CN114581249B - 基于投资风险承受能力评估的金融产品推荐方法及系统 - Google Patents
基于投资风险承受能力评估的金融产品推荐方法及系统 Download PDFInfo
- Publication number
- CN114581249B CN114581249B CN202210282718.9A CN202210282718A CN114581249B CN 114581249 B CN114581249 B CN 114581249B CN 202210282718 A CN202210282718 A CN 202210282718A CN 114581249 B CN114581249 B CN 114581249B
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- bearing capacity
- data
- data object
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000009471 action Effects 0.000 claims description 35
- 230000002787 reinforcement Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Technology Law (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了基于投资风险承受能力评估的金融产品推荐方法及系统,应用于服务器,包括:响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;根据获取信息,提取数据特征;根据数据特征,确定数据对象需求方的投资风险承受能力;根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及基于投资风险承受能力评估的金融产品推荐方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
金融投资领域,客户经理需要为用户推荐不同的金融产品。当前的金融产品推荐方式,大部分采用的是问卷调查方式,让用户自行填写,然后由投资管理人员进行产品推荐。
现有技术存在的缺陷是:用户填写调查问卷存在随机填写的问题,投资管理人员精力有限,人工处理的方式除了存在成本高、效率低等问题之外,还存在人脑对数据处理能力有局限性的问题,尤其是当存在多种投资产品时,可能会存在漏推荐或错推荐的情形。
发明内容
为了解决现有技术的不足,本发明提供了基于投资风险承受能力评估的金融产品推荐方法及系统;可以有效识别用户的投资风险承受能力,进而对用户持有的金融资产可能面临的风险及时做出预警,并根据用户对不同产品类别的风险承受能力进行分类评估,提高预警速度,使得预警更加迅速准确,方便用户及时采取措施调整资金安排,避免出现重大损失。
第一方面,本发明提供了基于投资风险承受能力评估的金融产品推荐方法;
基于投资风险承受能力评估的金融产品推荐方法,应用于服务器,包括:
响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;
根据获取信息,提取数据特征;
根据数据特征,确定数据对象需求方的投资风险承受能力;
根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品。
第二方面,本发明提供了基于投资风险承受能力评估的金融产品推荐系统;
基于投资风险承受能力评估的金融产品推荐系统,应用于服务器,包括:
获取模块,其被配置为:响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;
特征提取模块,其被配置为:根据获取信息,提取数据特征;
能力评估模块,其被配置为:根据数据特征,确定数据对象需求方的投资风险承受能力;
产品推荐模块,其被配置为:根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品。
第三方面,本发明还提供了一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
第四方面,本发明还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
第五方面,本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
当用户需要金融产品推荐时,根据用户提交的基本属性信息,在金融产品数据库中查找到最匹配的金融产品推荐给用户。整个推荐过程无需人工参与,大大降低了处理成本,提升了数据处理的效率,而且还能够实现金融产品的精准推荐和快速推荐。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明提供的基于深度强化学习的用户投资风险预警方法的流程示意图;
图2为本发明实施例提供的用户投资风险预警方法使用的深度强化学习模型流程示意图;
图3是关于卷积神经网络提取数据特征的示意图;
