CN112862182A - 一种投资预测方法、装置、电子设备及存储介质 - Google Patents

一种投资预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112862182A
CN112862182A CN202110157286.4A CN202110157286A CN112862182A CN 112862182 A CN112862182 A CN 112862182A CN 202110157286 A CN202110157286 A CN 202110157286A CN 112862182 A CN112862182 A CN 112862182A
Authority
CN
China
Prior art keywords
predicted
data
investment
data set
financial product
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
CN202110157286.4A
Other languages
English (en)
Inventor
邓继禹
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110157286.4A priority Critical patent/CN112862182A/zh
Publication of CN112862182A publication Critical patent/CN112862182A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开公开了一种投资预测方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及大数据以及神经网络技术。具体实现方案为：将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据；基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。本申请实施例能够更加准确地预测出金融产品的发展变化趋势，从而可以为投资者提供更加可靠的金融服务。

Description

一种投资预测方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，进一步涉及大数据以及神经网络技术，尤其涉及一种投资预测方法、装置、电子设备及存储介质。
背景技术
智能投资顾问区别于传统的人工投资顾问，是大数据背景下新兴的热门行业，其快速发展得益于近几年来人工智能机器学习算法的迅猛提升。在过去，因为信息量少，更新获取不及时等原因，投资预测需要花费大量的时间和劳力。在我国，各大主流券商及金融平台引入智能投顾系统，为投资者匹配更精准的收益与风险，提高效率进行资产管理。在智能投顾中最重要的业务分支之一是智能选股。
现有的智能投资顾问，仅仅是针对某一方面的指标进行计算得出投顾方案，并没有一套完整的投顾体系，因此，对于投顾的结果往往准确度不高，甚至不符合预期。
发明内容
本申请提供了一种投资预测方法、装置、电子设备及存储介质，能够更加准确地预测出金融产品的发展变化趋势，从而可以为投资者提供更加可靠的金融服务。
根据本申请的第一方面，提供了一种投资预测方法，所述方法包括：
将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过所述预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，所述历史数据包括：静态数据和动态数据；
基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
根据本申请的第二方面，提供了一种投资预测装置，所述装置包括：评价模块和预测模块；其中，
所述评价模块，用于将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过所述预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，所述历史数据包括：静态数据和动态数据；
所述预测模块，用于基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
根据本申请的第三方面，提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的投资预测方法。
根据本申请的第四方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的投资预测方法。
根据本申请的第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的投资预测方法。
根据本申请的技术解决了现有技术中仅仅是针对某一方面的指标进行计算得出投顾方案，对于投顾的结果往往准确度不高，甚至不符合预期的技术问题，本申请提供的技术方案，能够更加准确地预测出金融产品的发展变化趋势，从而可以为投资者提供更加可靠的金融服务。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的投资预测方法的第一流程示意图；
图2是本申请实施例提供的投资预测方法的第二流程示意图；
图3是本申请实施例提供的智能投资顾问理论的框架图；
图4是本申请实施例提供的投资预测方法的第三流程示意图；
图5是本申请实施例提供的投资预测装置的结构示意图；
