CN115829759A - 一种金融产品走势的预测方法、装置及电子设备 - Google Patents

Abstract

本申请提供了一种金融产品走势的预测方法、装置及电子设备，对每个金融产品的产品数据进行数据预处理，得到每个金融产品的对比数据；响应于对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；基于行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；并参考于历史走势参考值，通过回归算法调整预测走势参考值，确定该行业类型的市场走势参考值。这样，便可以实现对金融产品所属行业类型的市场走势参考值的预测，可以提高预测结果的准确性。

Description

一种金融产品走势的预测方法、装置及电子设备

技术领域

本申请涉及数据处理技术领域，尤其是涉及一种金融产品走势的预测方法、装置及电子设备。

背景技术

在金融投资领域中，投资者在选择具有投资倾向的金融产品的过程中，仅能够依据于各个金融产品当前的走势以及所选择的金融数据平台中关于各个金融产品的历史数据信息，对各个金融产品的进行自我分析与评估，从而，选择出自己所倾向的基金产品。

目前，对于金融产品的分析仅能够依据于投资者个人的研究深度，由于，不同投资者的研究水平上的差异，使得不同投资者得出的分析与评估结果的差异性较大，且投资者也会受到专业知识的限制，无法对金融产品的走势进行准确地判断。

发明内容

有鉴于此，本申请的目的在于提供一种金融产品走势的预测方法、装置及电子设备，能够解决现有技术中无法对金融产品的走势进行准确预测的问题。

本申请实施例提供了一种金融产品走势的预测方法，所述预测方法包括：

分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；

针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致；

若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；

响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；

基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；其中，所述预设时间段内包括多个特定时间点；所述预测走势参考值包括该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率；

基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值；其中，所述市场走势参考值包括该行业类型在每个特定时间点的预测浮动值。

本申请实施例还提供了一种金融产品走势的预测装置，所述预测装置包括：

获取模块，用于分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；

一致验证模块，用于针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致；

数据处理模块，用于若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；

数据确定模块，用于响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；

走势预测模块，用于基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；其中，所述预设时间段内包括多个特定时间点；所述预测走势参考值包括该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率；

走势调整模块，用于基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值；其中，所述市场走势参考值包括该行业类型在每个特定时间点的预测浮动值。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的金融产品走势的预测方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的金融产品走势的预测方法的步骤。

本申请实施例提供的金融产品走势的预测方法、装置及电子设备，分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；针对于每个金融产品，确定该金融产品的多个产品数据是否一致；若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；响应于对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；基于行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；基于该行业类型的预测走势参考值和历史走势参考值，通过回归算法确定该行业类型的市场走势参考值。这样，便可以依据于从不同金融数据平台中获取到的金融产品的产品数据以及历史走势参考值，对金融产品的市场走势进行预测，进而，能够依据于金融产品自身所涉及数据以及历史走势参考值，实现对金融产品所属行业类型的市场走势参考值的预测，可以提高预测结果的准确性。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例所提供的一种金融产品走势的预测方法的流程图；

图2为本申请实施例所提供的一种对比图显示过程示意图；

图3为本申请实施例所提供的一种走势对比过程示意图；

图4为本申请实施例所提供的一种金融产品走势的预测装置的结构示意图之一；

图5为本申请实施例所提供的一种金融产品走势的预测装置的结构示意图之二；

图6为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

基于此，本申请实施例提供了一种金融产品走势的预测方法，可以依据于从不同金融数据平台中获取到的金融产品的产品数据以及历史走势参考值，对金融产品的市场走势进行预测，进而，能够依据于金融产品自身所涉及数据以及历史走势参考值，实现对金融产品所属行业类型的市场走势参考值的预测，可以提高预测结果的准确性。

请参阅图1，图1为本申请实施例所提供的一种金融产品走势的预测方法的流程图。如图1中所示，本申请实施例提供的金融产品走势的预测方法，包括：

S101、分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值。

S102、针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致。

S103、若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据。

S104、响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据。

S105、基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值。

S106、基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值。

本申请所提供的一种金融产品走势的预测方法，在需要对金融市场中各个行业类型的市场走势进行预测时，分别从不同金融数据平台中爬取每个金融产品的多个产品数据；这里，为了保证获取到的产品属性数据的正确性，针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致；若一致，则可以通过对金融产品的多个产品数据进行数据预处理，以确定出用于对金融市场中各个行业类型的市场走势进行预测的第一对比数据；针对于金融市场中的每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；进而，可以利用该行业类型下，每个金融产品的对比数据通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；为了提高走势参考值的准确性，基于该行业类型的预测走势参考值和历史走势参考值，通过回归算法再次确定该行业类型的市场走势参考值。这样，便可以参考于每个行业类型的当前市场走势情况以及历史走势情况，对该行业类型的未来市场走势进行准确地预测。

