CN114219651A - 一种大宗商品资产交易方法、系统及终端 - Google Patents
一种大宗商品资产交易方法、系统及终端 Download PDFInfo
- Publication number
- CN114219651A CN114219651A CN202111327609.6A CN202111327609A CN114219651A CN 114219651 A CN114219651 A CN 114219651A CN 202111327609 A CN202111327609 A CN 202111327609A CN 114219651 A CN114219651 A CN 114219651A
- Authority
- CN
- China
- Prior art keywords
- information
- asset
- investment
- transaction
- account
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种大宗商品资产交易方法、系统及终端,方法包括接收选定的投资对象以及机器学习算法;根据机器学习算法所需的参数获取与至少一个投资对象相关的关联信息,并将关联信息根据机器学习算法进行计算与模拟,随后生成交互式图表并发送至用户终端以供用户终端显示;在用户接受模拟结果后,建立智能合约以根据交易份额与账户资产执行交易并存证上链。在本申请中,基于机器学习算法,账户持有人得到可能的结果和实时模拟,通过使用优化算法优化多种资产组合的指标以降低金融风险,采用区块链网络进行确认的方式提高了交易的安全性。
Description
技术领域
本申请涉及区块链的领域,尤其是涉及一种大宗商品资产交易方法、系统及终端。
背景技术
在金融市场中,大宗商品指同质化、可交易、被广泛作为工农业基础原材料的商品,如原油、煤炭等能源商品,黄金、白银等有色金属,钢铁、铁矿石等工业原料,以及可可、咖啡、小麦和糖等软商品。大宗商品的期货和现货交易合约建立于大宗商品的未来生产情况以及可交易的现货存量,具有实际货物的背书和周期性,拥有投资价值和工业价值。
而随着科技的进步,传统的投资方式开始无法满足用户所需,并且安全性等方面也难以保证交易的正常进行,因此,需要提出一个新型资产管理交易系统。
发明内容
为了能对大宗商品的投资进行合理的规划,本申请提供一种大宗商品资产交易方法、系统及终端。
第一方面,本申请提供的一种大宗商品资产交易方法采用如下的技术方案:
一种大宗商品资产交易方法,应用于处理终端,包括:
接收选定的投资对象信息以及机器学习算法信息;
根据机器学习算法所需的参数获取与至少一个投资对象信息相关的关联信息,并将关联信息根据机器学习算法计算设定时间间隔内的投资组合价格信息和与每一投资对象信息关联的资产占比信息;
获取投资对象信息关联的盈利方式信息以及最小交易单位信息,并与资产占比信息计算每一投资对象的交易份额信息;
根据所获取的关联信息、投资组合价格信息、资产占比信息以及交易份额信息生成交互式图表信息并发送至用户终端以供用户终端显示;
等待获取用户终端发送的用户选择信息,所述用户选择信息包括接受模拟结果信息;
获取账户资产信息;
判断用户选择信息的结果,当用户选择信息包括接受模拟结果信息时,建立智能合约以根据交易份额信息与账户资产信息执行交易并存证上链。
通过采用上述技术方案,通过对应的机器学习算法的计算,可以根据对应的所选择的大宗商品智能的计算得到对应的投资额及其占比,然后发送给用户终端以供用户进行直观的查看与选择,在用户确认选择后,通过区块链的安全性保证交易的可靠。
优选的,所述关联信息至少包括投资对象的价格时间序列信息、资产相关信息以及用户期望数值信息中的一种或多种。
优选的,所述交易份额信息的计算方法包括:
将投资组合价格信息乘以资产占比信息以计算得到投资对象总额信息;
将投资对象总额信息除以最小交易单位信息以计算得到交易份额信息。
通过采用上述技术方案,通过落实到每一交易份额的方式可以直观的得知在市场上的具体交易量,方便进行交易。
优选的,在判断用户选择信息包括接受模拟结果信息之后,所述方法还包括:
获取投资总额信息;
判断投资总额信息与账户资产信息之间的关系;
当投资总额信息大于账户资产信息时,发送追加投资信息至用户终端;
当投资总额信息不大于账户资产信息时,获取账户信息并验证账户信息是否满足交易要求,满足时,建立智能合约以根据交易份额信息与账户资产信息执行交易并存证上链。
通过采用上述技术方案,这种方式可以有效地对交易的合规性以及是否可以执行交易进行判断,同时也可以对交易的金额是否超出上限进行判断,从而保证交易的可靠性。
优选的,所述交易过程包括买入流程,所述买入流程包括:
通过智能合约将账户资产信息中对应于投资总额信息的金额转至预设的资产储备池的余额中;
获取预设的资产储备池的持仓份额信息;
当交易份额信息大于持仓份额信息时,于交易市场购买与交易份额信息相应的份额并转入持仓份额中;
通过智能合约将持仓份额中与交易份额信息相等的持仓份额信息转入账户资产中。
优选的,所述交易过程包括卖出流程,所述卖出流程包括:
通过智能合约将账户资产信息中对应于交易份额信息的电子投资点数转至预设的资产储备池的持仓份额中;