图6是用来实现本申请实施例的投资预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的投资预测方法的第一流程示意图，该方法可以由投资预测装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，投资预测方法可以包括以下步骤：
S101、将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据。
在本步骤中，电子设备可以将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据。概括地说，数据是基础，预测模型及算法是核心。本申请中的历史数据是由静态数据和动态数据构成；其中，静态数据包括但不限于用户的风险偏好、历时交易信息、金融产品价格变化等；动态数据包括但不限于发布的实时数据、突发事件，舆论情况等。这些数据用于建立预测模型，筛选投资标的以及实时投资决策。而预测模型的建立主要的理论依据来源于现代投资组合理论以及资本资产定价模型。根据实时的市场状况，结合算法如决策树，朴素贝叶斯、K-means、机器学习等，给出实际的交易建议。
S102、基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
在本步骤中，电子设备可以基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。具体地，该至少两个指标包括以下指标中的任意两个或者多个：均方误差(Mean Square Error，简称MSE)、相关系数、预测误差、走势方向准确率、夏普比率、最大回撤率和累计收益率；其中，均方误差MSE和预测误差越小，则说明该预测模型的泛化能力越强，即推广能力越强；相关系数越接近1，则证明拟合的成果与原始数据集的关联度越大；走势方向准确率主要用来评价预测模型的整体胜算概率；走势方向准确率在通常情况下如果能超过70％，则预测模型将会有良好的直接应用价值；夏普比率用于描述选出的股票组合在单位风险下可以获得的超额收益大小，则数值越高结果越好；最大回撤率用于描述组合一段时间内表现中的最高点到最低点处最大的下跌幅度，此指标越低越好；累计收益率反映该调优后的模型在一定交易期间内的盈利情况。鉴于开盘价和收盘价对于整个股票市场都具有指导性的意义，本申请实施例可以将股票的开盘价和收盘价作为输出变量做出预测模型；用个股历史指标数值作为支持向量机(Support Vector Machines，简称SVM)模型的输入变量来拟合调仓日的开盘价和收盘价，并将预测的结果与真实的情况进行对比，做出拟合效果分析。
本申请实施例提出的投资预测方法，先将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过该预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据；然后基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。也就是说，本申请可以基于各个待预测的金融产品在至少两个指标上的评价结果对各个待预测的金融产品进行预测。而在现有的投资预测方法中，仅仅是针对某一方面的指标进行计算得出投顾方案。因为本申请采用了基于各个待预测的金融产品在至少两个指标上的评价结果对各个待预测的金融产品进行预测的技术手段，克服了现有技术中仅仅是针对某一方面的指标进行计算得出投顾方案，对于投顾的结果往往准确度不高，甚至不符合预期的技术问题，本申请提供的技术方案，能够更加准确地预测出金融产品的发展变化趋势，从而可以为投资者提供更加可靠的金融服务；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的投资预测方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，投资预测方法可以包括以下步骤：
S201、将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过预测模型将各个待预测的金融产品的历史数据输入至支持向量机中；通过支持向量机得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据。
在本步骤中，电子设备可以将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过预测模型将各个待预测的金融产品的历史数据输入至支持向量机中；通过支持向量机得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据。支持向量机是目前应用比较多的一种机器学习方法。该方法在样本不充足时仍然能表现出很好效果，所以现在正成为当前机器学习的研究热点。大量研究表明，SVM的参数选择对分类效果有很大的影响。支持向量分类机(Support VectorClassification，简称SVC)作为SVM的一个研究方向，一般需要优化的两个参数分别是惩罚参数C和核参数σ。目前理论指导参数的优化选择。常用的方法有：实验法、网格法、梯度下降法、智能优化算法等。本申请可以利用该机器学习理论，依托技术分析框架来搭建短线股票交易策略。具体地，首先，用机器学习SVM算法在样本内进行模型的训练，此时采用滚动的训练窗口。该步骤主要将预测的第二日(即制定的下一调仓日)开盘价与预测的同一天中的收盘价进行对比，判断股价的走势特点。其次，将上述调参后训练好的SVM预测模型放入本申请策划的调仓逻辑，然后进行样本外数据的检验，用训练好的SVM调参后的股票预测模型对策略调仓日预先选定好的股票池里的个股按涨幅排序，并买入涨幅前5的个股形成等权组合，连续持有3个交易日后进行下一次调仓。这样，即可认为完成了一次股票买卖交易，后面的操作重复本次交易过程。
