CN112328874A - 金融数据处理方法、装置、计算机设备及存储介质 - Google Patents
金融数据处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112328874A CN112328874A CN202011190435.9A CN202011190435A CN112328874A CN 112328874 A CN112328874 A CN 112328874A CN 202011190435 A CN202011190435 A CN 202011190435A CN 112328874 A CN112328874 A CN 112328874A
- Authority
- CN
- China
- Prior art keywords
- data
- financial
- transaction
- interval
- target
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004220 aggregation Methods 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及数据处理领域,公开了一种金融数据处理方法、装置、计算机设备及存储介质,其方法包括:获取与目标金融指标关联的多个金融数据项;获取金融数据项的交易动态数据以及账户类型;按账户类型对金融数据项的交易动态数据划分,形成若干个数据汇算区间;根据预设规则处理数据汇算区间内的交易动态数据,生成数据汇算区间在目标金融指标的金融区间数据;根据金融区间数据生成目标金融指标的金融数据。本发明可以及时获取准确性高的金融数据。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种金融数据处理方法、装置、计算机设备及存储介质。
背景技术
随着信息技术的发展,越来越多的信息技术应用在金融行业上。信息技术在金融行业的应用包括金融数据存储、金融数据传送、信息安全、金融业务系统等。其中,金融数据对金融从业者具有重大意义。以投资经理为例,没有金融数据的支持,几乎所有的工作都无法开展。从某个层面讲,金融数据是整个金融行业的基础生产资料。
然而,大多金融数据是基于实时市场交易行为产生,具有不确定性高和预测难度高的特点。在很多情况下,为了保证金融数据的准确性,交易系统提供的金融数据具有一定的滞后性。
发明内容
基于此,有必要针对上述技术问题,提供一种金融数据处理方法、装置、计算机设备及存储介质,以及时获取准确性高的金融数据。
一种金融数据处理方法,包括:
获取与目标金融指标关联的多个金融数据项;
获取所述金融数据项的交易动态数据以及账户类型;
按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
根据所述金融区间数据生成所述目标金融指标的金融数据。
一种金融数据处理装置,包括:
获取数据项模块,用于获取与目标金融指标关联的多个金融数据项;
获取交易数据模块,用于获取所述金融数据项的交易动态数据以及账户类型;
数据划分模块,用于按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
区间数据计算模块,用于根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
生成目标数据模块,用于根据所述金融区间数据生成所述目标金融指标的金融数据。
一种计算机设备,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可读指令,所述处理器执行所述计算机可读指令时实现上述金融数据处理方法。
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可读指令,所述计算机可读指令被处理器执行时实现上述金融数据处理方法。
上述金融数据处理方法、装置、计算机设备及存储介质,获取与目标金融指标关联的多个金融数据项,以选取对目标金融指标产生影响的数据项。获取所述金融数据项的交易动态数据以及账户类型,在此处,交易动态数据可以及时反馈金融数据项的变化,提高金融数据的准确性。按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间,在此处,按账户类型对交易动态数据进行划分,可以降低金融数据的处理难度,提高处理效率。根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据,在此处,通过数据转化或数据预测生成各个金融区间数据。根据所述金融区间数据生成所述目标金融指标的金融数据,在此处,通过数据的汇总,获得了目标金融指标的金融数据,大大减少了金融数据的延时性,同时获得的金融数据准确性高。本发明可以及时获取准确性高的金融数据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是本发明一实施例中金融数据处理方法的一应用环境示意图;
