CN112927081A - 数据处理方法、设备、系统以及存储介质 - Google Patents
数据处理方法、设备、系统以及存储介质 Download PDFInfo
- Publication number
- CN112927081A CN112927081A CN202110279170.8A CN202110279170A CN112927081A CN 112927081 A CN112927081 A CN 112927081A CN 202110279170 A CN202110279170 A CN 202110279170A CN 112927081 A CN112927081 A CN 112927081A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- principal component
- asset
- component combinations
- combination
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种数据处理方法、设备、系统以及存储介质,方法包括:接收客户端发送的配置请求,其中,配置请求包括用户标识;对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值;对多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率;根据各类资产的收益率的概率和用户标识关联的投资画像数据生成资产配置结果,并向客户端发送资产配置结果。本方案通过降维处理获得多组主成分组合的组合数值,以根据该主成分组合的组合数值预测各类资产的收益率的概率,无需人为干预,提高准确度和处理效率。
Description
技术领域
本申请涉及计算机系统技术,尤其涉及一种数据处理方法、设备、系统以及存储介质。
背景技术
收益率的概率分布是对拟建投资项目主要评价指标,为项目决策提供风险分析的依据。
常见的获得收益率的方式包括:首先,在基本资产配置方案的基础上,确定各种不确定性因素的各种变化幅度及其概率;其次,通过人为的方式将各种不确定性因素的各种变化幅度组合成需要进行敏感性分析的若干资产配置方案,并分别进行各方案的敏感性分析,测算出各方案的收益率及其概率值;再次,将上述各方案的收益率和概率值从小到大列表排列起来,并计算累计概率,即可获得收益率的概率分布。
然而,在现有技术中,需要通过人为的方式确定若干方案,造成获得收益率的概率的效率偏低,且准确性偏低的问题。
发明内容
本申请提供一种数据处理方法、设备、系统以及存储介质,旨在对资产价格影响因子的数值进行处理,更加准确和更快速地获得资产配置结果。
第一方面,本申请提供一种数据处理方法,方法应用于服务器,方法包括:
接收客户端发送的配置请求,其中,配置请求包括用户标识;
对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值;
对多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率;
根据各类资产的收益率的概率和用户标识关联的投资画像数据生成资产配置结果,并向客户端发送资产配置结果。
可选地,对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值,具体包括:
重复执行步骤从多个资产价格影响因子中选择多个目标影响因子,对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,直至获得的主成分组合的总数量满足预设条件为止。
可选地,任意两次循环中目标影响因子的数量的差值在预设阈值范围内。
在上述技术方案中,通过循环从多个资产价格影响因子中选择目标影响因子,以通过降维处理后获得多组主成分组合,在降低数据处理量的同时,提供获得收益率概率的基础数据,无需人为组合出多种方案,提高数据处理准确性和数据处理效率。
可选地,对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,具体包括:
使用非线性降维方法或者线性降维方法对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
可选地,使用非线性降维方法或者线性降维方法对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,具体包括:
使用主成分分析法或者局部线性嵌入法对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
可选地,对多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率,具体包括:
使用每个资产的预测模型对多组主成分组合在每个评估时刻的组合数值进行预测,获得每类资产的多个预测价格;
对每类资产的多个预测价格进行统计获得每类资产的收益率的概率。
在上述技术方案中,使用预测模型对每个主成分组合的组合数据进行预测获得多个预测价格,进而可以根据该预测价格获得收益率的概率,无需人为组合出多种方案,提高数据处理准确性和数据处理效率。
可选地,方法还包括:
获得多组主成分组合在每个历史时刻的组合数值和每类资产在历史时刻的价格;
对多组主成分组合在每个历史时刻的组合数值和每类资产在历史时刻的价格进行拟合,获得每类资产的预测模型。
可选地,获得多组主成分组合在每个历史时刻的组合数值,具体包括:
获取多个资产价格影响因子在多个历史时刻的数值;