这里，金融产品可以是一种基金产品或者是股票产品，而对于一个基金产品或者是股票产品来说其可以受到各个金融数据平台的关注，因此，可以从不同的金融数据平台中获取到基金产品或者是股票产品的产品数据以及历史走势参考值。

在步骤S101中，可以预先在各个金融数据平台中搭建爬虫组件，以通过所搭建的爬虫组件从各个金融数据平台中爬取该金融数据平台中所存储的每个金融产品的多个产品数据以及每个金融产品的历史走势参考值。

这里，一些金融数据平台中可能会存在数据造价或者数据统计错误的问题，致使所爬取到的产品数据存在错误，为了保证各个金融产品的产品数据的准确性，在利用爬取到的产品数据预测该金融产品所属行业类型的走势之前，需验证来自于不同金融数据平台的多个产品数据的准确性。

不同产品数据来自于不同的金融数据平台，若金融产品在不同金融数据平台中的产品数据是一致的，则说明爬取到的该金融产品的产品数据是准确的，此时，便可以利用爬取到的产品数据，在后续过程中对金融产品所属行业类型的市场走势进行预测。

在步骤S102中，针对于每个金融产品，需采取交叉验证的方式，对该金融产品具有多个产品数据进行验证；即，将该金融产品的多个产品数据进行两两比较，确定多个产品数据是否均一致，以验证产品数据的真实性及准确性。

若多个产品数据均一致，则可说明从不同金融数据平台中爬取到的产品数据是准确的；否则，则可认为爬取到的金融产品的产品数据存在异常，不可用于对该金融产品所属行业类型的走势进行预测。

在确定金融产品的多个产品数据是准确的、可用于对金融产品所属行业类型的走势进行预测的情况下，还需进一步地对产品数据进行数据预处理，以确保用于对金融产品所属行业类型的走势进行预测的数据不会存在重复及无法识别的情况。

虽然，金融产品的多个产品数据来自于不同的金融数据平台，但是，不同金融数据平台中所获取到的产品数据存在重叠的情况，因此，利用全部的产品数据并不会提高评估结果的准确性，还会增加预测过程的计算量。

在步骤S103中，在金融产品的多个产品数据均一致的前提下，说明爬取到的关于该金融产品的多个产品数据是准确的，可以用于后续的预测过程；此时，便可以对该金融产品的多个产品数据进行数据预处理，以从金融产品存在重复情况的多个产品数据中过滤出，有助于准确地对该金融产品所属行业类型的走势进行预测的第一对比数据。

在一种实施方式中，步骤S103包括：

S1031、针对于每个金融产品，从该金融产品的任意一个产品数据中抽取出待分析数据。

该步骤中，由于，每个金融产品的多个产品数据已被证实是一致的，因此，可以从中选择出任意一个产品数据，进行该产品数据的抽取，从该产品数据中抽取出待分析数据。

S1032、按照所述走势预测模型的数据接收格式，转换所述待分析数据的数据格式，得到该金融产品的对比数据。

该步骤中，在后续过程中，需借助于预先构建的走势预测模型，进行金融产品所属行业类型的预测走势参考值进行预测，因此，为了避免走势预测模型无法识别待分析数据，致使出现无法预测或预测结果不准确的问题，还需对抽取出的待分析数据进行数据格式上的转换；具体的，按照产品分析模型的数据接收格式，转换待分析数据的数据格式，得到该金融产品的对比数据。

这里，对比数据可以包括金融产品的产品信息数据、金融产品的持仓机构信息以及金融产品的产品资产数据等；以金融产品为基金产品为例，对比数据可以包括基金信息，基金持仓信息，基金市值信息等数据；以金融产品为股票产品为例，对比数据可以包括个股信息，个股持仓机构信息，个股市值信息，个股资金流入流出数据，个股行业数据等数据。

