CN114239985A - 汇率预测方法、装置、电子设备及存储介质 - Google Patents
汇率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114239985A CN114239985A CN202111585032.9A CN202111585032A CN114239985A CN 114239985 A CN114239985 A CN 114239985A CN 202111585032 A CN202111585032 A CN 202111585032A CN 114239985 A CN114239985 A CN 114239985A
- Authority
- CN
- China
- Prior art keywords
- prediction
- statistical
- exchange rate
- prediction result
- values
- 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
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种汇率预测方法,可以应用于计算机技术领域。该汇率预测方法包括:调用数据库接口,从上述数据库中获取在预设时间段内生成的历史经济数据;根据上述历史经济数据确定M个统计特征的统计值,其中,上述统计特征用于表征汇率的变化趋势,M≥1;将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;以及将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,上述第一预测结果表征上述汇率的预测结果。本公开还提供了一种汇率预测装置、设备、存储介质。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及金融技术领域,更具体地涉及一种汇率预测方法、装置、设备、介质和程序产品。
背景技术
随着生产力的发展以及金融的全球化,世界上各国之间的经济往来变得越来越频繁,进一步地促进了全球经济的融合。而外汇汇率的波动,不仅对国际间的金融关系产生了较为深远的影响,而且还牵动着国家众多领域的经济发展,扮演着日益重要的角色。当前对汇率的预测一般由专家根据经验进行预测来辅助交易决策。
相关技术中至少存在以下问题:根据专家经验进行预测对人员的依赖性较大,且预测结果容易受主观因素影响导致预测结果准确性较差。
发明内容
鉴于上述问题,本公开提供了一种汇率预测方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种汇率预测方法,包括:
调用数据库接口,从上述数据库中获取在预设时间段内生成的历史经济数据;
根据上述历史经济数据确定M个统计特征的统计值,其中,上述统计特征用于表征汇率的变化趋势,M≥1;
将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;以及
将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,上述第一预测结果表征上述汇率的预测结果。
根据本公开的实施例,上述汇率预测方法还包括:
将上述M个统计特征的统计值输入上述第二预测模型中进行预测,输出第二预测值;
将上述M个统计特征的统计值、上述第二预测值输入上述第一预测模型进行预测,输出第二预测结果;
根据上述第一预测结果和上述第二预测结果确定最终预测结果,其中,上述最终预测结果用于表征上述汇率最终的预测结果。
根据本公开的实施例,上述根据上述第一预测结果和上述第二预测结果确定最终预测结果包括:
确定与上述第一预测结果对应的第一权重信息;
确定与上述第二预测结果对应的第二权重信息;
根据上述第一预测结果、上述第一权重信息、上述第二预测结果和上述第二权重信息确定最终预测结果。
根据本公开的实施例,上述汇率预测方法还包括:
根据上述最终预测结果输出用于调整交易策略的调整方案。
根据本公开的实施例,上述汇率预测方法还包括:
根据预设的N个初始特征,计算上述N个初始特征中每两个上述初始之间的相关系数,其中,N≥M;
从上述N个初始特征中选取上述相关系数满足预设条件的初始特征作为统计特征,得到上述M个统计特征。
根据本公开的实施例,上述汇率预测方法还包括:
计算上述N个初始特征与汇率之间的相关系数。
根据本公开的实施例,上述从上述N个初始特征中选取上述相关系数满足预设条件的初始特征作为统计特征,得到上述M个统计特征包括:
对上述相关系数进行显著性校验,得出校验结果;
在上述校验结果表征检验通过的情况下,将上述初始特征作为上述统计特征,得到上述M个统计特征。
根据本公开的实施例,上述汇率预测方法还包括:
对上述历史经济数据进行去除乱码处理、缺失值数据进行插值处理、超出预设值的数据进行取对数处理,得到处理数据;