对多个资产价格影响因子在多个历史时刻的数值进行降维处理,获得多组主成分组合在每个历史时刻的组合数值。
可选地,对多个资产价格影响因子在多个历史时刻的数值进行降维处理,获得多组主成分组合在每个历史时刻的组合数值,具体包括:
重复执行步骤从多个资产价格影响因子中选择多个目标影响因子,对多个目标影响因子在所有历史时刻的数值进行降维处理获得一组主成分组合在每个历史时刻的组合数值,直至获得的主成分组合的总数量满足预设条件为止。
第二方面,本申请提供一种数据处理装置,其特征在于,装置包括:
接收模块,用于接收客户端发送的配置请求,其中,配置请求包括用户标识;
处理模块,用于对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值;
处理模块还用于对多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率;
发送模块,用于根据各类资产的收益率的概率和用户标识关联的投资画像数据生成资产配置结果,并向客户端发送资产配置结果。
第三方面,本申请提供一种服务器,包括:
存储器;用于存储处理器可执行指令的存储器;
其中,处理器被配置为如第一方面及可选方案所涉及的数据处理方法。
第四方面,本申请提供一种服务系统,包括:第二方面所涉及的服务器以及客户端。
第五方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面及可选方案所涉及的数据处理方法。
第六方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面及可选方案涉及的数据处理方法。
本申请提供一种数据处理方法、设备、系统以及存储介质,在接收客户端发送的配置请求后,对多个资产价格影响因子的数值进行降维处理,获得多组主成分组合的组合数值,以根据多组主成分组合的组合数值获得各类资产的收益率的概率,进而可以根据各类资产的收益率的概率和投资画像数据生成资产配置结果,本方案在计算收益率的概率时无需人为干预,提高准确率和处理效率,先获得单个资产的收益率的概率后,进行资产配置,无需人为提前进行资产配置,进一步提高准确率和处理效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一实施例提供的服务系统的结构示意图;
图2为本申请一实施例提供的数据处理方法的流程示意图;
图3为本申请另一实施例提供的数据处理方法的流程示意图;
图4为本申请另一实施例提供的数据处理装置的结构示意图;
图5为本申请另一实施例提供的服务器的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为解决现有技术中上述问题,本申请提供一种数据处理方法、装置、服务器、系统以及存储介质。本申请的技术构思是:对影响资产价格的资产价格影响因子进行降维处理获得多组主成分组合,减少数据处理量。再使用多组主成分组合预测每类资产的收益率的概率,根据各类资产的收益率的概率进行资产配置,无需人为干预,可以获得更加准确的收益率的概率,并且可以提高数据处理效率。
如图1所示,本申请一实施例提供一种数据处理系统,该数据处理系统包括服务器101和客户端102。其中,服务器101与客户端102之间通信连接。客户端102用于向服务器发送配置请求,以使服务器响应配置请求,返回资产配置结果。该数据处理系统用于执行如下实施例描述的数据处理方法,此处不再赘述。
如图2所示,本申请另一实施例提供一种数据处理方法,该数据处理方法应用于如图1所示的数据处理系统,该数据处理方法具体包括如下步骤:
S201、接收客户端发送的配置请求。
其中,配置请求用于提供资产配置,资产包括股票、货币、债券、期货或者黄金等多个类别。提供资产配置是指提供拥有每一类资产在用户拥有总资产的比例。
用户通过客户端向服务器发送配置请求,以使服务器根据该配置请求返回配置结果。配置请求包括用户标识,例如:用户账户ID,用户身份证信息等。
S202、服务器对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值。
其中,服务器在获得配置请求后,获取多个影响资产价格波动的资产价格影响因子。例如:原油价格、国家宏观调控政策等。
获取每个资产价格在每个评估时刻的具体数值。评估时刻包括当前时刻和/或历史时刻,且历史时刻距离当前时刻比较近。
例如:当前时刻是3月4号8时,评估时刻可以是3月3号的0时到3月4号8时这32个时刻。
此处需要说明的是,若影响因子是政策类影响因子,该类影响因子的数值表示政策导向。
例如:国家宏观调控政策的数值范围是1-5,国家宏观调控政策放宽,该因子的数值可以为4或5,根据放宽力度确定具体数值。国家宏观调控政策缩紧,该因子的数值可以为1或2,根据缩紧力度确定具体数值。
从所有资产价格影响因子中选择目标影响因子,基于所选择的目标影响因子在不同评估时刻的数值进行降维处理,获得一组主成分组合在不同评估时刻的组合数值。通过重复执行上述步骤多次,即可获得多组主成分组合在不同评估时刻的组合数值。
S203、服务器根据多组主成分组合在每个评估时刻的组合数值预测获得各类资产的收益率的概率。
其中,主成分组合是对资产价格影响因子进行降维后得到的。主成分组合中各个主成分能够影响各类资产的价格,进而可以根据主成分组合在各个评估时刻的组合数值预测各类资产的收益率的概率。
具体采用如下方式获得一类资产的收益率的概率:根据每一组主成分组合在所有评估时刻的组合数字预测一类资产的价格,也就是每一组主成分组合可以获得一类资产的价格,再对所获得该类资产的价格进行统计,即可获得该类资产的收益率的概率。
