CN114830164A - 使用机器学习检测追加保证金通知的原因的方法和系统 - Google Patents

Abstract

提供了一种用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。所述方法包括：获得与证券投资组合有关的数据；自动确定与触发追加保证金通知有关的数据模式和促使触发追加保证金通知的对应特性；基于数据模式和特性自动生成追加保证金通知模型；以及使用追加保证金通知模型评估第一证券投资组合，以确定与是否触发针对第一证券投资组合的第一追加保证金通知有关的信息。

Description

使用机器学习检测追加保证金通知的原因的方法和系统

相关申请的交叉引用

本申请要求2019年12月10日提交的美国临时专利申请序列号62/946,096的权益，现通过引用将其全部内容并入本申请。

技术领域

本技术通常涉及用于检测追加保证金通知原因的方法和系统，尤其是用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法和系统。

背景技术

如今，许多金融机构利用追加保证金来确保信贷投资者保持在维持保证金范围内。历史上，向投资者追加保证金的决定是在事后做出的，在降低投资风险方面取得了不同程度的成功。

使用传统分析形式确定投资者是否需要追加保证金的一个缺点在于，在许多情况下，在投资组合(portfolio)已经超过任意阈值后，使用多个系统和多个数据要素低效地完成分析。除此之外，所述过程是手动的，由于不同地区的数据需要人工解释，因此存在主观性因素。因此，发出追加保证金通知的金融机构在事后信息方面花费了大量资源，从而无法有效地降低风险。

因此，需要进行交易建模，为投资者提供与导致追加保证金通知的各种因素相关的信息，使得投资者可以有效纠正任何缺陷。此外，还需要交易建模，为金融机构提供预期追加保证金通知的信息，使得金融机构可以纠正缺陷，而不必承担不必要的风险敞口。最后，需要标准化追加保证金通知过程、如何跨地区和不同地点解释追加保证金通知特征(feature)，使得存在一种消除人为偏见的唯一解释。

发明内容

本公开通过其一个或多个方面、实施例和/或特定特征或子组件，提供了用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习自动识别根本原因的各种系统、服务器、设备、方法、介质、程序和平台。

根据本公开的一方面，公开了一种用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习自动识别根本原因的方法，所述方法由至少一个处理器实现。所述方法可包括：由所述至少一个处理器获得与多个证券投资组合有关的多个数据；由所述至少一个处理器使用所述多个数据自动地确定与触发追加保证金通知相关的至少一个数据模式和促使触发所述追加保证金通知的至少一个对应特性(characteristic)；由所述至少一个处理器基于所述至少一个数据模式和所述至少一个特性自动生成至少一个追加保证金通知模型；以及由所述至少一个处理器使用所述至少一个追加保证金通知模型来评估所述第一证券投资组合，以确定与是否触发针对所述第一证券投资组合的所述第一追加保证金通知有关的第一信息。

根据示例性实施例，所述评估可还包括：由所述至少一个处理器选择所述至少一个数据模式中的第一数据模式和所述至少一个对应特性中的第一特性，所述第一数据模式和所述第一特性与触发针对所述第一证券投资组合的所述第一追加保证金通知有关；以及由所述至少一个处理器经由显示器在图形用户界面上显示所述第一信息以及所述至少一个数据模式中的所选择的第一数据模式和所述至少一个对应特性中的所选择的第一特性。

根据示例性实施例，可使用对所述多个数据的机器学习分析，自动生成所述至少一个追加保证金通知模型。

根据示例性实施例，所述至少一个追加保证金通知模型可包括数据模型、数学模型、过程模型和机器学习模型中的至少一个。

根据示例性实施例，所述方法可还包括：使用所述至少一个追加保证金通知模型来评估第二证券投资组合，以确定与是否触发针对所述第二证券投资组合的未来第二追加保证金通知有关的第二信息；以及经由显示器在图形用户界面上显示所述第二信息。

根据示例性实施例，所述图形用户界面可包括至少一个面板，所述至少一个面板显示与所述第一证券投资组合有关的监测信息和/或与所述至少一个特性有关的分类信息。

根据示例性实施例，所述至少一个特性可包括以下中的至少一个：证券增值特性、证券贬值特性、资产市值差异特性、证券市值差异特性、证券市值买入特性、敞口差异特性、现金市值差异特性、抵押品差异特性、现金市值卖出特性，折减差额特性、证券市值卖出特性、证券清算价值买入特性、现金市值增值特性、现金市值贬值特性、质押市值流出特性、质押市值差异特性、现金市值买入特性、衍生敞口增量特性、衍生初始保证金敞口增量特性、质押清算价值流入特性、应计利息累积特性、质押市值流入特性、质押市值增值特性、质押市值贬值特性、衍生负市值增量特性、和无限质押差异特性。

根据示例性实施例，所述方法可还包括：经由图形用户界面接收来自至少一个用户的反馈信息；以及基于所述反馈信息来更新所述至少一个追加保证金通知模型。

根据示例性实施例，所述反馈信息包括第一信息准确度排序、第二信息准确度排序和特性准确度排序中的至少一个。

根据示例性实施例，所述方法可还包括：解析所述多个数据；识别经解析的多个数据中的个人可识别信息；以及通过移除所识别的个人可识别信息来匿名化所述多个数据。

根据本公开的一方面，公开了一种计算设备，其被配置为实现用于提供与触发针对第一证券投资组合的追加保证金通知有关的信息的方法。所述计算设备包括：处理器；存储器；以及通信接口，耦接到所述处理器和所述存储器中的每一个；其中，所述处理器被配置为：获得与多个证券投资组合有关的多个数据；通过使用所述多个数据，自动地确定与触发追加保证金通知相关的至少一个数据模式和促使触发所述追加保证金通知的至少一个相应特性；基于所述至少一个数据模式和所述至少一个特性自动生成至少一个追加保证金通知模型；以及使用所述至少一个追加保证金通知模型评估所述第一证券投资组合以确定与是否触发针对所述第一证券投资组合的所述第一追加保证金通知有关的第一信息。

根据示例性实施例，对于所述评估，所述处理器可还被配置为：选择所述至少一个数据模式中的第一数据模式和所述至少一个对应特性中的第一特性，所述第一数据模式和所述第一特性与触发针对所述第一证券投资组合的所述第一追加保证金通知有关；以及经由显示器在图形用户界面上显示所述第一信息以及所述至少一个数据模式中的所选择的第一数据模式和所述至少一个对应特性中的所选择的第一特性。

根据示例性实施例，所述处理器可还被配置为：通过使用对所述多个数据的机器学习分析，自动生成所述至少一个追加保证金通知模型。

根据示例性实施例，所述至少一个追加保证金通知模型可包括数据模型、数学模型、过程模型和机器学习模型中的至少一个。

根据示例性实施例，所述处理器可还被配置为：使用所述至少一个追加保证金通知模型来评估第二证券投资组合，以确定与是否触发针对所述第二证券投资组合的未来第二追加保证金通知有关的第二信息；以及经由显示器在图形用户界面上显示所述第二信息。

根据示例性实施例，所述图形用户界面可包括至少一个面板，所述至少一个面板显示与所述第一证券投资组合有关的监测信息和/或与所述至少一个特性有关的分类信息。

根据示例性实施例，所述至少一个特性可包括以下中的至少一个：证券增值特性、证券贬值特性、资产市值差异特性、证券市值差异特性、证券市值买入特性、敞口差异特性、现金市值差异特性、抵押品差异特性、现金市值卖出特性，折减差额特性、证券市值卖出特性、证券清算价值买入特性、现金市值增值特性、现金市值贬值特性、质押市值流出特性、质押市值差异特性、现金市值买入特性、衍生敞口增量特性、衍生初始保证金敞口增量特性、质押清算价值流入特性、应计利息累积特性、质押市值流入特性、质押市值增值特性、质押市值贬值特性、衍生负市值增量特性、由于外汇波动特性引起的贷款价值波动、具有未来价值日期特性的私募股权认购或应计利息借记、和无限质押差异特性。