其中,上述根据上述历史经济数据确定M个统计特征的统计值包括:
根据上述处理数据确定上述M个统计特征的统计值。
本公开的第二方面提供了一种汇率预测装置,包括:
获取模块,用于调用数据库接口,从上述数据库中获取在预设时间段内生成的历史经济数据;
确定模块,用于根据上述历史经济数据确定M个统计特征的统计值,其中,上述统计特征用于表征汇率的变化趋势,M≥1;
第一预测模块,用于将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;以及
第二预测模块,用于将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,上述第一预测结果表征上述汇率的预测结果。
本公开的第三方面提供了一种电子没备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得一个或多个处理器执行上述汇率预测方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述汇率预测方法。
本公开的第五方面还提供了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上述汇率预测方法。
根据本公开的实施例,通过调用数据库接口,从数据库中获取在预设时间段内生成的历史经济数据,根据历史经济数据确定M个统计特征的统计值;然后将M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;之后将M个统计特征的统计值、第一预测值和历史汇率值输入第二预测模型进行预测,输出用于表征汇率的预测结果的第一预测结果。本公开通过利用第一预测模型和第二预测模型对汇率进行预测克服了对人员的依赖性,同时,通过将第一预测模型和第二预测模型相结合,第一预测模型输出的第一预测值作为新的特征输入第二预测模型,增强了模型输入的差异性,从而有助于提高预测准确性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的汇率预测方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的汇率预测方法的流程图;
图3示意性示出了根据本公开另一实施例的汇率预测方法的流程图;
图4示意性示出了根据本公开实施例中统计特征选取方法的流程图;
图5示意性示出了根据本公开实施例的汇率预测装置的结构框图。
图6示意性示出了根据本公开另一实施例的汇率预测装置的结构框图;
图7示意性示出了根据本公开另一实施例的汇率预测装置的结构框图;以及
图8示意性示出了根据本公开实施例的适于实现汇率预测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随着生产力的发展以及金融的全球化,世界上各国之间的经济往来变得越来越频繁,进一步地促进了全球经济的融合。而汇率的波动,不仅对国际间的金融关系产生了较为深远的影响,而且还牵动着国家众多领域的经济发展,扮演着日益重要的角色。汇率(又称外汇利率,外汇汇率或外汇行市)是指两种货币之间兑换的比率。也就是说,汇率是指一国货币与另一国货币的比率或比价。汇率预测是指根据历史汇率数据确定未来汇率的过程。当前对汇率的预测一般由专家根据经验进行预测来辅助交易决策。
然而,因汇率变化比较复杂,影响汇率变化的因素较多,例如国际收支平衡、通货膨胀率、利率、市场预期心理、宏观经济发展政策及数据、中央银行干预行为、突发事件(如疫情、自然灾害、国际关系等)等因素都会对汇率产生影响。因此,根据专家经验进行预测容易受主观因素影响导致预测结果准确性较差,且对人员的依赖性较大。
有鉴于此,本公开针对以上技术问题,通过根据历史经济数据确定M个统计特征的统计值,将M个统计特征的统计值输入第一预测模型中预测得出第一预测值,并将得到的第一预测值和M个统计特征的统计值融合,再加上历史汇率值输入第二预测模型进行预测,得到表征汇率的预测结果的第一预测结果。通过利用第一预测模型和第二预测模型对汇率进行预测,可以多方面考虑汇率的影响因素,保证统计特征的有效性和全面性,不仅有助于提高汇率预测准确性,还克服了对人员的依赖性;同时,将第一预测模型输出的结果作为新的特征输入第二预测模型,增强了模型输入的差异性。
具体地,本公开的实施例提供了一种汇率预测方法,包括:调用数据库接口,从上述数据库中获取在预设时间段内生成的历史经济数据;根据上述历史经济数据确定M个统计特征的统计值,其中,上述统计特征用于表征汇率的变化趋势,M≥1;将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;以及将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,上述第一预测结果表征上述汇率的预测结果。