例如:获得股票的收益率的概率,获得100组主成分组合,根据一组主成分组合在24个评估时刻的组合数值预测得到股票的预测价格,通过遍历100组主成分组合,即可获得100个股票的预测价格,对100个股票的预测价格进行统计获得股票的收益率的概率。
S204、服务器根据各类资产的收益率的概率和用户标识关联的投资画像数据生成资产配置结果。
其中,投资画像数据用于表示用户的投资偏好,例如:用户的投资偏好是高风险型,也就是用户可以承担一定数额的亏损。用户的投资偏好是低风险型,也就是用户不能承担亏损。
若投资画像数据显示用户属于高风险型,该用户的收益率的概率阈值较小,例如:70%,可以选择收益率的概率大于收益率的概率阈值,且收益值高的资产进行资产配置。
若投资画像数据显示用户属于低风险型,该用户的收益率的概率阈值较大,例如:95%,可以选择收益率的概率大于收益率的概率阈值,且收益值高的资产进行资产配置。
S205、服务器向客户端发送资产配置结果。
在上述技术方案中,通过对多个资产价格影响因子在多个评估时刻的数值进行降维处理,减少后续数据处理量,并通过降维处理获得多组主成分组合的组合数据预测收益率的概率,以根据该收益率的概率为用户配置资产,在计算收益率的概率时无需人为干预,准确率和计算效率更高。
本申请另一实施例提供一种数据处理方法,该数据处理方法应用于如图1所示的数据处理系统,该数据处理方法具体包括如下步骤:
S301、接收客户端发送的配置请求。
其中,该步骤已经在上述实施例中详细说明,此处不再赘述。
S303、服务器对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值。
其中,如图3所示,获得多组主成分组合在每个评估时刻的组合数值具体包括如下步骤:
S3001、从多个资产价格影响因子中选择多个目标影响因子。
其中,从多个资产价格影响因子中随机选择多个目标影响因子。例如:有50个资产价格影响因子,从中选择48资产价格影响因子作为目标影响因子。
S3002、对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
其中,根据多个资产价格影响因子在多个评估时刻的数值确定多个目标影响因子在各个评估时刻的数值。
将所有目标影响因子在一个评估时刻的数值作为一个评估时刻的样本数据,对每个评估时刻的样本数据进行降维处理,获得一组主成分在每个评估时刻的组合数据。
例如:有50个资产价格影响因子,获得50个资产价格影响因子在24个评估时刻的数值,也就是有50×24个数值。
选择48资产价格影响因子作为目标影响因子,将48个资产价格因子在一个评估时刻的数值作为该评估时刻对应的样本数据,则有24个样本数据,每个样本数据中有48个数值。
对24个样本数据进行一次降维处理,获得一个主成分组合在24个评估时刻的组合数值。在进行降维处理后,一个主成分组合中包括主成分A至主成分E,一个主成分在一个评估时刻的组合数值具体包括主成分A至主成分E在该评估时刻的数值。
在另一实施例中,使用非线性降维方法或者线性降维方法对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
优选地,使用主成分分析或者局部线性嵌入方法对多个目标影响因子在所有评估时刻的数值进行降维处理。其中,主成分分析属于线性降维,局部线性嵌入方法属于非线性降维方法。
下面以主成分分析法为例描述降维处理过程:
S31、对多个目标影响因子在所有评估时刻的数值进行校正处理,获得多个目标影响因子在所有评估时刻的校正数值。
其中,对多个目标影响因子在所有评估时刻的数值进行校正处理,获得多个目标影响因子在所有评估时刻的校正数值,具体包括:
根据每个目标影响因子在所有评估时刻的数值计算每个目标影响因子的平均值。将每个目标影响因子在每个评估时刻的数值减去目标影响因子的平均值,获得每个目标影响因子在每个评估时刻的校正数值。
S32、根据多个目标影响因子在所有评估时刻的校正数值计算任意两个目标影响因子之间的协方差,获得协方差矩阵。
S33、根据协方差矩阵获得降维矩阵,并使用降维矩阵对多个目标影响因子在所有评估时刻的数值进行降维处理,获得主成分组合在每个评估时刻的组合数值。
其中,根据协方差矩阵获得降维矩阵又具体包括:计算协方差矩阵的特征向量和特征值,并选择数值排在前k位的特征值所对应的特征向量生成降维矩阵。通过把较小的特征值所对应的特征向量进行削减,主成分组合与资产价格影响因子的偏离可以达到最小。
在非线性降维方法中,由于高维度数据有很多曲面片的叠加,它在局部具有欧式空间的性质,通过在局部进行计算,找到一个从流形到欧式空间的映射,进而实现降维。
S3003、判断主成分组合的总数量满足预设条件,若是,进入S3004,否则,进入S3001。
其中,预设条件是主成分组合的总数量是否达到预设阈值,例如:预设阈值为100。进行一次降维处理即可获得一组主成分组合,通过若进行降维处理的次数达到预设阈值,则进入S3004。否则,进入S3001,继续从多个资产价格影响因子中选择多个目标影响因子,例如,随机选择47个资产价格影响因子作为目标影响因子。
优选地,任意两次循环中目标影响因子的数量的差值在预设阈值范围内。预设阈值范围根据实际情况确定,通过设置每次循环中目标影响因子的数量相近,所获得多组主成分组合可以准确反应各类资产的收益率的概率,进而提高所获得收益率的概率的准确性。
S3004、若是,输出多组主成分组合在每个评估时刻的组合数值。
其中,在主成分组合的总数量达到预设阈值时,输出所有主成分组合在每个评估时刻的组合数值。
S303、服务器根据多组主成分组合在每个评估时刻的组合数值预测获得各类资产的收益率的概率。