图4是关于损失函数构造示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
现有的风险预警方式依赖于用户对自身的评估,用户估计自己的风险承受能力并对持有的某金融产品设定相应的风险警示线,当该金融产品的风险将要超过或者超过设定的阈值时,平台将会出现风险预警信息。但是实际中用户并不能准确的评估自身所能承担的风险,或者不能及时发现自身风险承受能力的改变,因此目前的方法不能准确的识别用户的风险承受能力,在用户面临超过自己所能承担的风险时,不能及时做出预警,导致用户不能及时采取措施规避风险,进而造成投资损失。因此现有技术提供的风险预警方法存在预警信息不准确、预警不及时的问题。
实施例一
本实施例提供了基于投资风险承受能力评估的金融产品推荐方法;
如图1所示,基于投资风险承受能力评估的金融产品推荐方法,应用于服务器,包括:
S101:响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;
S102:根据获取信息,提取数据特征;
S103:根据数据特征,确定数据对象需求方的投资风险承受能力;
S104:根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品。
进一步地,所述方法还包括:
S105:根据数据对象需求方的风险承受能力,对数据对象需求方持有的金融产品进行分析;
S106:根据数据对象需求方持有的金融产品的分析结果,输出数据对象需求方的风险评估报告,并及时做出预警;
S107:实时调整数据对象需求方的风险承受能力分析结果。
进一步地,所述获取数据对象需求方的基本属性信息,包括:
从数据库中,读取预先存储的数据对象需求方的基本属性信息;
和/或
向用户侧提供信息输入操作接口,获得用户利用该接口输入的基本属性信息。
进一步地,所述数据对象需求方的基本属性信息,包括:数据对象需求方的性别、年龄、工作单位属性、家庭结构信息、资产负债信息、和/或现金流信息。
进一步地,所述数据对象需求方的自定义信息,包括用户历史投资标的名称,标的投资金额,标的盈亏率,标的交易行为记录数据,相对应的金额变化量,盈亏变化量,标的最近四个交易日前7天的盈亏数据,对应的持仓变化量,对应的盈亏变化量。
进一步地,所述S102:根据获取信息,提取数据特征;具体包括:
S1021:将金融产品分为股票类、基金类和债券类;
S1022:对每一类金融产品的标的盈亏数据进行特征提取,将数据参数化。
进一步地,所述S1022:对每一类金融产品的标的盈亏数据进行特征提取,将数据参数化;具体包括:
对每一类别中的数据集中的投资标的最近的四个交易日的前7天的盈亏曲线,输入到卷积神经网络中进行特征提取。
其中,利用特征网络提取数据特征中的特征提取网络有很多,一般为卷积神经网络,在本实施例中采用深度神经网络,深度神经网络结构如图3所示。
进一步地,所述S103:根据数据特征,确定数据对象需求方的投资风险承受能力;具体包括:
将不同类别的金融产品的数据特征,分别输入到训练后的深度强化学习模型中,得到数据对象需求方对不同金融产品的的投资风险承受能力评估结果。
进一步地,所述训练后的深度强化学习模型;训练过程包括:
通过交易平台获取用户的历史交易数据,构建训练数据;
对训练数据中用户数据进行分类,并对每一类数据每一条数据中的标的盈亏曲线数据进行特征提取,构建模型的输入参数,根据构建的参数设计奖励函数,然后训练深度强化学习模型,得到训练后的深度强化学习模型。
进一步地,所述对训练数据中用户数据进行分类,包括:划分为股票类、基金类和债券类。
进一步地,所述根据构建的参数设计奖励函数;具体包括:
深度强化学习模型用于对用户下一步将会采取的交易行为类型进行预测,用户对某标的采取的交易行为设定为清仓,减仓,持仓不变,加仓,申购五种类型,例如,对某基金采取的交易行为为减仓类型时,参数化后的数据为(0,0,0,1,0),即为模型的动作参数。
将深度强化学习模型的目标设定为预测出下一步交易行为是清仓,则此时的状态参数就表示为用户的风险承受能力信息,例如:当预测用户下一步将会采取清仓动作时,此时的环境参数为:某基金A,投资金额为5万元,盈亏率为-11%,即用户对基金的投资风险承受能力为投资5万元,承受的最大损失程度为11%。
因此根据状态参数与动作参数对奖励函数进行设计,例如:
当状态参数表示用户处于亏损环境,采取的动作属于清仓类型时,设计此时的奖励函数为最大值;
或者,当状态参数表示用户处于亏损环境,采取的动作属于减仓类型时,设计此时的奖励函数为正值,这里可以根据减仓的份额设置奖励函数的取值;
或者,当状态参数表示用户处于亏损环境,采取的动作属于申购或加仓类型时,设计此时的奖励函数为负值,这里可以根据申购或者加仓的份额设置奖励函数的取值;
或者,当状态参数表示用户处于亏损环境,采取的动作属于持仓不变类型时,设计此时的奖励函数为0。
其中,奖励函数的取值区间设计为[-1,+1],例如,当处于亏损状态,采取清仓动作时,奖励函数取为最大值1;当处于亏损状态,采取减仓动作时,奖励函数取正值,假设该值为处于0与最大值1中间的一个值,该值的大小取决于减仓的份额;当处于亏损状态,采取申购或加仓动作时,奖励函数取负值,假设该值为处于最小值-1与0中间的一个值,该值的大小取决于申购或加仓的份额;当处于亏损状态,采取持仓不变动作时奖励函数取为0。