S1033、将每个金融产品的对比数据加载至数据库中。

这里，为了能够及时地对金融产品所属行业类型的走势进行预测，并未设置对行业类型的走势进行预测的具体时间，而是采取订阅对比数据的方式，实时地对行业类型的走势进行预测；即，对是否产生对比数据进行监听，一旦产生了可用的对比数据，便可触发对行业类型的走势进行预测。

由于，多个金融产品所属行业类型存在差异，因此，在对各个行业类型的走势进行预测时，所使用的金融产品的对比数据也并不相同，此时，便需要依据于每个金融产品所属行业类型对多个金融产品进行划分。

在步骤S104中，响应于对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的第一对比数据，确定出该行业类型的行业金融数据。

这里，行业类型的行业金融数据可以包括行业市值数据和/或行业涨幅数据和/或持仓机构数据；行业市值数据为该行业类型下各个金融产品的产品市值之和；行业涨幅数据包括该行业类型下各个金融产品在特定时间段内的数据涨幅情况；持仓机构数据为持有金融产品的持仓机构的相关数据。

考虑到不同类型的金融产品之间的差异性；利用走势预测模型预测各个金融产品所属行业类型的预测走势参考值时，所使用的行业金融数据也不同；例如，当金融产品为股票产品时，所使用的行业金融数据可以包括业市值数据和行业涨幅数据；当金融产品为基金产品时，所使用的行业金融数据可以包括业市值数据和持仓机构数据。

在一种实施方式中，步骤S104包括：

S1041、响应于所述对比数据的产生，针对属于该行业类型的每个金融产品，从该金融产品的第一对比数据中抽取出产品市值数据、该金融产品在第一时间点上的第一资金流入数据以及该金融产品在第二时间点上的第二资金流入数据。

该步骤中，在对行业类型的走势进行预测时，具体需参考于行业类型的行业市值数据和行业涨幅数据；而每个行业类型的行业市值数据取决于该行业类型下每个金融产品的产品市值数据，行业涨幅数据则取决于每个金融产品的产品涨幅数据；产品涨幅数据则需要根据金融产品的资金流入数据而确定。

因此，需从属于该行业类型的每个金融产品的第一对比数据中，分别抽取出用于确定行业市值数据的产品市值数据，以及用于确定行业涨幅数据的属于该行业类型的金融产品在第一时间点上的第一资金流入数据以及该金融产品在第二时间点上的第二资金流入数据。

S1042、基于每个金融产品的产品市值数据，确定该行业类型的行业市值数据。

该步骤中，利用属于该行业类型的金融组中每个金融产品的产品市值数据，通过求和的方式确定该行业类型的行业市值数据。

S1043、基于所述第一资金流入数据和所述第二资金流入数据，确定该金融产品的产品涨幅数据。

该步骤中，针对于属于该行业类型每个金融产品，利用该金融产品在第一时间点上的第一资金流入数据和在第二时间点上的第二资金流入数据，确定该金融产品的产品涨幅数据。

S1044、基于属于该行业类型的每个金融产品的产品涨幅数据，确定该行业类型的行业涨幅数据。

该步骤中，组合属于行业类型每个金融产品的产品涨幅数据，得到该行业类型的行业涨幅数据。

在步骤S105中，在确定出该行业类型的行业金融数据后，将该行业类型的行业金融数据输入至预先训练好的走势预测模型中，通过走势预测模型对该行业类型在未来的预设时间段内走势进行预测，确定该行业类型在预设时间段内的预测走势参考值。

其中，所述预设时间段内包括多个特定时间点；所述预测走势参考值包括该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率。

走势预测模型为行业价值投资IVI(Industry value investment)模型，行业价值投资IVI模型采用灰色预测模型和马尔可夫模型。

具体的，利用训练集数据训练所述走势预测模型，训练集中包括样本行业类型，以及每个样本行业类型对应的走势参考标签；其中，走势参考标签表明了该样本行业类型在每个样本时间点上达到各个侯选浮动值的概率；将每个样本行业类型作为输入特征，将每个样本金融产品对应的走势参考标签作为输出特征，训练构建好的灰色预测模型和马尔可夫模型，得到走势预测模型。

