CN113344710A - 模型训练方法、装置与存储介质 - Google Patents
模型训练方法、装置与存储介质 Download PDFInfo
- Publication number
- CN113344710A CN113344710A CN202110713837.0A CN202110713837A CN113344710A CN 113344710 A CN113344710 A CN 113344710A CN 202110713837 A CN202110713837 A CN 202110713837A CN 113344710 A CN113344710 A CN 113344710A
- Authority
- CN
- China
- Prior art keywords
- investment product
- asset data
- real
- target
- asset
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及模型训练技术领域,本申请提供一种模型训练方法、装置与存储介质,模型训练方法包括:获取与目标投资产品对应的待训练回归模型,获取与所述目标投资产品对应的至少两个历史数据对,采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值,根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型。实施本申请,可以提高最终获得的实时估计资产数据的准确度。
Description
技术领域
本申请涉及模型训练领域,尤其涉及一种模型训练方法、装置与存储介质。
背景技术
随着信息技术的高速发展,各种网络的投资产品也逐渐流行起来,比如基金、股票等等,对于购买投资产品的用户来说,会实时关注该投资产品所关联的实时估计资产数据,比如,对于购买基金产品的用户来说,会实时关注基金的实时估计净值数据。通常投资产品的资产数据是由多种资产种类的资产数据确定,而其中一部分资产种类又未知,例如,对应基金产品,该基金产品包括多个持仓股,而季报可能只公布该多个持仓股中的前十持仓股,而其他持仓股未知。由于部分资产种类未知,因此目前投资平台从外部接口所获取的投资产品的实时估计资产数据准确度不高。
发明内容
基于此,有必要针对上述技术问题,提供一种模型训练方法、装置与存储介质,可以基于目标投资产品对应的历史数据对,训练得到用于对目标投资产品的实时估计资产数据进行微调处理的最终回归模型,从而采用该最终回归模型对所获得的目标投资产品的实时估计资产数据进行微调处理,提高最终获得的实时估计资产数据的准确度。
第一方面,本申请提供一种模型训练方法,所述方法包括:
获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
结合第一方面,在一些实施例中,所述确定最终回归模型之后还包括:
从终端接收资产显示请求,所述资产显示请求包括所述目标投资产品的产品标识,所述资产显示请求用于请求显示所述目标投资产品在当前时刻的实时估计资产数据;
获取所述目标投资产品在当前时刻的第一实时估计资产数据,所述第一实时估计资产数据是基于从外部接口获取的与所述目标投资产品关联的实时估计资产数据得到的;
采用所述最终回归模型对所述第一实时估计资产数据进行微调处理,获得所述目标投资产品在所述当前时刻的第二实时估计资产数据;
向所述终端发送响应消息,所述响应消息包括所述第二实时估计资产数据,以使所述终端输出所述目标投资产品在所述当前时刻的所述第二实时估计资产数据。
结合第一方面,在一些实施例中,所述目标投资产品包括一种投资产品或多种投资产品,所述多种投资产品按照目标比例构成所述目标投资产品,一个投资产品对应至少两个资产种类,所述投资产品的资产数据由所述至少两个资产种类的资产数据确定。
结合第一方面,在一些实施例中,若所述目标投资产品包括一种投资产品,所述获取所述目标投资产品在当前时刻的第一实时估计资产数据,包括:
通过外部接口获取所述目标投资产品在当前时刻的第一实时估计资产数据。
结合第一方面,在一些实施例中,若所述目标投资产品包括多种投资产品,所述获取所述目标投资产品在当前时刻的第一实时估计资产数据,包括:
针对所述多种投资产品中的每种投资产品,确定所述投资产品对应的至少两个资产种类;
通过外部接口获取所述至少两个资产种类中每个资产种类在当前时刻的实时估计资产数据;
根据所述至少两个资产种类中每个资产种类的实时估计资产数据,确定所述投资产品的实时估计资产数据;
根据所述多种投资产品中每种投资产品的实时估计资产数据,获得所述目标投资产品在当前时刻的第一实时估计资产数据。
结合第一方面,在一些实施例中,若所述目标投资产品包括多种投资产品,所述方法还包括:
若检测到所述目标比例发生变化,获取变化后的目标比例,并根据变化后的目标比例,对所述待训练回归模型进行更新。
结合第一方面,在一些实施例中,所述目标投资产品为单只基金或者组合基金;