图2是本发明一实施例中金融数据处理方法的一流程示意图;
图3是本发明一实施例中金融数据处理方法的一流程示意图;
图4是本发明一实施例中金融数据处理方法的一流程示意图;
图5是本发明一实施例中金融数据处理方法的一流程示意图;
图6是本发明一实施例中金融数据处理方法的一流程示意图;
图7是本发明一实施例中金融数据处理装置的一结构示意图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供的金融数据处理方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端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。
在一实施例中,如图2所示,提供一种金融数据处理方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S10、获取与目标金融指标关联的多个金融数据项。
本实施例提供的金融数据处理方法,可广泛应用于金融企业,用于计算各类复杂多变的金融指标。本实施例中,目标金融指标,也可以称为金融技术指标,可以指与企业生产经营(也可以是其他组织的活动)相关的资金资产类指标,包括但不限于企业总资产、企业流动资产、项目投资规模、企业现金流。在此处,目标金融指标可用一个数值(如1.2亿元)或一个适当的数值区间(如1.1亿元-1.3亿元)表示。目标金融指标属于客观性技术指标。
与目标金融指标关联的金融数据项,指的是对目标金融指标产生影响的金融交易行为所产生的金融数据变动。金融数据项可以是资金流入的项目,如卖券、付息还本、正回购、逆回购到期、交易所备付金退款等,也可以是资金流出的项目,如买券、逆回购、正回购到期、交易所备付金、各项费用等。
S20、获取所述金融数据项的交易动态数据以及账户类型。
本实施例中,交易动态数据指的是交易明细数据,包括但不限于买入时间、买入金额、卖出时间、预计到账时间。账户类型可以根据实际需要进行设置。在一示例中,账户类型可以按照银行间账户和交易所账户进行划分。银行间账户指的是在银行间债券市场进行交易的账户,交易所账户指的是在交易所市场进行交易的账户。
S30、按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间。
在此处,可以根据账户类型对交易动态数据进行划分,将属于同一账户类型的金融数据项的交易动态数据归入同一个数据汇算区间。每个数据汇算区间包括一个或多个交易动态数据。数据汇算区间内的所有交易动态数据所对应的账户类型是相同的。在一示例中,可以基于银行间账户划分而形成的第一数据汇算区间,基于交易所账户划分而形成的第二数据汇算区间。
S40、根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据。
预设规则是根据金融区间数据的转换需求而设置的。例如,若金融区间数据包含现金流数据,则预设规则包含了将交易动态数据转化为现金流数据的处理规则。不同的金融数据项所采用的预设规则存在差异。也就是说,在此处,预设规则包括若干预设子规则,每一条预设子规则对应一个金融数据项的交易动态数据。具体的处理规则可以根据金融数据项的交易特性进行设置。
每条交易动态数据可以生成一条指标数据(如现金流数据)。例如,某个金融数据项为回款,可以根据预设规则(可以基于历史的交易情况生成该预设规则)评估该回款的到账时间,如可以是两天,则生成的指标数据可表示为:当前可用现金:0,两天后可用现金:XXXX。
在一些情况下,金融区间数据可以包括每条交易动态数据生成的指标数据,也可以包含基于各个指标数据生成的汇总数据(如总和、加权平均等)。
S50、根据所述金融区间数据生成所述目标金融指标的金融数据。
本实施例中,目标金融指标的金融数据可以指各个金融区间数据的汇总。例如,金融数据可以包括第一金融区间数据(第一数据汇算区间在目标金融指标的金融区间数据)和第二金融区间数据(第二数据汇算区间在目标金融指标的金融区间数据)。在一些情况下,可以基于金融数据生成相应的金融报表,如现金流报表。在现金流报表中,可以及时反映当前企业的现金流状况以及未来一段时间现金流的预测情况。现有的金融数据一般需要第二天才能获得,通过本实施例提供的金融数据处理方法进行处理,金融数据可以当天获得,甚至预测未来较短一段时间(如三天或者一周等)的金融数据。