这里，预测走势参考值能够表征出属于该行业类型的金融产品在预设时间段内的走势方向；例如，属于该行业类型的金融产品在预设时间段内是呈上涨趋势还是呈下跌趋势。

其中，预设时间段可以以“年”为单位，具体可以为1年、3年以及10年等；而特定时间点则可以以“天”为单位，具体可以为1天、3天以及10天等。

而对于预设时间段来说，为了更加精细化的对该预设时间段内行业类型的预测走势参考值进行预测，将预设时间段划分为多个特定时间点，以根据行业类型在各个特定时间点上的浮动情况，确定行业类型在预设时间段内的预测走势参考值。

在一种实施方式中，步骤S105包括：

S1051、针对于每个特定时间点，基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型的行业浮动值在该特定时间点上达到每个候选浮动值的初始浮动概率。

该步骤中，针对于预设时间段内的每个特定时间点，利用确定出的该行业类型的行业金融数据，通过预先训练好的走势预测模型，分别确定出该行业类型的行业浮动值在该特定时间点上，达到各个预设的候选浮动值的初始浮动概率。

示例性的，以特定时间点为11月24日为例进行说明，预先针对于11月24日设置了各个行业类型的行业浮动值在当天能够达到的候选浮动值，例如，候选浮动值为上涨3％、上涨5％、下跌5％以及下跌3％；针对于每个行业类型，利用该行业类型的行业金融数据，预测该行业类型的行业浮动值在11月24日这天，上涨3％的初始浮动概率、上涨5％的初始浮动概率、下跌5％的初始浮动概率以及下跌3％的初始浮动概率。

S1052、基于该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定该行业类型在预设时间段内预测走势参考值。

该步骤中，通过组合该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定出该行业类型在预设时间段内的预测走势参考值。

这里，考虑到仅参考于金融产品的产品数据所确定出的预测走势参考值，在没有结合市场环境的情况下存在不准确的情况，本申请实施例进一步地根据金融产品的历史走势参考值，对预测走势参考值进行调整，以确定出该行业类型的市场走势参考值。

在步骤S106中，参考于该行业类型的历史走势参考值，通过回归算法对该行业类型的预测走势参考值进行调整，确定出该行业类型的市场走势参考值，其中，所述市场走势参考值包括该行业类型在每个特定时间点的预测浮动值；即参考于该行业类型的历史走势参考值对预测出的该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率进行调整，以通过参考该行业类型的历史走势参考值，进一步的结合到该行业类型所处金融市场环境，准确地确定出该行业类型在每个特定时间点的预测浮动值。

在一种实施方式中，步骤S106包括：

S1061、参考所述历史走势参考值，通过回归算法调整该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的目标浮动概率。

该步骤中，参考于该行业类型的历史走势参考值，通过回归算法调整该行业类型的预测走势参考值，具体的，调整该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，调整后得到该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的目标浮动概率。

对应于上述实施例，假设该行业类型的行业浮动值在11月24日这天，上涨3％的初始浮动概率为50％、上涨5％的初始浮动概率为20％、下跌5％的初始浮动概率为15％以及下跌3％的初始浮动概率为40％；参考于该行业类型的历史走势参考值，通过回归算法调整11月24日这天该行业类型达到各个候选浮动值的初始浮动概率，将上涨3％的初始浮动概率为50％调整为55％，55％即为上涨3％这一候选浮动值的目标浮动概率，相应的还可以调整其他候选浮动值的初始浮动概率，在此不再赘述。

这里，所述回归算法可以包括线性回归算法、Robust回归算法、Ridge回归算法、LASSO回归算法、Elastic Net算法、多项式回归算法、多层感知机、随机森林回归和支持向量机等算法。

在一种实施方式中，通过以下步骤确定所述回归算法：

S10611、获取训练集数据。

该步骤中，利用训练集数据通过相应的训练过程，构建的回归算法所涉及的算法参数进行调整；其中，训练集数据中包括每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率以及每个样本行业类型在每个特定时间点的预测浮动值。

S10612、将每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率作为输入特征，将每个样本行业类型在每个特定时间点的预测浮动值作为输出特征，对构建的回归算法所涉及的算法参数进行调整，以得到用于调整行业类型的初始浮动概率的回归算法。

