CN114331728A - 一种证券分析管理系统 - Google Patents
一种证券分析管理系统 Download PDFInfo
- Publication number
- CN114331728A CN114331728A CN202111660418.1A CN202111660418A CN114331728A CN 114331728 A CN114331728 A CN 114331728A CN 202111660418 A CN202111660418 A CN 202111660418A CN 114331728 A CN114331728 A CN 114331728A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- security
- unit
- client
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种证券分析管理系统,包括,证券数据存储模块,用于对收集到的证券数据进行检测,并存储至对应的存储区域;客户信息存储模块,用于获取客户的信息进行分析,对客户信息进行分类和存储;证券分析模块,用于基于客户需求,从所述证券数据存储模块和客户信息存储模块提取相关信息进行评估,获取评估结果;信息推荐模块,用于基于所述评估结果,生成对所述客户的推荐信息;本发明实现对数据的有效管理,提高对证券的分析能力,从而为客户提供精准的推荐信息,提高客户对证券分析管理系统的信任度。
Description
技术领域
本发明涉及金融信息服务领域,特别涉及一种证券分析管理系统。
背景技术
随着市场经济的发展,国内证券市场也在不断的发展,市场中有越来越多的证券可供投资者选择。为了便于投资者对股票进行选择,尤其是企业管理者或者企业证券部门,对证券进行分析至关重要。
目前,国内外市场已经存在了很多类型对证券分析的产品和系统,但都存在一些问题,例如对证券的分析主要是对证券的信用和资质进行评估,没有结合客户自身的信息,为客户提供合理的建议;其次,对客户的划分只是基于简单的属性进行,不能实现对不同客户的精细划分,导致不能给客户提供合适的建议。造成客户对提供信息的信任度不高;最后,对证券数据和客户的分析管理,采用的手段比较单一,对数据的挖掘不够深入,也造成了客户对证券分析不够准确,客户对分析结果的信任度低等情况。
因此,本发明提供一种证券分析管理系统,对客户和证券的分析更加精细、更加紧密,提高对证券的分析能力,从而为客户提供对其有帮助的信息,提高客户对证券分析管理系统的信任度。
发明内容
本发明提供一种证券分析管理系统,提高对证券的分析能力,提高客户对证券分析管理系统的信任度。
一种证券分析管理系统,包括:
证券数据存储模块,用于对收集到的证券数据进行检测,并存储至对应的存储区域;
客户信息存储模块,用于获取客户的信息进行分析,对客户信息进行分类和存储;
证券分析模块,用于基于客户需求,从所述证券数据存储模块和客户信息存储模块提取相关信息进行评估,获取评估结果;
信息推荐模块,用于基于所述评估结果,生成对所述客户的推荐信息。
在一种可能实现的方式中,
所述证券数据存储模块,包括:
数据获取单元,用于获取来自互联网中的第一证券数据,基于所述第一证券数据的来源端,对所述第一证券数据进行筛选,得到第二证券数据;
数据分类单元,用于根据预设类别标签,利用人工智能分类模型,对所述第二证券数据进行分类,得到多组类型数据;
数据整合单元,用于根据存储要求对所述预设类别标签进行整合,根据整合结果对所述多组类型数据进行再次分类整合,得到分类结果;
数据存储单元,用于基于所述分类结果,将所述第二证券数据存储至对应区域。
在一种可能实现的方式中,
所述客户信息存储模块,包括:
信息收集单元,用于收集登录所述证券分析管理系统的客户登录的第一信息,还用于收集登录客户的历史访问记录作为第二信息,还用于收集登录客户在证券分析管理系统的操作信息作为第三信息;
区域确定单元,用于基于所述证券分析管理系统的业务信息,制定客户分类标准,基于所述客户分类标准,确定存储标签,并为所述存储标签确定存储区域;
信息存储单元,用于基于所述第二信息、第三信息,确定对应客户的存储标签,并将所述第一信息作为存储目录,将客户信息存储至对应的存储区域。
在一种可能实现的方式中,
所述证券分析模块,包括:
需求确定单元,用于基于所述客户在所述证券分析管理系统的输入信息,确定客户的初步需求;
判断单元,用于基于所述客户信息存储模块,判断是否存在所述客户的存储信息;
若是,获取所述客户的存储信息,并根据所述存储信息确定所述客户的感兴趣信息,并基于所述感兴趣信息和客户初步需求进行并集处理,进一步确定所述客户的核心需求;
否则,将所述客户的初步需求作为核心需求;
分析单元,用于基于所述客户的核心需求,从所述证券数据存储模块提取相关证券数据,对所述相关证券数据进行评估,得到评估结果。
在一种可能实现的方式中,
所述信息推荐模块,包括:
提取单元,用于提取所述评估结果中的关键词,并基于证券关联规律,对所述关键词进行拓展,得到关键词集合;
确定单元,用于基于所述关键词的容量,对所述关键词集合进行增加或缩减,得到目标容量的目标关键词集合;