步骤S10-S50中,获取与目标金融指标关联的多个金融数据项,以选取对目标金融指标产生影响的数据项。获取所述金融数据项的交易动态数据以及账户类型,在此处,交易动态数据可以及时反馈金融数据项的变化,提高金融数据的准确性。按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间,在此处,按账户类型对交易动态数据进行划分,可以降低金融数据的处理难度,提高处理效率。根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据,在此处,通过数据转化或数据预测生成各个金融区间数据。根据所述金融区间数据生成所述目标金融指标的金融数据,在此处,通过数据的汇总,获得了目标金融指标的金融数据,大大减少了金融数据的延时性,同时获得的金融数据准确性高。
可选的,如图3所示,步骤S20,即所述获取所述金融数据项的交易动态数据以及账户类型,包括:
S201、获取所述金融数据项的数据来源渠道;
S202、判断所述数据来源渠道是否涉及外部市场渠道;
S203、若所述数据来源渠道涉及外部市场渠道,从若干个数据源分别获取与所述金融数据项存在关联关系的交易数据;
S204、比对各个所述交易数据,生成比对结果,并根据比对结果确定实际交易数据;
S205、根据所述实际交易数据生成所述交易动态数据。
本实施例中,金融数据项可能有多个数据来源渠道。部分金融数据项的交易动态数据来自内部系统渠道,如银行同业拆借等。内部系统渠道的数据一般较为稳定,出错率低。部分金融数据项的交易动态数据来自外部市场渠道,如期权价格数据、股票价格数据等。这些价格数据会经常变动,有时候不同数据来源的更新速度存在差异,或者数据输送容易出错等问题,导致不同数据源获得的数据存在差异。这些差异会影响交易动态数据的准确性。
为了保证交易动态数据的准确性,从多个数据源分别获取与金融数据项存在关联关系的交易数据,如,从数据源1获取交易数据1,从数据2获取交易数据2。比对各个交易数据的异同,然后根据预设选取规则选取准确性最高的交易数据(可以指与其他交易数据相同的次数最多)作为实际交易数据。在此处,预设选取规则可以是经验性的。在一示例中,准确性最高的交易数据可以指与其他交易数据相同的次数最多的交易数据。
步骤S201-S205中,获取所述金融数据项的数据来源渠道,以根据数据来源渠道分析交易数据的准确性。判断所述数据来源渠道是否涉及外部市场渠道,在此处,当数据来源渠道不涉及外部市场渠道(即为内部系统渠道),可以直接使用该数据来源渠道的数据,而当数据来源渠道涉及外部市场渠道,则需要通过比对确定最终的交易数据,保证数据的准确性。若所述数据来源渠道涉及外部市场渠道,从若干个数据源分别获取与所述金融数据项存在关联关系的交易数据,以增强数据的准确性。比对各个所述交易数据,生成比对结果,并根据比对结果确定实际交易数据,以保证数据的准确性,消除潜在的出错结果。根据所述实际交易数据生成所述交易动态数据,在此处,实际交易数据可以等同于交易动态数据,也可以按一定格式转化后生成交易动态数据。
可选的,如图4所示,步骤S40,即所述根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据,包括:
S401、从所述交易动态数据提取高风险数据,所述高风险数据的权重系数大于预设权重阈值;
S402、获取所述高风险数据的关联词汇;
S403、获取所述关联词汇的实时热点信息;
S404、通过预设评估系统处理所述实时热点信息,获得所述高风险数据的实时影响等级;
S405、根据所述实时影响等级确定所述高风险数据的浮动区间;
S406、根据所述浮动区间确定与所述高风险数据对应的金融区间数据。
在此处,高风险数据可以指一些波动性较强且权重系数高于预设权重阈值的金融数据,如股票数据、期权数据等。例如,高风险数据可以指企业当前持有份额较大(即大于预设权重阈值)的股票数据。预设权重阈值可以根据当前的资产规模或比例进行设置。例如,在资产规模较大(如100亿)时,预设权重阈值(百分数)可以采用较小的值,如0.5%;在资产规模较小(如1亿)时,预设权重阈值(百分数)可以采用较小的值,如3%。
关联词汇指的是与高风险数据存在关联关系的关键词,可以根据实际情况预先设置。如,高风险为XX股票,关联词汇可以是该股票所对应的企业名称、控股股东名称、总经理名称等。
实时热点信息可以指基于搜索引擎搜索到的资讯信息。预设评估系统是基于自然语言处理算法构建的评估系统,可以对实时热点信息进行初步的分析,获得相应的实时影响等级。实时影响等级可以根据实际需要进行设置,如可以分为利好、无影响、不利。在一些情况下,也可以进一步细分等级,如,利好分为利好(强)、利好(中)和利好(弱)。每个实时影响等级对应一个浮动区间。获得的浮动区间可以加入金融区间数据中。