若所述目标投资产品为单只基金,所述目标投资产品的资产数据由所述单只基金所对应的持仓股的资产数据所确定;
若所述目标投资产品为组合基金,所述组合基金包括至少两个基金种类,所述目标投资产品的资产数据由所述至少两个基金种类中每个基金种类所对应的持仓股的资产数据所确定。
第二方面,本申请提供一种模型训练装置,该装置包括:
第一获取单元,用于获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
第二获取单元,用于获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
模型训练单元,用于采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
所述模型训练单元还用于根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
结合第二方面,在一些实施例中,所述装置还包括:
接收单元,用于从终端接收资产显示请求,所述资产显示请求包括所述目标投资产品的产品标识,所述资产显示请求用于请求显示所述目标投资产品在当前时刻的实时估计资产数据;
第三获取单元,用于获取所述目标投资产品在当前时刻的第一实时估计资产数据,所述第一实时估计资产数据是基于从外部接口获取的与所述目标投资产品关联的实时估计资产数据得到的;
微调处理单元,用于采用所述最终回归模型对所述第一实时估计资产数据进行微调处理,获得所述目标投资产品在所述当前时刻的第二实时估计资产数据;
发送单元,用于向所述终端发送响应消息,所述响应消息包括所述第二实时估计资产数据,以使所述终端输出所述目标投资产品在所述当前时刻的所述第二实时估计资产数据。
结合第二方面,在一些实施例中,所述目标投资产品包括一种投资产品或多种投资产品,所述多种投资产品按照目标比例构成所述目标投资产品,一个投资产品对应至少两个资产种类,所述投资产品的资产数据由所述至少两个资产种类的资产数据确定。
结合第二方面,在一些实施例中,若所述目标投资产品包括一种投资产品,所述第三获取单元具体用于通过外部接口获取所述目标投资产品在当前时刻的第一实时估计资产数据。
结合第二方面,在一些实施例中,若所述目标投资产品包括多种投资产品,所述第三获取单元具体用于:
针对所述多种投资产品中的每种投资产品,确定所述投资产品对应的至少两个资产种类;
通过外部接口获取所述至少两个资产种类中每个资产种类在当前时刻的实时估计资产数据;
根据所述至少两个资产种类中每个资产种类的实时估计资产数据,确定所述投资产品的实时估计资产数据;
根据所述多种投资产品中每种投资产品的实时估计资产数据,获得所述目标投资产品在当前时刻的第一实时估计资产数据。
结合第二方面,在一些实施例中,若所述目标投资产品包括多种投资产品,所述装置还包括:
模型更新单元,用于若检测到所述目标比例发生变化,获取变化后的目标比例,并根据变化后的目标比例,对所述待训练回归模型进行更新。
结合第二方面,在一些实施例中,所述目标投资产品为单只基金或者组合基金;
若所述目标投资产品为单只基金,所述目标投资产品的资产数据由所述单只基金所对应的持仓股的资产数据所确定;
若所述目标投资产品为组合基金,所述组合基金包括至少两个基金种类,所述目标投资产品的资产数据由所述至少两个基金种类中每个基金种类所对应的持仓股的资产数据所确定。
第三方面,本申请提供一种模型训练装置,包括处理器、存储器以及通信接口,该处理器、存储器和通信接口相互连接,其中,该通信接口用于接收和发送数据,该存储器用于存储程序代码,该处理器用于调用该程序代码,执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序;当该计算机程序在一个或多个处理器上运行时,使得该终端设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
本申请实施例中,获取与目标投资产品对应的待训练回归模型,该待训练回归模型包括待确定参数,获取与目标投资产品对应的至少两个历史数据对,并采用该至少两个历史数据对,对待训练回归模型进行回归训练,从而得到用于对目标投资产品的实时估计资产数据进行微调处理的最终回归模型,微调之后的实时估计资产数据准确度更高,采用本申请可以提高最终获得的实时估计资产数据的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种模型训练方法的流程示意图;
图2为本申请实施例提供的另一种模型训练方法的流程示意图;
图3为本申请实施例提供的一种模型训练装置的示意图;
图4为本申请实施例提供的另一种模型训练装置的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。
在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上,“至少两个(项)”是指两个或三个及三个以上,“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”。