S202、基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
在本申请的具体实施例中，电子设备可以通过一套完整的投顾体系结构得到各个金融产品的精准的涨跌结果。表1为基于AI技术的智能投顾体系架构列表。
Figure BDA0002934199580000061
表1
由上述表1可知，该智能投顾体系架构可以包括：基础层、技术层和应用层，每一个环境都需要进行相应的投顾分析，得出的结果才能更加精准。由于传统的智能投顾是根据现代资产组合理论构建数据模型，其资产配置的过程完全依靠互联网来完成。因此，传统的智能投顾分析准确性不高，也很难提供方便快捷的人性化服务。本申请提出的基于AI策略实现的智能投顾系统，可以大幅度地提升投顾基准度。本申请提出的智能投顾架构与传统的智能投顾架构相比，具有以下三个特征：智能化、个性化和普适化。具体地，第一个特征是智能化，从客户需求分析到资产配置建议，再到投资组合管理等过程均是自动化、数字化。第二个特征是个性化，智能投顾的用户画像程度会很高，针对每个人的情况形成千人千面的方案，通过系统设计投资组合方式和资产配置方案。第三个特征是普适化，传统投顾的商业模式追求高的客单价，只能服务高净值客户，而智能投顾的商业模式是将高端服务转向中产阶级服务，更具零售消费特征。智能投顾价值为单客利润乘以可服务客户数量，以此形成高效率的转化，实现生产力升级。下面针对智能投顾架构进行详细说明：
针对智能投顾架构的应用层：智能投资顾问理论的基础，是现代投资组合理论，按照投资组合管理流程的逻辑，能够清晰的认识投资组合形成、监控和修正的全流程。图3是本申请实施例提供的智能投资顾问理论的框架图。如图3所示，投资组合管理是一系列按照一定逻辑、有序的组合在一起，以获得所需投资产品的行为流程；其中，确认并量化投资者的投资目标、内外部约束条件以及风险偏好是整个流程的开始。一旦客户的目标和约束都被锁定，管理人的下一个任务就是完成量化投资策略说明，这是所有投资决策的指导性文件。这份文件的主要内容包括但不限于：1)客户的简要说明；2)确立政策和指导方针的目的；3)当事人的职责和投资责任；4)对投资目标和约束的说明；5)对投资业绩和投资策略说明本身进行回顾的安排；6)投资业绩评估时使用的评估方法和基准；7)在优化战略性资产配置时需要考虑的各种要素；8)投资策略和投资风格；9)基于反馈的投资组合再平衡的指导方针。接着，形成资本市场的预期，对众多资产品种的长期风险和收益特征进行预测，这些预测构成了给定风险水平下收益最大化或是在给定预期收益的基础上风险最小化的投资组合的基础。最后，就是建立战略性资产配置，这一阶段用来确定各目标资产种类的比重。在投资组合管理人根据输入信息形成决策后，交易柜台执行指令。随后投资组合会根据投资者的实际情况或资本市场预期的变化进行修正，这个步骤在执行与反馈中不断重复。因此，监控和再平衡的过程是通过信息反馈管理潜在投资机会的不间断风险敞口，以确保客户现期的目标与约束能够持续得到满足和实现。而投资的业绩必须由投资者进行阶段性的评估，以对投资目标的实现情况和投资组合的管理技巧进行评价。整个流程如果用人工实现，在时效性和可信度上都无法满足投资者的理财需求，而智能代理在极大程度上解决了这一问题。具体地，智能投顾架构的应用层至少可以实现以下功能：1)信号事件监听：也就是从事件源获取信息然后通过事件监听方法得出结构，再由事件接口输出的循环过程，处理事件通常就是调用事件处理程序，事件处理程序本质上是一种回调函数。2)决策系统：全称决策支持系统，简称DSS，是以计算机技术、仿真技术和信息技术为手段，针对半结构化的决策问题，支持决策活动的具有智能作用的人机系统。该系统能够为决策者提供所需的数据、信息和背景资料，帮助明确决策目标和进行问题的识别，通过人机交互功能进行分析、比较和判断，为正确的决策提供必要的支持。3)学习系统：是机器对数据表征抓取和学习的方法，是非监督式或半监督式分层特征提取的高效算法，模仿人脑的机制用计算机逻辑语言来解释数据。4)规则库：用于管理组合筛选、资产配置和交易执行中的各类政策和策略，根据需求的变化自主调节。包含各类规则的存储、编辑、执行、权限配置、版本迭代、日志更新等。5)智能执行器：类似一种阀门，当数据达到阈值时，接受模拟量或开关量的信号控制，用户只需要通过控制面板即可进行参数的调整。用智能代理的计算机手段，完成投资组合理论下量化投资策略的搭建，形成智能投顾的策略模板。策略模板在实际金融行为上的运用还离不开技术层面的支持，这些支持来自于AI技术的应用。
针对智能投顾架构的技术层：该层主要包括AI技术中的语义分析、知识图谱、数据挖掘和深度学习是主要应用对象。1)语义分析：这是编译过程的一个逻辑阶段，在对结构上正确的源程序进行上下文有关性的审查。2)知识图谱：它是一种可视化的知识映射地图，用以挖掘、分析、构建、绘制和显示知识及它们之问的相互联系。3)数据挖掘：这是AI应用在各个领域中最广泛使用的技术。从大量的数据中通过算法搜索隐藏于其中信息的过程，一般通过统计、在线分析处理、情报检索、机器学习、专家系统和模式识别等诸多方法来实现。这是智能投资顾问优越于人工投资顾问的关键。4)深度学习：建立和模拟人脑进行分析学习、数据解释的神经网络。这些技术手段的实施保证了智能投资顾问从客户画像分析、资产配置、组合筛选、标的追踪全过程的流畅度和准确性。