步骤S401-406中,从所述交易动态数据提取高风险数据,所述高风险数据的权重系数大于预设权重阈值,在此处,高风险数据的不确定较高,需要独立进行分析。获取所述高风险数据的关联词汇,在此处,关联词汇的获取规则是预先设置好的,不同的高风险数据对应不同的关联词汇;不同时间,同一高风险数据对应关联词汇可能是不相同的。获取所述关联词汇的实时热点信息,在此处,实时热点信息可能对高风险数据所对应的金融区间数据(估值)产生较大影响。通过预设评估系统处理所述实时热点信息,获得所述高风险数据的实时影响等级,以评级的方式处理实时热点信息,评级结果的准确性较高。根据所述实时影响等级确定所述高风险数据的浮动区间,以将实时热点信息对高风险数据的影响进行量化处理。根据所述浮动区间确定与所述高风险数据对应的金融区间数据,在此处,金融区间数据为准确性较高的评估数据,在一定程度上实现了金融数据的预测。
可选的,如图5所示,步骤S10之前,即所述获取与目标金融指标关联的多个金融数据项之前,还包括:
S11、通过预设应用程序或预设插件接收输入指令;
S12、根据所述输入指令从若干个金融指标中选取出所述目标金融指标。
本实施例提供的金融数据处理方法可应用于客户端上,以预设应用程序或预设插件的方式运行。以预设应用程序为例,预设应用程序中可以预先设置多个金融指标,用户可以采用选取的方式选取其中的一个或多个作为目标金融指标。
步骤S11-S12中,通过预设应用程序或预设插件接收输入指令,以获取用户的输入指令。根据所述输入指令从若干个金融指标中选取出所述目标金融指标,以确定待处理的目标金融指标。
可选的,如图6所示,步骤S40,即所述根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据,包括:
S41、判断所述数据汇算区间内的交易动态数据当前是否处于交易时段;
S42、若所述数据汇算区间内的交易动态数据当前处于交易时段,获取与所述交易动态数据具有关联关系的历史交易数据和同行业交易动态数据;
S43、根据所述历史交易数据和所述同行业交易动态数据预测所述交易动态数据在交易结束时段的变动趋势和变动幅度;
S44、根据所述变动趋势和所述变动幅度确定所述数据汇算区间在所述目标金融指标的金融区间数据,并计算所述金融区间数据的置信度。
本实施例中,交易时段可以指金融市场的交易时间。例如,交易动态数据所对应的是金融数据项为国内的某个或某几个股票,则交易时段可以国内的股票交易时间。若数据汇算区间内的交易动态数据当前不处于交易时段,则可以根据上一交易时间的交易数据确定交易动态数据。若数据汇算区间内的交易动态数据当前处于交易时段,交易动态数据实时变化,需要对交易动态数据进行估算。历史交易数据可以指过去一段时间的交易数据,如过去一年的股价数据。历史交易数据可以在一定程度上反映某只股票(也可以是基金)的变化趋势。同行业交易动态数据指的是与金融数据项处于相同行业的股票、基金等的交易数据。一般情况下,若同行业交易动态数据处于上升趋势,则当前金融数据项的交易动态数据也会呈现上升的趋势(或者跌幅收窄)。在此处,变动趋势和变动幅度的预测数据均为经验性的预测数据。交易结束时段指的是交易时段的终结时间,如股市闭市时间为15:00。变动趋势可以包括两种,分别为上升趋势和下降趋势。变动幅度可以基于实际情况进行设置,如可以是0~2%、2%~5%等。
在确定变动趋势和变动幅度之后,可以计算出数据汇算区间在目标金融指标的金融区间数据。例如,数据汇算区间的原有资金为1000万,变动趋势为上升,变动幅度为1%~1.2%,则金融区间数据可以表示为[1010万,1020万]。在一些情况下,金融区间数据可以取中位值,即1015万。可以根据数据汇算区间的历史表现和当天交易状态评估其交易波动程度。若交易波动程度较大,则计算出的金融区间数据的置信度较低;反之,若交易波动程度较小,则计算出的金融区间数据的置信度较高。
步骤S41-S44中,判断所述数据汇算区间内的交易动态数据当前是否处于交易时段,以进一步对交易动态数据进行区分。若所述数据汇算区间内的交易动态数据当前处于交易时段,获取与所述交易动态数据具有关联关系的历史交易数据和同行业交易动态数据,在此处,历史交易数据、同行业交易动态数据这两种数据与交易动态数据的相关性较强,在一定程度上可以用于预测交易结束时段的交易数据。根据所述历史交易数据和所述同行业交易动态数据预测所述交易动态数据在交易结束时段的变动趋势和变动幅度,在此处,可以基于经验性的规律推测出交易动态数据在交易结束时段的变动趋势和变动幅度。根据所述变动趋势和所述变动幅度确定所述数据汇算区间在所述目标金融指标的金融区间数据,并计算所述金融区间数据的置信度,在此处,同时提供估测数据(金融区间数据)和概率(置信度),可以更好地反馈金融数据的状况。
可选的,步骤S40之前,即所述根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据之前,包括:
S45、从预设规则数据库获取与所述数据汇算区间匹配的预设规则。
本实施例中,可以构建预设规则数据库,预设规则数据库中包含若干预设规则。每个数据汇算区间至少设置有一条预设规则。在一些情况下,可以为每一个交易对象的每一种交易类型设置一个预设规则。如A银行的a业务,设置规则1,A银行的b业务,设置规则2。这样,每个数据汇算区间匹配预设规则一般为多个。在获得数据汇算区间的所有预设规则之后,再根据交易动态数据中具体的交易对象和交易类型从区间内所有的预设规则选取相应的预设规则,并根据选取的预设规则将交易动态数据转换成目标金融指标的值(金融区间数据指的是所有按预设规则转换后的值)。