需要说明的是,本公开实施例提供的汇率预测方法和装置可用于计算机领域或金融领域。本公开实施例提供的汇率预测方法和装置也可用于除计算机领域和金融领域之外的任意领域。本公开实施例提供的汇率预测方法和装置的应用领域不做限定。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
在本公开的技术方案中,对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
图1示意性示出了根据本公开实施例的汇率预测方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括网络、终端设备和服务器。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的汇率预测方法一般可以由服务器105执行。相应地,本公开实施例所提供的汇率预测装置一般可以设置于服务器105中。本公开实施例所提供的汇率预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的汇率预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的汇率预测方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的汇率预测装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,历史经济数据可以原本存储在终端设备101、102、或103中的任意一个(例如,终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的汇率预测方法,或者将历史经济数据发送到其他终端设备、服务器、或服务器集群,并由接收该历史经济数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的汇率预测方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图4对公开实施例的汇率预测方法进行详细描述。
图2示意性示出了根据本公开实施例的汇率预测方法的流程图。
如图2所示,该实施例的汇率预测方法包括操作S210~操作S240,该汇率预测方法可以由服务器执行。
在操作S210,调用数据库接口,从上述数据库中获取在预设时间段内生成的历史经济数据。
根据本公开的实施例,汇率是指两种货币之间兑换的比率。也就是说,汇率是指一国货币与另一国货币的比率或比价。历史经济数据包括第一国家的历史经济数据和第二国家的历史经济数据。
根据本公开的实施例,历史经济数据例如可以包括对汇率变化产生影响的经济数据。例如,历史经济数据可以包括第一国家的居民消费价格指数数据(CPI数据)、第二国家的居民消费价格指数数据(CPI数据)、第一国家的动向指标数据(DMI指标数据)、第二国家的动向指标数据(DMI指标数据)、第一国家的第一货币数据、第二国家的第二货币数据、第一国家的中间价数据、第二国家的中间价数据、第一国家的银行间同业拆借利率、第二国家的银行间同业拆借利率、第一国家和第二国家的贸易数据等。其中,第一货币为第一国家的法定货币,第二货币为第二国家的法定货币。
根据本公开的实施例,历史经济数据为日线数据。
根据本公开的实施例,将历史经济数据存储至数据库中,便于快速获取所需要的历史经济数据。
在操作S220,根据上述历史经济数据确定M个统计特征的统计值,其中,上述统计特征用于表征汇率的变化趋势,M≥1。
根据本公开的实施例,统计特征例如可以包括对汇率变化趋势产生影响的特征。
根据本公开的实施例,统计特征可以包括原始特征、衍生特征和差分特征。原始特征可以包括无需对历史经济数据进行处理可直接得到统计值的特征。例如,原始特征包括CPI、中间价值、利率值等。衍生特征例如可以包括根据原始特征对应的统计值计算得到的统计值特征。例如,衍生特征包括第一国家第一货币的同比变化率、第二国家第二货币同比变化率、外汇市场交易额与第一国家储备资产占比、第一国家和第二国家CPI差异等。差分特征例如可以包括中间价的多阶差分特征。
在操作S230,将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值。
根据本公开的实施例,将M个统计特征的统计值按照矩阵形式进行排列后形成M维矩阵,将M维矩阵输入第一预测模型。M维矩阵的每一列可以表示一种统计特征,每一行可以表示每个时刻对应的一条数据。
根据本公开的实施例,输出的第一预测值例如可以为一维矩阵,也可以为多维矩阵。
根据本公开的实施例,通过确定M个统计特征的统计值进行汇率预测,使得第一预测模型和第二预测模型可以准确地表示出汇率的非线性变化,从而使得基于第一预测模型和第二预测模型确定的汇率预测模型能够准确地表示出汇率的非线性变化,使得得到的汇率预测结果更符合汇率的实际变化规律,提高预测准确性。