进一步地,所述将不同类别的金融产品的数据特征,分别输入到训练后的深度强化学习模型中,得到数据对象需求方对不同金融产品的的投资风险承受能力评估结果;具体包括:
将处理后的数据作为深度强化学习模型的输入参数,深度强化学习模型对用户下一步将要采取的交易行为类型进行预测,将模型的状态参数作为用户的风险承受能力。
这里的风险承受能力信息,是指若深度强化学习模型预测出下一步交易行为是清仓,此时的状态参数就表示为用户的投资风险承受能力。
深度强化学习模型,采用深度Q学习模型DQN,DQN是一个将深度学习与强化学习结合在一起,直接从高维输入学习控制策略的算法,下面对DQN算法的原理进行详细描述,来说明DQN模型如何识别用户风险承受能力,如图2所示。
进一步地,所述深度强化学习模型对用户下一步将要采取的交易行为类型进行预测;具体包括:
S1031:用户投资的某标的距当前t时刻最近的四个交易日前7天的盈亏曲线,经过灰度处理后输入到卷积网络中进行特征提取,就是t时刻的状态st;特征提取神经网络示意图见图3;
S1032:将状态st输入到Q值网络中,智能体将选取一个最优动作at;这里的动作包括但不限于(申购,加仓,持仓不变,减仓,清仓)等交易行为类型;
S1033:智能体执行动作at,得到一个即时奖励rt,并观察到新的状态st+1,即为投资标的t+1时刻的最近四个交易日前7天的盈亏曲线经过处理后的特征数据;
S1034:根据贝尔曼方程得到Q值函数:
Q(s,a)=E[rt+γmaxa′Q(st+1,a′)];
其中,maxa′Q(st+1,a′)表示在t时刻采取动作at对应的最大Q值,rt是指当前动作产生的回报,E表示对其求期望,γ为折扣因子,因此Q值即为采取动作at得到的累计回报奖励,是迭代值,用来评估当前状态动作对(st,at)的值函数;
S1035:将样本(st,at,rt,st+1)存入经验回放池M中;
DQN算法采用经验回放方法,也就是将每个时间步,智能体与环境交互得到的转移样本(st,at,rt,st+1)存入经验回放池M中,在训练时,每次从经验回放池M中随机抽取预设数量的转移样本,并使用随机梯度下降算法更新深度卷积神经网络参数ω;
S1036:在经验回放池M中随机抽取一个样本,令目标值函数为:
Pi=ri+γmaxa′Q(st+1,a′;ω-),
即值函数的优化目标,其中Q(st+1,a′;ω-)表示目标值网络的输出。
Q值网络中的参数ω是实时更新的,每经过C轮迭代,将Q值网络的参数复制给目标值网络,并通过最小化当前Q值和目标值之间的误差函数来更新参数ω,其中,用于最小化的误差函数构造如图4所示:
L(ωi)=Es,a,r,a′[(Pi-Q(s,a|ωi))2]
对参数ω求偏导,得到下面梯度:
通过更新梯度;
经过以上步骤训练出最优神经网络模型,生成预测用户采取动作的深度强化学习模型。
根据深度强化学习模型预测出用户将会采取清仓的交易行为时,对应的状态信息即为用户的风险承受能力之后,本发明还包括如下步骤:
当对同一类别的资产输出用户的多个风险承受能力信息时,采取加权平均的方式,计算出用户对该类别产品的风险承受能力信息。
例如:某基金A对应的风险承受能力为:投资金额为5万元,盈亏率为-15%;
基金B对应的风险承受能力为:投资金额为3万元,盈亏率为-4%;
某基金C对应的风险承受能力为:投资金额为7万元,盈亏率为-21%;
则该用户对基金类产品的风险承受能力为:
5/15*15%+3/15*4%+7/15*21%=15.6%,
即用户在投资金额为5万元时,最大可以承受的亏损率为15.6%。
进一步地,所述S104:根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品;具体包括:
将数据对象需求方的投资风险承受能力,输入到训练后的神经网络中,输出不同金融产品的推荐概率;按照推荐概率由高到低的顺序,对金融产品进行推荐。
训练后的神经网络,训练过程包括:
构建分类器;构建训练集;所述训练集为已知金融产品标签的投资风险承受能力;将训练集输入到神经网络中,对神经网络进行训练,得到训练后的神经网络。
进一步地,所述S105:根据数据对象需求方的风险承受能力,对数据对象需求方持有的金融产品进行分析;具体包括:根据得到的信息设定阈值,对用户持有的金融产品进行分析。
示例性地,所述S105:根据数据对象需求方的风险承受能力,对数据对象需求方持有的金融产品进行分析;具体包括:
判别用户持有的金融资产所属类别,将目前的投资金额以及盈亏率与模型输出的对应类别的用户风险承受能力进行比较,分析现有资产的风险是否超出了用户的风险承受能力,结果划分为:超过风险承受能力、低于用户的风险承受能力和远低于风险承受能力。
进一步地,所述S106:根据数据对象需求方持有的金融产品的分析结果,输出数据对象需求方的风险评估报告,并及时做出预警;具体包括:
输出用户每种金融资产的分析报告,包括用户的账号信息,对该类金融产品的风险承受能力信息,该产品现在收益情况,以及对该产品的风险预警信息。