该步骤中，分别将每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率作为构建好的回归算法输入特征，将每个样本行业类型在每个特定时间点的预测浮动值作为构建好的回归算法输出特征，训练构建好的回归算法；

在训练过程中不断地对构建的回归算法所涉及的算法参数进行调整，使得回归算法通过训练过程，参考于每个样本行业类型在每个特定时间点的预测浮动值，学习到每个样本行业类型的历史走势参考值相对于对每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率的影响值，进而，可以利用影响值实现初始浮动概率的调整，以得到用于调整行业类型的初始浮动概率的回归算法；即回归算法实际上用于表征历史走势参考值与初始浮动概率之间的影响关系。

S1062、针对于每个特定时间点，将目标浮动概率最大的候选浮动值确定为该行业类型在该特定时间点上对应的预测浮动值。

该步骤中，针对于每个特定时间点，将该行业类型在该特定时间点上对应的目标浮动概率最大的候选浮动值，确定为该行业类型在该特定时间点上对应的预测浮动值。

对应于上述实施例，假设该行业类型的行业浮动值在11月24日这天，上涨3％的目标浮动概率为55％、上涨5％的目标浮动概率为22％、下跌5％的目标浮动概率为17％以及下跌3％的目标浮动概率为36％，可见，该行业类型的行业浮动值在11月24日这天，目标浮动概率最大为55％，最大目标浮动概率对应的候选浮动值为上涨3％，即可将上涨3％确定为该行业类型在11月24日这天对应的预测浮动值。

S1063、基于该行业类型在每个特定时间点上对应的预测浮动值，确定该行业类型的市场走势参考值。

该步骤中，按照时间顺序，组合该行业类型在每个特定时间点上对应的预测浮动值，确定出该行业类型在预设时间段内所具有的市场走势参考值。

这里，预测浮动值即为该行业类型在该特定时间点上预计应达到的浮动值，在利用预测浮动值对该行业类型的金融产品进行评估时，则可将预测浮动值作为该行业类型的评估基准，确定该行业类型在该特定时间点上的走势情况；

具体的，若是采取评分的方式对该行业类型在一定时间段内的走势情况进行评估，则可以针对于每个特定时间点，通过计算该行业类型的金融产品在该特定时间点上所达到的实际浮动值与该行业类型的金融产品在该特定时间点上应达到的预测浮动值之间的比值，确定该行业类型在该特定时间点上对应的评估分值。

示例性的，假设，该行业类型在11月24日这天对应的预测浮动值为上涨6％，而实际上该行业类型在11月24日这天的实际浮动值为上涨3％；那么，以11月24日这天对应的预测浮动值为评估基准对该行业类型的走势情况进行评估，则在11月24日实际浮动值为上涨6％的情况下，可认为11月24日用于评估该日走势情况的评估分值为100分(以评估分值为百分制分值为例)；而在11月24日实际浮动值为上涨3％的情况下，可基于实际浮动值与预测浮动值的比值，确定11月24日的评估分值为50分(100分×0.5)。

这里，金融市场中存在有不同产品类型的金融产品，具体的，金融产品可以包括股票产品与基金产品，而股票与基金之间存在一定的关联关系；例如，有些基金产品为股票型基金，股票型基金又称股票基金，是指投资于股票市场的基金；对于股票型基金来说，由于其与股票市场存在一定的关联，因此，这类基金产品的走势与股票产品的走势之前存在一定的联系；所以，为了能够直观的为用户呈现出具有联系的各金融产品之间的走势差异，还可以在用户具有需求时，将不同金融产品之间的走势对比图显示给用户。

在一种实施方式中，请参阅图2，图2为本申请实施例所提供的一种对比图显示过程示意图。所述金融产品包括第一金融产品和第二金融产品；当所述金融产品为第一金融产品时，所述市场走势参考值包括第一市场走势参考值；当所述金融产品为第二金融产品时，所述市场走势参考值包括第二市场走势参考值；如图2所示，所述预测方法还包括：

S201、响应于产品比对操作，针对于每个行业类型，基于该行业类型的第一市场走势参考值和第二市场走势参考值，确定属于该行业类型的第一金融产品与第二金融产品之间的产品走势对比图。

该步骤中，用户可以通过产品比对操作触发对该行业类型下第一金融产品与第二金融产品之间的产品走势对比；具体的，响应于用户所施加的产品比对操作，触发获取第一金融产品的第一市场走势参考值以及第二金融产品的第二市场走势参考值；通过对比第一市场走势参考值与第二市场走势参考值，确定属于该行业类型的第一金融产品与第二金融产品之间的产品走势对比图。

本申请所提供的方案中，响应于产品比对操作，具体可以为，当用户按下产品比对操作对应的控件时，便可以触发各个金融产品之间的产品走势对比；具体的，用户可以通过手指、鼠标等触控产品比对操作对应的控件；或者是通过键盘中的预设组合键触控产品比对操作对应的控件，例如，键盘中的ctrl键、alt键、a键等按键，预设按键可以根据用户的需求进行人为设置。

其中，产品比对操作可以包括点击操作、双击操作、滑动操作、拖拽操作以及输入操作等操作。

S202、将所述产品走势对比图显示在终端设备的图像用户界面中。

该步骤中，为了便于用户的查看，将第一金融产品与第二金融产品之间的走势对比图显示在终端设备的图像用户界面中。

这里，还可以进一步的进行行业类型之间的走势对比。

在一种实施方式中，所述预测方法还包括：响应于行业比对操作，基于每个行业类型的市场走势参考值，确定每个行业类型之间的行业比对走势图；将所述行业比对走势图显示在终端设备的图像用户界面中。

该步骤中，用户可以通过行业比对操作触发对各个行业类型之间的行业走势对比；具体的，响应于用户所施加的行业比对操作，触发获取各个行业类型的市场走势参考值；通过对比各个行业类型的市场走势参考值，确定各个行业类型之间的行业走势对比图。

同时，为了便于用户的查看，将各个行业类型之间的行业对比走势图显示在终端设备的图像用户界面中。

本申请所提供的方案中，响应于行业比对操作，具体可以为，当用户按下行业比对操作对应的控件时，便可以触发各个行业类型之间的行业走势对比；具体的，用户可以通过手指、鼠标等触控行业比对操作对应的控件；或者是通过键盘中的预设组合键触控行业比对操作对应的控件，例如，键盘中的ctrl键、alt键、a键等按键，预设按键可以根据用户的需求进行人为设置。

其中，行业比对操作可以包括点击操作、双击操作、滑动操作、拖拽操作以及输入操作等操作。

以第一金融产品为股票产品，第二金融产品为基金产品为例，请参阅图3，图3为本申请实施例所提供的一种走势对比过程示意图；如图3所示，步骤301：开始；步骤302：获取股票产品的产品数据；步骤303：获取基金产品的产品数据；步骤304：对股票产品的产品数据进行数据预处理；步骤305：对基金产品的产品数据进行数据预处理；步骤306：将数据预处理得的股票产品的对比数据存入股票数据库中；步骤307：将数据预处理得的基金产品的对比数据存入基金数据库中；步骤308：分别将股票产品的对比数据和基金产品的对比数据，输入至走势预测模型和回归算法；步骤309：确定股票产品的第一市场走势参考值；步骤310：确定基金产品的第二市场走势参考值；步骤311：对比第一市场走势参考值与第二市场走势参考值，并显示对比结果；步骤312：结束。

本申请实施例提供的金融产品走势的预测方法，分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；针对于每个金融产品，确定该金融产品的多个产品数据是否一致；若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；响应于对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；基于行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；基于该行业类型的预测走势参考值和历史走势参考值，通过回归算法确定该行业类型的市场走势参考值。这样，便可以依据于从不同金融数据平台中获取到的金融产品的产品数据以及历史走势参考值，对金融产品的市场走势进行预测，进而，能够依据于金融产品自身所涉及数据以及历史走势参考值，实现对金融产品所属行业类型的市场走势参考值的预测，可以提高预测结果的准确性。

请参阅图4、图5，图4为本申请实施例所提供的一种金融产品走势的预测装置的结构示意图之一，图5为本申请实施例所提供的一种金融产品走势的预测装置的结构示意图之二。如图4中所示，所述预测装置400包括：

获取模块410，用于分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；

一致验证模块420，用于针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致；

数据处理模块40，用于若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；

数据确定模块440，用于响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；

走势预测模块450，用于基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；其中，所述预设时间段内包括多个特定时间点；所述预测走势参考值包括该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率；

走势调整模块460，用于基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值；其中，所述市场走势参考值包括该行业类型在每个特定时间点的预测浮动值。

进一步的，所述行业金融数据包括行业市值数据和/或行业涨幅数据；所述数据确定模块440在用于响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据时，所述数据确定模块440用于：

响应于所述对比数据的产生，针对属于该行业类型的每个金融产品，从该金融产品的对比数据中抽取出产品市值数据、该金融产品在第一时间点上的第一资金流入数据以及该金融产品在第二时间点上的第二资金流入数据；

基于每个金融产品的产品市值数据，确定该行业类型的行业市值数据；

基于所述第一资金流入数据和所述第二资金流入数据，确定该金融产品的产品涨幅数据；

基于属于该行业类型的每个金融产品的产品涨幅数据，确定该行业类型的行业涨幅数据。

进一步的，所述走势预测模块450在用于基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内预测走势参考值时，所述走势预测模块450用于：

针对于每个特定时间点，基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型的行业浮动值在该特定时间点上达到每个候选浮动值的初始浮动概率；

基于该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定该行业类型在预设时间段内预测走势参考值。

进一步的，所述走势调整模块460在用于基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值时，所述走势调整模块460用于：

参考所述历史走势参考值，通过回归算法调整该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的目标浮动概率；

针对于每个特定时间点，将目标浮动概率最大的候选浮动值确定为该行业类型在该特定时间点上对应的预测浮动值；

基于该行业类型在每个特定时间点上对应的预测浮动值，确定该行业类型的市场走势参考值。

进一步的，如图5所示，所述预测装置400还包括训练模块470，所述训练模块470用于通过以下步骤确定所述回归算法：

获取训练集数据；其中，所述训练集数据中包括每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率以及每个样本行业类型在每个特定时间点的预测浮动值；

将每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率作为输入特征，将每个样本行业类型在每个特定时间点的预测浮动值作为输出特征，对构建的回归算法所涉及的算法参数进行调整，以得到用于调整行业类型的初始浮动概率的回归算法。

进一步的，所述数据处理模块430在用于对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据时，所述数据处理模块330用于：

针对于每个金融产品，从该金融产品的任意一个产品数据中抽取出待分析数据；

按照所述走势预测模型的数据接收格式，转换所述待分析数据的数据格式，得到该金融产品的对比数据；

将每个金融产品的对比数据加载至数据库中。

进一步的，如图5所示，所述金融产品包括第一金融产品和第二金融产品；当所述金融产品为第一金融产品时，所述市场走势参考值包括第一市场走势参考值；当所述金融产品为第二金融产品时，所述市场走势参考值包括第二市场走势参考值；所述预测装置400还包括第一显示模块480，所述第一显示模块480用于：

响应于产品比对操作，针对于每个行业类型，基于该行业类型的第一市场走势参考值和第二市场走势参考值，确定属于该行业类型的第一金融产品与第二金融产品之间的产品走势对比图；

将所述产品走势对比图显示在终端设备的图像用户界面中。

进一步的，如图5所示，所述预测装置400还包括第二显示模块490，所述第二显示模块490用于：

响应于行业比对操作，基于每个行业类型的市场走势参考值，确定每个行业类型之间的行业对比走势图；

将所述行业对比走势图显示在终端设备的图像用户界面中。

本申请实施例提供的金融产品走势的预测装置，分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；针对于每个金融产品，确定该金融产品的多个产品数据是否一致；若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；响应于对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；基于行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值。这样，便可以依据于从不同金融数据平台中获取到的金融产品的产品数据以及历史走势参考值，对金融产品的市场走势进行预测，进而，能够依据于金融产品自身所涉及数据以及历史走势参考值，实现对金融产品所属行业类型的市场走势参考值的预测，可以提高预测结果的准确性。

请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。

所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1所示方法实施例中的金融产品走势的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的金融产品走势的预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种金融产品走势的预测方法，其特征在于，所述预测方法包括：

分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；

针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致；

若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；

响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；

基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；其中，所述预设时间段内包括多个特定时间点；所述预测走势参考值包括该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率；

基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值；其中，所述市场走势参考值包括该行业类型在每个特定时间点的预测浮动值。

2.根据权利要求1所述的预测方法，其特征在于，所述行业金融数据包括行业市值数据和/或行业涨幅数据；所述响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据，包括：