在操作S240,将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,上述第一预测结果表征上述汇率的预测结果。
根据本公开的实施例,将M个统计特征的统计值、第一预测值和历史汇率值融合后形成新的输入特征,输入第二预测模型中,输出第一预测结果。
根据本公开的实施例,例如,第一预测值为一维矩阵,将M个统计特征的统计值、第一预测值和历史汇率值融合得到M+2维矩阵,将M+2维矩阵输入第二预测模型中进行预测,得出表征汇率的预测结果的第一预测结果。
根据本公开的实施例,通过调用数据库接口,从数据库中获取在预设时间段内生成的历史经济数据,根据历史经济数据确定M个统计特征的统计值;然后将M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;之后将M个统计特征的统计值、第一预测值和历史汇率值输入第二预测模型进行预测,输出用于表征汇率的预测结果的第一预测结果。本公开通过利用第一预测模型和第二预测模型对汇率进行预测克服了对人员的依赖性,同时,通过将第一预测模型和第二预测模型相结合,第一预测模型输出的第一预测值作为新的特征输入第二预测模型,增强了模型输入的差异性,从而有助于提高预测准确性。
根据本公开的实施例,第一预测模型例如可以包括XGBoost方法,第二预测模型例如可以包括长短期记忆网络(LSTM)方法。
XGBoost(eXtreme Gradient Boosting)极致梯度提升,是一种基于GBDT(集成算法的一种)的算法或者工程实现。XGBoost的基本思想和GBDT相同,但是做了一些优化,比如二阶导数使损失函数更精准;正则项避免树过拟合;Block存储可以并行计算等。
XGBoost的目标损失函数如下:
其中,参数γ和λ,是XGBoost可以自定义的,在使用XGBoost时,可以设定参数γ和λ的值。
XGBoost方法包括以下优点:
(1)使用许多策略以防止过拟合,如:正则化项、Shrinkage and ColumnSubsampling等。
(2)目标函数优化利用了损失函数关于待求函数的二阶导数。
(3)支持并行化,虽然树与树之间是串行关系,但是同层级节点可并行。具体地,对于某个节点,节点内选择最佳分裂点,候选分裂点计算增益用多线程并行,训练速度快。
(4)添加了对稀疏数据的处理。
(5)交叉验证,当预测结果已经比较好的时候可以提前停止建树,加快训练速度。
(6)支持设置样本权重,该权重体现在一阶导数和二阶导数方面,可以通过调整权重更加关注样本。
根据本公开的实施例,上述汇率预测方法还包括:将上述M个统计特征的统计值输入上述第二预测模型中进行预测,输出第二预测值;将上述M个统计特征的统计值、上述第二预测值输入上述第一预测模型进行预测,输出第二预测结果;根据上述第一预测结果和上述第二预测结果确定最终预测结果,其中,上述最终预测结果用于表征上述汇率最终的预测结果。
根据本公开的实施例,将第一预测模型得到的第一预测值作为新的特征输入到第二预测模型进行汇率预测得到第一预测结果;第二预测模型得到的第二预测值作为新的特征输入到第一预测模型进行汇率预测得到第二预测结果,再根据第一预测结果和第二预测结果确定最终预测结果,确保了第一预测模型和第二预测模型的特征输入存在一定的差异性,更加有利于吸取不同模型之间的优点,从而提高汇率预测的准确性。
根据本公开的实施例,第一预测模型的训练方法可以包括:在获取到在预设时间段内生成的历史经济数据之后,确定训练数据和与训练数据对应的实际汇率;根据训练数据确定M个统计特征的统计值,将M个统计特征的统计值输入第一训练模型中进行训练,输出第一训练值,再根据训练数据对应的实际汇率与输出的第一训练值之间的差值,对第一训练模型进行参数调整,并继续执行上述将训练数据输入第一训练模型中,直至达到停止条件时,得到第一预测模型。
根据本公开的实施例,第二预测模型的训练方法可以包括:在获取到在预设时间段内生成的历史经济数据之后,确定训练数据和与训练数据对应的实际汇率;根据训练数据确定M个统计特征的统计值,将M个统计特征的统计值输入第一预测模型中,输出第一预测特征,将第一预测特征、M个统计特征以及历史汇率特征输入第二训练模型中进行训练,输出第二训练值;再根据训练数据对应的实际汇率与输出的第二训练值之间的差值,对第二训练模型进行参数调整,并继续执行上述将第一预测特征、M个统计特征以及历史汇率特征输入第二训练模型中,直至达到停止条件时,得到第二预测模型。
根据本公开的实施例,利用回归模型拟合第一预测模型与第二预测模型在融合模型中的权重信息,确定第一预测模型对应的第一权重信息和与第二模型对应的第二权重信息。
根据本公开的实施例,本公开的训练方法采用监督式训练,将无监督式序列进行一定转换,得到具有标签的数据,设定采用前p步预测后q步,对于序列xt中(xt-p+1,xt-p+2,…,xt)为训练数据,(xt+1,xt+2,…,xt+q)为对应标签。例如,对于序列(x1,x2,x3,x4,x5,x6)利用3步预测后2步,则数据转换后的训练数据可以为(x1,x2,x3),对应标签为(x4,x5);数据转换后的训练数据可以为(x2,x3,x4),对应标签为(x5,x6)。