针对智能投顾架构的基础层：基础层由两部分构成，一是数据，二是算力。数据包括用户行为大数据和金融交易大数据。用户行为大数据用以分析用户的行为习惯，它的分析可以是多维度的，数据来源包括用户的日志信息、用户主体信息和外界环境信息等。金融交易大数据则是基于历史数据的整理和汇总描绘出周期性的规律，结合自有平台客户身份数据、历史交易数据、支付数据、信用数据、行为数据、黑名单或者白名单等一个庞大的数据体系；智能投顾的理论架构涵盖了这项服务的全流程。
结合文献分析和行业特点，智能投顾的理想模型应当包含七个部分：投资者画像精准分析、大类资产优化配置、投资组合筛选推荐、交易执行、投资标的实时追踪调整、投资者税负管理和投后结果分析；其中，投资者分析主要通过问询式调研和数据采集分析来实现；大类资产配制主要依据的是现代资产组合投资模型；投资组合选择依赖的是智能核心算法；投资策略的选择主要取决于产品渠道和资质；例如，量化投资策略；交易执行一般采取直接资产管理或间接提供建议，由投资者自行交易两种方式；组合调整主要是根据市场信号和动态数据进行组合的实时跟踪调整；税负调整则是通过投资人养老金账户或证券账户达到避税目的；投后分析主要是对影响智能投顾决策的权重因子进行再分析、回测和模拟。
在本申请的具体实施例中，电子设备可以根据不同的分类依据，对目前全球智能投顾行业进行系统分类界定，利于建立不同的分析方法，分析模型，进行系统化梳理。具体地，根据产品来源分：一类是独立第三方产品。比如美国的Wealthfront和中国的蛋卷基金、天天基金组合宝，主要为投资者提供风险偏好匹配的分散化投资组合。一类是传统金融机构自身产品，主要依托自己发行的产品资源和庞大的投资者基数发展的智能财富管理平台，比如后起之秀Vanguard和中国的摩羯智投、一类是互联网公司整合产品，形成财富管理应用平台，比如，京东智投等。根据发展战略分：一类是个人理财型，一类是算法推动型，一类是机构决策类型。根据利润模式分：一类是前段收费模式，以收取资管费、盈利提成费、交易环节中的服务费为主。一类是后端收费模式，以买卖价差和收益分成为主。按照人为参与程度的高低，目前主流智能投顾可分为机器为主、以人为主和人机结合三种模式。
本申请实施例提出的投资预测方法，先将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过该预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据；然后基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。也就是说，本申请可以基于各个待预测的金融产品在至少两个指标上的评价结果对各个待预测的金融产品进行预测。而在现有的投资预测方法中，仅仅是针对某一方面的指标进行计算得出投顾方案。因为本申请采用了基于各个待预测的金融产品在至少两个指标上的评价结果对各个待预测的金融产品进行预测的技术手段，克服了现有技术中仅仅是针对某一方面的指标进行计算得出投顾方案，对于投顾的结果往往准确度不高，甚至不符合预期的技术问题，本申请提供的技术方案，能够更加准确地预测出金融产品的发展变化趋势，从而可以为投资者提供更加可靠的金融服务；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图4是本申请实施例提供的投资预测方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图4所示，投资预测方法可以包括以下步骤：
S401、在原始数据集中获取至少一个金融产品的特征因子数据，将该至少一个金融产品的特征因子数据划分为样本内数据集和样本外数据集。
在本步骤中，电子设备可以在原始数据集中获取至少一个金融产品的特征因子数据，将该至少一个金融产品的特征因子数据划分为样本内数据集和样本外数据集。具体地，待选取数据中的所有特征因子数据可以视为因子池。金融因子数据大致分为：行情数据、价值因子、成长因子、质量类因子、情绪类因子、动量因子以及常用技术指标因子七大类；然后可以将多个金融产品的特征因子数据划分为样本内数据集和样本外数据集。
S402、基于样本内数据集和样本外数据集，分别得到训练数据集和测试数据集。
在本步骤中，电子设备可以基于样本内数据集和样本外数据集，分别得到训练数据集和测试数据集。具体地，电子设备可以基于样本内数据集得到训练数据集；基于样本外数据集得到测试数据集。
S403、通过训练数据集和测试数据集对支持向量机进行优化处理。
在本申请的具体实施例中，支持向量机的预测模型的构建可以包括：模型的特征选取以及特征预处理、样本内数据集的训练且交叉验证后进行样本外数据集的测试等步骤。最终在一段时间内，预测并计算调仓日个股的上涨幅度，从而可以进行调仓日个股组合的规划。由于基于SVM预测模型算法的特性，误差惩罚因子C和核参数g对SVM预测模型的泛化性能会有非常大的影响。因此，预测模型的设计思路可以是期望能够针对不同核函数和不同参数优化算法进行相关的对比研究，即通过对比典型核函数效果寻找最适合股票预测的核函数以及其对应的最佳参数调优方法，进而形成最优的股票交易策略。具体地，提取的股票原始数据进行完归一化预处理后，利用本文提出的基于参数优化算法的SVM股票预测模型先对训练集样本数据搭建模型，之后利用测试集样本数据检验此参数调优模型的预测训练效果。
S404、将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过预测模型将各个待预测的金融产品的历史数据输入至优化后的支持向量机中；通过优化后的支持向量机得到各个待预测的金融产品在至少两个指标上的评价结果。
S405、基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