其中,具体使用如下方式获得各类资产的收益率的概率:先根据历史数据获得预测模型,再使用多组主成分组合在每个评估时刻的组合数值预测获得各类资产的预测价格,最后统计各类资产的预测价格获得各类资产的收益率。
在获得各类资产的预测模型时,先获得多组主成分组合在每个历史时刻的组合数值和每类资产在历史时刻的价格,再进行数据拟合获得每类资产的预测模型。
所获得的每类资产的预测模型为多元时间序列模型,可以分析不同时间序列的动态相关性,从而得到更准确的预测。
获得多组主成分组合在每个历史时刻的组合数值具体包括:针对每个资产价格影响因子,获取资产价格影响因子在多个历史时刻的数值。对所有资产价格影响因子在所有历史时刻的数值进行降维处理。其中,进行降维处理的方式同S303相同,此处不再赘述。
在获得每类资产的预测模型后,针对每类资产,使用该类资产的预测模型对多组主成分组合在所有评估时刻的组合数值进行预测获得该类资产的多个预测价格,对该类资产的多个预测价格进行统计获得该类资产的收益率的概率。
S304、服务器根据各类资产的收益率的概率和用户标识关联的投资画像数据生成资产配置结果。
其中,该步骤已经在上述实施例中详细说明,此处不再赘述。
S305、服务器向客户端发送资产配置结果。
在上述技术方案中,对资产价格影响因子进行多次得到不同的主成分组合,再对不同的主成分组合使用预测模型进行预测,获得各类资产的预测价格分布,再对预测价格分布进行统计即可获得每类资产的收益率,再结合用户投资画像数据即可完成资产配置,在计算收益率的概率时无需人为干预,准确率和计算效率更高。
如图4所示,本申请另一实施例提供一种数据处理装置400,该数据处理装置400包括:
接收模块401,用于接收客户端发送的配置请求,其中,配置请求包括用户标识;
处理模块402,用于对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个评估时刻的组合数值;
处理模块402还用于对多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率;
发送模块403,用于根据各类资产的收益率的概率和用户标识关联的投资画像数据生成资产配置结果,并向客户端发送资产配置结果。
可选地,处理模块402具体用于:
重复执行步骤从多个资产价格影响因子中选择多个目标影响因子,对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,直至获得主成分组合的总数量满足预设条件为止。
可选地,任意两次循环中目标影响因子的数量的差值在预设阈值范围内。
可选地,处理模块402具体用于:
使用非线性降维方法或者线性降维方法对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
可选地,处理模块402具体用于:
使用主成分分析法或者局部线性嵌入法对多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
可选地,处理模块402具体用于:
使用每个资产的预测模型对多组主成分组合在每个评估时刻的组合数值进行预测,获得每类资产的多个预测价格;
对每类资产的多个预测价格进行统计获得每类资产的收益率的概率。
可选地,处理模块402还用于:
获得多组主成分组合在每个历史时刻的组合数值和每类资产在历史时刻的价格;
对多组主成分组合在每个历史时刻的组合数值和每类资产在历史时刻的价格进行拟合,获得每类资产的预测模型。
可选地,处理模块402具体用于:
获取多个资产价格影响因子在多个历史时刻的数值;
对多个资产价格影响因子在多个历史时刻的数值进行降维处理,获得多组主成分组合在每个历史时刻的组合数值。
可选地,处理模块402具体用于:
重复执行步骤从多个资产价格影响因子中选择多个目标影响因子,对多个目标影响因子在所有历史时刻的数值进行降维处理获得一组主成分组合在每个历史时刻的组合数值,直至获得主成分组合的总数量满足预设条件为止。
如图5所示,本申请另一实施例提供的服务器500,该服务器为服务器或者用户服务器,服务器500包括:发送器501、接收器502、存储器503、及处理器504。
其中,发送器501用于发送指令和数据,接收器502用于接收指令和数据,存储器503用于存储计算机执行指令,处理器504,用于执行存储器存储的计算机执行指令,以实现上述实施例中数据处理方法所执行的各个步骤。具体可以参见前述数据处理方法实施例中的相关描述。
可选地,上述存储器503既可以是独立的,也可以跟处理器504集成在一起。当存储器503独立设置时,该处理设备还包括总线,用于连接存储器503和处理器504。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上处理设备所执行的数据处理方法。
本申请实施例还提供一种计算机程序产品,包括指令,指令被处理器执行时实现如上处理设备所执行的数据处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种数据处理方法,其特征在于,所述方法应用于服务器,所述方法包括:
接收客户端发送的配置请求,其中,所述配置请求包括用户标识;
对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个所述评估时刻的组合数值;
对所述多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率;
根据所述各类资产的收益率的概率和所述用户标识关联的投资画像数据生成资产配置结果,并向所述客户端发送所述资产配置结果。