本实施例通过预设规则数据库记录了所有数据汇算区间的预设规则,可实现对交易动态数据进行精确处理。
可选的,步骤S45之前,即所述从预设规则数据库获取与所述数据汇算区间匹配的预设规则之前,还包括:
S451、获取历史交易数据;
S452、从所述历史交易数据提取出若干交易事件;
S453、按所述账户类型对所有所述交易事件进行划分,形成若干个交易事件集合;
S454、提取所述交易事件集合的交易特点;
S455、根据所述交易特点生成所述预设规则。
在此处,历史交易数据可以是金融企业过去一段时间所有或部分(经筛选后)的交易数据。可以基于交易流程从所述历史交易数据提取出若干交易事件。每个交易流程对应一个交易事件。例如,一个交易事件可为:时间点1,提交取款申请;时间点2,资金到账。
可以根据实际需要设置账户类型。在一示例中,账户类型可划分为银行账户、基金账户、信托账户等;在另一示例中,账户类型可划分为银行间账户与交易所账户。不同的账户类型对应不同的交易事件集合。一般情况下,一个交易事件集合包括多个交易事件。
可以从各个交易事件提取交易特点。在一示例中,交易特点可以指交易时长,即交易发起时间到交易结束时间所需要的时间。交易事件集合的交易特点,即为交易事件集合的所有交易事件对应的交易特点的集合。由于交易事件集合与数据汇算区间均是按照账户类型划分的,因而,交易事件集合与数据汇算区间是一一对应的。
可以根据各个交易特点的分布规律生成若干预设规则。例如,A银行的a业务一般到账时间(交易时长的一种表现方式)为12小时,则可形成相应的规则1;A银行的b业务一般到账时间(交易时长的一种表现方式)为48小时,则可形成相应的规则2。每个交易事件集合一般包括多条预设规则。
在分析好所有的交易事件集合的预设规则后,可以构建预设规则数据库。预设规则数据库用于存储各个交易事件集合的预设规则。可以根据最新的交易数据更新预设规则数据库内的预设规则,以保证预设规则的可用性。
本实施例使用经验性数据(即历史交易数据)生成预设规则,预设规则处理后的金融数据具有较高的准确性,同时金融数据的生成时间比同类金融数据系统提早了数个小时甚至更多。
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。
在一实施例中,提供一种金融数据处理装置,该金融数据处理装置与上述实施例中金融数据处理方法一一对应。如图7所示,该金融数据处理装置包括获取数据项模块10、获取交易数据模块20、数据划分模块30、区间数据计算模块40和生成目标数据模块50。各功能模块详细说明如下:
获取数据项模块10,用于获取与目标金融指标关联的多个金融数据项;
获取交易数据模块20,用于获取所述金融数据项的交易动态数据以及账户类型;
数据划分模块30,用于按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
区间数据计算模块40,用于根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
生成目标数据模块50,用于根据所述金融区间数据生成所述目标金融指标的金融数据。
可选的,获取交易数据模块20包括:
确定数据来源渠道单元,用于获取所述金融数据项的数据来源渠道;
渠道判断单元,用于判断所述数据来源渠道是否涉及外部市场渠道;
多数据源获取单元,用于若所述数据来源渠道涉及外部市场渠道,从若干个数据源分别获取与所述金融数据项存在关联关系的交易数据;
数据比对单元,用于比对各个所述交易数据,生成比对结果,并根据比对结果确定实际交易数据;
确定交易动态数据单元,用于根据所述实际交易数据生成所述交易动态数据。
可选的,区间数据计算模块40包括:
高风险数据提取单元,用于从所述交易动态数据提取高风险数据,所述高风险数据的权重系数大于预设权重阈值;
获取关联词汇单元,用于获取所述高风险数据的关联词汇;
获取实时热点信息单元,用于获取所述关联词汇的实时热点信息;
信息评估单元,用于通过预设评估系统处理所述实时热点信息,获得所述高风险数据的实时影响等级;
确定浮动区间单元,用于根据所述实时影响等级确定所述高风险数据的浮动区间;
确定金融区间数据单元,用于根据所述浮动区间确定与所述高风险数据对应的金融区间数据。
可选的,金融数据处理装置还包括:
输入模块,用于通过预设应用程序或预设插件接收输入指令;
设置指标模块,用于根据所述输入指令从若干个金融指标中选取出所述目标金融指标。
可选的,区间数据计算模块40包括:
交易时段判断单元,用于判断所述数据汇算区间内的交易动态数据当前是否处于交易时段;