在本申请的具体实施例中，电子设备在将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中之前，还可以预先对预测模型进行训练。具体地，若预测模型不满足预先设置的收敛条件，则在原始数据集中提取出一个金融产品的历史数据作为当前训练样本；然后使用当前训练样本对预测模型进行训练，重复执行上述操作，直到预测模型满足预先设置的收敛条件。
在本申请的具体实施例中，电子设备还可以根据各个投资者的历史投资数据创建投资者画像；并使用卷积神经网络对投资者画像进行建模，输出预测的各个投资者的投资行为画像；其中，卷积神经网络为图卷积网络或者循环神经网络；或者图卷积网络和循环神经网络的组合；然后基于各个投资者的投资行为画像和各个待预测的金融产品的预测结果，将各个投资者相匹配的金融产品推荐给各个投资者。
本申请实施例提出的投资预测方法，先将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过该预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，历史数据包括：静态数据和动态数据；然后基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。也就是说，本申请可以基于各个待预测的金融产品在至少两个指标上的评价结果对各个待预测的金融产品进行预测。而在现有的投资预测方法中，仅仅是针对某一方面的指标进行计算得出投顾方案。因为本申请采用了基于各个待预测的金融产品在至少两个指标上的评价结果对各个待预测的金融产品进行预测的技术手段，克服了现有技术中仅仅是针对某一方面的指标进行计算得出投顾方案，对于投顾的结果往往准确度不高，甚至不符合预期的技术问题，本申请提供的技术方案，能够更加准确地预测出金融产品的发展变化趋势，从而可以为投资者提供更加可靠的金融服务；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图5是本申请实施例提供的投资预测装置的结构示意图。如图5所示，所述装置500包括：评价模块501和预测模块502；其中，
所述评价模块501，用于将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过所述预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，所述历史数据包括：静态数据和动态数据；
所述预测模块502，用于基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
进一步的，所述至少两个指标包括以下指标中的任意两个或者多个：均方误差、相关系数、预测误差、走势方向准确率、夏普比率、最大回撤率和累计收益率。
进一步的，所述评价模块501，具体用于通过所述预测模型将各个待预测的金融产品的历史数据输入至支持向量机中；通过所述支持向量机得到各个待预测的金融产品在至少两个指标上的评价结果。
进一步的，所述装置还包括：优化模块503(图中未示出)，用于在原始数据集中获取至少一个金融产品的特征因子数据，将所述至少一个金融产品的特征因子数据划分为样本内数据集和样本外数据集；基于所述样本内数据集和所述样本外数据集，分别得到训练数据集和测试数据集；通过所述训练数据集和所述测试数据集对所述支持向量机进行优化处理。
进一步的，所述装置还包括：训练模块504(图中未示出)，用于若所述预测模型不满足预先设置的收敛条件，则在原始数据集中提取出一个金融产品的历史数据作为当前训练样本；使用所述当前训练样本对所述预测模型进行训练，重复执行上述操作，直到所述预测模型满足所述预先设置的收敛条件。
进一步的，所述装置还包括：推荐模块505(图中未示出)，用于根据各个投资者的历史投资数据创建投资者画像；并使用卷积神经网络对所述投资者画像进行建模，输出预测的各个投资者的投资行为画像；其中，所述卷积神经网络为图卷积网络或者循环神经网络；或者所述图卷积网络和所述循环神经网络的组合；基于各个投资者的投资行为画像和各个待预测的金融产品的预测结果，将各个投资者相匹配的金融产品推荐给各个投资者。
上述投资预测装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的投资预测方法。
实施例五
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如投资预测方法。例如，在一些实施例中，投资预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的投资预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行投资预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种投资预测方法，所述方法包括：
将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过所述预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，所述历史数据包括：静态数据和动态数据；
基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
2.根据权利要求1所述的方法，所述至少两个指标包括以下指标中的任意两个或者多个：均方误差、相关系数、预测误差、走势方向准确率、夏普比率、最大回撤率和累计收益率。
3.根据权利要求1所述的方法，所述通过所述预测模型得到各个待预测的金融产品在至少两个指标上的评价结果，包括：
通过所述预测模型将各个待预测的金融产品的历史数据输入至支持向量机中；通过所述支持向量机得到各个待预测的金融产品在至少两个指标上的评价结果。