根据本公开的实施例,在预设时间段内生成的历史经济数据包括5天数据,可以根据5天内生成的历史经济数据确定M个统计特征的统计值,将M个统计特征的统计值输入第一预测模型,输出5天之后连续2天的数据,即利用5天历史数据预测未来2天的汇率。
根据本公开的实施例,上述根据上述第一预测结果和上述第二预测结果确定最终预测结果包括:确定与上述第一预测结果对应的第一权重信息;确定与上述第二预测结果对应的第二权重信息;根据上述第一预测结果、上述第一权重信息、上述第二预测结果和上述第二权重信息确定最终预测结果。
根据本公开的实施例,最终预测结果可以包括第一预测结果与第一权重相乘加上第二预测结果与第二权重相乘等到的结果。
根据本公开的实施例,上述汇率预测方法还包括:根据上述最终预测结果输出用于调整交易策略的调整方案。
根据本公开的实施例,交易策略的调整方案例如可以包括是否建议进行交易,还可以包括建议在哪个时间段进行交易等。
图3示意性示出了根据本公开另一实施例的汇率预测方法的流程图。
如图3所示,该汇率预测方法包括操作S301~操作S309。
在操作S301,调用数据库接口,从数据库中获取在预设时间段内生成的历史经济数据。
在操作S302,根据历史经济数据确定M个统计特征的统计值,其中,统计特征用于表征汇率的变化趋势,M≥1。
将M个统计特征的统计值分别输入第一预测模型和第二预测模型中,输入第一预测模型后执行操作S303~操作S305,输入第二预测模型后执行操作S306~操作S38。
在操作S303,将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值。
在操作S304,将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果。
在操作S305,确定与第一预测结果对应的第一权重信息。
在操作S306,将上述M个统计特征的统计值输入第二预测模型中进行预测,输出第二预测值。
在操作S307,将上述M个统计特征的统计值、上述第二预测值输入第一预测模型进行预测,输出第二预测结果。
在操作S308,确定与第二预测结果对应的第二权重信息。
在操作S309,根据第一预测结果、第一权重信息、第二预测结果和第二权重信息确定最终预测结果。
根据本公开的实施例,利用第一预测模型和第二预测模型互相预测得到新特征,将新特征互相作为彼此的特征再次输入预测,增强了模型输入的差异性,便于吸取每个模型中的优势,保证预测结果的准确性。
根据本公开的实施例,上述汇率预测方法还包括:对上述历史经济数据进行去除乱码处理、缺失值数据进行插值处理、超出预设值的数据进行取对数处理,得到处理数据;其中,上述根据上述历史经济数据确定M个统计特征的统计值包括:根据上述处理数据确定上述M个统计特征的统计值。
根据本公开的实施例,对贸易额等超出预设值的数据进行取对数处理。
根据本公开的实施例,上述汇率预测方法还包括:根据预设的N个初始特征,计算上述N个初始特征中每两个上述初始之间的相关系数,其中,N≥M;从上述N个初始特征中选取上述相关系数满足预设条件的初始特征作为统计特征,得到上述M个统计特征。
根据本公开的实施例,上述汇率预测方法还包括:计算上述N个初始特征与汇率之间的相关系数。
根据本公开的实施例,预设的N个初始特征例如可以包括根据业务知识确定的对汇率预测产生影响的特征。
根据本公开的实施例,由于对汇率预测产生影响的因素较多,将N个对汇率预测产生影响的初始特征均输入模型中进行预测,由于复杂度较高,容易导致数据的过拟合。本公开的实施例,通过计算每两个初始特征之间的相关系数,以及初始特征与汇率之间的相关系数,从N个初始特征中确定强相关的特征作为统计特征,得到M个统计特征。在统计特征的选择上既保证了特征的有效性,又避免了因特征数量过多导致过拟合的情况。
根据本公开的实施例,上述从上述N个初始特征中选取上述相关系数满足预设条件的初始特征作为统计特征,得到上述M个统计特征包括:对上述相关系数进行显著性校验,得出校验结果;在上述校验结果表征检验通过的情况下,将上述初始特征作为上述统计特征,得到上述M个统计特征。
根据本公开的实施例,上述汇率预测方法还包括:在上述校验结果表征检验不通过的情况下,将上述初始特征舍弃。
根据本公开的实施例,相关系数是计算统计特征变量之间,以及统计特征变量与目标变量(汇率)之间的皮尔逊相关性系数。
根据本公开的实施例,相关系数的显著性校验,利用t分布对相关系数进行假设检验,设置置信度水平为0.05,相关系数通过系数显著性检验的视为相关程度高。
图4示意性示出了根据本公开实施例中统计特征选取方法的流程图。
如图4所示,该方法包括操作S401~操作S407。
在操作S401,调用数据库接口,从数据库中获取在预设时间段内生成的历史经济数据。
在操作S402,对历史经济数据进行去除乱码处理、缺失值数据进行插值处理、超出预设值的数据进行取对数处理,得到处理数据。
在操作S403,根据处理数据,计算预设的N个初始特征中每两个初始特征的相关系数,以及初始特征与汇率之间的相关系数,其中,N≥1。
在操作S404,对相关系数进行显著性校验,得出校验结果。
在操作S405,判断校验结果是否通过。在确定校验结果表征检验不通过的情况下,执行操作S406;在确定校验结果表征检验通过的情况下,执行操作S407。
在操作S406,不将初始特征作为统计特征。
在操作S407,将初始特征作为统计特征,得到M个统计特征,其中,M≤N。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
基于上述汇率预测方法,本公开还提供了一种汇率预测装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本公开实施例的汇率预测装置的结构框图。
如图5所示,该实施例的汇率预测装置500包括获取模块510、确定模块520、第一预测模块530和第二预测模块540。
获取模块510用于调用数据库接口,从上述数据库中获取在预设时间段内生成的历史经济数据。在一实施例中,获取模块510可以用于执行前文描述的操作S210,在此不再赘述。
确定模块520用于根据上述历史经济数据确定M个统计特征的统计值,其中,上述统计特征用于表征汇率的变化趋势,M≥1。在一实施例中,确定模块520可以用于执行前文描述的操作S220,在此不再赘述。
第一预测模块530用于将上述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值。在一实施例中,第一预测模块530可以用于执行前文描述的操作S230,在此不再赘述。
第二预测模块540用于将上述M个统计特征的统计值、上述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,上述第一预测结果表征上述汇率的预测结果。在一实施例中,第二预测模块540可以用于执行前文描述的操作S240,在此不再赘述。
图6示意性示出了根据本公开另一实施例的汇率预测装置的结构框图。
如图6所示,该实施例的汇率预测装置500除了包括获取模块510、确定模块520、第一预测模块530和第二预测模块540之外,还包括第三预测模块550、第四预测模块560和最终预测模块570。
第三预测模块550,用于将上述M个统计特征的统计值输入上述第二预测模型中进行预测,输出第二预测值。
第四预测模块560,用于将上述M个统计特征的统计值、上述第二预测值输入上述第一预测模型进行预测,输出第二预测结果。
最终预测模块570,用于根据上述第一预测结果和上述第二预测结果确定最终预测结果,其中,上述最终预测结果用于表征上述汇率最终的预测结果。
根据本公开的实施例,最终预测模块包括第一确定单元、第二确定单元和第三确定单元。
第一确定单元,用于确定与上述第一预测结果对应的第一权重信息。
第二确定单元,用于确定与上述第二预测结果对应的第二权重信息。
第三确定单元,用于根据上述第一预测结果、上述第一权重信息、上述第二预测结果和上述第二权重信息确定最终预测结果。
根据本公开的实施例,上述汇率预测装置还包括输出模块,输出模块用于根据上述最终预测结果输出用于调整交易策略的调整方案。
根据本公开的实施例,上述汇率预测装置还包括第一计算模块和选取模块。
第一计算模块,用于根据预设的N个初始特征,计算上述N个初始特征中每两个上述初始之间的相关系数,其中,N≥M。
选取模块,用于从上述N个初始特征中选取上述相关系数满足预设条件的初始特征作为统计特征,得到上述M个统计特征。
根据本公开的实施例,上述汇率预测装置还包括第二计算模块,第二计算模块用于计算上述N个初始特征与汇率之间的相关系数。
根据本公开的实施例,选取模块包括校验单元和第四确定单元。
校验单元,用于对上述相关系数进行显著性校验,得出校验结果。
第四确定单元,用于在上述校验结果表征检验通过的情况下,将上述初始特征作为上述统计特征,得到上述M个统计特征。
根据本公开的实施例,上述汇率预测装置还包括处理模块,处理模块用于对上述历史经济数据进行去除乱码处理、缺失值数据进行插值处理、超出预设值的数据进行取对数处理,得到处理数据。
根据本公开的实施例,上述根据上述历史经济数据确定M个统计特征的统计值包括:根据上述处理数据确定上述M个统计特征的统计值。
图7示意性示出了根据本公开另一实施例的汇率预测装置的结构框图。
如图7所示,该实施例的汇率预测装置700包括数据预处理模块710、特征工程模块720、集成学习模块730和汇率预测模块740。
数据预处理模块710,用于去除历史经济数据中乱码或大量空值,使数据更加完整,准确。
特征工程模块720包括数据转换单元、初始特征计算单元和统计特征选取单元。
数据转换单元用于针对数据的缺失值取相邻数据的均值进行插值处理。针对国际支付、贸易额等较大数据进行取对数处理。初始特征计算单元用于计算第一国家的法定货币同比变化率,第二国家的法定货币同比变化率,外汇市场交易额与第一国家储备资产占比,第一国家对第二国家的贸易差额与第一国家的贸易差额占比,第一国家和第二国家的CPI差异、第一国家和第二国家的利率差异等初始特征的计算。还用于差分特征计算,例如中间价的多阶差分特征。统计特征选取单元用于计算每两个初始特征之间的相关系数,以及初始特征与汇率之间的相关系数,选取相关系数通过系数显著性检验的初始特征作为统计特征。
集成学习模块730包括模型训练单元、模型融合单元。
模型训练单元用于根据统计特征采用XGBoost模型进行训练,得到第一训练值,将第一训练值、统计特征的统计值和历史汇率值输入LSTM模型中进行训练,得到第二预测模型。模型训练单元还用于根据统计特征采用LSTM模型进行训练,得到第二训练值,将第二训练值和统计特征输入LSTM模型中进行训练,得到第二预测模型。模型融合单元用于利用回归模型对第一预测模型和第二预测模型拟合得到融合模型,并确定与第一预测模型对应的权重信息和与第二预测模型对应的权重信息。
汇率预测模块740用于根据历史经济数据预测汇率,并输出预测结果。
根据本公开的实施例,通过分析外汇日线数据和历史经济数据,并通过特征工程方法寻找相关性较强的特征,然后采用XGBoost和LSTM的融合学习方法进行汇率预测,有助于吸取每个模型中的优势,保证预测结果的准确性,在金融证劵市场的时序指标趋势分析具有重要意义。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
根据本公开的实施例,获取模块510、确定模块520、第一预测模块530、第二预测模块540、第三预测模块550、第四预测模块560和最终预测模块570中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块510、确定模块520、第一预测模块530、第二预测模块540、第三预测模块550、第四预测模块560和最终预测模块570中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块510、确定模块520、第一预测模块530、第二预测模块540、第三预测模块550、第四预测模块560和最终预测模块570中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中汇率预测装置部分与本公开的实施例中汇率预测方法部分是相对应的,汇率预测装置部分的描述具体参考汇率预测方法部分,在此不再赘述。
图8示意性示出了根据本公开实施例的适于实现汇率预测方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的汇率预测方法。
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分809被下载和安装,和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种汇率预测方法,包括:
调用数据库接口,从所述数据库中获取在预设时间段内生成的历史经济数据;
根据所述历史经济数据确定M个统计特征的统计值,其中,所述统计特征用于表征汇率的变化趋势,M≥1;
将所述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;以及
将所述M个统计特征的统计值、所述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,所述第一预测结果表征所述汇率的预测结果。
2.根据权利要求1所述的方法,还包括:
将所述M个统计特征的统计值输入所述第二预测模型中进行预测,输出第二预测值;
将所述M个统计特征的统计值、所述第二预测值输入所述第一预测模型进行预测,输出第二预测结果;
根据所述第一预测结果和所述第二预测结果确定最终预测结果,其中,所述最终预测结果用于表征所述汇率最终的预测结果。
3.根据权利要求2所述的方法,其中,所述根据所述第一预测结果和所述第二预测结果确定最终预测结果包括:
确定与所述第一预测结果对应的第一权重信息;
确定与所述第二预测结果对应的第二权重信息;
根据所述第一预测结果、所述第一权重信息、所述第二预测结果和所述第二权重信息确定最终预测结果。
4.根据权利要求2或3所述的方法,还包括:
根据所述最终预测结果输出用于调整交易策略的调整方案。
5.根据权利要求1所述的方法,还包括:
根据预设的N个初始特征,计算所述N个初始特征中每两个所述初始之间的相关系数,其中,N≥M;
从所述N个初始特征中选取所述相关系数满足预设条件的初始特征作为统计特征,得到所述M个统计特征。
6.根据权利要求5述的方法,还包括:
计算所述N个初始特征与汇率之间的相关系数。
7.根据权利要求5或6所述的方法,其中,所述从所述N个初始特征中选取所述相关系数满足预设条件的初始特征作为统计特征,得到所述M个统计特征包括:
对所述相关系数进行显著性校验,得出校验结果;
在所述校验结果表征检验通过的情况下,将所述初始特征作为所述统计特征,得到所述M个统计特征。
8.根据权利要求1所述的方法,还包括:
对所述历史经济数据进行去除乱码处理、缺失值数据进行插值处理、超出预设值的数据进行取对数处理,得到处理数据;
其中,所述根据所述历史经济数据确定M个统计特征的统计值包括:
根据所述处理数据确定所述M个统计特征的统计值。
9.一种汇率预测装置,包括:
获取模块,用于调用数据库接口,从所述数据库中获取在预设时间段内生成的历史经济数据;
确定模块,用于根据所述历史经济数据确定M个统计特征的统计值,其中,所述统计特征用于表征汇率的变化趋势,M≥1;
第一预测模块,用于将所述M个统计特征的统计值输入第一预测模型中进行预测,输出第一预测值;以及
第二预测模块,用于将所述M个统计特征的统计值、所述第一预测值和历史汇率值输入第二预测模型进行预测,输出第一预测结果,其中,所述第一预测结果表征所述汇率的预测结果。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述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根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585032.9A CN114239985A (zh) | 2021-12-22 | 2021-12-22 | 汇率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585032.9A CN114239985A (zh) | 2021-12-22 | 2021-12-22 | 汇率预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239985A true CN114239985A (zh) | 2022-03-25 |
Family
ID=80761620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111585032.9A Pending CN114239985A (zh) | 2021-12-22 | 2021-12-22 | 汇率预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239985A (zh) |
-
2021
- 2021-12-22 CN CN202111585032.9A patent/CN114239985A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN112613978B (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN114638695A (zh) | 信用评估方法、装置、设备及介质 | |
CN113191681A (zh) | 网点选址方法、装置、电子设备及可读存储介质 | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN114782170A (zh) | 评估模型风险等级的方法、装置、设备和介质 | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN114239985A (zh) | 汇率预测方法、装置、电子设备及存储介质 | |
CN115063145A (zh) | 交易风险因子的预测方法、装置、电子设备和存储介质 | |
CN114708081A (zh) | 信用风险预测方法及装置、电子设备和可读存储介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN113450208A (zh) | 贷款风险变动预警、模型训练方法和装置 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
CN113822490B (zh) | 基于人工智能的资产清收方法及装置、电子设备 | |
CN116562974A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN115409636A (zh) | 产品风险预测方法、装置、设备及介质 | |
CN114065050A (zh) | 产品推荐的方法、系统、电子设备和存储介质 | |
CN117973627A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
CN118037468A (zh) | 回收风险预测模型训练以及票据回收风险评估方法、装置 |
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 |