获取预设的资产储备池的余额信息;
当投资总额信息大于余额信息时,于交易市场售出与交易份额信息相应的份额并将余额转入资产储备池的余额中;
通过智能合约将资产储备池的余额中与投资总额信息相等的余额转入账户资产中。
通过采用上述技术方案,由于市场上交易的耗时和价格需要根据交易日的实际情况进行确定,并且整体的交易过程较长,通常需要多个工作日才可以完成。因而采用资产储备池预存一部分的持仓份额,从而使小额交易可以快速进行。
优选的,在位于接收选定的投资对象信息之前,所述方法包括:
获取投资风险接受等级信息;
根据投资风险接受等级信息以预设的评分规则匹配风险性小于或等于投资风险接受等级信息的投资对象。
通过采用上述技术方案,这种方式可以将投资对象与投资者所能承担的风险进行匹配,避免投资者投入风险性较高的投资对象。
优选的,所述用户选择信息包括再平衡信息;
当获取的用户选择信息包括再平衡信息时,重新获取投资对象信息相关的关联信息,所述关联信息包括账户设定信息、资产价格时间序列数据以及金融资产相关信息;
根据账户设定信息对资产价格时间序列数据以及金融资产相关信息通过机器学习算法重新计算模拟投资组合价格时间序列数据和与投资对象信息关联的资产占比信息并发送至用户终端。
通过采用上述技术方案,这种方式可以在投资进行了一段时间之后来将整体的各个投资对象的持仓进行再平衡,从而使后续的收益发生一定的变化。
第二方面,本申请提供的一种大宗商品资产交易系统采用如下的技术方案:
一种大宗商品资产交易系统,包括,
信息获取模块,用于接收选定的投资对象信息以及机器学习算法信息;
参数获取模块,用于根据机器学习算法所需的参数获取与至少一个投资对象信息相关的关联信息;
机器学习计算模块,用于将关联信息根据机器学习算法计算设定时间间隔内的投资组合价格信息和与每一投资对象信息关联的资产占比信息;
交易份额计算模块,用于获取投资对象信息关联的盈利方式信息以及最小交易单位信息,并与资产占比信息计算每一投资对象的交易份额信息;
图表生成模块,用于根据所获取的关联信息、投资组合价格信息、资产占比信息以及交易份额信息生成交互式图表信息并发送至用户终端以供用户终端显示;
用户状态信息获取模块,用于等待获取用户终端发送的用户选择信息,所述用户选择信息包括接受模拟结果信息;
资产信息获取模块,用于获取账户资产信息;
交易模块,用于判断用户选择信息的结果,当用户选择信息包括接受模拟结果信息时,建立智能合约以根据交易份额信息与账户资产信息执行交易;
存证上链模块,用于将交易结果存证上链。
第三方面,本申请提供的一种智能终端采用如下的技术方案:
一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行上述大宗商品资产交易方法的计算机程序。
综上所述,本发明的交易方法,可以用于设计资产管理服务商提供的资产管理系统,基于分布式区块链记账本技术,使购买和交易记录透明化,并且具有不可篡改的效果。基于机器学习算法,账户持有人得到基于自选策略的可能的结果和实时模拟,并且在当出现机器学习算法计算的更优化的投资组合时,账户持有人的调整持仓操作简便快捷。
附图说明
图1是本申请其中一实施例的大宗商品资产交易方法的流程示意图。
图2是本申请其中一实施例当用户终端选择接受模拟结果时,处理终端执行的流程示意图。
图3是本申请其中一实施例的买入流程的流程示意图。
图4是本申请其中一实施例的卖出流程的流程示意图。
图5是本申请其中一实施例的各分布节点的系统框图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
本申请实施例公开一种大宗商品资产交易方法,其中,本资产交易方法可以根据用户的实际需求模拟计算可进行投资的投资对象以及具体的每个投资对象投入的份额,并且将结果生成可直观查看的交互式图表供用户确认,在用户确认后执行交易并打包上链。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。具体的,所述方法如下述步骤所示:
一种大宗商品资产交易方法,应用于处理终端,参照图1,包括:
步骤S1000:接收选定的投资对象信息以及机器学习算法信息。
其中,投资对象信息指代的是所需进行投资的大宗商品的具体对象,例如原油、煤炭等能源商品,黄金、白银等有色金属,钢铁、铁矿石等工业原料,以及可可、咖啡、小麦和糖等软商品。而选定的投资对象信息可以是通过系统自动选定的,也可以经过在用户终端上显示后供用户自主选择。当选定完毕后,所选定的投资对象信息会被处理终端接收以供后续步骤执行。
机器学习算法至少包括了多种用于进行模拟计算的算法,包括优化算法、神经网络算法、深度学习算法、强化学习算法、回归算法,例如遗传算法、进化算法、决策树算法、支持向量机算法、K-近邻算法、随机森林算法、支持向量回归算法、循环神经网络、人工神经网络、Long Short-Term Memory、Gated Recurrent Unit、卷积神经网络、Q-Learning、Sarsa、DQN算法、Policy Gradients、Actor-Critic、DDPG算法、AC3算法、线性回归、OLS、岭回归、Lasso、Group Lasso、Ridge、Elastic net、NNLS、马尔可夫模型、隐含马尔柯夫模型、梯度下降树、主成分分析中的一种或多种。