示例性地,所述S106:根据数据对象需求方持有的金融产品的分析结果,输出数据对象需求方的风险评估报告,并及时做出预警;具体包括:
根据模型输出的每种类别的金融资产的风险承受能力信息,以及对用户现有资产的分析结果,得到每位用户的风险分析报告。
报告包括:用户账户信息,用户对每种类别的金融资产的风险承受能力信息,用户现有资产的风险分析结果。
根据分析报告对用户进行风险预警或者风险提示:
当现有资产的风险超过用户承受能力时,做出风险警告;
当现有资产的风险接近用户的承受能力时,做出风险提示;
当现有资产的风险低于用户的承受能力时,根据远离程度,分为两类:
当接近用户的风险承受能力时(当损失金额达到用户承受能力的80%时),做出风险提示;
当远低于用户的风险承受能力时(当损失金额低于用户承受能力的80%时),不做出提示。
进一步地,所述S107:实时调整数据对象需求方的风险承受能力分析结果;具体包括:
当用户的交易行为发生变化时,更新数据重新识别用户的风险承受能力,及时更新用户分析报告以及预警阈值。
示例性地,所述S107:实时调整数据对象需求方的风险承受能力分析结果;具体包括:
用户的风险承受能力可能会发生变化,有时用户本身并不能及时意识到这种变化,或者不能及时修改原来设置的风险警戒线,因此,当用户出现新的交易行为时,及时更新用户的交易行为数据,将此时投资标的最近四个交易日的前7天的价格曲线,按照前述步骤S101-S103,重新分析用户的风险承受能力。
本发明实施例在得到用户的风险承受能力之后,还可以包括:
根据用户的风险承受能力信息对用户进行聚类分析,分析用户的风险偏好,得到用户的风险偏好分类模型,进而识别出每位用户的风险偏好类型;根据风险偏好类型进行金融产品的推荐。
本发明实施例提出了一种基于深度强化学习的投资风险预警方法,可以广泛应用于互联网金融产品中,例如:在证券的应用程序中,准确识别用户的投资风险承受能力进而可以推送给用户合适的信息与行情内容。在理财产品中,例如某基金产品,根据用户的投资风险承受能力及当前的盈亏,可以及时的提示用户投资风险。在互联网金融平台发行新的金融产品时,不同风险级别的产品可以展示给相应风险承受能力的用户。上述举例只是该发明方法的一些应用场景,基于对用户投资风险承受能力的有效识别对用户做出风险预警,在产品运营以及推广上的应用,都属于该发明的潜在应用场景。
本发明实施例提出了一种基于深度强化学习的投资风险预警方法,根据用户在投资平台上真实的投资行为,分析用户的投资风险承受能力,相比于当前的方法,不仅可以准确的识别用户的投资风险承受能力,还能根据用户不断的投资行为及时更新出用户的分析结果。该发明实施例可以广泛运用在各种互联网金融场景中,在给用户推荐不同风险等级的金融资产,或者防范金融风险,以及提高用户对自己投资风险承受能力的认知等方面,都有很大的作用。
需要说明的是,对于前述的各方法实施例,为了简单描述,均表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
投资风险预警系统首先从投资交易平台中获取用户的历史交易数据,然后根据历史交易数据构建深度强化学习模型的环境参数,最后通过深度强化学习模型识别出用户对应的最大投资风险承受能力。本发明实施例中采用用户的真实交易数据来构建模型参数,采用深度强化学习方法识别出用户的最大投资风险承受能力。相比于现有的填写问卷方法,本发明实施例可以有效识别用户的投资风险承受能力,且基于用户的真实交易数据进行分析,因此还具有识别准确的效果。
根据用户历史投资数据等信息,如某标的的投资金额,某标的的盈亏率等,使得对用户风险承受能力的识别更为准确,而且根据这一信息对用户持有的金融产品进行预警,更为准确并且及时,以便用户能够及时调整投资安排,避免出现重大损失。
实施例二
本实施例提供了基于投资风险承受能力评估的金融产品推荐系统;
基于投资风险承受能力评估的金融产品推荐系统,应用于服务器,包括:
获取模块,其被配置为:响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;
特征提取模块,其被配置为:根据获取信息,提取数据特征;
能力评估模块,其被配置为:根据数据特征,确定数据对象需求方的投资风险承受能力;
产品推荐模块,其被配置为:根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品。
此处需要说明的是,上述获取模块、特征提取模块、能力评估模块和产品推荐模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,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,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于投资风险承受能力评估的金融产品推荐方法,其特征是,应用于服务器,包括:
响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;所述自定义信息,包括:用户历史投资标的名称、标的投资金额、标的盈亏率、标的交易行为记录数据、相对应的金额变化量、盈亏变化量、标的最近四个交易日前7天的盈亏数据、对应的持仓变化量、和/或对应的盈亏变化量;