根据示例性实施例，所述处理器可还被配置为：经由图形用户界面接收来自至少一个用户的反馈信息；以及基于所述反馈信息来更新所述至少一个追加保证金通知模型。

根据示例性实施例，所述反馈信息可包括第一信息准确度排序、第二信息准确度排序和特性准确度排序中的至少一个。

根据示例性实施例，所述处理器可还被配置为：解析所述多个数据；识别经解析的多个数据中的个人可识别信息；以及通过移除所识别的个人可识别信息来匿名化所述多个数据。

附图说明

在下面的详细描述中，通过本公开的优选实施例的非限制性示例，参考给出的多个附图，进一步描述了本公开，其中，在所述附图的多个视图中，相似的附图标记表示相似的要素。

图1示出了示例性计算机系统。

图2示出了网络环境的示例性图示。

图3示出了示例性系统，所述系统用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习能够自动识别根本原因的方法。

图4是示例性过程的流程图，所述过程用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习自动识别根本原因的方法。

图5是根据示例性实施例的机器学习过程的图示，所述机器学习过程可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图6是根据示例性实施例的图形用户界面，示出了在用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法中识别的特性的可变重要性。

图7是根据示例性实施例的示出了图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图8是示例性过程的流程图，所述过程用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习自动识别根本原因的方法。

图9是示例性过程的流程图，所述过程用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习自动识别根本原因的方法。

图10是根据示例性实施例的示出了未分类票据的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图11是根据示例性实施例的示出了未分类票据面板(dashboard)的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图12是根据示例性实施例的示出了分类确认的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图13是根据示例性实施例的示出了未分类票据的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图14A是根据示例性实施例的示出了人工智能特征的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图14B是根据示例性实施例的示出了票据细节的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图15是根据示例性实施例的示出了未分类票据面板的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图16是根据示例性实施例的示出了模型准确性的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图17是根据示例性实施例的示出了准确性监测的图形用户界面的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图18是示出根据示例性实施例的特征相互作用的展示模型，所述特征相互作用可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图19A是示出根据示例性实施例的用户反馈表单的屏幕截图，所述图形用户界面可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

图19B是根据示例性实施例的屏幕截图，示出了基于用户反馈表单中的用户输入显示的扩展图形用户界面，所述用户反馈表单可用于实现用于识别和捕获保证金通知过程中涉及的所有相关特征以使得通过使用机器学习能够自动识别根本原因的方法。

具体实施方式

本公开的实施例和/或具体特征或子部件通过其各个方面中的一个或多个，旨在提出如上面具体描述和下面指出的一个或多个优点。

示例还可以体现为一个或多个非暂时性计算机可读介质，其具有存储在其上的用于如通过本文的示例描述和示出的本技术的一个或多个方面的指令。一些示例中的指令包括可执行代码，所述可执行代码在由一个或多个处理器执行时，使得所述处理器执行实现本文描述和示出的本技术的示例的方法所需的步骤。

图1是根据本文描述的实施例使用的示例性系统。系统100被总体上示出并且可包括总体上指示的计算机系统102。

计算机系统102可包括一组指令，所述指令可被执行以使计算机系统102单独地或与其他所描述的设备组合地执行本文公开的方法或基于计算机的功能中的任何一个或多个。计算机系统102可以作为独立设备操作，或者可以连接到其他系统或外围设备。例如，计算机系统102可以包括或被包括在任何一个或多个计算机、服务器、系统、通信网络或云环境内。更进一步地，所述指令可以在这样的基于云的计算环境中操作。

在联网部署中，计算机系统102可以作为服务器或作为服务器-客户端用户网络环境中的客户端用户计算机、云计算环境中的客户端用户计算机、或作为对等(或分布式)网络环境中的对等计算机系统来操作。计算机系统102或其部分可以被实现为或并入各种设备，诸如个人计算机、平板计算机、机顶盒、个人数字助理、移动设备、掌上计算机、膝上型计算机、台式计算机、通信设备、无线智能电话、个人可信设备、可穿戴设备、全球定位卫星(GPS)设备、web设备或能够执行一组指令(顺序或以其他方式)的任何其他机器，所述指令指定要由该机器采取的动作。此外，虽然示出了单个计算机系统102，但是附加实施例可包括单独或联合执行指令或执行功能的系统或子系统的任何集合。在整个本公开中，术语“系统”应被视为包括单独或联合执行一组或多组指令以执行一个或多个计算机功能的系统或子系统的任何集合。

如图1所示，计算机系统102可包括至少一个处理器104。处理器104是有形且非暂时性的。如本文所使用的，术语“非暂时性”不应被解释为状态的永久特性，而是将持续一段时间的状态的特性。术语“非暂时性”特别否定短暂特性，例如特定载波或信号的特性或仅在任何时间在任何地方暂时存在的其它形式。处理器104是制品和/或机器组件。处理器104被配置为执行软件指令以执行如本文中的各种实施例中所描述的功能。处理器104可以是通用处理器或者可以是专用集成电路(ASIC)的一部分。处理器104还可以是微处理器、微型计算机、处理器芯片、控制器、微控制器、数字信号处理器(DSP)、状态机或可编程逻辑器件。处理器104还可以是逻辑电路，包括诸如现场可编程门阵列(FPGA)的可编程门阵列(PGA)，或者包括分立门和/或晶体管逻辑的另一类型的电路。处理器104可以是中央处理单元(CPU)、图形处理单元(GPU)或两者。另外，本文描述的任何处理器可以包括多个处理器、并行处理器或两者。多个处理器可以被包括在或耦接到单个设备或多个设备。

计算机系统102还可以包括计算机存储器106。计算机存储器106可以包括通信的静态存储器、动态存储器或两者。本文描述的存储器是可以存储数据以及可执行指令的有形存储介质，并且在其中存储指令的时间期间是非暂时性的。再次，如本文所使用的，术语“非暂时性”不被解释为状态的永久特性，而是将持续一段时间的状态的特性。术语“非暂时性”特别否定短暂特性，例如特定载波或信号的特性或仅在任何时间在任何地方暂时存在的其它形式。存储器是制品和/或机器组件。本文描述的存储器是计算机可以从其读取数据和可执行指令的计算机可读介质。本文描述的存储器可以是随机存取存储器(RAM)、只读存储器(ROM)、闪存、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、寄存器、硬盘、高速缓存、可移动盘、磁带、压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、软盘、蓝光盘或本领域已知的任何其它形式的存储介质。存储器可以是易失性的或非易失性的、安全的和/或加密的、不安全的和/或未加密的。当然，计算机存储器106可以包括存储器的任何组合或单个存储装置。

计算机系统102还可以包括显示器108，诸如液晶显示器(LCD)、有机发光二极管(OLED)、平板显示器、固态显示器、阴极射线管(CRT)、等离子体显示器或任何其他类型的显示器，其示例是本领域技术人员公知的。

计算机系统102还可包括至少一个输入设备110，诸如键盘、触敏输入屏幕或平板、语音输入、鼠标、具有无线小键盘的远程控制设备、耦接到语音识别引擎的麦克风、诸如视频相机或静态相机的相机、光标控制设备、全球定位系统(GPS)设备、高度计、陀螺仪、加速度计、接近传感器或其任何组合。本领域技术人员理解，计算机系统102的各种实施例可以包括多个输入设备110。此外，本领域技术人员还理解，上面列出的示例性输入设备110并不意味着穷举，并且计算机系统102可以包括任何附加或替代的输入设备110。

计算机系统102还可包括介质读取器112，介质读取器112被配置为从本文描述的任何存储器读取任何一个或多个指令集，例如软件。当由处理器执行时，指令可以用于执行如本文所述的方法和过程中的一个或多个。在特定实施例中，指令可以在由计算机系统102执行期间完全或至少部分地驻留在存储器106、介质读取器112和/或处理器110内。

此外，计算机系统102可以包括任何附加设备、组件、部件、外围设备、硬件、软件或其任何组合，这些设备、组件、部分、外围设备、硬件、软件或其任何组合通常被称为包括在计算机系统内或包括在计算机系统内，诸如但不限于网络接口114和输出设备116。输出设备116可以是但不限于扬声器、音频输出、视频输出、遥控输出、打印机或其任何组合。

计算机系统102的每个组件可以经由总线118或其他通信链路互连和通信。如图1所示，组件可以各自互连并且经由内部总线通信。然而，本领域技术人员理解，任何组件也可以经由扩展总线连接。此外，总线118可以经由通常已知和理解的任何标准或其他规范来实现通信，诸如但不限于外围组件互连、外围组件互连快速、并行高级技术附接、串行高级技术附接等。

计算机系统102可经由网络122与一个或多个附加计算机设备120通信。网络122可以是但不限于局域网、广域网、互联网、电话网络、短程网络或本领域公知和理解的任何其他网络。短程网络可以包括例如蓝牙、Zigbee、红外、近场通信、超宽带或其任何组合。本领域技术人员理解，可以附加地或替代地使用已知和理解的附加网络122，并且示例性网络122不是限制性的或穷举的。此外，虽然网络122在图1中被示为无线网络，但是本领域技术人员理解，网络122也可以是有线网络。

附加计算机设备120在图1中被示为个人计算机。然而，本领域技术人员理解，在本申请的替代实施例中，计算机设备120可以是膝上型计算机、平板PC、个人数字助理、移动设备、掌上计算机、台式计算机、通信设备、无线电话、个人可信设备、web设备、服务器或能够顺序地或以其他方式执行指定要由该设备采取的动作的指令集的任何其他设备。当然，本领域技术人员理解，上面列出的设备仅仅是示例性设备，并且设备120可以是本领域公知和理解的任何附加设备或装置，而不脱离本申请的范围。例如，计算机设备120可以与计算机系统102相同或相似。此外，所属领域的技术人员类似地理解，所述装置可为装置与设备的任何组合。

当然，本领域的技术人员可理解，上面列出的计算机系统102的组件仅仅是示例性的，而不是穷举的和/或包含性的。此外，上面列出的部件的示例也意味着是示例性的，并且类似地不意味着穷举和/或包括。

根据本公开的各种实施例，本文描述的方法可以使用执行软件程序的硬件计算机系统来实现。此外，在示例性、非限制性实施例中，实现可以包括分布式处理、组件/对象分布式处理和并行处理。可以构造虚拟计算机系统处理以实现如本文所述的方法或功能中的一个或多个，并且本文所述的处理器可以用于支持虚拟处理环境。

如本文所述，各种实施例提供了用于识别和捕获追加保证金通知过程中涉及的所有相关特征的优化方法和系统，使得可以通过使用机器学习来自动识别根本原因。

参考图2，示出了示例性网络环境200的示意图，示例性网络环境200用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。在示例性实施例中，所述方法可在诸如个人计算机(PC)之类的任何联网计算机平台上执行。

用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法可以由追加保证金通知数据收集和分析(MCDCA)设备202来实现。MCDCA设备202可以与关于图1描述的计算机系统102相同或相似。MCDCA设备202可以存储可包括可执行指令的一个或多个应用，所述可执行指令在由MCDCA设备202执行时使得MCDCA设备202执行诸如发送、接收或以其他方式处理网络消息之类的动作，并且执行下面参考附图描述和示出的其他动作。所述应用可被实现为其他应用的模块或组件。此外，所述应用可被实现为操作系统扩展、模块、插件等。

更进一步地，所述应用可以在基于云的计算环境中操作。所述应用可以在可以在基于云的计算环境中管理的虚拟机或虚拟服务器内或作为其执行。而且，所述应用以及甚至MCDCA设备202本身可以位于在基于云的计算环境中运行的虚拟服务器中，而不是绑定到一个或多个特定的物理网络计算设备。此外，所述应用可以在MCDCA设备202上执行的一个或多个虚拟机(VM)中运行。另外，在本技术的一个或多个实施方式中，在MCDCA设备202上运行的虚拟机可以由管理程序管理或监督。

在图2的网络环境200中，MCDCA设备202经由通信网络210耦接到托管多个数据库206(1)-206(n)的多个服务器设备204(1)-204(n)，并且还耦接到多个客户端设备208(1)-208(n)。MCDCA设备202的通信接口(例如，图1的计算机系统102的网络接口114)在MCDCA设备202、服务器设备204(1)-204(n)和/或客户端设备208(1)-208(n)之间可操作地耦接和通信，它们都通过通信网络210耦接在一起，但是也可以使用其他类型和/或数量的通信网络或系统，其具有到其他设备和/或元件的其他类型和/或数量的连接和/或配置。

通信网络210可以与关于图1描述的网络122相同或相似，但是MCDCA设备202、服务器设备204(1)-204(n)和/或客户端设备208(1)-208(n)可以经由其他拓扑耦接在一起。另外，网络环境200可以包括其他网络设备，诸如一个或多个路由器和/或交换机，例如，其在本领域中是公知的并且因此将不在本文中描述。本技术提供了许多优点，包括方法、非暂时性计算机可读介质和MCDCA设备，其有效地实现了用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。

仅作为示例，通信网络210可以包括局域网(LAN)或广域网(WAN)，并且可以使用以太网上的TCP/IP和工业标准协议，虽然也可以使用其他类型和/或数量的协议和/或通信网络。本示例中的通信网络210可以采用任何合适的接口机制和网络通信技术，包括例如任何合适形式(例如，语音、调制解调器等)的远程业务、公共交换电话网络(PSTN)、基于以太网的分组数据网络(PDN)、其组合等。

例如，MCDCA设备202可以是独立设备或与一个或多个其他设备或装置(例如，服务器设备204(1)-204(n)中的一个或多个)集成。在一个特定示例中，MCDCA设备202可以包括服务器设备204(1)-204(n)中的一个或由其托管，并且其他布置也是可能的。此外，例如，MCDCA设备202的一个或多个设备可以在包括一个或多个公共、私有或云网络的相同或不同的通信网络中。

多个服务器设备204(1)-204(n)可以与关于图1描述的计算机系统102或计算机设备120相同或相似，包括关于其描述的任何特征或特征组合。例如，除了其他特征之外，服务器设备204(1)-204(n)中的任何一个可以包括通过总线或其他通信链路耦接在一起的一个或多个处理器、存储器和通信接口，虽然也可以使用其他数量和/或类型的网络设备。例如，在本示例中，服务器设备204(1)-204(n)可以根据基于HTTP和/或JavaScript对象表示法(JSON)协议处理经由通信网络210从MCDCA设备202接收的请求，但是也可以使用其他协议。

服务器设备204(1)-204(n)可以是硬件或软件，或者可以表示池中具有多个服务器的系统，其可以包括内部或外部网络。服务器设备204(1)-204(n)托管数据库206(1)-206(n)，数据库206(1)-206(n)被配置为存储与追加保证金通知、数据模式、特性和追加保证金通知模型相关的数据。

尽管服务器设备204(1)-204(n)被示为单个设备，但是服务器设备204(1)-204(n)中的每一个的一个或多个动作可以分布在一起包括服务器设备204(1)-204(n)中的一个或多个的一个或多个不同的网络计算设备上。此外，服务器设备204(1)-204(n)不限于特定配置。因此，服务器设备204(1)-204(n)可以包含使用主/从方法操作的多个网络计算设备，由此服务器设备204(1)-204(n)的网络计算设备之一操作以管理和/或以其他方式协调其他网络计算设备的操作。

例如，服务器设备204(1)-204(n)可以作为集群架构、对等架构、虚拟机内或云架构内的多个网络计算设备来操作。因此，本文公开的技术不应被解释为限于单个环境，并且还设想了其他配置和架构。

多个客户端设备208(1)-208(n)也可以与关于图1描述的计算机系统102或计算机设备120相同或相似，包括关于其描述的任何特征或特征组合。例如，本示例中的客户端设备208(1)-208(n)可以包括可以经由通信网络210与MCDCA设备202相互作用的任何类型的计算设备。因此，客户端设备208(1)-208(n)可以是例如托管聊天、电子邮件或语音到文本应用的移动计算设备、台式计算设备、膝上型计算设备、平板计算设备、虚拟机(包括基于云的计算机)等。在示例性实施例中，至少一个客户端设备208是无线移动通信设备，即智能电话。

客户端设备208(1)-208(n)可以运行接口应用，诸如标准网络浏览器或独立客户端应用，其可以提供接口以经由通信网络210与MCDCA设备202通信，以便传送用户请求和信息。除了其他特征之外，客户端设备208(1)-208(n)还可以包括显示设备(例如，显示屏或触摸屏)和/或输入设备(例如，键盘)。

尽管本文描述和示出了具有MCDCA设备202、服务器设备204(1)-204(n)、客户端设备208(1)-208(n)和通信网络210的示例性网络环境200，但是可以使用其他拓扑中的其他类型和/或数量的系统、设备、组件和/或元件。应当理解，本文描述的示例的系统是出于示例性目的，因为用于实现示例的特定硬件和软件的许多变化是可能的，如相关领域的技术人员将理解的。

网络环境200中描绘的设备中的一个或多个设备(例如，MCDCA设备202、服务器设备204(1)-204(n)或客户端设备208(1)-208(n))可以被配置为作为同一物理机器上的虚拟实例操作。换句话说，MCDCA设备202、服务器设备204(1)-204(n)或客户端设备208(1)-208(n)中的一个或多个可以在相同的物理设备上操作，而不是作为通过通信网络210通信的单独设备操作。另外，可以存在比图2中所示更多或更少的MCDCA设备202、服务器设备204(1)-204(n)或客户端设备208(1)-208(n)。

另外，在任何示例中，两个或更多个计算系统或设备可以代替系统或设备中的任何一个。因此，还可以根据需要实现分布式处理的原理和优点，例如冗余和复制，以增加示例的设备和系统的鲁棒性和性能。示例还可以在使用任何合适的接口机制和业务技术跨任何合适的网络延伸的计算机系统上实现，包括仅作为示例的任何合适形式(例如，语音和调制解调器)的远程业务、无线业务网络、蜂窝业务网络、分组数据网络(PDN)、互联网、内联网及其组合。

MCDCA设备202在图3中被描述和示出为包括追加保证金通知数据收集和分析(MCDCA)模块302，虽然它也可以包括例如其他规则、策略、模块、数据库或应用。如下所述，MCDCA模块302被配置为实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。

用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过利用图2的网络环境来自动识别根本原因的机制的示例性过程300被示出为如在图3中执行的。具体地，第一客户端设备208(1)和第二客户端设备208(2)被示出为与MCDCA设备202通信。在这方面，第一客户端设备208(1)和第二客户端设备208(2)可以是MCDCA设备202的“客户端”并且在本文中被如此描述。然而，应当知道和理解的是，第一客户端设备208(1)和/或第二客户端设备208(2)不一定是MCDCA设备202的“客户端”或本文与其相关联地描述的任何实体。在第一客户端设备208(1)和第二客户端设备208(2)中的任一个或两个与MCDCA设备202之间可以存在任何附加或替代的关系，或者可以不存在关系。

此外，MCDCA设备202被示为能够访问追加保证金通知数据仓库206(1)以及数据模式、特性和追加保证金通知模型数据库206(2)。MCDCA模块302可以被配置为访问这些数据库以实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。

第一客户端设备208(1)可以是例如智能电话。当然，第一客户端设备208(1)可以是本文描述的任何附加设备。第二客户端设备208(2)可以是例如个人计算机(PC)。当然，第二客户端设备208(2)也可以是本文描述的任何附加设备。

所述过程可以经由通信网络210执行，通信网络210可以包括如上所述的多个网络。例如，在示例性实施方式中，第一客户端设备208(1)和第二客户端设备208(2)中的任一者或两者可以经由宽带或蜂窝通信与MCDCA设备202通信。当然，这些实施例仅仅是示例性的并且不是限制性的或详尽的。

在开始时，MCDCA模块302执行用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的过程。在图4中的流程图400处，总体上指示了用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的示例性过程。

在图4的过程400中，在步骤S402，可以获得与多个证券投资组合有关的数据。在示例性实施例中，数据可以包括与多个投资者的证券投资组合有关的信息。在另一示例性实施例中，多个投资者可以包括不相关的实体和/或相关的实体(即，附属实体)，并且多个投资者还可以包括单独的投资者和/或机构投资者(即，抵押品基金)。

在另一示例性实施例中，数据可以被解析和匿名化以移除对应于多个投资者的个人识别信息。在另一示例性实施例中，证券投资组合可以包括一组任何金融资产，例如股票、债券、商品、货币、现金等价物、共同基金、交易所交易基金和封闭式基金。其他类型的不可交易工具(例如，定期存款、收到的质押以及担保)也可以是投资组合的一部分。另外，证券投资组合还可以包括非公开可交易证券，例如房地产、艺术品和私人投资。

在另一示例性实施例中，数据可以从任何公共可访问的源(即，来自交易所的股票市场数据)和私人持有的源(即，来自银行的账户数据)获得。在另一个示例性实施例中，数据可以包括任何信息，例如，交易类型数据、股票价格数据、资产数量数据以及与证券投资组合内的每个金融资产相关的债券收益数据。

在另一示例性实施例中，交易类型数据可参考任何交易订单，例如市场订单、限额订单、停止订单(即，停止-损失订单)和买入停止订单。在另一示例性实施例中，交易类型数据可以引用金融机构对投资者的任何需求，例如联邦追加保证金通知、维护追加保证金通知以及与投资者的证券投资组合相关的交换追加保证金通知。如本领域普通技术人员将理解的，交易类型数据可以引用与证券投资组合内的每个证券相关的任何交易和对应的交易信息。

在步骤S404，可以使用数据自动确定与触发追加保证金通知有关的数据模式和促使触发追加保证金通知的相应特性。在示例性实施例中，追加保证金通知可以包括由对所获得的数据的分析产生的广义追加保证金通知场景。在另一示例性实施例中，追加保证金通知可以包括由组织建立的作为追加保证金通知的标准触发的预定场景。

在另一示例性实施例中，分析数据以自动确定数据模式和特性可以包括将预先开发的分析模型与数据进行比较。在另一示例性实施例中，对数据进行分析以自动地确定数据模式和特性可以包括将机器学习分析技术用于数据。在另一示例性实施例中，机器学习分析技术可以包括监督学习算法，例如回归分析、决策树分析、随机森林分析、k最近邻分析、逻辑回归分析等。在另一示例性实施例中，机器学习分析技术可以包括无监督学习算法，例如先验分析、K均值聚类分析等。在另一示例性实施例中，机器学习分析技术可以包括强化学习算法，例如马尔可夫决策过程等。

在另一示例性实施例中，数据模式可以使用历史数据模式识别技术(即，与历史数据中的已知数据模式进行比较)和统计识别模式技术(即，机器学习和人工智能，涉及数据中的模式和规律的识别)来确定。例如，在历史数据模式识别技术中，可以接收第一数据，并且可以将其与已知在过去已经触发了追加保证金通知的证券投资组合的预先开发的数据模式进行比较。可替代地，例如，在统计识别模式技术中，可以由计算系统使用使得计算系统能够识别数据模式的算法来分析过去追加保证金通知的数据。然后，可以将所识别的数据模式应用于第一证券投资组合以预测针对第一证券投资组合的追加保证金通知的概率。

在一示例性实施例中，可以基于数据模式使用上述机器学习分析技术来自动确定特性。在另一示例性实施例中，特性可以包括对追加保证金通知的贡献因子和/或追加保证金通知的基于影响幅度的根本原因。例如，由于股票B的价格下降，债券A的下降值可能导致已经有效的追加保证金通知。在另一示例性实施例中，每个特性的影响幅度可以表示为对追加保证金通知的实际贡献的百分比和对追加保证金通知的贡献的概率百分比。

在另一示例性实施例中，特性可以包括以下中的至少一个：证券增值特性、证券贬值特性、资产市值差异特性、证券市值差异特性、证券市值买入特性、敞口差异特性、现金市值差异特性、抵押品差异特性、现金市值卖出特性，折减差额特性、证券市值卖出特性、证券清算价值买入特性、现金市值增值特性、现金市值贬值特性、质押市值流出特性、质押市值差异特性、现金市值买入特性、衍生敞口增量特性、衍生初始保证金敞口增量特性、质押清算价值流入特性、应计利息累积特性、质押市值流入特性、质押市值增值特性、质押市值贬值特性、衍生负市值增量特性、由于外汇波动特性引起的贷款价值波动、具有未来价值日期特性的私募股权认购或应计利息借记、和无限质押差异特性。

在步骤S406，可以自动生成基于数据模式和特性的追加保证金通知模型。在示例性实施例中，追加保证金通知模型可以包括数学模型，例如被设计为表示现实世界财务情况的财务模型。在另一示例性实施例中，追加保证金通知模型可以包括表示针对任何给定证券投资组合的追加保证金通知的可能性的数学模型。在另一示例性实施例中，可以为任何上述事务类型生成追加保证金通知模型。在另一示例性实施例中，可以自动生成追加保证金通知模型以表示特定分析，例如预计风险分析和预计结果分析。在另一示例性实施例中，可以使用数据模式和特性的任何组合来生成追加保证金通知模型。

在另一示例性实施例中，追加保证金通知模型可包含训练模型，例如经产生以在额外数据上进一步训练的机器学习模型。一旦训练模型已经被充分训练，训练模型就可以被部署到要利用的各种连接系统上。在另一示例性实施例中，当诸如保持方法、K折叠交叉验证方法和引导方法的模型评估方法确定模型的真阳性率、真阴性率、假阳性率和假阴性率对应于预定范围时，训练模型可以被充分训练。在另一示例性实施例中，训练模型可以是可操作的(即，由组织主动利用)，同时继续使用新数据进行训练。在另一示例性实施例中，可以使用人工神经网络技术、决策树技术、支持向量机技术、贝叶斯网络技术和遗传算法技术中的至少一种来生成追加保证金通知模型。

在另一示例性实施例中，可以基于至少一个属性来训练追加保证金通知模型。属性可以对应于内部可获得以及外部检索的数据。属性可以包括以下各项中的至少一个：票证价值、平台价值、日期价值、当日可用抵押品价值、昨日可用抵押品价值、今日总贷款价值、昨日总贷款价值、今日总折减价值、昨日总折减价值、今日应计利息价值、昨日应计利息价值、今日衍生工具初始保证金(IM)敞口价值、今日衍生市场对市场(MTM)敞口价值、昨日衍生IM敞口价值、昨日衍生MTM敞口价值、今日总敞口价值、昨日总敞口价值、今日证券流动性价值(LV)价值、昨日证券LV价值、今日无限交叉质押价值、昨日无限交叉质押价值、今日有限交叉质押LV价值、昨日有限交叉质押LV价值、抵押财产价值LV价值、抵押风险敞口价值、市场价值(MV)购买证券价值、借贷价值购买证券价值、借贷价值出售证券价值、借贷价值购买资产价值、保证金通知阈值、现金借记未来价值，贷款现金借记未来价值、LV价值产生的抵押品增量、价格价值产生的抵押品增量、外汇(FX)价值产生的抵押品增量、外汇价值产生的现金增量、现金借贷价值变化值、追加保证金通知值的人工智能原因和追加保证金通知值的原因。

在步骤S408，可以使用追加保证金通知模型来评估感兴趣的单独保证金投资组合，以确定与是否触发针对感兴趣的保证金投资组合的追加保证金通知有关的第一信息集合。在示例性实施例中，用户可以通过图形用户界面上的输入向MCDCA模块302识别用于评估的第一证券投资组合。在另一示例性实施例中，与是否触发保证金通知有关的第一信息集合可以包括将追加保证金通知预测为概率度量的信息以及触发针对第一证券投资组合的第一追加保证金通知的实际要求的信息。在另一示例性实施例中，评估还可以包括确定第一数据模式、相关参数的分类以及第一证券投资组合的第一特性。第一数据模式和第一特性可以对应于第一证券投资组合，并且可以涉及触发第一追加保证金通知。

然后，在步骤S410中，MCDCA模块302然后可以经由显示器在图形用户界面上显示第一信息集合。在另一示例性实施例中，第一信息可以包括第一数据模式、第一特性以及与第一证券投资组合相关的任何其他数据。在另一示例性实施例中，第一信息可以显示在任何连接的计算设备上，例如计算机、膝上型计算机、智能电话和智能手表。信息的显示可以包括例如分析者可用于决定是否执行追加保证金通知的信息和/或提供关于是否执行追加保证金通知的特定推荐的信息。在另一示例性实施例中，信息的显示还可以包括警报，例如，即将发生的追加保证金通知的警报通知。

在另一示例性实施例中，第一证券投资组合可以在一批证券投资组合(即，包含许多证券投资组合的一个文件)中被接收，或者作为每个证券投资组合的单个单独条目被接收。在另一示例性实施例中，第一证券投资组合可存储在连接的系统上并且在用户请求时被检索(即，用户可以将第一客户编号输入到图形用户界面中以分析第一证券投资组合)。

在另一示例性实施例中，与触发追加保证金通知有关的信息可以包括针对给定证券投资组合的追加保证金通知的概率。在另一示例性实施例中，信息可包括与针对给定证券投资组合的可能追加保证金通知有关并对其有贡献的至少一个特性。

在另一示例性实施例中，用户可以从图形用户界面选择特定的数据模式和对应的特性。所选择的数据模式和对应的特性可以与触发对当前分析的证券投资组合的追加保证金通知有关。在用户选择了数据模式和相应的特性之后，图形用户界面可以基于选择显示目标的追加保证金通知信息。

在另一示例性实施例中，图形用户界面可以以各种格式(例如，在面板中)显示追加保证金通知信息。面板可以显示与证券投资组合有关的附加信息，例如，诸如与证券投资组合有关的监视信息和与所确定的特性有关的分类信息以及追加保证金通知信息。

在另一示例性实施例中，图形用户界面可以包括图形元素，例如文本框、选择平面和标记特征，以从用户接收反馈信息。反馈信息可以包括诸如第一信息准确度排序、第二信息准确度排序和特性准确度排序的数据。反馈信息还可以包括对应于特定数据模式的预测信息的准确性。在另一示例性实施例中，反馈信息可以用于更新追加保证金通知模型，以增加追加保证金通知模型的预测精度和分析精度。如所属领域的技术人员将了解，可基于机器学习技术来更新追加保证金通知模型，例如基于反馈信息来训练追加保证金通知模型。

图5是根据示例性实施例的机器学习过程的图示500，该机器学习过程可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征的方法，使得可以通过使用机器学习来自动识别根本原因。图5示出了机器学习过程中的各个步骤的互连性。在示例性实施例中，步骤可以包括“收集数据”502、“清洗(clean)/转换”504、“探索/可视化”506、“模型”508、“评估”510和“部署”512，其中，可以定期执行不同的步骤，以在来自先前的追加保证金通知的更多数据可用时提高准确性。新数据被改装(retrofitted)到系统以便从先前的追加保证金通知中学习。

如图5所示，机器学习过程可以在收集数据步骤502处开始。然后可以清洗所收集的数据以去除不必要的信息，并在清洗/转换步骤504将其转换为可处理数据格式。接下来，经清洗/转换的数据可以移动到探索/可视化步骤506，其中，可以确定可用信息，例如数据模式和特性。在过程中的此步骤处，当所收集的数据可能不足以确定可用信息时，那么过程可移动回到收集数据步骤502以获取额外数据。然而，当已经确定可用信息时，则可以在模型步骤508处生成模型。

一旦生成了模型，该过程就可以返回到收集数据步骤502以收集更多数据，返回到清洗/转换步骤504以进一步精选已经收集的数据，或者向前移动到评估步骤510。在评估步骤510，可以测试所开发的模型以确定模型的准确性。当模型基于预定标准足够准确时，则过程可以继续到部署步骤512。然而，当需要附加精选时，则过程可以移回到收集数据步骤502或清洗/转换步骤504。在部署步骤512处，模型可以用于分析和预测用户输入的结果。在部署之后，可以使用附加的收集数据、附加的可用信息和附加的模型来连续地改进机器学习过程。

图6是根据示例性实施例的图形用户界面600，其示出了在用于识别和捕获追加保证金通知过程中涉及的所有相关特征的方法中识别的特性的变量重要性，使得可以通过使用机器学习来自动识别根本原因。图6中所示的图形用户界面具有标题“变量重要性”。图形用户界面还可以包括条形图，该条形图的x轴表示数字中的重要性百分比，y轴表示文本中的贡献特性。在一示例性实施例中，贡献特性可以根据相对重要性以升序和降序布置，例如，最重要的特性可以布置在条形图的顶部，或者反之亦然，最重要的特性可以布置在条形图的底部。在另一示例性实施例中，相对重要性可以包括每个特性对交易类型(例如，追加保证金通知)的贡献的百分比。

在另一示例性实施例中，所示的图形可包括数据的任何视觉表示，例如线图、饼形图、镶嵌图、蜘蛛图、堆叠条形图等。在另一示例性实施例中，贡献特性可包括以下中的至少一个：证券增值特性、证券贬值特性、资产市值差异特性、证券市值差异特性、证券市值买入特性、敞口差异特性、现金市值差异特性、抵押品差异特性、现金市值卖出特性、折减差额特性、证券市值卖出特性、证券清算价值买入特性、现金市值增值特性、现金市值贬值特性、质押市值流出特性、质押市值差异特性、现金市值买入特性，衍生敞口增量特性、衍生初始保证金敞口增量特性、质押清算价值流入特性、应计利息累积特性、质押市值流入特性、质押市值增值特性、质押市值贬值特性、衍生负市值增量特性、由于外汇波动特性引起的贷款价值波动、具有未来价值日期特性的私募股权认购或应计利息借记、和无限质押差异特性。

图7是示出根据示例性实施例的图形用户界面700的屏幕截图，图形用户界面700可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。图形用户界面700可以包括便于用户与各种自动生成的追加保证金通知模型之间的相互作用的示例性图形用户界面。如图所示，图形用户界面700可以包括多个投资者和对应的证券投资组合的可分类表。在示例性实施例中，该表提供了经处理的证券投资组合的概括视图。在图形用户界面700中，该表可以根据标题为“票据ID”、“客户名称”、“年龄化”、“年龄桶”、“客户ID”、“资本顾问”、“信用执行”、“追加保证金通知金额USD”、“追加保证金通知的原因”和“预测追加保证金通知的原因”的类别排序。

在示例性实施例中，图形用户界面700中的信息可以以字母、单词和数字的任何组合来显示。在另一示例性实施例中，年龄桶类别可以显示作为天数范围的信息。在另一示例性实施例中，追加保证金通知量类别可以在任何用户可选择的、合法认可的法定偿付中显示量。在另一示例性实施例中，追加保证金通知类别的原因可显示已知已在所收集的数据中引起追加保证金通知的特性。在另一示例性实施例中，预测的追加保证金通知原因类别可以显示预测导致未来追加保证金通知的特性。在另一示例性实施例中，可以使用针对特定证券投资组合的预测的追加保证金通知原因类别和追加保证金通知原因类别的比较来验证追加保证金通知模型。在另一示例性实施例中，可以通过数据管理软件(例如，SPLUNK)经由应用编程接口(API)(例如，表述性状态转移(REST)API)将数据的预测原因发送到图形用户界面700。

图8是用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法的示例性过程的流程图800。如图所示，流程图800可以包括可在标记为“系统1”、“系统2”、“系统3”和“系统n”的各种用户终端上操作的用户界面。

流程图800中的示例性过程开始于步骤S802，收集与追加保证金通知的共享特性有关的特征。所收集的特征可包括例如应计利息FX率波动和市场价格波动。然后，在步骤S804处，可以使用所收集的特征通过人工智能(AI)或机器学习(ML)技术来训练追加保证金通知模型。在步骤S806，可以使用训练的追加保证金通知模型来预测追加保证金通知的原因。然后，可以在步骤S808处利用已知结果来验证追加保证金通知的预测原因，以进一步细化所开发的追加保证金通知模型。最后，在步骤S810处，可通过利用额外所收集的特征重复所述步骤以进一步训练所开发的追加保证金通知模型来实现模型的改装(retrofitting)。

图9是用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法的示例性过程的流程图900。如图所示，流程图900开始于可以使用机器学习技术解决的业务问题。机器学习问题组帧方法可以用于组帧业务问题以识别与机器学习技术相关的可能的技术解决方案，其可以用于解决业务问题。一旦已经构成业务问题，机器学习技术的实现可以从收集与业务问题有关的数据开始。所收集的数据可以与其他相关数据整合、清洗并准备用于数据可视化和分析。所分析和可视化的数据的特征工程使用数据的领域知识来创建与业务问题的属性或性质有关的特征。

然后，可以使用工程特征来训练开发的模型和调整参数。然后可以使用已知结果来评估经训练的模型以确定是否满足与对业务问题的解决方案相关的业务目标。然而，当确定已经满足业务目标时，可以部署所开发的模型以预测和解决业务问题。可以在部署之后使用监视和调试技术来维护模型，监视和调试技术可以使用新收集的数据连续地重新训练模型。

图10是示出了根据示例性实施例的未分类票据的图形用户界面的屏幕截图1000，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图10所示，未分类票据显示在与本申请中的实施例一致的追加保证金通知工具中。追加保证金通知工具可以包括表，该表包含多个未分类的票据和对未分类的票据的数量进行计数的标题为“未审查”的计数器。

图11是示出了根据示例性实施例的未分类票据面板的图形用户界面的屏幕截图1100，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图11所示，未分类票据面板提供多张票据的信息。在示例性实施例中，未分类的票据面板示出没有人工智能分类的票据，并且还可以包括先前已经被分类的历史追加保证金通知。

图12是示出了根据示例性实施例的分类确认的图形用户界面的屏幕截图1200，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图12所示，可以在指定的时间量内接收确认电子邮件以确认所选数据的成功分类。确认电子邮件可以包括与所选择的被分类的数据相对应的信息。如本领域普通技术人员将理解的，确认电子邮件可以由任何电子邮件客户端接收，例如专有电子邮件客户端和第三方开发的电子邮件客户端。

图13是示出了根据示例性实施例的分类票据的图形用户界面的屏幕截图1300，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图13所示，在与本申请中的实施例一致的追加保证金通知工具中显示分类票据。由人工智能成功分类的票据被显示在追加保证金通知工具上。

图14A是示出了根据示例性实施例的人工智能特征的图形用户界面的屏幕截图1400A，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图14A所示，在与本申请的实施例一致的追加保证金通知工具中显示分类的票据。追加保证金通知工具还可以提供包括人工智能分类特征和属性的可用票据细节。

图14B是示出了根据示例性实施例的票据细节的图形用户界面的屏幕截图1400B，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图14B所示，在与本申请的实施例一致的追加保证金通知工具中显示分类的票据。追加保证金通知工具还可以提供特定票据的可用票据细节，例如票据标识、所确定的追加保证金通知票据的原因以及用于确定追加保证金通知原因的相关属性值。

图15是示出了根据示例性实施例的分类票据面板的图形用户界面的屏幕截图1500，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可通过使用机器学习来自动识别根本原因的方法。如图15所示，在与本申请中的实施例一致的面板中显示分类的票据。面板可以显示人工智能分类的票据以及对应于分析的数据。该数据可以包括有效追加保证金通知的数量、无效追加保证金通知的数量以及总追加保证金通知的数量。面板还可以在图形元素中呈现数据，例如，每个区域的追加保证金通知的原因的条形图。

图16是示出了根据示例性实施例的模型精度的图形用户界面的屏幕截图1600，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图16所示，在与本申请中的实施例一致的面板中显示模型分析数据。面板可以示出当前模型在追加保证金通知的给定原因(例如，应计的兴趣原因)上的人工智能分析准确性。模型分析数据可以包括有效追加保证金通知的数量、无效追加保证金通知的数量以及总追加保证金通知的数量。面板还可以在图形元素中呈现数据，例如，每个区域的追加保证金通知的原因的条形图。

图17是示出了根据示例性实施例的准确度监测的图形用户界面的屏幕截图1700，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图17所示，历史模型数据显示在与本申请中的实施例一致的面板中。面板可以示出表示随着模型利用更多数据进行训练而随时间变化的准确度提高的监测的图形图示。图形图示可以包括曲线图，例如，诸如跟踪作为时间的函数的模型的准确度增加的线图和条形图。

图18是示出了根据示例性实施例的特征相互作用的示出模型1800，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。如图18所示，变量和特性之间的相互作用可以图表形式突出显示。如本领域普通技术人员将理解的，变量和特性可以呈现在图表的X轴或Y轴上，使得相交的正方形指示特定变量和特定特性之间的相互作用。

图19A是示出了根据示例性实施例的用户反馈表单的图形用户界面的屏幕截图1900A，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。屏幕截图1900A提供了图形用户元素，例如，诸如呈现给用户的菜单或其他实用程序窗口。

如图19A所示，图形用户元素可以包括与人工智能分类结果相关的用户反馈形式。在示例性实施例中，从用户反馈表单收集的数据可以用于通过使用与本申请中的实施例一致的技术来进一步训练追加保证金通知模型以提高分类准确性。用户反馈表单可以包括对应于特定票据的信息以及用于接收用户输入的用户可选择的图形元素。

图19B是示出了根据示例性实施例的基于用户反馈形式的用户输入而显示的扩展图形用户界面的屏幕截图1900B，其可用于实现用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的方法。屏幕截图1900B提供扩展的图形用户元素，例如，诸如呈现给用户的菜单或其他实用程序窗口。可以基于从图19A中的图形用户元素接收的用户输入来向用户呈现扩展的图形用户元素。

如图19B所示，图形用户元素可以包括与人工智能分类结果相关的扩展用户反馈形式。在示例性实施例中，从扩展的用户反馈表单收集的数据可以用于通过使用与本申请中的实施例一致的技术来进一步训练追加保证金通知模型以提高分类准确度。扩展的用户反馈表单可以基于先前的图形用户元素中的用户选择来显示信息。扩展的用户反馈表单可以包括对应于特定票据的附加信息以及用于接收用户输入的附加用户可选图形元素。

因此，利用这种技术，提供了用于识别和捕获追加保证金通知过程中涉及的所有相关特征以使得可以通过使用机器学习来自动识别根本原因的优化过程。

尽管已经参考若干示例性实施例描述了本发明，但是应当理解，已经使用的词语是描述和说明的词语，而不是限制的词语。在不脱离本公开的各方面的范围和精神的情况下，可以在所附权利要求的范围内进行改变，如当前所述和修改的。尽管已经参考特定装置、材料和实施例描述了本发明，但是本发明不旨在限于所公开的细节；而是本发明扩展到诸如在所附权利要求的范围内的所有功能上等同的结构、方法和用途。

例如，虽然计算机可读介质可以被描述为单个介质，但是术语“计算机可读介质”包括单个介质或多个介质，诸如集中式或分布式数据库，和/或存储一组或多组指令的相关联的高速缓存和服务器。术语“计算机可读介质”还应当包括能够存储、编码或携带由处理器执行的一组指令或使计算机系统执行本文公开的任何一个或多个实施例的任何介质。

计算机可读介质可以包括非暂时性计算机可读介质和/或包括暂时性计算机可读介质。在特定的非限制性示例性实施例中，计算机可读介质可以包括固态存储器，诸如存储卡或容纳一个或多个非易失性只读存储器的其他封装。此外，计算机可读介质可以是随机存取存储器或其他易失性可重写存储器。另外，计算机可读介质可以包括磁光或光学介质，诸如磁盘或磁带或其他存储设备，以捕获载波信号，诸如通过传输介质传送的信号。因此，本公开被认为包括其中可以存储数据或指令的任何计算机可读介质或其他等同物和后继介质。

尽管本申请描述了可以被实现为计算机可读介质中的计算机程序或代码段的特定实施例，但是应当理解，诸如专用集成电路、可编程逻辑阵列和其他硬件设备的专用硬件实现可以被构造为实现本文描述的一个或多个实施例。可以包括本文阐述的各种实施例的应用可以广泛地包括各种电子和计算机系统。因此，本申请可以涵盖软件、固件和硬件实施方式或其组合。本申请中的任何内容都不应被解释为仅用软件而不是硬件来实现或可实现。

尽管本说明书参考特定标准和协议描述了可以在特定实施例中实现的组件和功能，但是本公开不限于这样的标准和协议。这种标准周期性地被具有基本相同功能的更快或更有效的等同物所取代。因此，具有相同或相似功能的替换标准和协议被认为是其等同物。

本文描述的实施例的说明旨在提供对各种实施例的一般理解。这些图示不旨在用作利用本文描述的结构或方法的装置和系统的所有元件和特征的完整描述。在阅读本公开之后，许多其他实施例对于本领域技术人员来说是显而易见的。可以从本公开中利用和导出其他实施例，使得可以在不脱离本公开的范围的情况下进行结构和逻辑替换和改变。另外，图示仅仅是代表性的，并且可以不按比例绘制。图示内的某些比例可能被放大，而其他比例可能被最小化。因此，本公开和附图应被视为说明性的而非限制性的。

本公开的一个或多个实施例在本文中可以单独地和/或共同地由术语“发明”指代，这仅仅是为了方便，而不是旨在将本申请的范围自愿地限制于任何特定的发明或发明构思。此外，尽管本文已经示出和描述了具体实施例，但是应当理解，被设计为实现相同或相似目的的任何后续布置可以代替所示的具体实施例。本公开旨在覆盖各种实施例的任何和所有后续修改或变化。上述实施例的组合以及本文未具体描述的其他实施例在阅读本说明书时对于本领域技术人员将是显而易见的。

在理解本公开的摘要将不用于解释或限制权利要求的范围或含义的情况下提交本公开的摘要。另外，在前述具体实施方式中，出于简化本发明的目的，各种特征可分组在一起或描述于单个实施例中。本公开不应被解释为反映所要求保护的实施例需要比每个权利要求中明确记载的特征更多的特征的意图。而是，如所附权利要求书所反映，发明性标的物可针对少于所揭示实施例中的任一者的所有特征。因此，以下权利要求被并入具体实施方式中，其中每个权利要求独立地限定单独要求保护的主题。

以上公开的主题被认为是说明性的而非限制性的，并且所附权利要求旨在覆盖落入本公开的真实精神和范围内的所有这样的修改、增强和其他实施例。因此，在法律允许的最大程度上，本公开的范围由所附权利要求及其等同物的最宽可允许解释来确定，并且不应受前述详细描述的约束或限制。

Claims (20)

1.一种用于提供与触发针对第一证券投资组合的追加保证金通知有关的信息的方法，所述方法由至少一个处理器实现，所述方法包括：

由所述至少一个处理器获得与多个证券投资组合有关的多个数据；

由所述至少一个处理器使用所述多个数据自动地确定与触发追加保证金通知相关的至少一个数据模式和促使触发所述追加保证金通知的至少一个对应特性；

由所述至少一个处理器基于所述至少一个数据模式和所述至少一个特性自动生成至少一个追加保证金通知模型；以及

由所述至少一个处理器使用所述至少一个追加保证金通知模型来评估所述第一证券投资组合，以确定与是否触发针对所述第一证券投资组合的所述第一追加保证金通知有关的第一信息。

2.根据权利要求1所述的方法，其中，所述评估还包括：

由所述至少一个处理器选择所述至少一个数据模式中的第一数据模式和所述至少一个对应特性中的第一特性，所述第一数据模式和所述第一特性与触发针对所述第一证券投资组合的所述第一追加保证金通知有关；以及

由所述至少一个处理器经由显示器在图形用户界面上显示所述第一信息以及所述至少一个数据模式中的所选择的第一数据模式和所述至少一个对应特性中的所选择的第一特性。

3.根据权利要求1所述的方法，其中，使用对所述多个数据的机器学习分析，自动生成所述至少一个追加保证金通知模型。

4.根据权利要求1所述的方法，其中，所述至少一个追加保证金通知模型包括数据模型、数学模型、过程模型和机器学习模型中的至少一个。

5.根据权利要求1所述的方法，还包括：

由所述至少一个处理器使用所述至少一个追加保证金通知模型来评估第二证券投资组合，以确定与是否触发针对所述第二证券投资组合的未来第二追加保证金通知有关的第二信息；以及

由所述至少一个处理器经由显示器在图形用户界面上显示所述第二信息。

6.根据权利要求5所述的方法，其中，所述图形用户界面包括至少一个面板，所述至少一个面板显示与所述第一证券投资组合有关的监测信息和/或与所述至少一个特性有关的分类信息。

7.根据权利要求1所述的方法，其中，所述至少一个特性包括以下中的至少一个：证券增值特性、证券贬值特性、资产市值差异特性、证券市值差异特性、证券市值买入特性、敞口差异特性、现金市值差异特性、抵押品差异特性、现金市值卖出特性，折减差额特性、证券市值卖出特性、证券清算价值买入特性、现金市值增值特性、现金市值贬值特性、质押市值流出特性、质押市值差异特性、现金市值买入特性、衍生敞口增量特性、衍生初始保证金敞口增量特性、质押清算价值流入特性、应计利息累积特性、质押市值流入特性、质押市值增值特性、质押市值贬值特性、衍生负市值增量特性、由于外汇波动特性引起的贷款价值波动、具有未来价值日期特性的私募股权认购或应计利息借记、和无限质押差异特性。

8.根据权利要求1所述的方法，还包括：

由所述至少一个处理器经由图形用户界面接收来自至少一个用户的反馈信息；以及

由所述至少一个处理器基于所述反馈信息来更新所述至少一个追加保证金通知模型。

9.根据权利要求8所述的方法，其中，所述反馈信息包括第一信息准确度排序、第二信息准确度排序和特性准确度排序中的至少一个。

10.根据权利要求1所述的方法，还包括：

由所述至少一个处理器解析所述多个数据；

由所述至少一个处理器识别经解析的所述多个数据中的个人可识别信息；以及

由所述至少一个处理器通过移除所识别的个人可识别信息来匿名化所述多个数据。

11.一种计算设备，被配置为执行用于提供与触发针对第一证券投资组合的追加保证金通知有关的信息的方法，所述计算设备包括：

处理器；

存储器；以及

通信接口，耦接到所述处理器和所述存储器中的每一个；

其中，所述处理器被配置为：

获得与多个证券投资组合有关的多个数据；

通过使用所述多个数据，自动地确定与触发追加保证金通知相关的至少一个数据模式和促使触发所述追加保证金通知的至少一个相应特性；

基于所述至少一个数据模式和所述至少一个特性自动生成至少一个追加保证金通知模型；以及

使用所述至少一个追加保证金通知模型评估所述第一证券投资组合以确定与是否触发针对所述第一证券投资组合的所述第一追加保证金通知有关的第一信息。

12.根据权利要求11所述的计算设备，其中，对于所述评估，所述处理器还被配置为：

选择所述至少一个数据模式中的第一数据模式和所述至少一个对应特性中的第一特性，所述第一数据模式和所述第一特性与触发针对所述第一证券投资组合的所述第一追加保证金通知有关；以及

经由显示器在图形用户界面上显示所述第一信息以及所述至少一个数据模式中的所选择的第一数据模式和所述至少一个对应特性中的所选择的第一特性。

13.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：

通过使用对所述多个数据的机器学习分析，自动生成所述至少一个追加保证金通知模型。

14.根据权利要求11所述的计算设备，其中，所述至少一个追加保证金通知模型包括数据模型、数学模型、过程模型和机器学习模型中的至少一个。

15.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：

使用所述至少一个追加保证金通知模型来评估第二证券投资组合，以确定与是否触发针对所述第二证券投资组合的未来第二追加保证金通知有关的第二信息；以及

经由显示器在图形用户界面上显示所述第二信息。

16.根据权利要求15所述的计算设备，其中，所述图形用户界面包括至少一个面板，所述至少一个面板显示与所述第一证券投资组合有关的监测信息和/或与所述至少一个特性有关的分类信息。

17.根据权利要求11所述的计算设备，其中，所述至少一个特性包括以下中的至少一个：证券增值特性、证券贬值特性、资产市值差异特性、证券市值差异特性、证券市值买入特性、敞口差异特性、现金市值差异特性、抵押品差异特性、现金市值卖出特性，折减差额特性、证券市值卖出特性、证券清算价值买入特性、现金市值增值特性、现金市值贬值特性、质押市值流出特性、质押市值差异特性、现金市值买入特性、衍生敞口增量特性、衍生初始保证金敞口增量特性、质押清算价值流入特性、应计利息累积特性、质押市值流入特性、质押市值增值特性、质押市值贬值特性、衍生负市值增量特性、由于外汇波动特性引起的贷款价值波动、具有未来价值日期特性的私募股权认购或应计利息借记、和无限质押差异特性。

18.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：

经由图形用户界面接收来自至少一个用户的反馈信息；以及

基于所述反馈信息来更新所述至少一个追加保证金通知模型。

19.根据权利要求18所述的计算设备，其中，所述反馈信息包括第一信息准确度排序、第二信息准确度排序和特性准确度排序中的至少一个。

20.根据权利要求11所述的计算设备，其中，所述处理器还被配置为：

解析所述多个数据；

识别经解析的所述多个数据中的个人可识别信息；以及

通过移除所识别的个人可识别信息来匿名化所述多个数据。

Images