4.根据权利要求3所述的方法，在所述通过所述预测模型将各个待预测的金融产品的历史数据输入至支持向量机中之前，所述方法还包括：
在原始数据集中获取至少一个金融产品的特征因子数据，将所述至少一个金融产品的特征因子数据划分为样本内数据集和样本外数据集；
基于所述样本内数据集和所述样本外数据集，分别得到训练数据集和测试数据集；
通过所述训练数据集和所述测试数据集对所述支持向量机进行优化处理。
5.根据权利要求1所述的方法，在所述将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中之前，所述方法还包括：
若所述预测模型不满足预先设置的收敛条件，则在原始数据集中提取出一个金融产品的历史数据作为当前训练样本；
使用所述当前训练样本对所述预测模型进行训练，重复执行上述操作，直到所述预测模型满足所述预先设置的收敛条件。
6.根据权利要求1所述的方法，所述方法还包括：
根据各个投资者的历史投资数据创建投资者画像；并使用卷积神经网络对所述投资者画像进行建模，输出预测的各个投资者的投资行为画像；其中，所述卷积神经网络为图卷积网络或者循环神经网络；或者所述图卷积网络和所述循环神经网络的组合；
基于各个投资者的投资行为画像和各个待预测的金融产品的预测结果，将各个投资者相匹配的金融产品推荐给各个投资者。
7.一种投资预测装置，所述装置包括：评价模块和预测模块；其中，
所述评价模块，用于将各个待预测的金融产品的历史数据输入至预先训练好的预测模型中；通过所述预测模型得到各个待预测的金融产品在至少两个指标上的评价结果；其中，所述历史数据包括：静态数据和动态数据；
所述预测模块，用于基于各个待预测的金融产品在至少两个指标上的评价结果，对各个待预测的金融产品进行预测，得到各个待预测的金融产品的涨跌结果。
8.根据权利要求7所述的装置，所述至少两个指标包括以下指标中的任意两个或者多个：均方误差、相关系数、预测误差、走势方向准确率、夏普比率、最大回撤率和累计收益率。
9.根据权利要求7所述的装置，所述评价模块，具体用于通过所述预测模型将各个待预测的金融产品的历史数据输入至支持向量机中；通过所述支持向量机得到各个待预测的金融产品在至少两个指标上的评价结果。
10.根据权利要求9所述的装置，所述装置还包括：优化模块，用于在原始数据集中获取至少一个金融产品的特征因子数据，将所述至少一个金融产品的特征因子数据划分为样本内数据集和样本外数据集；基于所述样本内数据集和所述样本外数据集，分别得到训练数据集和测试数据集；通过所述训练数据集和所述测试数据集对所述支持向量机进行优化处理。
11.根据权利要求7所述的装置，所述装置还包括：训练模块，用于若所述预测模型不满足预先设置的收敛条件，则在原始数据集中提取出一个金融产品的历史数据作为当前训练样本；使用所述当前训练样本对所述预测模型进行训练，重复执行上述操作，直到所述预测模型满足所述预先设置的收敛条件。
12.根据权利要求7所述的装置，所述装置还包括：推荐模块，用于根据各个投资者的历史投资数据创建投资者画像；并使用卷积神经网络对所述投资者画像进行建模，输出预测的各个投资者的投资行为画像；其中，所述卷积神经网络为图卷积网络或者循环神经网络；或者所述图卷积网络和所述循环神经网络的组合；基于各个投资者的投资行为画像和各个待预测的金融产品的预测结果，将各个投资者相匹配的金融产品推荐给各个投资者。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202110157286.4A 2021-02-04 2021-02-04 一种投资预测方法、装置、电子设备及存储介质 Pending CN112862182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110157286.4A CN112862182A (zh) 2021-02-04 2021-02-04 一种投资预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110157286.4A CN112862182A (zh) 2021-02-04 2021-02-04 一种投资预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112862182A true CN112862182A (zh) 2021-05-28

Family

ID=75988628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110157286.4A Pending CN112862182A (zh) 2021-02-04 2021-02-04 一种投资预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112862182A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393330A (zh) * 2021-07-11 2021-09-14 北京天仪百康科贸有限公司 一种基于区块链的金融风控管理系统
CN113610113A (zh) * 2021-07-09 2021-11-05 中国银行股份有限公司 一种数据可视化方法及装置
CN115545790A (zh) * 2022-10-20 2022-12-30 北京宽客进化科技有限公司 价格数据预测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443715A (zh) * 2019-06-27 2019-11-12 平安科技（深圳）有限公司 基金产品推荐方法、装置、设备及计算机可读存储介质