推荐单元,用于基于所述目标关键词集合,从所述证券数据存储模块提取目标证券数据,对所述目标证券数据进行整合分析,提取关键数据,得到推荐信息。
在一种可能实现的方式中,
所述证券数据存储模块,还包括:
监测单元,用于对所述第一证券数据的来源端进行监测,当所述来源端发生数据更新时,获取更新数据;
数据判断单元,用于将所述更新数据与所述数据存储单元的第二证券数据进行比较,判断所述更新数据是否属于重复数据,具体如下:
确定所述重复数据在数据存储单元的存储区域类别,并获取在所述存储区域类别下的第二证券数据的多个数据集;
对所述多个数据集进行分层提取,得到第一目标字段、第二目标字段、第三目标字段;
将所述第一目标字段与所述更新数据进行匹配,计算更新数据与每个数据集的相似度,选取相似度最大的数据块作为目标数据集;
确定所述目标数据集的第二目标字段与所述更新数据的第一相似度,判断所述第一相似度是否大于第一预设相似阈值;
若是,确定所述目标数据集的第三目标字段与所述更新数据的第二相似度,判断所述第二相似度是否大于第二预设相似阈值;若是,判定所述更新数据属于重复数据,不对所述数据存储单元的第二证券数据进行更新;否则,判定所述更新数据不属于重复数据,对所述更新数据进行进一步分析;
否则,判定所述更新数据不属于重复数据,对所述更新数据进行进一步分析;
数据分析单元,用于当判定所述更新数据不属于重复数据时,基于与所述目标数据集的相似性,确定所述更新数据与目标数据集之间的关系;
第一更新单元,用于当确定所述更新数据与目标数据集为增加关系时,将所述更新数据加入至所述数据存储单元的对应位置;
第二更新单元,用于当确定所述更新数据与目标数据集为替换关系时,确定所述目标数据集在所述数据存储单元的存储地址,将所述目标数据集进行删除,并将更新数据写入所述存储地址;
第三更新单元,用于当确定所述更新数据与目标数据集为更改关系时,确定所述目标数据集的旧数据和更改数据,确定所述旧数据的在所述目标数据集的字段位置,将所述更改数据以写入所述字段位置,对旧数据进行覆盖。
在一种可能实现的方式中,
所述数据分析单元,包括:
第一关系确定单元:用于当确定第一目标字段与所述更新数据的相似度,小于预设相似度时,确定所述更新数据与目标数据集为增加关系;
第二关系确定单元:用于当确定第二目标字段与所述更新数据的第一相似度不大于第一预设相似阈值,确定所述更新数据与目标数据集为替换关系;
第三关系确定单元:用于当确定第二目标字段与所述更新数据的第一相似度大于第一预设相似阈值,且第三目标字段与所述更新数据的第二相似度不大于第二预设相似阈值时,确定所述更新数据与目标数据集为更改关系。
在一种可能实现的方式中,
所述分析单元包括:
数据提取单元,用于确定对所述核心需求进行评估的数据需求,基于所述数据需求从所述证券数据存储模块提取相关证券数据;
指标确定单元,用于基于证券数据属性将所述相关证券数据划分为多组分析数据,并基于所述证券数据属性,设置所述多组分析数据作为评估核心需求的评估指标,并确定所述评估指标对核心需求的指标函数关系;
参数确定单元,用于基于所述评估指标和指标函数关系,训练得到各个评估指标对应的指标参数模型,将所述多组分析数据输入对应的参数模型中,得到每组分析数据在对应评估指标下的指标参数;
影响系数确定单元,用于基于所述客户的客户信息,获取所述客户的操作信息及其对应的历史评估结果,并分析所述历史评估结果中各个指标参数对所述操作信息的影响系数;
参数设定单元,用于获取所述评估指标的标准指标参数,基于所述影响系数,确定对所述评估指标的加权值,并利用所述加权值对所述标准指标参数进行加权计算,得到加权指标参数;
模型建立单元,用于基于所述核心需求、加权指标参数训练得到针对所述客户的评估模型;
评估单元,用于将所述每组分析数据在对应评估指标下的指标参数输出所述评估模型中,得到评估结果。
在一种可能实现的方式中,
所述信息推荐模块,还包括:
关联度确定单元,用于基于所述推荐信息建立推荐矩阵,并根据所述客户的客户信息,确定所述推荐矩阵与客户之间的关联度;
信任度确定单元,用于基于所述关联度,确定所述客户对所述推荐信息的信任度;
信任度判断单元,用于判断所述信任度是否大于预设信任阈值;
若是,将所述推荐信息推送给对应客户;
否则,将所述推荐信息返回至所述推荐单元,进行调整。
在一种可能实现的方式中,
所述关联度确定单元,包括:
矩阵获取单元,用于对所述推荐信息进行特征提取,得到特征向量,基于所述特征向量建立推荐矩阵;
评价单元,用于将所述客户的客户信息进行多维度分析,得到多维度客户信息,利用所述多维度客户信息对推荐矩阵中的每个特征向量进行评价,得到对应维度的评价值,并得到对应每个特征向量的综合评价值;
计算单元,用于根据综合评价结果,计算所述推荐矩阵与客户之间的关联度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种证券分析管理系统的结构图;
图2为本发明实施例中证券数据存储模块的结构图;
图3为本发明实施例中证券分析模块的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本发明实施例提供一种证券分析管理系统,如图1所示,包括:
证券数据存储模块:用于对收集到的证券数据进行检测,并存储至对应的存储区域;
客户信息存储模块:用于获取客户的信息进行分析,对客户信息进行分类和存储;
证券分析模块,用于基于客户需求,从所述证券数据存储模块和客户信息存储模块提取相关信息进行评估,获取评估结果;
信息推荐模块,用于基于所述评估结果,生成对所述客户的推荐信息。
在该实施例中,所述证券数据包括如股票、债券、本票、汇票、支票、保险单、存款单、借记单、提单等相关公司和市场有关的信息数据。
在该实施例中,所述客户需求例如可以是对某个证券的了解,或对证券的投资建议等。
在该实施例中,所述分析结果为根据客户需求确定的对相关证券公司和市场的趋势、现状等的分析。
在该实施例中,所述推荐信息为客户感兴趣的证券信息,以及对证券投资的建议等。
上述设计方案的有益效果是:通过证券数据存储模块和客户信息存储模块对证券数据和客户信息进行分类存储,实现对数据的有效管理,便于证券分析模块对客户和证券的分析更加精细、更加紧密,提高对证券的分析能力,从而为客户提供精准的推荐信息,提高客户对证券分析管理系统的信任度。
实施例2
基于实施例1的基础上,本发明实施例提供一种证券分析管理系统,所述证券数据存储模块,如图2所示,包括:
数据获取单元,用于获取来自互联网中的第一证券数据,基于所述第一证券数据的来源端,对所述第一证券数据进行筛选,得到第二证券数据;
数据分类单元,用于根据预设类别标签,利用人工智能分类模型,对所述第二证券数据进行分类,得到多组类型数据;
数据整合单元,用于根据存储要求对所述预设类别标签进行整合,根据整合结果对所述多组类型数据进行再次分类整合,得到分类结果;
数据存储单元,用于基于所述分类结果,将所述第二证券数据存储至对应区域。
在该实施例中,所述第一证券数据的来源端为各种数据库,各种网站等,由于不同的来源端获取的证券数据可能会存在重叠和冲突,所以对所述第一证券数据进行筛选,减小数据的重叠率,提高数据的质量。
在该实施例中,对所述第一证券数据进行筛选例如可以是,对于不同来源端的重叠数据,选取重叠数据质量较高的来源端对应的数据。
在该实施例中,所述预设类别标签例如可以是访问热度、发行时间、证券数据属性等。
在该实施例中,所述存储要求与所述券数据存储模块的存储区域的分类有关。
在该实施例中,对所述预设类别标签进行整合例如可以是将访问热度在预设范围、且发行时间在预设范围内的证券数据归为一类。
上述设计方案的有益效果:通过对基于所述第一证券数据的来源端,对所述第一证券数据进行筛选,得到第二证券数据,保证证券数据的全面性,同时减少数据的重叠率和提高数据质量,通过根据根据预设类别标签,利用人工智能分类模型,对所述第二证券数据进行分类,将第二证券数据首先精细划分为多个类别,然后根据存储要求,对多个类别数据进行分类整合,先进行细小分类再进行整合,保证了对第二证券数据分类的准确性,实现对数据的有效管理。
实施例3
基于实施例1的基础上,本发明实施例提供一种证券分析管理系统,所述客户信息存储模块,包括:
信息收集单元,用于收集登录所述证券分析管理系统的客户登录的第一信息,还用于收集登录客户的历史访问记录作为第二信息,还用于收集登录客户在证券分析管理系统的操作信息作为第三信息;
区域确定单元,用于基于所述证券分析管理系统的业务信息,制定客户分类标准,基于所述客户分类标准,确定存储标签,并为所述存储标签确定存储区域;
信息存储单元,用于基于所述第二信息、第三信息,确定对应客户的存储标签,并将所述第一信息作为存储目录,将客户信息存储至对应的存储区域。
在该实施例中,登录客户在证券分析管理系统的操作信息例如可以是股票买入卖出操作、汇款收款操作等。
在该实施例中,所述存储标签例如可以是股票相关、债券相关、本票相关、汇票相关、支票相关、保险单相关、存款单相关、借记单相关、提单相关等。
上述设计方案的有益效果是:根据客户的具体信息,将客户划分为不同的存储区域,方便对客户类别的统计和分析,并以客户的登录信息作为存储目录,方便对客户的查找,并基于分类存储,提高对客户的推荐准确度。
实施例4
基于实施例1的基础上,本发明实施例提供一种证券分析管理系统,所述证券分析模块,如图3所示,包括:
需求确定单元,用于基于所述客户在所述证券分析管理系统的输入信息,确定客户的初步需求;
判断单元,用于基于所述客户信息存储模块,判断是否存在所述客户的存储信息;
若是,获取所述客户的存储信息,并根据所述存储信息确定所述客户的感兴趣信息,并基于所述感兴趣信息和客户初步需求进行并集处理,进一步确定所述客户的核心需求;
否则,将所述客户的初步需求作为核心需求;
分析单元,用于基于所述客户的核心需求,从所述证券数据存储模块提取相关证券数据,对所述相关证券数据进行评估,得到评估结果。
在该实施例中,所述客户在所述证券分析管理系统的输入信息确定的客户初步需求例如可以是对某支股票的预测,对每种债券的分析资产分析等。
在该实施例中,当客户信息存储模块存储有所述客户的信息时,表明所述客户为老客户,否则,表明所述客户为新客户。
在该实施例中,基于所述感兴趣信息和客户初步需求进行并集处理为确定感兴趣信息和客户初步需求之间的共同信息。
在该实施例中,例如所述客户的对某支股票的预测,感兴趣信息表示客户已购买该股票,则可确定所述客户的核心需求为是否对该股票进行加仓或出仓,及加仓或出仓时间;感兴趣信息表示客户未购买该股票,则可确定所述客户的核心需求为是否买入该股票、买入多少。
在该实施例中,所述评估结果为对所述核心需求的解答。
在该实施例中,若存在所述客户的存储信息,则根据客户的核心需求对应的评估结果更加具有针对性,更能够为所述客户提供有效的信息。
上述设计方案的有益效果是:通过根据客户在所述证券分析管理系统的客户存储信息,更加准确第确定客户的需求,并利用振泉数据,为客户提供准确和具有针对性的评估结果,保证了对证券的分析能力,从而为客户提供精准的推荐信息。
实施例5
基于实施例1的基础上,本发明实施例提供一种证券分析管理系统,所述信息推荐模块,包括:
提取单元,用于提取所述评估结果中的关键词,并基于证券关联规律,对所述关键词进行拓展,得到关键词集合;
确定单元,用于基于所述关键词的容量,对所述关键词集合进行增加或缩减,得到目标容量的目标关键词集合;
推荐单元,用于基于所述目标关键词集合,从所述证券数据存储模块提取目标证券数据,对所述目标证券数据进行整合分析,提取关键数据,得到推荐信息。
在该实施例中,所述关键词包括某只股票名称、每个人债券名称等。
在该实施例中,所述证券关联规律为从历史证券数据分析中确定的关键词之间的关联度关系。
在该实施例中,对目标关键词集合的容量进行设定,保证了提取目标证券数据的容量,不会太多造成分析困难,或太少造成推荐不准确。
在该实施例中,所述推荐信息为客户感兴趣的信息,例如根据某只股票名称,为用户提供类似股票信息、该股票公司持有者信息等。
上述设计方案的有益效果是:通过根据评估结果,为用户提供感兴趣的信息进行推荐,提高客户对证券分析管理系统的满意度和信任度。
实施例6
基于实施例2的基础上,本发明实施例提供一种证券分析管理系统,所述证券数据存储模块,还包括:
监测单元,用于对所述第一证券数据的来源端进行监测,当所述来源端发生数据更新时,获取更新数据;
数据判断单元,用于将所述更新数据与所述数据存储单元的第二证券数据进行比较,判断所述更新数据是否属于重复数据,具体如下:
确定所述重复数据在数据存储单元的存储区域类别,并获取在所述存储区域类别下的第二证券数据的多个数据集;
对所述多个数据集进行分层提取,得到第一目标字段、第二目标字段、第三目标字段;
将所述第一目标字段与所述更新数据进行匹配,计算更新数据与每个数据集的相似度,选取相似度最大的数据块作为目标数据集;
确定所述目标数据集的第二目标字段与所述更新数据的第一相似度,判断所述第一相似度是否大于第一预设相似阈值;
若是,确定所述目标数据集的第三目标字段与所述更新数据的第二相似度,判断所述第二相似度是否大于第二预设相似阈值;若是,判定所述更新数据属于重复数据,不对所述数据存储单元的第二证券数据进行更新;否则,判定所述更新数据不属于重复数据,对所述更新数据进行进一步分析;
否则,判定所述更新数据不属于重复数据,对所述更新数据进行进一步分析;
数据分析单元,用于当判定所述更新数据不属于重复数据时,基于与所述目标数据集的相似性,确定所述更新数据与目标数据集之间的关系;
第一更新单元,用于当确定所述更新数据与目标数据集为增加关系时,将所述更新数据加入至所述数据存储单元的对应位置;
第二更新单元,用于当确定所述更新数据与目标数据集为替换关系时,确定所述目标数据集在所述数据存储单元的存储地址,将所述目标数据集进行删除,并将更新数据写入所述存储地址;
第三更新单元,用于当确定所述更新数据与目标数据集为更改关系时,确定所述目标数据集的旧数据和更改数据,确定所述旧数据的在所述目标数据集的字段位置,将所述更改数据以写入所述字段位置,对旧数据进行覆盖。
在该实施例中,由于有多个来源端,若第一来源端获取的更新数据,第二来源端较早时间已经进行了存储,此时的更新数据属于重复数据,不对所述数据存储单元的数据进行更新。
在该实施例中,所述第一目标字段为数据的类别字段,例如股票、债券、证券政策等字段,更新数据与确定的目标数据集属于同一类别数据。
在该实施例中,所述第二目标字段为数据的专有名词关键属性,例如某股票名称、某证券公司名称、某持有人名称等,第一相似度大于第一预设相似阈值时,表明新数据与确定的目标数据集同一对象数据;
在该实施例中,所述第三目标数据为数据的数词、量词等字段,第二相似度大于第二预设相似阈值时,表明新数据与确定的目标数据集为重叠数据。
在该实施例中,增加关系表示更新数据为全新数据,替换关系表示更新数据为对目标数据集的全部替换,更改关系表示更新数据为对目标数据中某些字段的更改。
上述设计方案的有益效果是:通过实时监测数据来源端的数据更新情况,及时对数据存储模块数据进行更新,保证数据的全面性和时效性,在确定对数据存储模块数据进行更新的过程中,通过对数据集进行分层提取,一步步确定数据的内容属性,避免了对重复数据的存储,并且选择合适的更新方式,保证所述证券数据存储模块的运行能力,为客户提供良好的证券分析环境,实现对证券数据的有效管理。
实施例7
基于实施例6的基础上,本发明实施例提供一种证券分析管理系统,所述数据分析单元,包括:
第一关系确定单元:用于当确定第一目标字段与所述更新数据的相似度,小于预设相似度时,确定所述更新数据与目标数据集为增加关系;
第二关系确定单元:用于当确定第二目标字段与所述更新数据的第一相似度不大于第一预设相似阈值,确定所述更新数据与目标数据集为替换关系;
第三关系确定单元:用于当确定第二目标字段与所述更新数据的第一相似度大于第一预设相似阈值,且第三目标字段与所述更新数据的第二相似度不大于第二预设相似阈值时,确定所述更新数据与目标数据集为更改关系。
上述设计方案的有益效果是:通过根据更新数据与目标数据集的各种目标字段的相似性,确定所述更新数据与目标数据集的关系,为确定数据的更新方式提供基础,在保证证券数据存储模块中数据的全面性和时效性的同时,减少证券数据存储模块的运行时间和载荷,保证证券数据存储模块的运行能力,为客户提供良好的证券分析环境。
实施例8
基于实施例4的基础上,本发明实施例提供一种证券分析管理系统,所述分析单元包括:
数据提取单元,用于确定对所述核心需求进行评估的数据需求,基于所述数据需求从所述证券数据存储模块提取相关证券数据;
指标确定单元,用于基于证券数据属性将所述相关证券数据划分为多组分析数据,并基于所述证券数据属性,设置所述多组分析数据作为评估核心需求的评估指标,并确定所述评估指标对核心需求的指标函数关系;
参数确定单元,用于基于所述评估指标和指标函数关系,训练得到各个评估指标对应的指标参数模型,将所述多组分析数据输入对应的参数模型中,得到每组分析数据在对应评估指标下的指标参数;
影响系数确定单元,用于基于所述客户的客户信息,获取所述客户的操作信息及其对应的历史评估结果,并分析所述历史评估结果中各个指标参数对所述操作信息的影响系数;
参数设定单元,用于获取所述评估指标的标准指标参数,基于所述影响系数,确定对所述评估指标的加权值,并利用所述加权值对所述标准指标参数进行加权计算,得到加权指标参数;
模型建立单元,用于基于所述核心需求、加权指标参数训练得到针对所述客户的评估模型;
评估单元,用于将所述每组分析数据在对应评估指标下的指标参数输出所述评估模型中,得到评估结果。
在该实施例中,所述核心需求为从两家公司中选择一家公司投资,对应的数据需求为两家公司的信息、相关国家政策、公司在证券市场的关系等。
在该实施例中,所述证券数据属性包括公司属性、持有者属性、政策属性、市场关系属性等。
在该实施例中,所述评估指标包括注册资金、持有者信用程度、政策友好程度、市场关系综合度等。
在该实施例中,所述指标函数关系是指例如持有者行为与持有者信用程度之间的关系,相关国家政策针对具体公司的友好程度之间的关系等,可根据历史经验和实际分析确定。
在该实施例中,所述客户的操作信息和历史评估结果之间的关系,反向确定历史评估结果中各个指标参数对所述操作信息的影响系数,例如各个指标参数为第一参数取值时,对应的客户的操作信息的第一操作,各个指标参数为第二参数取值时,对应的客户的操作信息的第二操作,可根据第一参数取值、第一操作、第二参数取值、第二操作之间的关系,确定各个指标参数对所述操作信息的影响系数,指标参数的波动幅度相同时,对操作信息的影响越大,对应的影响系数越大,其中可预先对各个指标参数的波动幅度进行标准化,有利于影响系数的准确性。
在该实施例中,所述评估指标的标准指标参数可根据由所有客户的信息预先设定,表示所有客户最满意的指标参数。
在该实施例中,所述评估模型满足针对客户的各项指标参数对核心需求的影响情况。
上述设计方案的有益效果是:通过根据客户的核心需求,确定相关证券数据,结合所述客户的信息,确定专门针对所述客户的评估模型,使所述评估模型更具有针对性,得到的评估结果与客户更加紧密,保证对证券数据的分析能力,提高客户对证券分析管理系统的信任度。
实施例9
基于实施例5的基础上,本发明实施例提供一种证券分析管理系统,所述信息推荐模块,还包括:
关联度确定单元,用于基于所述推荐信息建立推荐矩阵,并根据所述客户的客户信息,确定所述推荐矩阵与客户之间的关联度;
信任度确定单元,用于基于所述关联度,确定所述客户对所述推荐信息的信任度;
所述信任度的计算公式如下:
其中,T表示所述客户对所述推荐信息的信任度,H表示所述推荐矩阵与客户之间的关联度,K表示所述证券分析管理系统了解客户需要的操作次数,ω表示所述客户在所述证券分析管理系统上的操作次数,e表示自然常数,取值为2.72,Δt表示所述客户在所述证券分析管理系统上初次操作和最近一次操作的时间差,δΔt表示时间差对信任度的影响值,取值为(0,1);
信任度判断单元,用于判断所述信任度是否大于预设信任阈值;
若是,将所述推荐信息推送给对应客户;
否则,将所述推荐信息返回至所述推荐单元,进行调整。
在该实施例中,所述推荐矩阵与客户之间的关联度根据客户信息与推荐矩阵之间的适配度决定,适配度越大,关联度越大,客户对推荐信息的信任度越高。
在该实施例中,所述证券分析管理系统了解客户需要的操作次数可根据客户的实际情况与分析管理系统的能力适当设定。
在该实施例中,δΔt表示时间差对信任度的影响值,所述客户在所述证券分析管理系统上的操作次数与时间差的比值越大,对信任度的影响值越大。
上述设计方案的有益效果是:通过结合客户在证券分析管理系统的信息,来对推荐信息进行分析,预测客户对推荐信息的信任度,保证了推荐信息的质量,为客户提供精准的推荐信息,提高客户对证券分析管理系统的信任度。
实施例10
基于实施例9的基础上,本发明实施例提供一种证券分析管理系统,所述关联度确定单元,包括:
矩阵获取单元,用于对所述推荐信息进行特征提取,得到特征向量,基于所述特征向量建立推荐矩阵;
所述推荐矩阵Q如下:
其中,m表示矩阵行数,n表示矩阵列数,qmn表示第m行第n列的特征向量值,取值为(0,1);
评价单元,用于将所述客户的客户信息进行多维度分析,得到多维度客户信息,利用所述多维度客户信息对推荐矩阵中的每个特征向量进行评价,得到对应维度的评价值,并得到对应每个特征向量的综合评价值;
对每个特征向量的综合评价值如下:
Fij=τ1*qij+τ2*qij 2+...+τl*qij l
其中,Fij表示对第i行第列qij的综合评价值,i=1,2,...,m;j=1,2,...,n;τ1表示在第一维度对qij的评价值,取值为(0,1),l表示维度数;
计算单元,用于根据综合评价结果,计算所述推荐矩阵与客户之间的关联度;
计算所述推荐矩阵与客户之间的关联度H的计算公式如下:
在该实施例中,所述多维度客户信息例如可以是客户操作信息、客户登录信息、客户历史信息,从多个维度对特征向量进行评价,且维度的高低根据信息的重要程度决定,信息越重要,维度越高。
在该实施例,每个特征向量的综合评价值越高,表明关联度越大。
在该实施例中,对于Fij=τ1*qij+τ2*qij 2+...+τl*qij l例如可以是,l=3,τ1=0.4,τ2=0.7,τ3=0.6,qij=0.8,则Fij=1.1。
上述设计方案的有益效果是:通过对客户信息根据重要程度分为多个维度信息,对推荐矩阵进行评估,从而确定推荐矩阵与客户之间的关联度,为确定客户对推荐信息的信任度提供基础。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种证券分析管理系统,其特征在于,包括:
证券数据存储模块,用于对收集到的证券数据进行检测,并存储至对应的存储区域;
客户信息存储模块,用于获取客户的信息进行分析,对客户信息进行分类和存储;
证券分析模块,用于基于客户需求,从所述证券数据存储模块和客户信息存储模块提取相关信息进行评估,获取评估结果;
信息推荐模块,用于基于所述评估结果,生成对所述客户的推荐信息。
2.根据权利要求1所述一种证券分析管理系统,其特征在于,所述证券数据存储模块,包括:
数据获取单元,用于获取来自互联网中的第一证券数据,基于所述第一证券数据的来源端,对所述第一证券数据进行筛选,得到第二证券数据;
数据分类单元,用于根据预设类别标签,利用人工智能分类模型,对所述第二证券数据进行分类,得到多组类型数据;
数据整合单元,用于根据存储要求对所述预设类别标签进行整合,根据整合结果对所述多组类型数据进行再次分类整合,得到分类结果;
数据存储单元,用于基于所述分类结果,将所述第二证券数据存储至对应区域。
3.根据权利要求1所述一种证券分析管理系统,其特征在于,所述客户信息存储模块,包括:
信息收集单元,用于收集登录所述证券分析管理系统的客户登录的第一信息,还用于收集登录客户的历史访问记录作为第二信息,还用于收集登录客户在证券分析管理系统的操作信息作为第三信息;
区域确定单元,用于基于所述证券分析管理系统的业务信息,制定客户分类标准,基于所述客户分类标准,确定存储标签,并为所述存储标签确定存储区域;
信息存储单元,用于基于所述第二信息、第三信息,确定对应客户的存储标签,并将所述第一信息作为存储目录,将客户信息存储至对应的存储区域。
4.根据权利要求1所述一种证券分析管理系统,其特征在于,所述证券分析模块,包括:
需求确定单元,用于基于所述客户在所述证券分析管理系统的输入信息,确定客户的初步需求;
判断单元,用于基于所述客户信息存储模块,判断是否存在所述客户的存储信息;
若是,获取所述客户的存储信息,并根据所述存储信息确定所述客户的感兴趣信息,并基于所述感兴趣信息和客户初步需求进行并集处理,进一步确定所述客户的核心需求;
否则,将所述客户的初步需求作为核心需求;
分析单元,用于基于所述客户的核心需求,从所述证券数据存储模块提取相关证券数据,对所述相关证券数据进行评估,得到评估结果。
5.根据权利要求1所述一种证券分析管理系统,其特征在于,所述信息推荐模块,包括:
提取单元,用于提取所述评估结果中的关键词,并基于证券关联规律,对所述关键词进行拓展,得到关键词集合;
确定单元,用于基于所述关键词的容量,对所述关键词集合进行增加或缩减,得到目标容量的目标关键词集合;
推荐单元,用于基于所述目标关键词集合,从所述证券数据存储模块提取目标证券数据,对所述目标证券数据进行整合分析,提取关键数据,得到推荐信息。
6.根据权利要求2所述一种证券分析管理系统,其特征在于,所述证券数据存储模块,还包括:
监测单元,用于对所述第一证券数据的来源端进行监测,当所述来源端发生数据更新时,获取更新数据;
数据判断单元,用于将所述更新数据与所述数据存储单元的第二证券数据进行比较,判断所述更新数据是否属于重复数据,具体如下:
确定所述重复数据在数据存储单元的存储区域类别,并获取在所述存储区域类别下的第二证券数据的多个数据集;
对所述多个数据集进行分层提取,得到第一目标字段、第二目标字段、第三目标字段;
将所述第一目标字段与所述更新数据进行匹配,计算更新数据与每个数据集的相似度,选取相似度最大的数据块作为目标数据集;
确定所述目标数据集的第二目标字段与所述更新数据的第一相似度,判断所述第一相似度是否大于第一预设相似阈值;
若是,确定所述目标数据集的第三目标字段与所述更新数据的第二相似度,判断所述第二相似度是否大于第二预设相似阈值;若是,判定所述更新数据属于重复数据,不对所述数据存储单元的第二证券数据进行更新;否则,判定所述更新数据不属于重复数据,对所述更新数据进行进一步分析;
否则,判定所述更新数据不属于重复数据,对所述更新数据进行进一步分析;
数据分析单元,用于当判定所述更新数据不属于重复数据时,基于与所述目标数据集的相似性,确定所述更新数据与目标数据集之间的关系;
第一更新单元,用于当确定所述更新数据与目标数据集为增加关系时,将所述更新数据加入至所述数据存储单元的对应位置;
第二更新单元,用于当确定所述更新数据与目标数据集为替换关系时,确定所述目标数据集在所述数据存储单元的存储地址,将所述目标数据集进行删除,并将更新数据写入所述存储地址;
第三更新单元,用于当确定所述更新数据与目标数据集为更改关系时,确定所述目标数据集的旧数据和更改数据,确定所述旧数据的在所述目标数据集的字段位置,将所述更改数据以写入所述字段位置,对旧数据进行覆盖。
7.根据权利要求6所述一种证券分析管理系统,其特征在于,所述数据分析单元,包括:
第一关系确定单元:用于当确定第一目标字段与所述更新数据的相似度,小于预设相似度时,确定所述更新数据与目标数据集为增加关系;
第二关系确定单元:用于当确定第二目标字段与所述更新数据的第一相似度不大于第一预设相似阈值,确定所述更新数据与目标数据集为替换关系;
第三关系确定单元:用于当确定第二目标字段与所述更新数据的第一相似度大于第一预设相似阈值,且第三目标字段与所述更新数据的第二相似度不大于第二预设相似阈值时,确定所述更新数据与目标数据集为更改关系。
8.根据权利要求4所述一种证券分析管理系统,其特征在于,所述分析单元包括:
数据提取单元,用于确定对所述核心需求进行评估的数据需求,基于所述数据需求从所述证券数据存储模块提取相关证券数据;
指标确定单元,用于基于证券数据属性将所述相关证券数据划分为多组分析数据,并基于所述证券数据属性,设置所述多组分析数据作为评估核心需求的评估指标,并确定所述评估指标对核心需求的指标函数关系;
参数确定单元,用于基于所述评估指标和指标函数关系,训练得到各个评估指标对应的指标参数模型,将所述多组分析数据输入对应的参数模型中,得到每组分析数据在对应评估指标下的指标参数;
影响系数确定单元,用于基于所述客户的客户信息,获取所述客户的操作信息及其对应的历史评估结果,并分析所述历史评估结果中各个指标参数对所述操作信息的影响系数;
参数设定单元,用于获取所述评估指标的标准指标参数,基于所述影响系数,确定对所述评估指标的加权值,并利用所述加权值对所述标准指标参数进行加权计算,得到加权指标参数;
模型建立单元,用于基于所述核心需求、加权指标参数训练得到针对所述客户的评估模型;
评估单元,用于将所述每组分析数据在对应评估指标下的指标参数输出所述评估模型中,得到评估结果。
9.根据权利要求5所述的一种证券分析管理系统,其特征在于,所述信息推荐模块,还包括:
关联度确定单元,用于基于所述推荐信息建立推荐矩阵,并根据所述客户的客户信息,确定所述推荐矩阵与客户之间的关联度;
信任度确定单元,用于基于所述关联度,确定所述客户对所述推荐信息的信任度;
信任度判断单元,用于判断所述信任度是否大于预设信任阈值;
若是,将所述推荐信息推送给对应客户;
否则,将所述推荐信息返回至所述推荐单元,进行调整。
10.根据权利要求9所述的一种证券分析管理系统,其特征在于,所述关联度确定单元,包括:
矩阵获取单元,用于对所述推荐信息进行特征提取,得到特征向量,基于所述特征向量建立推荐矩阵;
评价单元,用于将所述客户的客户信息进行多维度分析,得到多维度客户信息,利用所述多维度客户信息对推荐矩阵中的每个特征向量进行评价,得到对应维度的评价值,并得到对应每个特征向量的综合评价值;
计算单元,用于根据综合评价结果,计算所述推荐矩阵与客户之间的关联度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111660418.1A CN114331728A (zh) | 2021-12-31 | 2021-12-31 | 一种证券分析管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111660418.1A CN114331728A (zh) | 2021-12-31 | 2021-12-31 | 一种证券分析管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114331728A true CN114331728A (zh) | 2022-04-12 |
Family
ID=81019439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111660418.1A Pending CN114331728A (zh) | 2021-12-31 | 2021-12-31 | 一种证券分析管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820205A (zh) * | 2022-06-02 | 2022-07-29 | 深圳市泰铼科技有限公司 | 基于人工智能的时间线证券资产管理系统 |
-
2021
- 2021-12-31 CN CN202111660418.1A patent/CN114331728A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820205A (zh) * | 2022-06-02 | 2022-07-29 | 深圳市泰铼科技有限公司 | 基于人工智能的时间线证券资产管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
No et al. | Multidimensional audit data selection (MADS): A framework for using data analytics in the audit data selection process | |
Chen et al. | Predicting customer churn from valuable B2B customers in the logistics industry: a case study | |
Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
KR101006889B1 (ko) | 데이터 통합 방법 | |
US8489502B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
Park et al. | Explainability of machine learning models for bankruptcy prediction | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
CN111160745A (zh) | 用户账户数据的处理方法及装置 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN107133862A (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
CN113554310A (zh) | 基于智能合约的企业信用动态评估模型 | |
Chimonaki et al. | Identification of financial statement fraud in Greece by using computational intelligence techniques | |
US20060248096A1 (en) | Early detection and warning systems and methods | |
CN114331728A (zh) | 一种证券分析管理系统 | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN116523301A (zh) | 基于电商大数据进行风险评级预测的系统 | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
Chen et al. | Predicting a corporate financial crisis using letters to shareholders | |
Hiwase et al. | Review on application of data mining in life insurance | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Nadali et al. | Class Labeling of Bank Credit's Customers Using AHP and SAW for Credit Scoring with Data Mining Algorithms | |
Akkaya et al. | Data mining in financial application | |
Almars et al. | Corporate social responsibility disclosure prediction using LSTM neural network | |
CN116308158B (zh) | 一种国有资产监督管理系统 |
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 |