根据获取信息,提取数据特征:将金融产品分为股票类、基金类和债券类;对每一类金融产品的标的盈亏数据进行特征提取,将数据参数化;根据数据特征,确定数据对象需求方的投资风险承受能力;具体包括:将不同类别的金融产品的数据特征,分别输入到训练后的深度强化学习模型中,得到数据对象需求方对不同金融产品的的投资风险承受能力评估结果;
所述将不同类别的金融产品的数据特征,分别输入到训练后的深度强化学习模型中,得到数据对象需求方对不同金融产品的的投资风险承受能力评估结果;具体包括:
将处理后的数据作为深度强化学习模型的输入参数,深度强化学习模型对用户下一步将要采取的交易行为类型进行预测,将模型的状态参数作为用户的风险承受能力;
所述深度强化学习模型对用户下一步将要采取的交易行为类型进行预测;具体包括:
用户投资的某标的距当前t时刻最近的四个交易日前7天的盈亏曲线,经过灰度处理后输入到卷积网络中进行特征提取,就是t时刻的状态st;
将状态st输入到Q值网络中,智能体从动作库中选取一个最优动作at;所述动作库,包括:申购、加仓、持仓不变、减仓和清仓;
智能体执行最优动作at,得到一个即时奖励rt,并观察到新的状态st+1,即为投资标的t+1时刻的最近四个交易日前7天的盈亏曲线经过处理后的特征数据;
根据贝尔曼方程得到Q值函数:
Q(s,a)=E[rt+γmaxa′Q(st+1,a′)];
其中,maxa′Q(st+1,a′)表示在t时刻采取最优动作at对应的最大Q值,rt是指当前动作产生的回报,E表示对其求期望,γ为折扣因子,因此Q值即为采取最优动作at得到的累计回报奖励,是迭代值,用来评估当前状态动作对(st,at)的值函数;
将转移样本(st,at,rt,st+1)存入经验回放池M中;DQN算法采用经验回放方法,也就是将每个时间步,智能体与环境交互得到的转移样本(st,at,rt,st+1)存入经验回放池M中,在训练时,每次从经验回放池M中随机抽取预设数量的转移样本,并使用随机梯度下降算法更新深度卷积神经网络参数ω;
在经验回放池M中随机抽取一个转移样本,令目标值函数为:
Pi=ri+γmaxa′Q(st+1,a′;ω-),
即值函数的优化目标,其中,Q(st+1,a′;ω-)表示目标值网络的输出;
Q值网络中的参数ω是实时更新的,每经过C轮迭代,将Q值网络的参数复制给目标值网络,并通过最小化当前Q值和目标值之间的误差函数来更新参数ω;
其中,用于最小化的误差函数构造:
L(ωi)=Es,a,r,a′[(Pi-Q(s,a|ωi))2]
对参数ω求偏导,得到下面梯度:
通过更新梯度;
经过以上步骤训练出最优神经网络模型,生成预测用户采取动作的深度强化学习模型;
所述训练后的深度强化学习模型,训练过程包括:通过交易平台获取用户的历史交易数据,构建训练数据;对训练数据中用户数据进行分类,并对每一类数据每一条数据中的标的盈亏曲线数据进行特征提取,构建模型的输入参数,根据构建的参数设计奖励函数,然后训练深度强化学习模型,得到训练后的深度强化学习模型;
根据数据特征,确定数据对象需求方的投资风险承受能力;
根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品;
根据数据对象需求方的风险承受能力,对数据对象需求方持有的金融产品进行分析:判别用户持有的金融资产所属类别,将目前的投资金额以及盈亏率与模型输出的对应类别的用户风险承受能力进行比较,分析现有资产的风险是否超出了用户的风险承受能力,结果划分为:超过风险承受能力、低于用户的风险承受能力和远低于风险承受能力;
根据数据对象需求方持有的金融产品的分析结果,输出数据对象需求方的风险评估报告,并及时做出预警:根据模型输出的每种类别的金融资产的风险承受能力信息,以及对用户现有资产的分析结果,得到每位用户的风险分析报告;报告包括:用户账户信息,用户对每种类别的金融资产的风险承受能力信息,用户现有资产的风险分析结果;根据分析报告对用户进行风险预警或者风险提示:当现有资产的风险超过用户承受能力时,做出风险警告;当现有资产的风险接近用户的承受能力时,做出风险提示;当现有资产的风险低于用户的承受能力时,根据远离程度,分为两类:当接近用户的风险承受能力时,做出风险提示;当远低于用户的风险承受能力时,不做出提示;根据用户的风险承受能力信息对用户进行聚类分析,分析用户的风险偏好,得到用户的风险偏好分类模型,进而识别出每位用户的风险偏好类型;根据风险偏好类型进行金融产品的推荐;
实时调整数据对象需求方的风险承受能力分析结果。
2.采用如权利要求1所述的一种基于投资风险承受能力评估的金融产品推荐方法的一种基于投资风险承受能力评估的金融产品推荐系统,其特征是,应用于服务器,包括:
获取模块,其被配置为:响应于终端发送的数据对象需求方对金融产品的推荐请求,获取数据对象需求方的基本属性信息以及自定义信息;
特征提取模块,其被配置为:根据获取信息,提取数据特征;
能力评估模块,其被配置为:根据数据特征,确定数据对象需求方的投资风险承受能力;
产品推荐模块,其被配置为:根据数据对象需求方的投资风险承受能力,推荐个性化的金融产品。
