CN114677186A - 金融产品的报价计算方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种金融产品的报价计算方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。采用本方法能够提高计算金融产品报价的准确性。

Description

金融产品的报价计算方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种金融产品的报价计算方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着金融业的快速发展，各种金融产品层出不穷。用户在购买金融产品时，均需要业务系统向用户提供相应的产品报价，从而帮助用户购买到合适的金融产品。因而，快速、准确地计算出产品报价，不仅能够提高用户的购买体验，也能够提高业务系统的处理效率。

传统的，在业务系统向用户提供产品报价时，需要先获取该金融产品的报价相关数据，再通过预先设置的计算公式对所获取的报价相关数据进行计算生成产品报价。但是，经过传统方法所计算出的产品报价的准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高计算金融产品报价的准确性的金融产品的报价计算方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种金融产品的报价计算方法。方法包括：

通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。

在其中一个实施例中，上述方法还包括：

通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则；通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价；基于预设验证规则对金融产品的参考报价进行验证，生成验证结果；若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。

在其中一个实施例中，根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则，包括：

根据金融产品的参考报价对初始报价相关数据的语法及数值进行调整，生成金融产品的目标报价相关数据；根据金融产品的参考报价对初始报价的计算规则的语法及数值进行调整，生成金融产品的目标报价计算规则。

在其中一个实施例中，上述方法还包括：

通过计算引擎获取金融产品的测试样本数据；测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价；通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价；基于测试报价和标准报价对计算引擎进行测试验证。

在其中一个实施例中，通过报价引擎获取金融产品的目标报价相关数据，包括：

通过报价引擎从预设数据表中获取金融产品的报价相关数据；报价相关数据包括报价计算因子及报价计算因子的数值；预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。

在其中一个实施例中，上述方法还包括：

获取金融产品的实际购买价格；将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值；根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

在其中一个实施例中，基于python语法的验证器用于采用数据分析工具Pandas进行验证。

第二方面，本申请还提供了一种金融产品的报价计算装置。装置包括：

第一获取模块，用于通过报价引擎获取金融产品的目标报价相关数据；

调用模块，用于将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性；

第一计算模块，用于根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一实施例中的方法步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。

上述金融产品的报价计算方法、装置、计算机设备、存储介质和计算机程序产品，通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。在本申请实施例提供的技术方案中，由于将对金融产品报价计算的过程通过报价引擎和计算引擎共同完成，其中计算引擎可以预先验证报价引擎中金融产品的目标报价相关数据的正确性，从而可以保证报价引擎中配置数据的正确性，进而提高计算金融产品报价的准确性。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例中金融产品的报价计算方法的流程示意图；

图3为一个实施例中对报价引擎进行验证的流程示意图；

图4为一个实施例中数据分析工具Pandas的架构图；

图5为一个实施例中自动化测试的架构图；

图6为一个实施例中对计算引擎进行验证的流程示意图；

图7为一个实施例中对报价引擎中配置的数据进行优化的流程示意图；

图8为一个实施例中报价引擎开发的流程架构图；

图9为一个实施例中金融产品的报价计算装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的金融产品的报价计算方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。

以计算机设备是终端为例，图1示出了一种终端的框图，如图1所示，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种金融产品的报价计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，可选地终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是金融产品的报价计算装置，下述方法实施例中就以计算机设备为执行主体进行说明。

在一个实施例中，如图2所示，其示出了本申请实施例提供的一种金融产品的报价计算的流程图，该方法可以包括以下步骤：

步骤220、通过报价引擎获取金融产品的目标报价相关数据。

其中，报价引擎是一种基于java语法的应用组件，可以在报价引擎中预先配置金融产品的目标报价相关数据，目标报价相关数据包括计算报价时的决策因子以及决策因子对应的数值。所预先配置的目标报价相关数据可以以决策数据表的形式保存，决策数据表可以根据实际需求设置为相应的格式，并且可以根据目标报价相关数据中参数类型的增加，可以对该决策数据表进行动态扩展。在计算金融产品报价时，可以先通过报价引擎获取预先配置好的金融产品的目标报价相关数据，再进行后续计算过程。