响应于所述对比数据的产生，针对属于该行业类型的每个金融产品，从该金融产品的对比数据中抽取出产品市值数据、该金融产品在第一时间点上的第一资金流入数据以及该金融产品在第二时间点上的第二资金流入数据；

基于每个金融产品的产品市值数据，确定该行业类型的行业市值数据；

基于所述第一资金流入数据和所述第二资金流入数据，确定该金融产品的产品涨幅数据；

基于属于该行业类型的每个金融产品的产品涨幅数据，确定该行业类型的行业涨幅数据。

3.根据权利要求1所述的预测方法，其特征在于，所述基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内预测走势参考值，包括：

针对于每个特定时间点，基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型的行业浮动值在该特定时间点上达到每个候选浮动值的初始浮动概率；

基于该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定该行业类型在预设时间段内预测走势参考值。

4.根据权利要求1所述的预测方法，其特征在于，所述基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值，包括：

参考所述历史走势参考值，通过回归算法调整该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的初始浮动概率，确定该行业类型的行业浮动值在每个特定时间点上达到每个候选浮动值的目标浮动概率；

针对于每个特定时间点，将目标浮动概率最大的候选浮动值确定为该行业类型在该特定时间点上对应的预测浮动值；

基于该行业类型在每个特定时间点上对应的预测浮动值，确定该行业类型的市场走势参考值。

5.根据权利要求4所述的预测方法，其特征在于，通过以下步骤确定所述回归算法：

获取训练集数据；其中，所述训练集数据中包括每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率以及每个样本行业类型在每个特定时间点的预测浮动值；

将每个样本行业类型的样本历史走势参考值、每个样本行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率作为输入特征，将每个样本行业类型在每个特定时间点的预测浮动值作为输出特征，对构建的回归算法所涉及的算法参数进行调整，以得到用于调整行业类型的初始浮动概率的回归算法。

6.根据权利要求1所述的预测方法，其特征在于，所述对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据，包括：

针对于每个金融产品，从该金融产品的任意一个产品数据中抽取出待分析数据；

按照所述走势预测模型的数据接收格式，转换所述待分析数据的数据格式，得到该金融产品的对比数据；

将每个金融产品的对比数据加载至数据库中。

7.根据权利要求1所述的预测方法，其特征在于，所述金融产品包括第一金融产品和第二金融产品；当所述金融产品为第一金融产品时，所述市场走势参考值包括第一市场走势参考值；当所述金融产品为第二金融产品时，所述市场走势参考值包括第二市场走势参考值；所述预测方法还包括：

响应于产品比对操作，针对于每个行业类型，基于该行业类型的第一市场走势参考值和第二市场走势参考值，确定属于该行业类型的第一金融产品与第二金融产品之间的产品走势对比图；

将所述产品走势对比图显示在终端设备的图像用户界面中。

8.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：

响应于行业比对操作，基于每个行业类型的市场走势参考值，确定每个行业类型之间的行业对比走势图；

将所述行业对比走势图显示在终端设备的图像用户界面中。

9.一种金融产品走势的预测装置，其特征在于，所述预测装置包括：

获取模块，用于分别从不同金融数据平台中爬取每个金融产品的多个产品数据以及每个金融产品的历史走势参考值；

一致验证模块，用于针对于每个金融产品，确定该金融产品的所述多个产品数据是否一致；

数据处理模块，用于若一致，对每个金融产品的任意一个产品数据进行数据预处理，过滤得到每个金融产品的对比数据；

数据确定模块，用于响应于所述对比数据的产生，针对于每个行业类型，利用属于该行业类型的每个金融产品的对比数据，确定该行业类型的行业金融数据；

走势预测模块，用于基于所述行业金融数据，通过预先训练的走势预测模型，确定该行业类型在预设时间段内的预测走势参考值；其中，所述预设时间段内包括多个特定时间点；所述预测走势参考值包括该行业类型在每个特定时间点上达到每个候选浮动值的初始浮动概率；

走势调整模块，用于基于该行业类型的预测走势参考值和所述历史走势参考值，通过回归算法确定该行业类型的市场走势参考值；其中，所述市场走势参考值包括该行业类型在每个特定时间点的预测浮动值。

10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至8任一所述的金融产品走势的预测方法的步骤。

Images