2.根据权利要求1所述的方法,其特征在于,对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个所述评估时刻的组合数值,具体包括:
重复执行步骤从所述多个资产价格影响因子中选择多个目标影响因子,对所述多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,直至获得的主成分组合的总数量满足预设条件为止。
3.根据权利要求2所述的方法,其特征在于,任意两次循环中目标影响因子的数量的差值在预设阈值范围内。
4.根据权利要求2所述的方法,其特征在于,对所述多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,具体包括:
使用非线性降维方法或者线性降维方法对所述多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
5.根据权利要求4所述的方法,其特征在于,使用非线性降维方法或者线性降维方法对所述多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值,具体包括:
使用主成分分析法或者局部线性嵌入法对所述多个目标影响因子在所有评估时刻的数值进行降维处理获得一组主成分组合在每个评估时刻的组合数值。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,对所述多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率,具体包括:
使用每个资产的预测模型对所述多组主成分组合在每个评估时刻的组合数值进行预测,获得每类资产的预测价格;
对每类资产的多个预测价格进行统计获得每类资产的收益率的概率。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获得多组主成分组合在每个历史时刻的组合数值和每类资产在所述历史时刻的价格;
对所述多组主成分组合在每个历史时刻的组合数值和所述每类资产在历史时刻的价格进行拟合,获得每类资产的预测模型。
8.根据权利要求7所述的方法,其特征在于,获得多组主成分组合在每个历史时刻的组合数值,具体包括:
获取多个资产价格影响因子在多个历史时刻的数值;
对所述多个资产价格影响因子在多个历史时刻的数值进行降维处理,获得多组主成分组合在每个历史时刻的组合数值。
9.根据权利要求8所述的方法,其特征在于,对所述多个资产价格影响因子在多个历史时刻的数值进行降维处理,获得多组主成分组合在每个历史时刻的组合数值,具体包括:
重复执行步骤从所述多个资产价格影响因子中选择多个目标影响因子,对所述多个目标影响因子在所有历史时刻的数值进行降维处理获得一组主成分组合在每个历史时刻的组合数值,直至获得的主成分组合的总数量满足预设条件为止。
10.一种数据处理装置,其特征在于,所述装置包括:
接收模块,用于接收客户端发送的配置请求,其中,所述配置请求包括用户标识;
处理模块,用于对多个资产价格影响因子在多个评估时刻的数值进行降维处理,获得多组主成分组合在每个所述评估时刻的组合数值;
处理模块还用于对所述多组主成分组合在每个评估时刻的组合数值进行预测处理,获得各类资产的收益率的概率;
发送模块,用于根据所述各类资产的收益率的概率和所述用户标识关联的投资画像数据生成资产配置结果,并向所述客户端发送所述资产配置结果。
11.一种服务器,其特征在于,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为如权利要求1至9中任意一项所述的数据处理方法。
12.一种数据处理系统,其特征在于,包括如权利要求11所述的服务器和客户端。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至9中任意一项所述的数据处理方法。
14.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1至9中任意一项的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279170.8A CN112927081A (zh) | 2021-03-16 | 2021-03-16 | 数据处理方法、设备、系统以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279170.8A CN112927081A (zh) | 2021-03-16 | 2021-03-16 | 数据处理方法、设备、系统以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927081A true CN112927081A (zh) | 2021-06-08 |
Family
ID=76175163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279170.8A Pending CN112927081A (zh) | 2021-03-16 | 2021-03-16 | 数据处理方法、设备、系统以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927081A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493220A (zh) * | 2018-10-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 一种确定股票投资配比的方法、终端设备及介质 |