在用户终端上,用户可以根据处理终端内所预存的机器学习算法去选择所需进行模拟的算法,选择的数量至少为其中任一算法。当选定完毕后,所选定的机器学习算法会被处理终端接收以供后续步骤执行。
而在选定投资对象之前,还可以通过判断用户的风险接受能力来筛选对应的投资对象,具体流程包括:
步骤S100:获取投资风险接受等级信息。
其中,投资风险接受等级信息代表的是用户的风险承受能力,例如可接受的损失金额、家庭资产数量以及投资经验年限等。具体的投资风险接受等级信息可以通过问卷调查的形式进行获取,再根据问卷调查的结果进行客观评价。
步骤S200:根据投资风险接受等级信息以预设的评分规则匹配风险性小于或等于投资风险接受等级信息的投资对象。
其中,投资风险接受等级信息在获取之后,会根据评分规则将投资风险接受等级信息对应到具体的风险值中,例如分为高、中、低三种类型,作为进一步具体的公开,高风险型针对于风险性高于15%的情况,中风险型针对于风险性位于5%-15%的情况,低风险型针对于风险性低于5%的情况。
对应的,每个投资对象也会具有实际的风险值,在匹配投资对象的过程中,会将每个投资对象落入到高、中、低三种类型中,然后再选出所有风险性小于或等于投资风险接受等级信息的投资对象。例如,当投资风险接受等级信息匹配出用户属于可以接受中风险型的类型,那么所有位于低风险型以及中风险型中的投资对象都属于可以进行选择以供后续应用的投资对象。
位于步骤S1000之后,步骤S2000:根据机器学习算法所需的参数获取与至少一个投资对象信息相关的关联信息,并将关联信息根据机器学习算法计算设定时间间隔内的投资组合价格信息和与每一投资对象信息关联的资产占比信息。
其中,投资对象信息相关的关联信息至少包括投资对象的价格时间序列信息、资产相关信息以及用户期望数值信息中的一种或多种。具体的,投资对象的价格时间序列信息包括预设日期段内的大宗商品所对应的金融资产的开盘价、最高价、最低价、收盘价、当前价、成交量和换手率等,资产相关信息包括了单笔交易最低和最高限额、舆情指数和资产相关新闻等,用户期望数值信息包括了盈利概率(日)、最长连续上涨天数、最大回撤、波动率、夏普比率、收益回撤比、历史涨跌幅和保证金比例范围等。在此之中,数据采集方式包括使用API、爬虫等。数据来源包括Wind、Bloomberg、券商交易API、数字货币交易所API、量化平台API、Google Trends、百度指数、LME伦敦金属交易所,SFE上海期货交易所。
机器学习算法所需的参数指代的是通过选定的机器学习算法进行模拟计算时所需用到的各项输入信息。值得注意的是,该步骤中所获取的参数可以预先将前述提到的价格时间序列信息、资产相关信息以及用户期望数值信息全部进行预获取,也可以针对于系统所支持的机器学习算法预选获取对应的参数。
投资组合价格信息指代的是所有的投资对象所需投入的金钱总额,而设定的时间间隔表征的是预计进行投资的期望时间间隔(即持有的时间长度),其时间长度也可以通过用户终端在进行机器学习算法模拟之前进行修改。所对应的,资产占比信息指代的是对应的投资对象占总投入的金钱总额的百分比。
作为具体的示例,以使用随机森林算法和进化算法为例,首先根据所选定的至少一种或多种投资对象,获取选定时长内,如前5年至当前日期的金融资产交易时段的开盘价、最高价、最低价、收盘价、当前价、成交量、换手率、舆情指数、资产相关新闻、盈利概率(日)、最长连续上涨天数、最大回撤、波动率、夏普比率、收益回撤比、历史涨跌幅、保证金比例范围作为随机森林算法的输入值,随后预测一段时间后的金融资产价格估计涨跌倾向,如1天、3天、5天、7天、15天、30天、60天、90天、120天等周期后的收盘价格的上涨、下跌或平盘情况。其中,随机森林算法的参数由系统随机生成。资产相关新闻可以经过文本分析方法处理,如使用情绪字典法判断关于选定金融资产的新闻积极情感占多数的,该日资产相关新闻变量标为1,消极情感占多数的,当日资产相关新闻变量标为0。保证金比例范围可以采用独热编码将所有出现的文本类目转为对应数字形式。
随后,根据所预设的持有时长,如90天,选择由随机森林算法挑选得出的90天后收盘价格预期为上涨的投资对象,其中,该步骤中的投资对象可以供用户终端进行二次选择以划定选择的投资对象。随后,使用所选定的投资对象的90天收盘价作为进化算法的输入值。使用账户持有人预期的到期收益率,如8%,以及账户持有人接受的最大回撤率,如10%,作为进化算法的适应度目标。进化算法按照金融资产数量随机生成初始个体,经过交叉、突变迭代后选取最接近账户持有人预期的到期收益率,且最大回撤率最小的权重组合作为最优解,提供给账户持有人,并且生成模拟投资组合价格曲线,提示账户持有人做出买入、卖出或再平衡的选择和对应可能的收益信息。
而在经过匹配出满足投资风险接受等级信息的投资对象之后,可以再发送至用户终端以供用户选择期望进行投资的投资对象,随后再使用前述的随机森林算法和进化算法进行计算。
步骤S3000:获取投资对象信息关联的盈利方式信息以及最小交易单位信息,并与资产占比信息计算每一投资对象的交易份额信息。
其中,最小交易单位信息指代的是市场上该投资对象执行交易时每一手的最小交易价,盈利方式信息包含了做空与做多,交易份额信息包括牛电子投资点数信息以及熊电子投资点数信息,当该投资对象允许做多,则生成牛电子投资点数,如果投资对象允许做空,则生成熊电子投资点数,如果投资对象不允许做多,则不生成牛电子投资点数,如果投资对象不允许做空,则不生成熊电子投资点数。每一单位牛电子投资点数和熊电子投资点数所代表的意义等于市场上对应投资对象的一最小交易单位,用于在本方法中表示用户的持仓量。
电子投资点数以数字化形式表示投资资产的价值,包括但不仅限于数字货币、加密货币、加密信用点、电子礼品卡、商品合约、股票、指数或其他金融资产。
作为交易份额信息的具体计算方法,其包括:
步骤S3100:将投资组合价格信息乘以资产占比信息以计算得到投资对象总额信息。
其中,在该步骤中,将投资组合价格信息乘以资产占比信息后得到了对应投资对象的投资对象总额信息,投资对象总额信息代表了每一投资对象所需投入的交易总额。其中,当投资对象有且仅有一个时,资产占比信息为100%,而投资对象总额信息即与投资组合价格信息相等。
步骤S3200:将投资对象总额信息除以最小交易单位信息以计算得到交易份额信息。
步骤S4000:根据所获取的关联信息、投资组合价格信息、资产占比信息以及交易份额信息生成交互式图表信息并发送至用户终端以供用户终端显示。
其中,交互式图表信息用于描述投资组合的各项趋势,当交互式图表在用户终端上显示后,用户通过直观的查看以可以对当前的投资组合进行自我的判断。在此处,交互式图表包括但不限于描述投资组合价格变动的折线图,描述持仓金融资产份额的柱状图、饼图、堆叠柱状图,描述每日投资组合价格变化的基于前日价格数值的百分数表格、用于表示模拟投资组合所处风险等级的风险矩阵图、基于马克维茨投资组合理论绘制的描述投资风险和收益的有效投资边界图,用于描述投资对象的价格和成交量的K线图。
步骤S5000:获取账户资产信息。
其中,账户资产信息包含了用户的可支配余额,此处,账户资产信息的留存可以通过数字钱包的方式执行。且需要注意的是,该步骤并非局限于此处,也可以在前述的任意步骤之前进行获取。
步骤S6000:等待获取用户终端发送的用户选择信息。
其中,在用户终端处,在显示了交互式图表之后,可以根据交互式图表进行多种后续处理的选择方式,在用户于用户终端执行对应操作过程中,用户终端回传相应的用户选择信息至处理终端处。在一种实施方式中,用户选择信息包括接受模拟结果信息,即表示了当前模拟结果被用户进行接受。此外,用户选择信息还可以包括重试模拟信息和再平衡信息。当用户选择重试模拟选项后,会重新执行步骤S1000-步骤S6000的各项步骤,作为可选的实施方式,可以重新让用户选择相应的投资对象以及进行模拟所应用的机器学习算法。当用户选择再平衡后,可以重新按照原定的资产占比重新分配各个投资对象的投资额。
步骤S7000:判断用户选择信息的结果。
当用户选择接受模拟结果时,参照图2,所述方法还包括:
步骤S7100:当用户选择信息包括接受模拟结果信息时,获取投资总额信息。
其中,投资总额信息是根据各交易份额信息计算得到的真实的交易额,一般来说其与通过机器学习算法计算得到的投资组合价格信息有些许不同,投资总额信息代表了真实的成交价。
步骤S7110:判断投资总额信息与账户资产信息之间的关系。
步骤S7120:当投资总额信息大于账户资产信息时,发送追加投资信息至用户终端。
其中,追加投资信息用于提醒用户向账户的电子钱包中补存入对应的电子余额,其可以由单独的显示页面或是对话框实现。当投资总额信息大于账户资产信息时,即代表了当前所需执行的交易总额大于了用户所持有的账户余额,后续交易无法正常执行,即发送追加投资信息至用户终端。此外,若执行至步骤S7120中且在当用户终端持续显示追加投资信息时,即循环S7100-S7120中的各步骤以判断用户所持有的账户余额是否满足交易的要求。在当投资总额信息小于账户资产信息或用户于用户终端处关闭追加投资信息的显示界面或是对话框后停止循环并重新返回至步骤7000之前。
步骤S7130:当投资总额信息不大于账户资产信息时,获取账户信息并验证账户信息是否满足交易要求。
其中,账户信息可以是账户的数字ID、交易权限等,验证账户信息是否满足交易要求可以采用将账户信息内所含的信息与各项交易要求进行比较,而交易要求可以是用户的权限或是是否是交易日等。
步骤S7131:满足时,建立智能合约以根据交易份额信息与账户资产信息执行交易并存证上链。
其中,智能合约是执行合约条款的计算机交易协议,当触发智能合约时,会通过智能合约预先设定的执行内容执行交易。存证上链指的是将执行交易完毕后的所有交易内容打包整理并合并至区块链网络中,以保证交易结果的安全性。
例如,交易内容的存储使用零知识证明以验证数据的存储准确性,以存储节点1和存储节点2互相验证区块数据准确性为例,存储节点1和存储节点2分别对最新交易内容获取Hash值,由存储节点1询问存储节点2 所得Hash值的第3位并验证准确性,如准确则由存储节点2询问存储节点1对本次交易区块的前一个区块所得Hash值的第5位并验证准确性,如准确则由存储节点1询问存储节点2本次交易区块的前二个区块所得Hash值的第7位并验证准确性,如准确则证明存储节点1和存储节点2 的数据存储准确。