步骤240、将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性。

其中，在获取到金融产品的目标报价相关数据时，可以通过调用计算引擎计算报价，计算引擎是一种基于python语法的应用组件，计算引擎还可以对报价引擎中金融产品的目标报价相关数据的正确性进行验证。具体在调用计算引擎计算报价时，可以将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎中的内置函数调用金融产品的目标报价计算规则，目标报价计算规则也是在报价引擎中预先配置好的计算对应金融产品报价的决策公式。内置函数可以为python中的eval函数，该函数可以返回传入字符串的表达式的结果，即可以将字符串当成有效的表达式来求值并返回计算结果。

步骤260、根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。

其中，通过计算引擎中的内置函数调用金融产品的目标报价计算规则后，再结合目标报价相关数据中的决策因子的数值进行计算，从而得到金融产品的目标报价。金融产品的目标报价还可以发送给报价引擎，报价引擎可以将所获取的金融产品对应的目标报价展示给用户。

本实施例中，通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。由于将对金融产品报价计算的过程通过报价引擎和计算引擎共同完成，其中计算引擎可以预先验证报价引擎中金融产品的目标报价相关数据的正确性，从而可以保证报价引擎中配置数据的正确性，进而提高计算金融产品报价的准确性。

在一个实施例中，如图3所示，其示出了本申请实施例提供的一种金融产品的报价计算的流程图，具体涉及的是对报价引擎进行验证的一种可能的过程，该方法可以包括以下步骤：

步骤320、通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则。

步骤340、通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价。

步骤360、基于预设验证规则对金融产品的参考报价进行验证，生成验证结果。

步骤380、若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。

其中，计算引擎对报价引擎中进行验证时，可以在报价引擎中初次配置金融产品的报价相关数据、或报价相关数据更新的情况下，均可以对报价引擎进行验证。可选地，基于python语法的验证器可以采用数据分析工具Pandas进行验证，数据分析工具Pandas是Python的核心数据分析支持库，拥有快速、灵活、明确的数据结构，旨在简单、直观、快速地处理关系型、标记型数据，是一款强大、灵活的开源数据分析工具，如图4所示，图4为本申请实施例提供的一种数据分析工具Pandas的架构图。具体地，计算引擎对报价引擎的验证过程可以基于如图5所示的自动化测试架构进行测试验证，在该自动化测试架构中，可以分为业务应用层、端口服务层、功能层以及底层引擎，每一层设置有对应的功能模块。通过计算引擎从报价引擎中获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则，通过数据分析工具Pandas可以读取初始报价相关数据及初始报价计算规则，再通过调用内置函数执行该初始报价计算规则，从而计算得到金融产品的参考报价。

并基于预设验证规则对金融产品的参考报价进行验证，生成验证结果，若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。其中，预设验证规则可以根据计算得到的参考报价的个数设定，也可以根据其他条件设定。例如，预设验证规则可以为计算得到的金融产品的参考报价不唯一、或无法计算得到参考报价等，当然也可以设置为其他验证规则。若验证结果为金融产品的参考报价存在异常，例如参考报价有多个结果，则为一种异常情况，那么就需要对初始报价相关数据及初始报价计算规则进行调整。具体地，根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则，包括根据金融产品的参考报价对初始报价相关数据的语法及数值进行调整，生成金融产品的目标报价相关数据；根据金融产品的参考报价对初始报价的计算规则的语法及数值进行调整，生成金融产品的目标报价计算规则。

本实施例中，通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则；通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价；基于预设验证规则对金融产品的参考报价进行验证，生成验证结果；若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。由于报价计算规则复杂，在报价引擎中配置数据时，会存在语法配置错误、数据配置等错误，在传统的研发中，这些错误一般需要人工排查、测试验证等过程，排查速度慢，且需要多个环节确认，加大了整个研发周期。通过基于python语法的验证器预先对报价引擎进行语法校验和数据校验，保障了报价引擎服务的准确性、健壮性，从而提高了计算报价的准确性。

在一个实施例中，如图6所示，其示出了本申请实施例提供的一种金融产品的报价计算的流程图，具体涉及的是对计算引擎进行验证的一种可能的过程，该方法可以包括以下步骤：

步骤620、通过计算引擎获取金融产品的测试样本数据；测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价。

步骤640、通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价。

步骤660、基于测试报价和标准报价对计算引擎进行测试验证。

其中，在如图5所示的自动化测试架构下，计算引擎还可以实现对自身的测试验证。具体可以通过编写自动化测试案例并设置测试样本数据，通过计算引擎获取金融产品的测试样本数据，测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价。再通过调用内置函数据测试报价相关数据及测试报价计算规则计算金融产品的测试报价，通过测试报价与标准报价进行对比，从而测试验证计算引擎计算报价的准确性。