本申请实施例提供了一种模型训练方法,为了更清楚地描述本申请的方案,下面对本申请涉及的一些附图作进一步介绍。
请参阅图1,图1为本申请实施例提供的一种模型训练方法的流程示意图。如图1所示,所述方法包括以下步骤:
S101,获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
在一个实施例中,目标投资产品可以是单一投资产品或者组合投资产品,组合投资产品通常包括多种投资产品,并且该多种投资产品按照目标比例构成该目标投资产品,目标投资产品的资产数据由该多种投资产品中每种投资产品的资产数据所确定。通常一个投资产品对应至少两个资产种类,并且该投资产品的资产数据是由该至少两个资产种类的资产数据确定,本申请中该至少两个资产种类中的部分资产种类的类别为未知量。
下面以目标投资产品为单只基金或组合基金作为举例说明。例如,目标投资产品可以是单只基金,则该单只基金的净值数据是由该单只基金所对应的至少两个持仓股的净值数据所确定。又例如,目标投资产品可以是组合基金,该组合基金可以包括至少两个基金种类(基金种类也可以被称为成分基金),该至少两个基金种类按照目标比例进行组合,该组合基金的净值数据是由该至少两个基金种类中每个基金种类所对应的至少两个持仓股的净值数据所确定的。通常每只基金对应至少两个持仓股,该至少两个持仓股中一部分持仓股为已知量,另一部分持仓股为未知量。对于某只基金,季报公布前十持仓股,而其他持仓股未知。由于基金的部分持仓股未知,因此,通常从外部接口所获取的基金的实时估计净值数据不准确,本申请通过模型训练获得最终回归模型,并采用该最终回归模型对从外部接口所获取的基金的实时估计净值数据进行调整,以得到准确度更高的实时估计净值数据。
服务器可以预先对目标投资产品对应的回归模型进行训练。具体的,获取与目标投资产品对应的待训练回归模型,该待训练回归模型可以是线性回归模型。其中,该待训练回归模型包括待确定参数,待确定参数的参数值可以通过以下模型训练过程得到。
可选的,本申请引入估值因子βi以修正误差,各个估值因子对应的权重分别为hi。假设目标投资产品的日终估计资产数据为navp(rtc),该目标投资产品的日终实际资产数据为navp,两者存在一定误差,假定有一个常量α,则待训练回归模型可以如下公式:
其中,上述待训练回归模型中待确定参数可以包括各个估值因子对应的权重分别为hi和常量α。上述n是指所参考的估值因子的数量,以目标投资产品为单只基金或组合基金作为举例,基金的业绩比较基准都是参考沪深300指数收益率、中证800指数收益率、恒生指数收益率、中证全债指数收益率、活期存款利率等,因此,各个估值因子可以根据所参考的收益率所确定。
S102,获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
在一个实施例中,服务器进一步获取与目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,一个历史数据对包含一个日终估计资产数据和一个日终实际资产数据。
本申请的估值周期可以是交易日,例如,可以获取近1年的大概250个交易日的历史数据对,一个历史数据对包含一个日终估计资产数据和一个日终实际资产数据,日终估计资产数据可以是从外部接口所获取的该交易日的日终净值数据,比如可以是在日终15:00整收盘的时候,根据当时的从外部接口所获取的基金的实时估计净值数据得到该日终估计资产数据。
可选的,如果目标投资产品是组合投资产品,例如是组合基金,则日终估计资产数据可以是在日终15:00整收盘的时候,根据当时的从外部接口所获取各个成分基金的实时估计净值数据,以及各个成分基金的份额,计算出该组合基金的日终估计资产数据navp(rtc):
其中,vi是各个成分基金的份额,navfi(rtc)为从外部接口所获取的各个成分基金的实时估计净值数据,n是该组合基金所包含的成分基金的种类数量。其中,关于各个成分基金的份额的计算方法可以具体参照后续实施例的描述,暂不赘述。
可选的,如果目标投资产品是单只基金,日终估计资产数据可以是从外部接口所获取的该只基金在该交易日的日终估计净值数据,比如是在日终15:00整收盘的时候,根据当时从外部接口所获取的基金的实时估计净值数据。
本申请实施例中,日终实际资产数据可以在估值周期结束之后获得。可选的,如果目标投资产品是组合基金,则组合基金的日终实际资产数据,可以是在日终收盘后可获取到,T交易日的15:00收盘,基金公司会在T+1交易日的早上8点左右披露各个成分基金的日终实际净值数据,然后根据各个成分基金的份额和各个成分基金的日终实际净值数据,确定组合基金的日终实际净值数据navp。如果目标投资产品是单只基金,则该单只基金的日终实际资产数据可以是该只基金的日终实际净值数据。
下面以目标投资产品为组合基金作为举例说明计算各个成分基金的份额的计算方式:
假设组合基金的初始净值数据为1,即navp=1。其成分基金分别是F1、F2、F3、F4,其所占权重已知,分别为w1、w2、w3、w4,所有权重之和为1。各成分基金的单位净值数据分别为nav1、nav2、nav3、nav4。其中,组合基金成立的第一天,15点收盘后,可以通过基金公司的行情文件中获取到各基金的单位净值数据。如下表所示,为组合基金的各个成分基金的示意图:
其中,组合基金的初始净值数据为1,可以理解为用1元钱去购买组合基金,可以买到的份额分别为v1、v2、v3、v4,可以通过以下算式计算出各基金的份额v1、v2、v3、v4。
navivi=wi*1
S103,采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
在一个实施例中,服务器采用该至少两个历史数据对,对上述待训练回归模型进行回归训练,从而使得navp(rtc)最接近navp,从而得到该待训练回归模型中待确定参数的参数值,即得到各个估值因子对应的权重hi和常量α的参数值。
S104,根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
在一个实施例中,在确定待训练回归模型中待确定参数的参数值之后,即可确定与目标投资产品对应的最终回归模型,该最终回归模型可以对从外部接口所获取的实时估计资产数据进行微调,以得到准确度更高的实时估计资产数据。比如,微调后的目标投资产品对应的第二实时估计资产数据为navp(rto),根据从外部接口获取的实时估计资产数据所得到第一实时估计资产数据为navp(rt),则最终回归模型如下所示:
可选的,服务器可以选择不同的计算周期的历史数据对,分别计算出hi和常量α的不同取值。比如可以选择1年内250个交易日的历史数据对,计算出hi和常量α的取值。为了准确性,还可以选择2年内500个交易日的历史数据对,计算出hi和常量α的取值等等,从而选择最准确的取值结果,获得最终回归模型。
可选的,若目标投资产品包括多种投资产品,该多种投资产品构建目标投资产品的目标比例可能发生变化,则需要获取变化后的目标比例,并根据变化后的目标比例对上述待训练回归模型进行更新,并重复执行上述步骤S101-步骤S104,以得到更新后的最终回归模型。
例如,目标投资产品为组合基金,该组合基金发生调仓的时候,需要重新计算各个成分基金的份额,假定全部卖出基金F4,并且买入基金F5,通过公式重新计算基金F5的份额:
nav4v4=nav5v5
相应的,βi的各个取值也需要根据调仓后的各个成分基金所确定。
本申请实施例中,获取与目标投资产品对应的待训练回归模型,该待训练回归模型包括待确定参数,获取与目标投资产品对应的至少两个历史数据对,并采用该至少两个历史数据对,对待训练回归模型进行回归训练,从而得到用于对目标投资产品的实时估计资产数据进行微调处理的最终回归模型,微调之后的实时估计资产数据准确度更高,采用本申请可以提高最终获得的实时估计资产数据的准确度。
请参阅图2,图2为本申请实施例提供的另一种模型训练方法的流程示意图。如图2所示,所述方法包括以下步骤:
S201,获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
S202,获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
S203,采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
S204,根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
本申请实施例的步骤S201-步骤S204请参照图1实施例的步骤S101-步骤S104,在此不再赘述。
S205,从终端接收资产显示请求,所述资产显示请求包括所述目标投资产品的产品标识,所述资产显示请求用于请求显示所述目标投资产品在当前时刻的实时估计资产数据;
在一个实施例中,用户可以通过终端查看目标投资产品在当前时刻的实时估计资产数据,例如,用户可以查看基金或组合基金的实时估计净值数据。具体可选的,终端向服务器发送资产显示请求,该资产显示请求包括目标投资产品的产品标识。
可以理解的是,用户也可以请求查看目标投资产品在各个时刻的实时估计资产数据的趋势图。比如,用户可以请求查看基金或组合基金在当前交易日在各个时刻的实时估计净值数据。
S206,获取所述目标投资产品在当前时刻的第一实时估计资产数据,所述第一实时估计资产数据是基于从外部接口获取的与所述目标投资产品关联的实时估计资产数据得到的;
可选的,目标投资产品可以包括一种投资产品,则服务器可以通过外部接口获取目标投资产品在当前时刻的第一实时估计资产数据,例如,目标投资产品包括单只基金,服务器可以通过外部接口获取到该单只基金的实时估计净值数据,但是该实时估计净值数据由于基金的持仓股部分未知,导致所获取的实时估计净值数据不准确。
可选的,目标投资产品可以包括多种投资产品,每种投资产品对应至少两个资产种类,在获取目标投资产品的第一实时估计资产数据时,需要根据每种投资产品的实时估计资产数据确定。例如,如果目标投资产品为组合基金,则交易日T日的组合基金的实时估计净值数据(即实时估计资产数据)为navp(rt),因为组合基金的各成分基金的实时估计净值数据可以通过外部接口获取,分别为navfi(rt),其中,实时估计净值数据是在交易日的9:30-11:30,13:00-15:00交易时间区间内,一般一分钟更新一次。如下公式所示,可以为组合基金的实时估计净值数据navp(rt)的计算公式,假定组合基金的各成分基金的实时估计净值数据为navfi(rt):
S207,采用所述最终回归模型对所述第一实时估计资产数据进行微调处理,获得所述目标投资产品在所述当前时刻的第二实时估计资产数据;
在一个实施例中,将该第一实时估计资产数据输入最终回归模型进行微调计算出来,从而得到目标投资产品在当前时刻的第二实时估计资产数据,如下所示,navp(rt)为第一实时估计资产数据,navp(rto)为第二实时估计资产数据:
进一步,服务器还可以计算目标投资产品的实时估计资产数据的涨跌幅,例如,计算基金组合的实时估计净值数据的涨跌幅,假定基金组合在T-1日终收盘净值数据为:navp(),组合基金成立时navp=1,则可以通过如下公式计算得到涨跌幅数据Cp():
服务器还可以将各个时刻的涨跌幅数据发送给终端进行展示,方便投资者查看。
S208,向所述终端发送响应消息,所述响应消息包括所述第二实时估计资产数据,以使所述终端输出所述目标投资产品在所述当前时刻的所述第二实时估计资产数据。
在一个实施例中,服务器向终端发送响应消息,终端接收该第二实时估计资产数据,并输出该第二实时估计资产数据。可以理解的是,如果服务器返回的是各个时刻的涨跌幅数据,则终端可以是以趋势图的方式输出该各个时刻的涨跌幅数据。
进一步,服务器可以在每个交易日的日终15:00整收盘的时候,从外部接口获取基金的实时估计净值数据,并采用上述最终回归模型对该实时估计净值数据进行微调处理,从而得到微调后该基金在15:00时刻的实时估计净值数据navp(rto)。进一步获取该交易日的日终实际净值数据navp,可以是在T交易日的15:00收盘之后,在T+1交易日的早上8点左右获取到基金的日终实际净值数据。
进一步,计算navp(rto)和navp的误差阈值,如果阈值大于某个值,比如5%,则可能需要对最终回归模型进行调整,比如,重新选择βi,可以是根据基金特征及变动情况重新选择βi,比如,目标投资产品是组合基金,则可能发生调仓导致该最终回归模型不准确,因此需要重新选择βi,相应的各个基金的份额也需要重新计算。
本申请实施例中,获取与目标投资产品对应的待训练回归模型,该待训练回归模型包括待确定参数,获取与目标投资产品对应的至少两个历史数据对,并采用该至少两个历史数据对,对待训练回归模型进行回归训练,从而得到用于对目标投资产品的实时估计资产数据进行微调处理的最终回归模型,通过该最终回归模型对所获取的实时估计净值数据进行微调,可以提高最终获得的实时估计资产数据的准确度。
请参见图3,为本申请实施例提供了一种模型训练装置的结构示意图。如图3所示,该模型训练装置可以包括:
第一获取单元10,用于获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
第二获取单元11,用于获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
模型训练单元12,用于采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
所述模型训练单元12还用于根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
在一种可能的设计中,所述装置还包括:
接收单元,用于从终端接收资产显示请求,所述资产显示请求包括所述目标投资产品的产品标识,所述资产显示请求用于请求显示所述目标投资产品在当前时刻的实时估计资产数据;
第三获取单元,用于获取所述目标投资产品在当前时刻的第一实时估计资产数据,所述第一实时估计资产数据是基于从外部接口获取的与所述目标投资产品关联的实时估计资产数据得到的;
微调处理单元,用于采用所述最终回归模型对所述第一实时估计资产数据进行微调处理,获得所述目标投资产品在所述当前时刻的第二实时估计资产数据;
发送单元,用于向所述终端发送响应消息,所述响应消息包括所述第二实时估计资产数据,以使所述终端输出所述目标投资产品在所述当前时刻的所述第二实时估计资产数据。
在一种可能的设计中,所述目标投资产品包括一种投资产品或多种投资产品,所述多种投资产品按照目标比例构成所述目标投资产品,一个投资产品对应至少两个资产种类,所述投资产品的资产数据由所述至少两个资产种类的资产数据确定。
在一种可能的设计中,若所述目标投资产品包括一种投资产品,所述第三获取单元具体用于通过外部接口获取所述目标投资产品在当前时刻的第一实时估计资产数据。
在一种可能的设计中,若所述目标投资产品包括多种投资产品,所述第三获取单元具体用于:
针对所述多种投资产品中的每种投资产品,确定所述投资产品对应的至少两个资产种类;
通过外部接口获取所述至少两个资产种类中每个资产种类在当前时刻的实时估计资产数据;
根据所述至少两个资产种类中每个资产种类的实时估计资产数据,确定所述投资产品的实时估计资产数据;
根据所述多种投资产品中每种投资产品的实时估计资产数据,获得所述目标投资产品在当前时刻的第一实时估计资产数据。
在一种可能的设计中,若所述目标投资产品包括多种投资产品,所述装置还包括:
模型更新单元,用于若检测到所述目标比例发生变化,获取变化后的目标比例,并根据变化后的目标比例,对所述待训练回归模型进行更新。
在一种可能的设计中,述目标投资产品为单只基金或者组合基金;
若所述目标投资产品为单只基金,所述目标投资产品的资产数据由所述单只基金所对应的持仓股的资产数据所确定;
若所述目标投资产品为组合基金,所述组合基金包括至少两个基金种类,所述目标投资产品的资产数据由所述至少两个基金种类中每个基金种类所对应的持仓股的资产数据所确定。
其中,图3所示装置实施例的具体描述可以参照前述图1或图2所示方法实施例的具体说明,在此不进行赘述。
请参照图4,为本申请实施例提供的另一种模型训练装置的结构示意图,如图4所示,该模型训练装置1000可以包括:至少一个处理器1001,例如CPU,至少一个通信接口1003,存储器1004,至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。通信接口1003可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1004可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示,作为一种计算机存储介质的存储器1004中可以包括操作系统、网络通信单元以及程序指令。
在图4所示的模型训练装置1000中,处理器1001可以用于加载存储器1004中存储的程序指令,并具体执行以下操作:
获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
需要说明的是,具体执行过程可以参见图1或图2所示方法实施例的具体说明,在此不进行赘述。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1或图2所示实施例的方法步骤,具体执行过程可以参见图1或图2所示实施例的具体说明,在此不进行赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种模型训练方法,其特征在于,包括:
获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
2.如权利要求1所述的方法,其特征在于,所述确定最终回归模型之后还包括:
从终端接收资产显示请求,所述资产显示请求包括所述目标投资产品的产品标识,所述资产显示请求用于请求显示所述目标投资产品在当前时刻的实时估计资产数据;
获取所述目标投资产品在当前时刻的第一实时估计资产数据,所述第一实时估计资产数据是基于从外部接口获取的与所述目标投资产品关联的实时估计资产数据得到的;
采用所述最终回归模型对所述第一实时估计资产数据进行微调处理,获得所述目标投资产品在所述当前时刻的第二实时估计资产数据;
向所述终端发送响应消息,所述响应消息包括所述第二实时估计资产数据,以使所述终端输出所述目标投资产品在所述当前时刻的所述第二实时估计资产数据。
3.如权利要求2所述的方法,其特征在于,所述目标投资产品包括一种投资产品或多种投资产品,所述多种投资产品按照目标比例构成所述目标投资产品,一个投资产品对应至少两个资产种类,所述投资产品的资产数据由所述至少两个资产种类的资产数据确定。
4.如权利要求3所述的方法,其特征在于,若所述目标投资产品包括一种投资产品,所述获取所述目标投资产品在当前时刻的第一实时估计资产数据,包括:
通过外部接口获取所述目标投资产品在当前时刻的第一实时估计资产数据。
5.如权利要求3所述的方法,其特征在于,若所述目标投资产品包括多种投资产品,所述获取所述目标投资产品在当前时刻的第一实时估计资产数据,包括:
针对所述多种投资产品中的每种投资产品,确定所述投资产品对应的至少两个资产种类;
通过外部接口获取所述至少两个资产种类中每个资产种类在当前时刻的实时估计资产数据;
根据所述至少两个资产种类中每个资产种类的实时估计资产数据,确定所述投资产品的实时估计资产数据;
根据所述多种投资产品中每种投资产品的实时估计资产数据,获得所述目标投资产品在当前时刻的第一实时估计资产数据。
6.如权利要求3或5所述的方法,其特征在于,若所述目标投资产品包括多种投资产品,所述方法还包括:
若检测到所述目标比例发生变化,获取变化后的目标比例,并根据变化后的目标比例,对所述待训练回归模型进行更新。