步骤S7132:不满足时,发送交易失败信息至用户终端。
其中,交易失败信息也可以是通过单独的显示页面或是对话框实现,并且在当用户关闭对话框之后可以重新返回至步骤7000之前。
具体的,作为智能合约的具体执行流程,所述的交易过程包括买入流程以及卖出流程。其中,参照图3,买入流程包括:
步骤S8000:通过智能合约将账户资产信息中对应于投资总额信息的金额转至预设的资产储备池的余额中。
其中,资产储备池是一个预先设置的从属于区块链拥有者的资金账户,其以区块链拥有者的自有资金建立。资产储备池中关于交易的金融资产通过前述的熊电子投资点数和牛电子投资点数表示,而持有的金额仍是通过金钱持有总量的方式进行表示。
当买入流程发生时,用户的账户资产信息中对应与投资总额信息的交易金额会被扣除,并将该部分的金额转移至资产储备池所持有的账户余额中。
步骤S8100:获取预设的资产储备池的持仓份额信息。
其中,资产储备池会预先持有每一投资对象一部分的电子投资点数(根据投资对象是否允许做空做多而持有相应的熊电子投资点数和牛电子投资点数),在此处进行获取的过程中,会调用每一投资对象相应所持有的电子投资点数。作为可选的一种实施方式,也可以根据用户所选定的投资对象调用相应的投资对象的电子投资点数,从而减小调用时的数据流通量。
步骤S8200:当交易份额信息大于持仓份额信息时,于交易市场购买与交易份额信息相应的份额并转入持仓份额中。
其中,当交易份额信息大于持仓份额信息时,即代表着单纯依靠资产储备池无法完成完整的交易流程,因而即需要从交易市场买入相应的份额并转入持仓份额中。
此处,于交易市场上的购买执行均通过区块链拥有者执行,但于交易市场上进行购买时所用的交易金额可以全部由用户提供,也可以优先采用资产储备池的余额进行购买,再使用用户转入资产储备池的余额的方式进行购买。同时,区块链拥有者也可以仅购买持仓份额信息不足于交易份额信息的量,也可以完整的在交易市场上购买与交易份额信息相等的量,再执行后续的步骤。应当注意,在交易市场上执行购买时所需的时间通常并不能实时执行完毕,而是需要一至多个工作日完成。
此外,如果交易份额信息小于持仓份额信息,则所述方法直接跳过步骤S8200而执行步骤S8300。
步骤S8300:通过智能合约将持仓份额中与交易份额信息相等的持仓份额信息转入账户资产中。
此处,若在执行买入流程的过程中越过了步骤S8200,可以看出,其省去了在交易市场上执行购买的这一步骤,而是直接通过区块链拥有者所建立的资产储备池进行交易内容的快速确认,从而省去了等待交易的过程中。而区块链拥有者在将资产储备池中所拥有的持仓份额信息划入至用户的账户资产中后,可以等待市场价较低的过程中再补入相应的持仓份额信息。
相应的,参照图4,卖出流程包括:
步骤S9000:通过智能合约将账户资产信息中对应于交易份额信息的电子投资点数转至预设的资产储备池的持仓份额中。
该步骤中所构建的资产储备池与步骤S8000中所公开的资产储备池相同。当卖出流程发生时,用户的账户资产信息中对应于交易份额信息的电子投资点数会被扣除,并将该部分的电子投资点数转移至资产储备池所持有的持仓份额中。
步骤S9100:获取预设的资产储备池的余额信息。
步骤S9200:当投资总额信息大于余额信息时,于交易市场售出与交易份额信息相应的份额并将余额转入资产储备池的余额中。
其中,当投资总额信息大于余额信息时,即代表着单纯依靠资产储备池无法完成完整的交易流程,因而即需要从交易市场卖出相应的份额并将交易所的转入余额中。
此处,于交易市场上的卖出操作执行均通过区块链拥有者执行,但于交易市场上卖出时所用的电子投资点数可以全部由用户提供,也可以优先采用资产储备池所持有的份额进行购买,再使用用户转入资产储备池的电子投资数的方式进行购买。同时,区块链拥有者也可以仅卖出投资总额信息不足余额信息的量,也可以完整的在交易市场上卖出用户转入的所有的电子投资点数,再执行后续的步骤。应当注意,在交易市场上执行卖出时所需的时间通常并不能实时执行完毕,而是需要一至多个工作日完成。
此外,如果投资总额信息小于余额信息,则所述方法直接跳过步骤S9200而执行步骤S9300。
步骤S9300:通过智能合约将资产储备池的余额中与投资总额信息相等的余额转入账户资产中。
此处,若在执行买入流程的过程中越过了步骤S8200,可以看出,其省去了在交易市场上执行卖出的这一步骤,而是直接通过区块链拥有者所建立的资产储备池进行交易内容的快速确认,从而省去了等待交易的过程。
结合流程步骤S8000-S8300以及步骤S9000-S9300,可以看出,资产储备池的建立可以快速的对小金额的交易进行快速响应,极大的缩短交易所需的时间。但是在面对大额交易的过程中,由于交易市场实时的价格与模拟时的价格并不会完全相同,因而最后执行完毕交易并将交易内容打包上链的过程中,涉及的电子投资点数数量和赎回金额会根据实际交易完毕的交易内容进行计算以及存证。并且,交易发送至用户账户的电子投资点数数量根据购买或卖出时实际的交易总金额除以最小交易单位的价格确定。
此外,若资产储备池中所含的余额以及份额均为0,则相当于用户直接与市场进行交易。
当用户选择再平衡时,所述方法包括如下流程:
步骤S7200:当获取的用户选择信息包括再平衡信息时,重新获取投资对象信息相关的关联信息,所述关联信息包括账户设定信息、资产价格时间序列数据以及金融资产相关信息。
其中,关联信息的获取时间点根据选择再平衡的时间点确定。并且重新获取的关联信息包括但不仅局限于开盘价、收盘价、当前价、成交量、换手率、资产管理人背景、保证金比例、实时挂单价格和数量、大宗商品预计产量、大宗商品舆情指数以及大宗商品多空持仓量信息等。
步骤S7210:根据账户设定信息对资产价格时间序列数据以及金融资产相关信息通过机器学习算法重新计算模拟投资组合价格时间序列数据和与投资对象信息关联的资产占比信息并发送至用户终端。
其中,在该步骤中,会根据现在持有的各投资对象的持仓量通过选定的机器学习算法重新进行模拟,从而提供更优的投资组合。此外,发送至用户终端的新的资产占比信息可以供用户选择是否接受,当接受后,会根据新的资产占比信息对原有的持仓进行再平衡,当涉及到具体的交易流程时会执行步骤S8000-S8300以及步骤S9000-S9300中的买入和卖出流程。若不接受,则会维持原有的持仓。
基于同一申请构思,本申请实施例还公开一种大宗商品资产交易系统,应用于处理终端,参照图5,其包括:
信息获取模块,用于接收选定的投资对象信息以及机器学习算法信息。
参数获取模块,用于根据机器学习算法所需的参数获取与至少一个投资对象信息相关的关联信息。
机器学习计算模块,用于将关联信息根据机器学习算法计算设定时间间隔内的投资组合价格信息和与每一投资对象信息关联的资产占比信息。
交易份额计算模块,用于获取投资对象信息关联的盈利方式信息以及最小交易单位信息,并与资产占比信息计算每一投资对象的交易份额信息。
图表生成模块,用于根据所获取的关联信息、投资组合价格信息、资产占比信息以及交易份额信息生成交互式图表信息并发送至用户终端以供用户终端显示。
用户状态信息获取模块,用于等待获取用户终端发送的用户选择信息,所述用户选择信息包括接受模拟结果信息。
资产信息获取模块,用于获取账户资产信息。
交易模块,用于判断用户选择信息的结果,当用户选择信息包括接受模拟结果信息时,建立智能合约以根据交易份额信息与账户资产信息执行交易;
存证上链模块,用于将交易结果存证上链。
其中,存证上链模块从属于区块链节点,区块链节点记录交易内容、投资组合成分,并记录到区块链公共账本的交易的有效性和可行性。信息获取模块、参数获取模块、机器学习计算模块、交易份额计算模块、图表生成模块、用户状态信息获取模块以及资产信息获取模块均从属于数据评估分布式节点,交易模块从属于资产管理分布式节点,其持有金融资产并用于与市场交互。资产管理交易员接收资产管理分布式节点生成的报告,报告描述了持仓的需求和变化,然后按照提示的方向进行市场交易。
此外,在整体系统的构建过程中,还包括有用于与处理终端交互的用户终端,其从属于账户持有人分布式节点,其用于展示账户详情、交易信息和由系统推荐的资产管理选项,资产管理选项包括接受、再平衡和调整等。同时,账户持有分布式节点还包括有数字钱包模块,数字钱包模块用于储存数字钱包地址、同步账户余额和电子投资点数余额、发起交易以及接受交易结果。
在此处,上述的若干分布式节点通过网络连接,运行于拥有处理器、存储器、输入输出装置的电子设备上,如计算机。各个模块存储于存储器中,并且处理器可以运行区块链技术的资产管理交易系统程序。输入输出装置如显示器、键盘、鼠标、打印机、网卡,用于输入、接收和输出模块产生的数据信息。
因而,基于本申请公开的大宗商品资产交易系统以及方法,区块链使购买和交易记录透明化,不可篡改。投资组合中金融资产的占比由各模块自动确定。基于机器学习算法,用户可以直观的得到可能的结果和实时模拟,并通过使用优化算法优化多种资产组合的指标以降低金融风险。交易完成之后的交易信息通过共识机制经由区块链网络上的节点确认。智能合约的使用保障了交易在达到预设条件时的执行和电子投资点数的自动转移。每一个区块链的设备或节点都是数据的产生者、验证者和使用者,加强了区块链的安全性和有效性。
基于同一申请构思,本申请实施例提供一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如图1至图5任一种大宗商品资产交易方法的计算机程序。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能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模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以对本申请的技术方案进行了详细介绍,但以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,不应理解为对本申请的限制。本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种大宗商品资产交易方法,应用于处理终端,其特征在于,包括:
接收选定的投资对象信息以及机器学习算法信息;
根据机器学习算法所需的参数获取与至少一个投资对象信息相关的关联信息,并将关联信息根据机器学习算法计算设定时间间隔内的投资组合价格信息和与每一投资对象信息关联的资产占比信息;