本实施例中，通过计算引擎获取金融产品的测试样本数据；通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价；基于测试报价和标准报价对计算引擎进行测试验证。通过计算引擎对自身进行测试验证，提高了计算引擎的可靠性，从而保证了计算产品报价的准确性。

在一个实施例中，可选地，可以通过报价引擎从预设数据表中获取金融产品的报价相关数据；报价相关数据包括报价计算因子及报价计算因子的数值；预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。

其中，预设数据表中保存了金融产品的报价相关数据，报价相关数据可以包括报价计算因子及报价计算因子的数值，也可以包括报价计算因子的代号等内容。在报价计算因子增加时，为了实现预设表的动态扩展，由于行记录是没有数量限制的，可以将预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。传统的如表1所示的以列存储形式存储的数据表中，假设计算金融产品报价的报价计算因子有三个A、B、C，其对应的报价计算因子的数值分别为1、2、3，若需要增加第四个报价计算因子D，则需要修改底层代码来修改在报价引擎中所配置的报价相关数据。若以本实施例提供的表2所示的以行存储的形式存储的数据表中，在需要增加第四个报价计算因子D时，可以增加行并在数据表中写入报价计算因子D以及对应的数值。因而，预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储，可以根据实际需求对数据表进行动态扩展，从而提高了计算产品报价的灵活性与准确性。

表1

表2

在一个实施例中，如图7所示，其示出了本申请实施例提供的一种金融产品的报价计算的流程图，具体涉及的是对报价引擎中配置的数据进行优化的一种可能的过程，该方法可以包括以下步骤：

步骤720、获取金融产品的实际购买价格。

步骤740、将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值。

步骤760、根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

其中，询报价系统通过调用报价引擎获取到目标报价

后，用户可以根据实际情况对该目标报价进行调整，调整后的报价作为用户针对该金融产品的实际购买价格。获取到金融产品的实际购买价格p后，可以将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数f(x)中，计算预设目标函数的值，预设目标函数可以定义为如公式（1）所示的形式。根据预设目标函数的值对报价相关数据及报价计算规则进行优化，并通过历史数据进行回算，使得预设目标函数的值调到最小，从而根据预设目标函数值最小的时对应的报价相关数据及报价计算规则，生成新的目标报价相关数据及新的目标报价计算规则。

（1）

本实施例中，通过获取金融产品的实际购买价格；将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值；根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。通过对报价相关数据及报价计算规则根据用户的实际购买价格进行调整，让系统报价尽可能接近最终报价，提高报价命中率，从而也能够提供给用户更准确的产品报价。

在一个实施例中，如图8所示的报价引擎开发的流程架构图，传统的报价引擎大部分使用规则引擎、java硬编码开发实现，在报价引擎的整个开发流程中，包含有精算业务人员制作报价excel模板、需求人员进行需求分析、开发需求讲解、开发人员进行概要设计、详细设计、工作量评估开发、测试人员进行测试、生成发布等环节，各个环节之间需要互相紧密配合。传统的报价引擎没有配置化功能或者配置复杂，当业务新上线模型时，还需要再次投入人力开发配置。本申请提供的智能报价模型过归纳现有的非车险种得整个报价模型公式拆分定义为决策表（数据表）、决策公式（报价计算规则）、决策流，通过对三者进行标准定义，可以扩展到非车的其它报价险种中。在决策表定义中可以包含决策表“输入因子名称”、“输入因子代号”、“输出因子名称”、“输出因子代号”等参数定义，参数支持动态扩展，决策表参数的动态定义，决策表数据的动态扩展可以比较灵活的支持好整个报价模型。决策公式可以定义为报价计算公式，可以实现四则运算公式配置(+-*/><逻辑运算)，集合运算公式配置(∑、min、max、if)，整体计算支持高精度浮点，20位数据运算，报价引擎的计算公式可以直接数据库配置，整个模型配置简单快捷。在决策流中可以根据决策表中的数值以及决策公式进产品报价的计算。由于python在自动化脚本生成方面有优势，基于java-web报价引擎的配置脚本模板，可以生成对应的报价脚本，从而可以实现报价模型的可配置化，通过报价引擎与计算引擎之间的调用，提高了计算产品报价的准确性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的金融产品的报价计算方法的金融产品的报价计算装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个金融产品的报价计算装置实施例中的具体限定可以参见上文中对于金融产品的报价计算方法的限定，在此不再赘述。