7.如权利要求1所述的方法,其特征在于,所述目标投资产品为单只基金或者组合基金;
若所述目标投资产品为单只基金,所述目标投资产品的资产数据由所述单只基金所对应的持仓股的资产数据所确定;
若所述目标投资产品为组合基金,所述组合基金包括至少两个基金种类,所述目标投资产品的资产数据由所述至少两个基金种类中每个基金种类所对应的持仓股的资产数据所确定。
8.一种模型训练装置,其特征在于,包括:
第一获取单元,用于获取与目标投资产品对应的待训练回归模型,所述待训练回归模型包括待确定参数,所述目标投资产品的资产数据由至少两个资产种类的资产数据所确定,所述至少两个资产种类中的部分资产种类的类别为未知量;
第二获取单元,用于获取与所述目标投资产品对应的至少两个历史数据对,一个历史数据对与一个估值周期对应,所述历史数据对包含一个日终估计资产数据和一个日终实际资产数据,所述日终估计资产数据是所述目标投资产品在目标时刻的实时估计资产数据,所述目标时刻是所述历史数据对所对应的估值周期中的最后时刻,所述日终实际资产数据是所述目标投资产品在所述历史数据对所对应的估值周期结束后的实际资产数据;
模型训练单元,用于采用所述至少两个历史数据对,对所述待训练回归模型进行回归训练,获得所述待训练回归模型中所述待确定参数的参数值;
所述模型训练单元还用于根据所述待训练回归模型和所述待确定参数的参数值,确定与所述目标投资产品对应的最终回归模型,所述最终回归模型用于对与所述目标投资产品对应第一实时估计资产数据进行微调处理,获得与所述目标投资产品对应的第二实时估计资产数据,所述第二实时估计资产数据的准确度大于所述第一实时估计资产数据的准确度。
9.一种模型训练装置,其特征在于,包括处理器、存储器以及通信接口,所述处理器、存储器和通信接口相互连接,其中,所述通信接口用于接收和发送数据,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,执行如权利要求1至7任一项所述的方法。
10.一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程序;当所述计算机程序在一个或多个处理器上运行时,执行如权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713837.0A CN113344710A (zh) | 2021-06-25 | 2021-06-25 | 模型训练方法、装置与存储介质 |
PCT/CN2021/108387 WO2022267162A1 (zh) | 2021-06-25 | 2021-07-26 | 模型训练方法、装置与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713837.0A CN113344710A (zh) | 2021-06-25 | 2021-06-25 | 模型训练方法、装置与存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344710A true CN113344710A (zh) | 2021-09-03 |
Family
ID=77478883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110713837.0A Pending CN113344710A (zh) | 2021-06-25 | 2021-06-25 | 模型训练方法、装置与存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113344710A (zh) |
WO (1) | WO2022267162A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778871A (zh) * | 2021-09-07 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | Mock测试方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268501A1 (en) * | 2012-04-09 | 2013-10-10 | Mitek Analytics Llc | System and method for monitoring distributed asset data |
CN109242696A (zh) * | 2018-09-18 | 2019-01-18 | 兴业证券股份有限公司 | 基金估值方法及存储介质 |
CN109934381A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技(深圳)有限公司 | 基金实时估值方法、装置、计算机设备及存储介质 |
CN112561179A (zh) * | 2020-12-21 | 2021-03-26 | 深圳大学 | 一种股票走势预测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-06-25 CN CN202110713837.0A patent/CN113344710A/zh active Pending
- 2021-07-26 WO PCT/CN2021/108387 patent/WO2022267162A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268501A1 (en) * | 2012-04-09 | 2013-10-10 | Mitek Analytics Llc | System and method for monitoring distributed asset data |
CN109242696A (zh) * | 2018-09-18 | 2019-01-18 | 兴业证券股份有限公司 | 基金估值方法及存储介质 |
CN109934381A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技(深圳)有限公司 | 基金实时估值方法、装置、计算机设备及存储介质 |
CN112561179A (zh) * | 2020-12-21 | 2021-03-26 | 深圳大学 | 一种股票走势预测方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778871A (zh) * | 2021-09-07 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | Mock测试方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022267162A1 (zh) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2006252168B2 (en) | System and method for processing composite trading orders | |
US7711644B2 (en) | Apparatus and methods for processing composite trading orders | |
CN111125535A (zh) | 理财产品推荐方法及装置 | |
CN110738508B (zh) | 一种数据分析方法和装置 | |
CN111798261A (zh) | 信息更新的方法和装置 | |
CN110363468B (zh) | 采购订单的确定方法、装置、服务器及可读存储介质 | |
CN113344710A (zh) | 模型训练方法、装置与存储介质 | |
CN114742237A (zh) | 联邦学习模型聚合方法、装置、电子设备及可读存储介质 | |
CN111598597A (zh) | 用于发送信息的方法和装置 | |
CN112989276A (zh) | 信息推送系统的评价方法和装置 | |
CN111199453A (zh) | 一种产品信息的推送方法、电子设备及存储介质 | |
CN109639787A (zh) | 位置状态的获取方法、装置、可读存储介质和电子设备 | |
WO2019017032A1 (ja) | 時間の経過につれて価値が変動するアセットを積み立てるためのコンピュータシステム、方法、および、プログラム | |
CN113763080A (zh) | 推荐物品的确定方法、装置、电子设备和存储介质 | |
KR101139961B1 (ko) | 온라인 기부 방법, 및 그 시스템 | |
CN113780703A (zh) | 一种指标调整方法和装置 | |
CN112784213A (zh) | 一种生成信息的方法和装置 | |
JP5532343B2 (ja) | シグナル基準値設定方法、シグナル基準値設定装置、シグナル基準値設定プログラム | |
KR101395710B1 (ko) | 자동 청산 조건부 증권 거래 장치 및 방법 | |
CN110264370B (zh) | 互助项目费用结算系统、方法以及装置 | |
CN108256719B (zh) | 资源处理系统和方法 | |
CN115170307A (zh) | 一种基金组合配置方法、装置、设备及存储介质 | |
CN108846743B (zh) | 用于生成信息的方法和装置 | |
CN114693457A (zh) | 组合基金的收益计算方法及装置 | |
CN114331724A (zh) | 期权估值方法、装置、设备、介质和产品 |
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 |