获取投资对象信息关联的盈利方式信息以及最小交易单位信息,并与资产占比信息计算每一投资对象的交易份额信息;
根据所获取的关联信息、投资组合价格信息、资产占比信息以及交易份额信息生成交互式图表信息并发送至用户终端以供用户终端显示;
等待获取用户终端发送的用户选择信息,所述用户选择信息包括接受模拟结果信息;
获取账户资产信息;
判断用户选择信息的结果,当用户选择信息包括接受模拟结果信息时,建立智能合约以根据交易份额信息与账户资产信息执行交易并存证上链。
2.根据权利要求1所述的大宗商品资产交易方法,其特征在于,所述关联信息至少包括投资对象的价格时间序列信息、资产相关信息以及用户期望数值信息中的一种或多种。
3.根据权利要求1所述的大宗商品资产交易方法,其特征在于,所述交易份额信息的计算方法包括:
将投资组合价格信息乘以资产占比信息以计算得到投资对象总额信息;
将投资对象总额信息除以最小交易单位信息以计算得到交易份额信息。
4.根据权利要求3所述的大宗商品资产交易方法,其特征在于,在判断用户选择信息包括接受模拟结果信息之后,所述方法还包括:
获取投资总额信息;
判断投资总额信息与账户资产信息之间的关系;
当投资总额信息大于账户资产信息时,发送追加投资信息至用户终端;
当投资总额信息不大于账户资产信息时,获取账户信息并验证账户信息是否满足交易要求,满足时,建立智能合约以根据交易份额信息与账户资产信息执行交易并存证上链。
5.根据权利要求4所述的大宗商品资产交易方法,其特征在于,所述交易过程包括买入流程,所述买入流程包括:
通过智能合约将账户资产信息中对应于投资总额信息的金额转至预设的资产储备池的余额中;
获取预设的资产储备池的持仓份额信息;
当交易份额信息大于持仓份额信息时,于交易市场购买与交易份额信息相应的份额并转入持仓份额中;
通过智能合约将持仓份额中与交易份额信息相等的持仓份额信息转入账户资产中。
6.根据权利要求4所述的大宗商品资产交易方法,其特征在于,所述交易过程包括卖出流程,所述卖出流程包括:
通过智能合约将账户资产信息中对应于交易份额信息的电子投资点数转至预设的资产储备池的持仓份额中;
获取预设的资产储备池的余额信息;
当投资总额信息大于余额信息时,于交易市场售出与交易份额信息相应的份额并将余额转入资产储备池的余额中;
通过智能合约将资产储备池的余额中与投资总额信息相等的余额转入账户资产中。
7.根据权利要求1或3所述的大宗商品资产交易方法,其特征在于,在位于接收选定的投资对象信息之前,所述方法包括:
获取投资风险接受等级信息;
根据投资风险接受等级信息以预设的评分规则匹配风险性小于或等于投资风险接受等级信息的投资对象。
8.根据权利要求1所述的大宗商品资产交易方法,其特征在于,所述用户选择信息包括再平衡信息;
当获取的用户选择信息包括再平衡信息时,重新获取投资对象信息相关的关联信息,所述关联信息包括账户设定信息、资产价格时间序列数据以及金融资产相关信息;
根据账户设定信息对资产价格时间序列数据以及金融资产相关信息通过机器学习算法重新计算模拟投资组合价格时间序列数据和与投资对象信息关联的资产占比信息并发送至用户终端。
9.一种大宗商品资产交易系统,其特征在于,包括,
信息获取模块,用于接收选定的投资对象信息以及机器学习算法信息;
参数获取模块,用于根据机器学习算法所需的参数获取与至少一个投资对象信息相关的关联信息;
机器学习计算模块,用于将关联信息根据机器学习算法计算设定时间间隔内的投资组合价格信息和与每一投资对象信息关联的资产占比信息;
交易份额计算模块,用于获取投资对象信息关联的盈利方式信息以及最小交易单位信息,并与资产占比信息计算每一投资对象的交易份额信息;
图表生成模块,用于根据所获取的关联信息、投资组合价格信息、资产占比信息以及交易份额信息生成交互式图表信息并发送至用户终端以供用户终端显示;
用户状态信息获取模块,用于等待获取用户终端发送的用户选择信息,所述用户选择信息包括接受模拟结果信息;
资产信息获取模块,用于获取账户资产信息;
交易模块,用于判断用户选择信息的结果,当用户选择信息包括接受模拟结果信息时,建立智能合约以根据交易份额信息与账户资产信息执行交易;
存证上链模块,用于将交易结果存证上链。
10.一种智能终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111327609.6A CN114219651A (zh) | 2021-11-10 | 2021-11-10 | 一种大宗商品资产交易方法、系统及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111327609.6A CN114219651A (zh) | 2021-11-10 | 2021-11-10 | 一种大宗商品资产交易方法、系统及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219651A true CN114219651A (zh) | 2022-03-22 |
Family
ID=80696878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111327609.6A Pending CN114219651A (zh) | 2021-11-10 | 2021-11-10 | 一种大宗商品资产交易方法、系统及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219651A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151882A (zh) * | 2023-10-30 | 2023-12-01 | 国网天津市电力公司经济技术研究院 | 一种基于多品种电力交易的风险评估方法及系统 |
-
2021
- 2021-11-10 CN CN202111327609.6A patent/CN114219651A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151882A (zh) * | 2023-10-30 | 2023-12-01 | 国网天津市电力公司经济技术研究院 | 一种基于多品种电力交易的风险评估方法及系统 |
CN117151882B (zh) * | 2023-10-30 | 2024-05-07 | 国网天津市电力公司经济技术研究院 | 一种基于多品种电力交易的风险评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW561370B (en) | Real-time interactive investing on event outcomes | |
TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
TW530235B (en) | Valuation prediction models in situations with missing inputs | |
TW552524B (en) | Methods and systems for automated inferred valuation of credit scoring | |
TWI242724B (en) | Methods and systems for optimizing return and present value | |
JP7021165B2 (ja) | アドバイスデータ生成システム | |
CN109685651A (zh) | 仓单质押的信贷风险监控方法及装置 | |
US11972485B2 (en) | Computer implemented method for compiling a portfolio of assets | |
CN107180301A (zh) | 商品及消费信息处理方法及系统 | |
KR102092461B1 (ko) | 투자성공률 제공방법 | |
US11687936B2 (en) | System and method for managing chargeback risk | |
CN112613997A (zh) | 货币基金的组合投资预测方法和预测装置 | |
KR20210007363A (ko) | 블록체인 기반의 환전 방법 및 장치 | |
CN114219651A (zh) | 一种大宗商品资产交易方法、系统及终端 | |
TWM613536U (zh) | 對於基金商品的投資風險評分系統 | |
KR20200122558A (ko) | 디지털 자산 보관에 따른 암호화폐 지급방법, 장치 및 프로그램 | |
CN109816237A (zh) | 一种电力交易结算风险管控方法 | |
KR100762061B1 (ko) | 온라인망을 기반으로 하는 신규 선물/옵션주문수탁가능여부 선별 시스템 | |
CN113837872A (zh) | 适用于动产融资回购业务的数据管理系统 | |
JP6526356B1 (ja) | 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム | |
JP2021018796A (ja) | 金融商品取引管理装置、金融商品取引管理システム、プログラム | |
US20200279232A1 (en) | Method and system for generating super-sovereign currency | |
TWI776370B (zh) | 對於基金商品的投資風險評分方法及系統 | |
Ulumuddin et al. | Bitcoin Price Prediction Using Long Short Term Memory (LSTM): Bitcoin Price Prediction Using Long Short Term Memory (LSTM) | |
WO2019004358A1 (ja) | アドバイス生成装置、アドバイス提示システム、アドバイス生成プログラム、アドバイスデータ生成システム、および、アドバイスデータ生成方法 |
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 |