在一个实施例中，如图9所示，提供了一种金融产品的报价计算装置900，包括：第一获取模块902、调用模块904和第一计算模块906，其中：

第一获取模块902，用于通过报价引擎获取金融产品的目标报价相关数据。

调用模块904，用于将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性。

第一计算模块906，用于根据金融产品的报价相关数据及报价计算规则，计算金融产品的目标报价。

在一个实施例中，上述金融产品的报价计算装置900还包括第二获取模块、第二计算模块、第一验证模块和调整模块，其中：

第二获取模块用于通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则；第二计算模块用于通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价；第一验证模块用于基于预设验证规则对金融产品的参考报价进行验证，生成验证结果；调整模块用于若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。

在一个实施例中，上述调整模块具体用于根据金融产品的参考报价对初始报价相关数据的语法及数值进行调整，生成金融产品的目标报价相关数据；根据金融产品的参考报价对初始报价的计算规则的语法及数值进行调整，生成金融产品的目标报价计算规则。

在一个实施例中，上述金融产品的报价计算装置900还包括第三获取模块、第三计算模块和第二验证模块，其中：

第三获取模块用于通过计算引擎获取金融产品的测试样本数据；测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价；第三计算模块用于通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价；第二验证模块用于基于测试报价和标准报价对计算引擎进行测试验证。

在一个实施例中，上述第一获取模块902具体用于通过报价引擎从预设数据表中获取金融产品的报价相关数据；报价相关数据包括报价计算因子及报价计算因子的数值；预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。

在一个实施例中，上述金融产品的报价计算装置900还包括第四获取模块、第四计算模块和生成模块，其中：

第四获取模块用于获取金融产品的实际购买价格；第四计算模块用于将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值；生成模块用于根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

在一个实施例中，基于python语法的验证器用于采用数据分析工具Pandas进行验证。

上述金融产品的报价计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则；通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价；基于预设验证规则对金融产品的参考报价进行验证，生成验证结果；若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据金融产品的参考报价对初始报价相关数据的语法及数值进行调整，生成金融产品的目标报价相关数据；根据金融产品的参考报价对初始报价的计算规则的语法及数值进行调整，生成金融产品的目标报价计算规则。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过计算引擎获取金融产品的测试样本数据；测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价；通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价；基于测试报价和标准报价对计算引擎进行测试验证。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过报价引擎从预设数据表中获取金融产品的报价相关数据；报价相关数据包括报价计算因子及报价计算因子的数值；预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取金融产品的实际购买价格；将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值；根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

在一个实施例中，基于python语法的验证器用于采用数据分析工具Pandas进行验证。

本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则；通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价；基于预设验证规则对金融产品的参考报价进行验证，生成验证结果；若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据金融产品的参考报价对初始报价相关数据的语法及数值进行调整，生成金融产品的目标报价相关数据；根据金融产品的参考报价对初始报价的计算规则的语法及数值进行调整，生成金融产品的目标报价计算规则。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过计算引擎获取金融产品的测试样本数据；测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价；通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价；基于测试报价和标准报价对计算引擎进行测试验证。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过报价引擎从预设数据表中获取金融产品的报价相关数据；报价相关数据包括报价计算因子及报价计算因子的数值；预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取金融产品的实际购买价格；将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值；根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

在一个实施例中，基于python语法的验证器用于采用数据分析工具Pandas进行验证。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，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以下步骤：