3.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1所述的方法。
4.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282718.9A CN114581249B (zh) | 2022-03-22 | 2022-03-22 | 基于投资风险承受能力评估的金融产品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282718.9A CN114581249B (zh) | 2022-03-22 | 2022-03-22 | 基于投资风险承受能力评估的金融产品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581249A CN114581249A (zh) | 2022-06-03 |
CN114581249B true CN114581249B (zh) | 2024-05-31 |
Family
ID=81782224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210282718.9A Active CN114581249B (zh) | 2022-03-22 | 2022-03-22 | 基于投资风险承受能力评估的金融产品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581249B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330541A (zh) * | 2022-08-08 | 2022-11-11 | 山东大学 | 基于区块链的基金信息推荐及交易安全保障系统及方法 |
CN115292612B (zh) * | 2022-10-10 | 2023-01-24 | 北京锘崴信息科技有限公司 | 基于隐私保护的信息和金融信息推荐方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436866A (zh) * | 2016-05-25 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 理财产品的推荐方法及装置 |
CN108549982A (zh) * | 2018-04-03 | 2018-09-18 | 东莞市波动赢机器人科技有限公司 | 信息推荐方法、电子设备和计算机存储介质 |
CN108629690A (zh) * | 2018-04-28 | 2018-10-09 | 福州大学 | 基于深度强化学习的期货量化交易系统 |
CN108985638A (zh) * | 2018-07-25 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种用户投资风险评估方法和装置以及存储介质 |
CN112132679A (zh) * | 2020-09-30 | 2020-12-25 | 中国银行股份有限公司 | 产品推荐方法及装置 |
CN112150293A (zh) * | 2020-10-10 | 2020-12-29 | 山东大学 | 一种基于用户个人信息的产品推荐方法及装置 |
CN113129108A (zh) * | 2021-04-26 | 2021-07-16 | 山东大学 | 基于Double DQN算法的产品推荐方法及装置 |
CN113627533A (zh) * | 2021-08-11 | 2021-11-09 | 北京邮电大学 | 一种基于强化学习的电力设备检修决策生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2866581A1 (en) * | 2013-10-09 | 2015-04-09 | The Toronto-Dominion Bank | Systems and methods for identifying product recommendations based on investment portfolio data |
-
2022
- 2022-03-22 CN CN202210282718.9A patent/CN114581249B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436866A (zh) * | 2016-05-25 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 理财产品的推荐方法及装置 |
CN108549982A (zh) * | 2018-04-03 | 2018-09-18 | 东莞市波动赢机器人科技有限公司 | 信息推荐方法、电子设备和计算机存储介质 |
CN108629690A (zh) * | 2018-04-28 | 2018-10-09 | 福州大学 | 基于深度强化学习的期货量化交易系统 |