CN110992190A (zh) * | 2019-12-19 | 2020-04-10 | 中国建设银行股份有限公司 | 基于用户画像的资产配置方法及装置 |
CN111523085A (zh) * | 2020-04-10 | 2020-08-11 | 南通大学 | 一种基于自相关线性近邻分析的股票走势分析方法 |
CN112348092A (zh) * | 2020-11-10 | 2021-02-09 | 广发证券股份有限公司 | 数据处理方法和装置、服务器及存储介质 |
-
2021
- 2021-03-16 CN CN202110279170.8A patent/CN112927081A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493220A (zh) * | 2018-10-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 一种确定股票投资配比的方法、终端设备及介质 |
CN110992190A (zh) * | 2019-12-19 | 2020-04-10 | 中国建设银行股份有限公司 | 基于用户画像的资产配置方法及装置 |
CN111523085A (zh) * | 2020-04-10 | 2020-08-11 | 南通大学 | 一种基于自相关线性近邻分析的股票走势分析方法 |
CN112348092A (zh) * | 2020-11-10 | 2021-02-09 | 广发证券股份有限公司 | 数据处理方法和装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275491B (zh) | 一种数据处理方法及装置 | |
CN109345374A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
KR102091417B1 (ko) | 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 | |
CN111260438A (zh) | 产品配置方法、装置、计算机设备和存储介质 | |
CN116523262B (zh) | 基于大数据的生产计划智能规划方法、系统和介质 | |
CN105868878A (zh) | Mac地址的风险识别方法及装置 | |
KR20190130535A (ko) | 증권 빅데이터기반 페어 트레이딩시스템 및 그 제어방법 | |
CN115438821A (zh) | 一种智能排队方法和相关装置 | |
Gonzalez‐Astudillo | Identifying the Stance of Monetary Policy at the Zero Lower Bound: A Markov‐Switching Estimation Exploiting Monetary‐Fiscal Policy Interdependence | |
CN112927081A (zh) | 数据处理方法、设备、系统以及存储介质 | |
Paciello | Does Inflation Adjust Faster to Aggregate Technology Shocks than to Monetary Policy Shocks? | |
US20200193486A1 (en) | System and method for determining bid vector transformed predictive click-through rate | |
Dhamija et al. | Financial time series forecasting: comparison of various arch models | |
CN114116814A (zh) | 基于智慧金融大数据的金融产品推荐方法 | |
CN112862602B (zh) | 一种用户请求的确定方法及存储介质、电子装置 | |
CN113408923B (zh) | 保费催收方法、装置、计算机设备和存储介质 | |
Maree | Regulatory requirements, risk management and the equity market in New Zealand | |
CN116894588B (zh) | 一种基于大数据的粮食供需智能管理方法、系统及介质 | |
CN113362176B (zh) | 数据处理方法和数据处理装置 | |
Collie et al. | Stock market simulation and inference technique | |
Grari et al. | OptiGrad: A Fair and more Efficient Price Elasticity Optimization via a Gradient Based Learning | |
CN117495520A (zh) | 一种数据的确定方法及其装置 | |
CN117236956A (zh) | 确定无人网点的业务的方法、服务器及介质 | |
CN112950385A (zh) | 金融产品配置信息生成方法与装置、电子设备、存储介质 | |
권은지 et al. | Multivariate Stress Scenario Selection in Interbank Networks |
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 |