通过报价引擎获取金融产品的目标报价相关数据；将金融产品的目标报价相关数据发送至计算引擎，通过计算引擎调用金融产品的目标报价计算规则；计算引擎用于验证报价引擎中金融产品的目标报价相关数据的正确性；根据目标报价相关数据及目标报价计算规则，计算金融产品的目标报价。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过计算引擎从报价引擎中，获取预先配置的金融产品的初始报价相关数据及金融产品的初始报价计算规则；通过计算引擎中基于python语法的验证器，根据初始报价相关数据及初始报价计算规则计算金融产品的参考报价；基于预设验证规则对金融产品的参考报价进行验证，生成验证结果；若验证结果为金融产品的参考报价存在异常，则根据金融产品的参考报价对初始报价相关数据及初始报价计算规则进行调整，生成金融产品的目标报价相关数据及目标报价计算规则。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据金融产品的参考报价对初始报价相关数据的语法及数值进行调整，生成金融产品的目标报价相关数据；根据金融产品的参考报价对初始报价的计算规则的语法及数值进行调整，生成金融产品的目标报价计算规则。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过计算引擎获取金融产品的测试样本数据；测试样本数据包括测试报价相关数据、测试报价计算规则及金融产品的标准报价；通过计算引擎基于python语法的验证器，根据测试报价相关数据及测试报价计算规则计算金融产品的测试报价；基于测试报价和标准报价对计算引擎进行测试验证。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过报价引擎从预设数据表中获取金融产品的报价相关数据；报价相关数据包括报价计算因子及报价计算因子的数值；预设数据表中的报价计算因子及报价计算因子的数值以行存储的形式存储。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取金融产品的实际购买价格；将金融产品的目标报价及金融产品的实际购买价格输入至预设目标函数中，计算预设目标函数的值；根据预设目标函数的值对报价相关数据及报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

在一个实施例中，基于python语法的验证器用于采用数据分析工具Pandas进行验证。

本实施例提供的计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种金融产品的报价计算方法，其特征在于，所述方法包括：

通过报价引擎获取金融产品的目标报价相关数据；

将所述金融产品的目标报价相关数据发送至计算引擎，通过所述计算引擎调用所述金融产品的目标报价计算规则；所述计算引擎用于验证所述报价引擎中所述金融产品的目标报价相关数据的正确性；

根据所述目标报价相关数据及所述目标报价计算规则，计算所述金融产品的目标报价。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过所述计算引擎从所述报价引擎中，获取预先配置的金融产品的初始报价相关数据及所述金融产品的初始报价计算规则；

通过所述计算引擎中基于python语法的验证器，根据所述初始报价相关数据及所述初始报价计算规则计算所述金融产品的参考报价；

基于预设验证规则对所述金融产品的参考报价进行验证，生成验证结果；

若所述验证结果为所述金融产品的参考报价存在异常，则根据所述金融产品的参考报价对所述初始报价相关数据及所述初始报价计算规则进行调整，生成所述金融产品的目标报价相关数据及目标报价计算规则。

3.根据权利要求2所述的方法，其特征在于，所述根据所述金融产品的参考报价对所述初始报价相关数据及所述初始报价计算规则进行调整，生成所述金融产品的目标报价相关数据及目标报价计算规则，包括：

根据所述金融产品的参考报价对所述初始报价相关数据的语法及数值进行调整，生成所述金融产品的目标报价相关数据；

根据所述金融产品的参考报价对所述初始报价的计算规则的语法及数值进行调整，生成所述金融产品的目标报价计算规则。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过所述计算引擎获取所述金融产品的测试样本数据；所述测试样本数据包括测试报价相关数据、测试报价计算规则及所述金融产品的标准报价；

通过所述计算引擎基于python语法的验证器，根据所述测试报价相关数据及所述测试报价计算规则计算所述金融产品的测试报价；

基于所述测试报价和所述标准报价对所述计算引擎进行测试验证。

5.根据权利要求1所述的方法，其特征在于，所述通过报价引擎获取金融产品的目标报价相关数据，包括：

通过所述报价引擎从预设数据表中获取所述金融产品的报价相关数据；所述报价相关数据包括报价计算因子及所述报价计算因子的数值；所述预设数据表中的所述报价计算因子及所述报价计算因子的数值以行存储的形式存储。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述金融产品的实际购买价格；

将所述金融产品的目标报价及所述金融产品的实际购买价格输入至预设目标函数中，计算所述预设目标函数的值；

根据所述预设目标函数的值对所述报价相关数据及所述报价计算规则进行优化，生成新的目标报价相关数据及新的目标报价计算规则。

7.根据权利要求1所述的方法，其特征在于，所述基于python语法的验证器用于采用数据分析工具Pandas进行验证。

8.一种金融产品的报价计算装置，其特征在于，所述装置包括：

第一获取模块，用于通过报价引擎获取金融产品的目标报价相关数据；

调用模块，用于将所述金融产品的目标报价相关数据发送至计算引擎，通过所述计算引擎调用所述金融产品的目标报价计算规则；所述计算引擎用于验证所述报价引擎中所述金融产品的目标报价相关数据的正确性；

第一计算模块，用于根据所述目标报价相关数据及所述目标报价计算规则，计算所述金融产品的目标报价。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images