CN111292118A (zh) * 2020-01-10 2020-06-16 上海财经大学 基于深度学习的投资者画像构建方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443715A (zh) * 2019-06-27 2019-11-12 平安科技（深圳）有限公司 基金产品推荐方法、装置、设备及计算机可读存储介质
CN111292118A (zh) * 2020-01-10 2020-06-16 上海财经大学 基于深度学习的投资者画像构建方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610113A (zh) * 2021-07-09 2021-11-05 中国银行股份有限公司 一种数据可视化方法及装置
CN113393330A (zh) * 2021-07-11 2021-09-14 北京天仪百康科贸有限公司 一种基于区块链的金融风控管理系统
CN115545790A (zh) * 2022-10-20 2022-12-30 北京宽客进化科技有限公司 价格数据预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Li et al. Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy
Bellini IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS
US11436550B2 (en) Cash forecast system, apparatus, and method
CN112862182A (zh) 一种投资预测方法、装置、电子设备及存储介质
Gao The use of machine learning combined with data mining technology in financial risk prevention
CN111383091A (zh) 一种资产证券化定价方法和装置
Tang et al. Government R&D spending, fiscal instruments and corporate technological innovation
CN110309508A (zh) 一种基于投资者情绪的vwap量化交易系统及方法
Flynn et al. The macroeconomics of narratives
US11995667B2 (en) Systems and methods for business analytics model scoring and selection
CN108734567A (zh) 一种基于大数据人工智能风控的资产管理系统及其评估方法
Boubaker et al. Forecasting oil commodity spot price in a data-rich environment
US20190180376A1 (en) Financial Correlation Prediction System and the Method Thereof
Zhang et al. Intraday and interday features in the high-frequency data: Pre-and post-Crisis evidence in China’s stock market
Yao et al. Six-factor asset pricing and portfolio investment via deep learning: Evidence from Chinese stock market
CN112766814A (zh) 一种信用风险压力测试模型的训练方法、装置及设备
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
CN111898901A (zh) 一种基于LightGBM的量化投资计算方法、存储介质及设备
US20170004521A1 (en) Systems and methods for generating industry outlook scores
Gu et al. Stock prediction based on news text analysis
CN110807543A (zh) 一种基于群决策智能搜索的投资组合优化方法和装置
Alfonso-Sánchez et al. Optimizing credit limit adjustments under adversarial goals using reinforcement learning
Chang et al. Hear all parties: Peer effect of digital transformation on long‐term firm investment in China
Zhang et al. Research on prediction of China’s financial systematic risk based on the hybrid model
US20200051175A1 (en) Method and System for Predicting and Indexing Probability of Financial Stress

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