获取关联数据单元,用于若所述数据汇算区间内的交易动态数据当前处于交易时段,获取与所述交易动态数据具有关联关系的历史交易数据和同行业交易动态数据;
预测变动状况单元,用于根据所述历史交易数据和所述同行业交易动态数据预测所述交易动态数据在交易结束时段的变动趋势和变动幅度;
确定区间数据单元,用于根据所述变动趋势和所述变动幅度确定所述数据汇算区间在所述目标金融指标的金融区间数据,并计算所述金融区间数据的置信度。
可选的,金融数据处理装置还包括:
规则获取模块,用于从预设规则数据库获取与所述数据汇算区间匹配的预设规则。
可选的,所述规则获取模块包括:
获取历史交易数据单元,用于获取历史交易数据;
提取交易事件单元,用于从所述历史交易数据提取出若干交易事件;
事件集合划分单元,用于按所述账户类型对所有所述交易事件进行划分,形成若干个交易事件集合;
提取交易特点单元,用于提取所述交易事件集合的交易特点;
生成预设规则单元,用于根据所述交易特点生成所述预设规则。
关于金融数据处理装置的具体限定可以参见上文中对于金融数据处理方法的限定,在此不再赘述。上述金融数据处理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、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储金融数据处理方法所涉及的数据。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。该计算机可读指令被处理器执行时以实现一种金融数据处理方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取与目标金融指标关联的多个金融数据项;
获取所述金融数据项的交易动态数据以及账户类型;
按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
根据所述金融区间数据生成所述目标金融指标的金融数据。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
获取与目标金融指标关联的多个金融数据项;
获取所述金融数据项的交易动态数据以及账户类型;
按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
根据所述金融区间数据生成所述目标金融指标的金融数据。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
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)
1.一种金融数据处理方法,其特征在于,包括:
获取与目标金融指标关联的多个金融数据项;
获取所述金融数据项的交易动态数据以及账户类型;
按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
根据所述金融区间数据生成所述目标金融指标的金融数据。
2.如权利要求1所述的金融数据处理方法,其特征在于,所述获取所述金融数据项的交易动态数据以及账户类型,包括:
获取所述金融数据项的数据来源渠道;
判断所述数据来源渠道是否涉及外部市场渠道;
若所述数据来源渠道涉及外部市场渠道,从若干个数据源分别获取与所述金融数据项存在关联关系的交易数据;
比对各个所述交易数据,生成比对结果,并根据比对结果确定实际交易数据;
根据所述实际交易数据生成所述交易动态数据。
3.如权利要求1所述的金融数据处理方法,其特征在于,所述根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据,包括:
从所述交易动态数据提取高风险数据,所述高风险数据的权重系数大于预设权重阈值;
获取所述高风险数据的关联词汇;
获取所述关联词汇的实时热点信息;
通过预设评估系统处理所述实时热点信息,获得所述高风险数据的实时影响等级;
根据所述实时影响等级确定所述高风险数据的浮动区间;
根据所述浮动区间确定与所述高风险数据对应的金融区间数据。
4.如权利要求1所述的金融数据处理方法,其特征在于,所述获取与目标金融指标关联的多个金融数据项之前,还包括:
通过预设应用程序或预设插件接收输入指令;
根据所述输入指令从若干个金融指标中选取出所述目标金融指标。
5.如权利要求1所述的金融数据处理方法,其特征在于,所述根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据,包括:
判断所述数据汇算区间内的交易动态数据当前是否处于交易时段;
若所述数据汇算区间内的交易动态数据当前处于交易时段,获取与所述交易动态数据具有关联关系的历史交易数据和同行业交易动态数据;
根据所述历史交易数据和所述同行业交易动态数据预测所述交易动态数据在交易结束时段的变动趋势和变动幅度;
根据所述变动趋势和所述变动幅度确定所述数据汇算区间在所述目标金融指标的金融区间数据,并计算所述金融区间数据的置信度。
6.如权利要求1所述的金融数据处理方法,其特征在于,所述根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据之前,包括:
从预设规则数据库获取与所述数据汇算区间匹配的预设规则。
7.如权利要求1所述的金融数据处理方法,其特征在于,所述从预设规则数据库获取与所述数据汇算区间匹配的预设规则之前,还包括:
获取历史交易数据;
从所述历史交易数据提取出若干交易事件;
按所述账户类型对所有所述交易事件进行划分,形成若干个交易事件集合;
提取所述交易事件集合的交易特点;
根据所述交易特点生成所述预设规则。
8.一种金融数据处理装置,其特征在于,包括:
获取数据项模块,用于获取与目标金融指标关联的多个金融数据项;
获取交易数据模块,用于获取所述金融数据项的交易动态数据以及账户类型;
数据划分模块,用于按所述账户类型对所述金融数据项的交易动态数据划分,形成若干个数据汇算区间;
区间数据计算模块,用于根据预设规则处理所述数据汇算区间内的交易动态数据,生成所述数据汇算区间在所述目标金融指标的金融区间数据;
生成目标数据模块,用于根据所述金融区间数据生成所述目标金融指标的金融数据。
9.一种计算机设备,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可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述金融数据处理方法。
10.一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至7中任一项所述金融数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190435.9A CN112328874A (zh) | 2020-10-30 | 2020-10-30 | 金融数据处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190435.9A CN112328874A (zh) | 2020-10-30 | 2020-10-30 | 金融数据处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112328874A true CN112328874A (zh) | 2021-02-05 |
Family
ID=74296272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011190435.9A Pending CN112328874A (zh) | 2020-10-30 | 2020-10-30 | 金融数据处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328874A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404104A (zh) * | 2008-11-03 | 2009-04-08 | 田小平 | 一种电子发票和税务征管系统和方法 |
CN108230143A (zh) * | 2018-02-05 | 2018-06-29 | 深圳微众税银信息服务有限公司 | 一种贷后数据报告生成方法及系统 |
CN109190930A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种指标生成方法及装置 |
CN110473107A (zh) * | 2019-08-26 | 2019-11-19 | 北京三快在线科技有限公司 | 交易数据处理方法、装置、设备及存储介质 |
-
2020
- 2020-10-30 CN CN202011190435.9A patent/CN112328874A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404104A (zh) * | 2008-11-03 | 2009-04-08 | 田小平 | 一种电子发票和税务征管系统和方法 |
CN108230143A (zh) * | 2018-02-05 | 2018-06-29 | 深圳微众税银信息服务有限公司 | 一种贷后数据报告生成方法及系统 |
CN109190930A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种指标生成方法及装置 |
CN110473107A (zh) * | 2019-08-26 | 2019-11-19 | 北京三快在线科技有限公司 | 交易数据处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN110415119B (zh) | 模型训练、票据交易预测方法、装置、存储介质及设备 | |
CN112308710B (zh) | 贷款数据处理方法、装置、计算机设备及存储介质 | |
US11334941B2 (en) | Systems and computer-implemented processes for model-based underwriting | |
CN110674131A (zh) | 财务报表数据处理方法、装置、计算机设备和存储介质 | |
US20200410480A1 (en) | Method and system for predicting cryptocurrency price using artificial intelligence | |
US10325235B2 (en) | Method and system for analyzing and optimizing distribution of work from a plurality of queues | |
CN102496126A (zh) | 一种托管资产交易数据监控设备 | |
CN115423578A (zh) | 基于微服务容器化云平台的招投标方法和系统 | |
CN110472025A (zh) | 会话信息的处理方法、装置、计算机设备和存储介质 | |
KR102521399B1 (ko) | 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 | |
US20160035026A1 (en) | Online trading systems and methods | |
CN112016765A (zh) | 一种基于量化投资风险偏好的资产配置方法、装置及终端 | |
CN112328874A (zh) | 金融数据处理方法、装置、计算机设备及存储介质 | |
RU2717903C1 (ru) | Автоматизированная система моделирования изменения содержания информационного пространства | |
US20210049687A1 (en) | Systems and methods of generating resource allocation insights based on datasets | |
CN110659978A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Šestanović et al. | Non-structural approach to implied moments extraction | |
Wang et al. | Stock Movement and Volatility Prediction from Tweets, Macroeconomic Factors and Historical Prices | |
Ben Ami et al. | Event-based trading: Building superior trading strategies with state-of-the-art information extraction tools | |
CN113569549A (zh) | 报表转换处理方法、装置、计算机设备和可读存储介质 | |
Ciarreta Antuñano et al. | Do jumps and cojumps matter for electricity price forecasting? Evidence from the German-Austrian day-ahead market | |
Karjalainen | A Bayesian cointegration testing procedure with conditional prior odds | |
Yomralıoğlu et al. | EXPLORING THE NEXUS OF MACROECONOMIC FACTORS AND FINANCIAL RATIOS: A HOLISTIC ANALYSIS OF COMPANY PROFITABILITY IN DEVELOPING MARKETS | |
Hibbeln et al. | Credit Risk Modeling in the Age of Machine Learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210205 |
|
WD01 | Invention patent application deemed withdrawn after publication |