌幅越大，所述预测涨跌幅对应的资产的投资权重越大。
6.如权利要求2所述的资产投资建议信息的生成方法，其特征在于，所述根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测涨跌幅的步骤包括：
根据所述外推合并序列以及所述线性回归系数，对每一类资产进行同比序列数据的拟合预测，以确定各类所述资产对应的预测值；
确定各类所述资产在当前时间对应的拟合值；
对每一类资产对应的预测值与拟合值做差，以得到每一类所述资产对应的预测涨跌幅。
7.如权利要求2-5任一项所述资产投资建议信息的生成方法，其特征在于，所述根据所述同比序列数据确定每一类资产在各个预设观测周期对应的滤波序列的步骤包括：
对所述同比序列数据进行补零，并对补零后的同比序列数据进行傅里叶变换，得到对应的频域数据；
根据每一个所述预设观测周期确定一组滤波器系数，并根据所述滤波器系数与所述频域数据得到中间序列；
对所述中间序列进行逆傅里叶变换，得到所述资产在各个所述预设观测周期下的滤波序列。
8.一种资产投资建议信息的生成装置，其特征在于，所述资产投资建议信息的生成装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的资产投资建议信息的生成程序，所述资产投资建议信息的生成程序被所述处理器执行时实现如权利要求1至7中任一项所述的资产投资建议信息的生成方法的步骤。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储有资产投资建议信息的生成程序，所述资产投资建议信息的生成程序被处理器执行时实现如权利要求1至7中任一项所述的资产投资建议信息的生成方法的步骤。
CN201911169350.XA 2019-11-25 2019-11-25 资产投资建议信息的生成方法、装置和可读存储介质 Pending CN111126666A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911169350.XA CN111126666A (zh) 2019-11-25 2019-11-25 资产投资建议信息的生成方法、装置和可读存储介质
PCT/CN2020/101644 WO2021103571A1 (zh) 2019-11-25 2020-07-13 资产投资建议信息的生成方法、装置和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911169350.XA CN111126666A (zh) 2019-11-25 2019-11-25 资产投资建议信息的生成方法、装置和可读存储介质

Publications (1)

Publication Number Publication Date
CN111126666A true CN111126666A (zh) 2020-05-08

Family

ID=70496684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911169350.XA Pending CN111126666A (zh) 2019-11-25 2019-11-25 资产投资建议信息的生成方法、装置和可读存储介质

Country Status (2)

Country Link
CN (1) CN111126666A (zh)
WO (1) WO2021103571A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021022977A1 (zh) * 2019-08-06 2021-02-11 华泰证券股份有限公司 预测资产价格走势的方法、服务器及计算机可读存储介质
WO2021103571A1 (zh) * 2019-11-25 2021-06-03 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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8554656B2 (en) * 2010-12-09 2013-10-08 Envarix Systems Inc. Computerized investor advisement and investment management system
CN109978214A (zh) * 2017-12-28 2019-07-05 广州潽蓝信息科技有限公司 一种筛选目标金融产品的方法和装置
CN108717664A (zh) * 2018-04-03 2018-10-30 平安科技（深圳）有限公司 投资组合优化方法、装置及存储介质
CN109300030A (zh) * 2018-08-17 2019-02-01 北京奇虎科技有限公司 实现股票投资推荐的方法和装置
CN110458352A (zh) * 2019-08-06 2019-11-15 华泰证券股份有限公司 预测资产价格走势的方法、服务器及计算机可读存储介质
CN111126666A (zh) * 2019-11-25 2020-05-08 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021022977A1 (zh) * 2019-08-06 2021-02-11 华泰证券股份有限公司 预测资产价格走势的方法、服务器及计算机可读存储介质
WO2021103571A1 (zh) * 2019-11-25 2021-06-03 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

Also Published As

Publication number Publication date
WO2021103571A1 (zh) 2021-06-03

Similar Documents

Publication Publication Date Title
Roll et al. Nonlinear system identification via direct weight optimization
Refenes et al. Neural model identification, variable selection and model adequacy
Gonçalves et al. Bootstrapping factor models with cross sectional dependence
CN111091466A (zh) 资产投资建议信息的生成方法、装置和可读存储介质
Lopes et al. Parsimony inducing priors for large scale state–space models
Blasques et al. Weighted maximum likelihood for dynamic factor analysis and forecasting with mixed frequency data
CN111126666A (zh) 资产投资建议信息的生成方法、装置和可读存储介质
CN110458352A (zh) 预测资产价格走势的方法、服务器及计算机可读存储介质
Denault et al. Dynamic portfolio choice: a simulation-and-regression approach
Monardo Measuring substitution patterns with a flexible demand model
Brogat-Motte et al. Vector-valued least-squares regression under output regularity assumptions
Kant et al. Nowcasting GDP using machine learning methods
Münker et al. Nonlinear system identification with regularized local FIR model networks
Münker et al. Nonlinear system identification with regularized local FIR model networks
CN113034264A (zh) 客户流失预警模型的建立方法、装置、终端设备及介质
Jay et al. Improving portfolios global performance using a cleaned and robust covariance matrix estimate
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
Petelin et al. Financial modeling using Gaussian process models
Korobilis et al. Bayesian dynamic variable selection in high dimensions
Letchford et al. Optimizing the moving average
Ergemen Parametric estimation of long memory in factor models
CN113516559A (zh) 基金风险确定方法及装置
CN112801708A (zh) 一种营业收入预测模型确定方法及装置、预测方法及装置
CN110688365A (zh) 金融时间序列的合成方法、装置和存储介质
Webster Multiple discrete choice and quantity with order statistic marginal utilities

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: 20200508

RJ01 Rejection of invention patent application after publication