CN108985638A (zh) * | 2018-07-25 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种用户投资风险评估方法和装置以及存储介质 |
CN112132679A (zh) * | 2020-09-30 | 2020-12-25 | 中国银行股份有限公司 | 产品推荐方法及装置 |
CN112150293A (zh) * | 2020-10-10 | 2020-12-29 | 山东大学 | 一种基于用户个人信息的产品推荐方法及装置 |
CN113129108A (zh) * | 2021-04-26 | 2021-07-16 | 山东大学 | 基于Double DQN算法的产品推荐方法及装置 |
CN113627533A (zh) * | 2021-08-11 | 2021-11-09 | 北京邮电大学 | 一种基于强化学习的电力设备检修决策生成方法 |
Non-Patent Citations (1)
Title |
---|
"基于深度学习的智能投资模型与方法";赵群;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215(第02期);第I140-232页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114581249A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180268318A1 (en) | Training classification algorithms to predict end-user behavior based on historical conversation data | |
CN114581249B (zh) | 基于投资风险承受能力评估的金融产品推荐方法及系统 | |
Ala’raj et al. | Modelling customers credit card behaviour using bidirectional LSTM neural networks | |
US20070124236A1 (en) | Credit risk profiling method and system | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN112017040B (zh) | 信用评分模型训练方法、评分方法及系统、设备及介质 | |
CN116450951A (zh) | 业务推荐方法、装置、存储介质及电子设备 | |
WO2020243013A1 (en) | Predictive modeling and analytics for processing and distributing data traffic | |
US11636536B2 (en) | Systems and methods for automating pricing desk operation | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN115330490A (zh) | 一种产品推荐方法、装置、存储介质及设备 | |
CN113129108B (zh) | 基于Double DQN算法的产品推荐方法及装置 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
CN113850670A (zh) | 银行产品推荐方法、装置、设备及存储介质 | |
CN113781056A (zh) | 预测用户欺诈行为的方法及装置 | |
Denanti et al. | The Correlation of Headline News Sentiment and Stock Return During Dividend Period | |
CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 | |
KR102565219B1 (ko) | 빅데이터 기반 투자성향 분석 결과에 따른 분산투자 추천 시스템 | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
Patnaik et al. | Selection problems for application of probit. tobit. logit and maximum likelihood estimation: A methodological issue | |
CN117541044B (zh) | 基于项目风险分析的项目分类方法、系统、介质及设备 | |
CN114861680B (zh) | 对话处理方法及装置 | |
Etukuru | Forecasting the Stock Prices Using Machine Learning, Deep Learning, and Reinforcement Learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |