CN116739787B - 基于人工智能的交易推荐方法及系统 - Google Patents

基于人工智能的交易推荐方法及系统 Download PDF

Info

Publication number
CN116739787B
CN116739787B CN202311006270.9A CN202311006270A CN116739787B CN 116739787 B CN116739787 B CN 116739787B CN 202311006270 A CN202311006270 A CN 202311006270A CN 116739787 B CN116739787 B CN 116739787B
Authority
CN
China
Prior art keywords
transaction
scale
feature vector
semantic understanding
style
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
Application number
CN202311006270.9A
Other languages
English (en)
Other versions
CN116739787A (zh
Inventor
何鹏鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Eide Network Technology Development Co ltd
Original Assignee
Shenzhen Eide Network Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Eide Network Technology Development Co ltd filed Critical Shenzhen Eide Network Technology Development Co ltd
Priority to CN202311006270.9A priority Critical patent/CN116739787B/zh
Publication of CN116739787A publication Critical patent/CN116739787A/zh
Application granted granted Critical
Publication of CN116739787B publication Critical patent/CN116739787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Technology Law (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

公开了一种基于人工智能的交易推荐方法及系统。其首先获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息，然后，基于所述被服务对象的历史交易数据，生成交易推荐结果。这样，可以基于人工智能的交易推荐方法可以帮助交易者更好地管理风险、适应市场变化，提高交易的成功率和效益。

Description

基于人工智能的交易推荐方法及系统
技术领域
本申请涉及交易推荐领域，且更为具体地，涉及一种基于人工智能的交易推荐方法及系统。
背景技术
随着金融市场的不断发展，参与金融产品的人越来越多，而金融产品种类种类繁多。为帮助用户认知投资风险，了解其风险类型，当前通用的用户风险类型评估方式为基于调查问卷的用户风险类型评估方，即用户通过客户端在线填写调查问卷，然后服务端根据用户填写的内容来评估用户的风险类型。
然而，由于通过调查问卷采集到的用户数据较少，且用户可能存在随机填写调查问卷的情况，从而导致不能准确判断用户的风险类型。如此，则难以实现为用户精准推荐金融产品。
因此，期待一种更为优化的交易推荐方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的交易推荐方法及系统。其可以基于人工智能的交易推荐方法可以帮助交易者更好地管理风险、适应市场变化，提高交易的成功率和效益。
根据本申请的一个方面，提供了一种基于人工智能的交易推荐方法，其包括：
获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；以及
基于所述被服务对象的历史交易数据，生成交易推荐结果。
根据本申请的另一个方面，提供了一种基于人工智能的交易推荐系统，其包括：
历史交易数据获取模块，用于获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；以及
交易推荐结果生成模块，用于基于所述被服务对象的历史交易数据，生成交易推荐结果。
与现有技术相比，本申请提供的基于人工智能的交易推荐方法及系统，其首先获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息，然后，基于所述被服务对象的历史交易数据，生成交易推荐结果。这样，可以基于人工智能的交易推荐方法可以帮助交易者更好地管理风险、适应市场变化，提高交易的成功率和效益。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于人工智能的交易推荐方法的流程图。
图2为根据本申请实施例的基于人工智能的交易推荐方法的架构示意图。
图3为根据本申请实施例的基于人工智能的交易推荐方法的子步骤S120的流程图。
图4为根据本申请实施例的基于人工智能的交易推荐方法的子步骤S121的流程图。
图5为根据本申请实施例的基于人工智能的交易推荐方法的子步骤S1214的流程图。
图6为根据本申请实施例的基于人工智能的交易推荐方法的子步骤S122的流程图。
图7为根据本申请实施例的基于人工智能的交易推荐系统的框图。
图8为根据本申请实施例的基于人工智能的交易推荐方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为：收集和整理交易者的历史交易数据，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息。接下来，利用机器学习算法对历史交易数据进行分析和建模，通过对历史交易数据的学习，模型可以识别和挖掘成功的交易模式和策略。在模型训练完成后，该方法可以根据交易者的偏好、风险承受能力和投资目标，生成个性化的交易推荐。模型可以考虑交易者的投资偏好，例如偏好长期投资还是短期投资，偏好高风险高回报还是低风险稳定回报。同时，模型还可以根据当前市场情况和时效性，生成实时的交易推荐。最后，交易者可以根据这些交易推荐进行决策和交易操作，这种基于人工智能的交易推荐方法可以帮助交易者更好地管理风险、适应市场变化，提高交易的成功率和效益。
图1为根据本申请实施例的基于人工智能的交易推荐方法的流程图。图2为根据本申请实施例的基于人工智能的交易推荐方法的架构示意图。如图1和图2所示，根据本申请实施例的基于人工智能的交易推荐方法，包括步骤：S110，获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；以及，S120，基于所述被服务对象的历史交易数据，生成交易推荐结果。
具体地，在本申请的技术方案中，基于人工智能的交易推荐方法包括如下步骤：首先获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息。
接着，将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量。也就是，使用所述包含嵌入层的语义编码器对所述各次交易数据进行语义编码以得到所述交易数据语义编码特征向量。具体地，首先将所述各次交易数据中的各个数据项通过所述嵌入层转化为数据项嵌入向量以得到对应于各次交易数据的数据项嵌入向量的序列，接着，使用所述语义编码器对所述对应于各次交易数据的数据项嵌入向量的序列进行序列编码以得到所述交易数据语义编码特征向量。
在得到各次交易数据的语义编码特征表示后，即，得到所述多个交易数据语义编码特征向量后，将所述多个交易数据语义编码特征向量通过基于转换器模块的第一交易风格特征提取器以得到第一尺度交易风格语义理解特征向量，同时，将所述多个交易数据语义编码特征向量通过基于GRU模型的第二交易风格特征提取器以得到第二尺度交易风格语义理解特征向量。
特别地，在本申请的技术方案中，所述被服务对象的交易风格（或者说交易特征）可通过对所述被服务交易对象的多次交易数据进行关联编码得到，也就是，从所述多次交易数据中学习到所述被服务对象的交易风格特征，包括投资偏好、投资风格、风险耐受度等。具体地，在本申请的技术方案中，首先使用所述基于转换器模块的第一交易风格特征提取器对所述多个交易数据语义编码特征向量进行基于自注意力机制的全局上下文语义编码以捕捉各次交易数据的交易特征表示的全局上下文关联信息以得到所述第一尺度交易风格语义理解特征向量。
但是，受限于所述转换器模块的编码机制的特性，所述基于转换器模块的第一交易风格特征提取器在提取短程和中程依赖特征方面的能力较弱。然而，在本申请的技术方案中，在所述历史交易数据中不同批次的交易数据之间的关联度是不同的，应可以理解，从概率角度而言，时间相对较近的交易数据之间的关联度较强，而时间相对较远的交易数据之间的关联度较弱。因此，在本申请的技术方案中，进一步使用所述基于GRU模型的第二交易风格特征提取器对所述多个交易数据语义编码特征向量进行序列编码以得到所述第二尺度交易风格语义理解特征向量。
这样，在得到所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量后，融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到多尺度交易风格语义理解特征向量，所述多尺度交易风格语义理解特征向量用于表示交易者的交易风格特征。
相应地，如图3所示，基于所述被服务对象的历史交易数据，生成交易推荐结果，包括：S121，从所述被服务对象的历史交易数据提取多尺度交易风格语义理解特征向量；以及，S122，基于所述多尺度交易风格语义理解特征向量，生成所述交易推荐结果。
更具体地，在步骤S121中，如图4所示，从所述被服务对象的历史交易数据提取多尺度交易风格语义理解特征向量，包括：S1211，将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；S1212，使用第一编码器对所述多个交易数据语义编码特征向量进行特征提取以得到第一尺度交易风格语义理解特征向量；S1213，使用第二编码器对所述多个交易数据语义编码特征向量进行特征提取以得到第二尺度交易风格语义理解特征向量；以及，S1214，融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到所述多尺度交易风格语义理解特征向量。
其中，所述第一编码器为基于转换器模块的第一交易风格特征提取器。应可以理解，转换器模块（Transformer module）是一种用于自然语言处理任务的深度学习模型，它的主要作用是捕捉输入序列中的上下文信息，并将其转化为特征表示。转换器模块的核心是自注意力机制（self-attention），它可以计算输入序列中每个位置的重要性权重，并根据这些权重对输入进行加权求和，这样，模型可以在不依赖于固定窗口大小的情况下，同时考虑到序列中的所有位置信息。在步骤S121中，所述第一编码器采用了基于转换器模块的第一交易风格特征提取器，这意味着第一编码器使用了转换器模块来对多个交易数据语义编码特征向量进行特征提取。通过自注意力机制，第一编码器可以有效地捕捉到交易数据中的上下文信息，提取出第一尺度交易风格语义理解特征向量。换言之，转换器模块在该系统中的作用是提取交易数据的语义信息，并将其转化为特征表示，以便后续的特征融合和分析，通过引入转换器模块，系统可以更好地理解和表示交易数据的多尺度交易风格特征。
其中，所述第二编码器为基于GRU模型的第二交易风格特征提取器。应可以理解，GRU（Gated Recurrent Unit，门控循环单元）是一种循环神经网络（Recurrent NeuralNetwork，RNN）的变种模型，用于处理序列数据，它是由LSTM（Long Short-Term Memory）模型演化而来，通过简化LSTM模型的结构来减少参数数量和计算复杂度。GRU模型的主要作用是解决传统RNN模型中的梯度消失和梯度爆炸问题，以及长期依赖问题，它通过引入门控机制来控制信息的流动和遗忘，从而更好地捕捉序列中的长期依赖关系。GRU模型包含两个重要的门控：更新门（Update Gate）和重置门（Reset Gate）。更新门决定了新的输入信息对于当前状态的更新程度，而重置门决定了当前状态对于新的输入信息的遗忘程度。通过这两个门控机制，GRU模型可以自适应地决定在每个时间步中保留和更新哪些信息。在步骤S121中，所述第二编码器采用了基于GRU模型的第二交易风格特征提取器，这意味着第二编码器使用了GRU模型来对多个交易数据语义编码特征向量进行特征提取。GRU模型可以帮助捕捉交易数据中的长期依赖关系，并提取出第二尺度交易风格语义理解特征向量。换言之，GRU模型在该系统中的作用是解决序列数据中的长期依赖问题，并提取出交易数据的语义特征。
更具体地，在步骤S1214中，如图5所示，融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到所述多尺度交易风格语义理解特征向量，包括：S12141，计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量之间的按位置加权和以得到初始多尺度交易风格语义理解特征向量；S12142，计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到第一可转移性感知因数和第二可转移性感知因数；S12143，以所述第一可转移性感知因数和所述第二可转移性感知因数作为权重值，对所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量进行加权以得到加权后第一尺度交易风格语义理解特征向量和加权后第二尺度交易风格语义理解特征向量；以及，S12144，计算所述加权后第一尺度交易风格语义理解特征向量和所述加权后第二尺度交易风格语义理解特征向量之间按位置加权和以得到所述多尺度交易风格语义理解特征向量。应可以理解，按位置加权和（Position-wise Weighted Sum）是指对两个向量按照位置逐元素进行加权求和的操作。在这个实现步骤中，按位置加权和的目的是将第一尺度交易风格语义理解特征向量和第二尺度交易风格语义理解特征向量进行融合，得到初始的多尺度交易风格语义理解特征向量。按位置加权和的作用是将不同尺度的特征向量进行融合，以综合利用它们的信息。通过调节权重和可转移性感知因数，可以控制每个尺度特征向量的贡献程度，从而得到更准确和有用的多尺度交易风格语义理解特征向量。这样可以更好地表示交易数据的语义特征，提高后续分类任务的性能。
接着将所述多尺度交易风格语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示投资风格类型标签。也就是，使用所述分类器来确定所述多尺度交易风格语义理解特征向量所属的类概率标签，所述类概率标签用于表示投资风格类型标签。这样，在得到所述分类结果后，能够基于所述投资风格类型标签来生成交易推荐结果。这样，通过这种基于人工智能的交易推荐方法，交易者可以获得个性化的、基于历史数据和市场情况的交易建议，从而更好地指导其交易决策和操作。
相应地，如图6所示，基于所述多尺度交易风格语义理解特征向量，生成所述交易推荐结果，包括：S1221，将所述多尺度交易风格语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示投资风格类型标签；以及，S1222，基于所述分类结果，生成所述交易推荐结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一种可能的实现方式中，将所述多尺度交易风格语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示投资风格类型标签，包括：使用所述分类器的全连接层对所述多尺度交易风格语义理解特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，全连接层（Fully Connected Layer）是神经网络中的一种常见层类型，它的每个神经元都与上一层的所有神经元相连，全连接层的作用是将上一层的特征进行线性组合和映射，从而得到更高层次的特征表示。在这种实现方式中，全连接层被用于对多尺度交易风格语义理解特征向量进行全连接编码。全连接编码是指将多尺度交易风格语义理解特征向量输入到全连接层，并通过全连接层的权重参数进行线性映射和编码，得到编码分类特征向量。全连接编码的目的是将高维的特征向量映射到低维的编码向量，以减少特征的维度并提取更重要的特征信息。在这个实现方式中，编码分类特征向量经过全连接编码后，可以作为分类器的输入。分类器使用Softmax分类函数对编码分类特征向量进行分类，将其映射到不同的投资风格类型标签上，Softmax分类函数可以将输入向量的每个元素映射到一个概率值，表示该输入属于各个类别的概率，最终，分类结果就是根据概率最高的类别标签来表示投资风格类型。即，全连接层和全连接编码在这种实现方式中的作用是对多尺度交易风格语义理解特征向量进行线性映射和编码，以得到编码分类特征向量，并通过Softmax分类函数进行分类，得到投资风格类型标签，这样可以将高维的特征向量转化为低维的编码向量，并进行分类任务。
特别地，在本申请的技术方案中，所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量分别表达不同尺度的被服务对象的交易风格特征的语义特征。考虑到所述基于转换器模块的第一交易风格特征提取器和所述基于GRU模型的第二交易风格特征提取器的编码机制差异，使得所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量之间存在比较显著的特征分布差异，这样，在融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到多尺度交易风格语义理解特征向量时，所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量也会具有到所述多尺度交易风格语义理解特征向量的跨语义分布差异的特征分布域转移差异，从而影响所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量的特征融合效果，也就影响了所述多尺度交易风格语义理解特征向量的表达效果。
基于此，本申请的申请人对于所述第一尺度交易风格语义理解特征向量，例如记为和所述第二尺度交易风格语义理解特征向量，例如记为/>，以及所述多尺度交易风格语义理解特征向量，例如记为/>，计算其可转移特征的量化的可转移性感知因数。
相应地，在一个具体示例中，计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到第一可转移性感知因数和第二可转移性感知因数，包括：以如下因数计算公式计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到所述第一可转移性感知因数和所述第二可转移性感知因数；其中，所述因数计算公式为：
其中，表示所述第一尺度交易风格语义理解特征向量，/>表示所述第一尺度交易风格语义理解特征向量的第/>个位置的特征值，/>表示所述多尺度交易风格语义理解特征向量，/>表示所述多尺度交易风格语义理解特征向量的第/>个位置的特征值，/>表示所述第二尺度交易风格语义理解特征向量，/>表示所述第二尺度交易风格语义理解特征向量的第/>个位置的特征值，/>为以2为底的对数函数，且/>是加权超参数，/>表示所述第一可转移性感知因数，/>表示所述第二可转移性感知因数。
这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来分别估计特征空间域到分类目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量进行加权后再使用注意力机制进行特征交互式融合，就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量中的可转移特征的可转移性，以实现域间自适应的特征交互式融合，从而提升了所述多尺度交易风格语义理解特征向量的表达效果。
综上，基于本申请实施例的基于人工智能的交易推荐方法被阐明，其可以基于人工智能的交易推荐方法可以帮助交易者更好地管理风险、适应市场变化，提高交易的成功率和效益。
图7为根据本申请实施例的基于人工智能的交易推荐系统100的框图。如图7所示，根据本申请实施例的基于人工智能的交易推荐系统100，包括：历史交易数据获取模块110，用于获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；以及，交易推荐结果生成模块120，用于基于所述被服务对象的历史交易数据，生成交易推荐结果。
在一个示例中，在上述基于人工智能的交易推荐系统100中，所述交易推荐结果生成模块120，包括：特征向量提取单元，用于从所述被服务对象的历史交易数据提取多尺度交易风格语义理解特征向量；以及，结果生成单元，用于基于所述多尺度交易风格语义理解特征向量，生成所述交易推荐结果。
这里，本领域技术人员可以理解，上述基于人工智能的交易推荐系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于人工智能的交易推荐方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于人工智能的交易推荐系统100可以实现在各种无线终端中，例如具有基于人工智能的交易推荐算法的服务器等。在一个示例中，根据本申请实施例的基于人工智能的交易推荐系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于人工智能的交易推荐系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于人工智能的交易推荐系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的交易推荐系统100与该无线终端也可以是分立的设备，并且该基于人工智能的交易推荐系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的基于人工智能的交易推荐方法的应用场景图。如图8所示，在该应用场景中，首先，获取被服务对象的历史交易数据（例如，图8中所示意的D），其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息，然后，将所述被服务对象的历史交易数据输入至部署有基于人工智能的交易推荐算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述基于人工智能的交易推荐算法对所述被服务对象的历史交易数据进行处理以得到用于表示投资风格类型标签的分类结果。
进一步地，在本申请的另一个实施例中，基于人工智能的交易推荐方法，包括：通过人工智能技术获取和学习各种交易信号，交易策略；对交易产品的行情波动进行特征识别和刻画；通过学习交易者的历史交易数据以及KYC等信息，找到适合此交易者交易风格的预测模型，交易策略，交易信号，做智能推荐；不断收集交易者对每次推荐的反馈进行智能学习和调整来优化推荐。
进一步地，交易品种有各种特征，包括：年化回报率，最大回撤波动率，sharpratio等，各种基本面数据包括：市值规模，行业分类，ROE，财务指标PE，PB等。交易策略/ 信号也有类似的特征，包括：策略风格--高成功率，低sharp ratio或者低成功率，高sharpratio策略行业特性等。KYC包括资产状况，风险承受能力等信息。历史投资记录包括：选择股票类型，行业，规模，操作的风格，风险承受能力等。人工智能不停的学习上述特征，对客户尝试推荐，并收集推荐后的实际成功率，和客户的定期反馈，智能调整客户标签，持续追踪和服务客户。
在该方法中，涉及的算法和模型有：梯度提升决策树算法，最优特征选取，朴素贝叶斯分类模型，多因子模型，集成学习模型，LSTM模型，强化学习模型，贝叶斯机器学习，预测算法，概率逻辑。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (5)

1.一种基于人工智能的交易推荐方法，其特征在于，包括：
获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；以及
基于所述被服务对象的历史交易数据，生成交易推荐结果；
基于所述被服务对象的历史交易数据，生成交易推荐结果，包括：
从所述被服务对象的历史交易数据提取多尺度交易风格语义理解特征向量；以及
基于所述多尺度交易风格语义理解特征向量，生成所述交易推荐结果；
从所述被服务对象的历史交易数据提取多尺度交易风格语义理解特征向量，包括：
将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；
使用第一编码器对所述多个交易数据语义编码特征向量进行特征提取以得到第一尺度交易风格语义理解特征向量；
使用第二编码器对所述多个交易数据语义编码特征向量进行特征提取以得到第二尺度交易风格语义理解特征向量；以及
融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到所述多尺度交易风格语义理解特征向量；
融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到所述多尺度交易风格语义理解特征向量，包括：
计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量之间的按位置加权和以得到初始多尺度交易风格语义理解特征向量；
计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到第一可转移性感知因数和第二可转移性感知因数；
以所述第一可转移性感知因数和所述第二可转移性感知因数作为权重值，对所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量进行加权以得到加权后第一尺度交易风格语义理解特征向量和加权后第二尺度交易风格语义理解特征向量；以及
计算所述加权后第一尺度交易风格语义理解特征向量和所述加权后第二尺度交易风格语义理解特征向量之间按位置加权和以得到所述多尺度交易风格语义理解特征向量；
计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到第一可转移性感知因数和第二可转移性感知因数，包括：
以如下因数计算公式计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到所述第一可转移性感知因数和所述第二可转移性感知因数；
其中，所述因数计算公式为：
其中，V1表示所述第一尺度交易风格语义理解特征向量，表示所述第一尺度交易风格语义理解特征向量的第i个位置的特征值，Vc表示所述多尺度交易风格语义理解特征向量，/>表示所述多尺度交易风格语义理解特征向量的第i个位置的特征值，V2表示所述第二尺度交易风格语义理解特征向量，/>表示所述第二尺度交易风格语义理解特征向量的第i个位置的特征值，log为以2为底的对数函数，且α是加权超参数，w1表示所述第一可转移性感知因数，w2表示所述第二可转移性感知因数。
2.根据权利要求1所述的基于人工智能的交易推荐方法，其特征在于，所述第一编码器为基于转换器模块的第一交易风格特征提取器。
3.根据权利要求2所述的基于人工智能的交易推荐方法，其特征在于，所述第二编码器为基于GRU模型的第二交易风格特征提取器。
4.根据权利要求3所述的基于人工智能的交易推荐方法，其特征在于，基于所述多尺度交易风格语义理解特征向量，生成所述交易推荐结果，包括：
将所述多尺度交易风格语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示投资风格类型标签；以及
基于所述分类结果，生成所述交易推荐结果。
5.一种基于人工智能的交易推荐系统，其特征在于，包括：
历史交易数据获取模块，用于获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；以及
交易推荐结果生成模块，用于基于所述被服务对象的历史交易数据，生成交易推荐结果；
所述交易推荐结果生成模块，包括：
特征向量提取单元，用于从所述被服务对象的历史交易数据提取多尺度交易风格语义理解特征向量；以及
结果生成单元，用于基于所述多尺度交易风格语义理解特征向量，生成所述交易推荐结果；
特征向量提取单元，用于：
将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；
使用第一编码器对所述多个交易数据语义编码特征向量进行特征提取以得到第一尺度交易风格语义理解特征向量；
使用第二编码器对所述多个交易数据语义编码特征向量进行特征提取以得到第二尺度交易风格语义理解特征向量；以及
融合所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量以得到所述多尺度交易风格语义理解特征向量；
特征向量提取单元，用于：
计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量之间的按位置加权和以得到初始多尺度交易风格语义理解特征向量；
计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到第一可转移性感知因数和第二可转移性感知因数；
以所述第一可转移性感知因数和所述第二可转移性感知因数作为权重值，对所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量进行加权以得到加权后第一尺度交易风格语义理解特征向量和加权后第二尺度交易风格语义理解特征向量；以及
计算所述加权后第一尺度交易风格语义理解特征向量和所述加权后第二尺度交易风格语义理解特征向量之间按位置加权和以得到所述多尺度交易风格语义理解特征向量；
以如下因数计算公式计算所述第一尺度交易风格语义理解特征向量和所述第二尺度交易风格语义理解特征向量相对于所述初始多尺度交易风格语义理解特征向量的可转移性感知因数以得到所述第一可转移性感知因数和所述第二可转移性感知因数；
其中，所述因数计算公式为：
其中，V1表示所述第一尺度交易风格语义理解特征向量，表示所述第一尺度交易风格语义理解特征向量的第i个位置的特征值，Vc表示所述多尺度交易风格语义理解特征向量，/>表示所述多尺度交易风格语义理解特征向量的第i个位置的特征值，V2表示所述第二尺度交易风格语义理解特征向量，/>表示所述第二尺度交易风格语义理解特征向量的第i个位置的特征值，log为以2为底的对数函数，且α是加权超参数，w1表示所述第一可转移性感知因数，w2表示所述第二可转移性感知因数。
CN202311006270.9A 2023-08-11 2023-08-11 基于人工智能的交易推荐方法及系统 Active CN116739787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311006270.9A CN116739787B (zh) 2023-08-11 2023-08-11 基于人工智能的交易推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311006270.9A CN116739787B (zh) 2023-08-11 2023-08-11 基于人工智能的交易推荐方法及系统

Publications (2)

Publication Number Publication Date
CN116739787A CN116739787A (zh) 2023-09-12
CN116739787B true CN116739787B (zh) 2023-12-26

Family

ID=87906342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311006270.9A Active CN116739787B (zh) 2023-08-11 2023-08-11 基于人工智能的交易推荐方法及系统

Country Status (1)

Country Link
CN (1) CN116739787B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993504B (zh) * 2023-09-25 2023-12-29 湖南华菱电子商务有限公司 一种钢材交易信息服务平台及交易数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723528A (zh) * 2022-04-11 2022-07-08 青岛文达通科技股份有限公司 基于知识图谱的商品个性化推荐方法及系统
CN114741604A (zh) * 2022-04-25 2022-07-12 大连理工大学 基于多模态数据融合的商品推荐方法
CN115630223A (zh) * 2022-09-28 2023-01-20 嘉兴南湖学院 基于多模型融合的服务推荐方法及推荐系统
CN116523583A (zh) * 2022-12-09 2023-08-01 长春光华学院 电子商务数据分析系统及其方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11687829B2 (en) * 2020-04-28 2023-06-27 Optum Services (Ireland) Limited Artificial intelligence recommendation system
US11941000B2 (en) * 2021-04-16 2024-03-26 International Business Machines Corporation Cognitive generation of tailored analogies

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723528A (zh) * 2022-04-11 2022-07-08 青岛文达通科技股份有限公司 基于知识图谱的商品个性化推荐方法及系统
CN114741604A (zh) * 2022-04-25 2022-07-12 大连理工大学 基于多模态数据融合的商品推荐方法
CN115630223A (zh) * 2022-09-28 2023-01-20 嘉兴南湖学院 基于多模型融合的服务推荐方法及推荐系统
CN116523583A (zh) * 2022-12-09 2023-08-01 长春光华学院 电子商务数据分析系统及其方法

Also Published As

Publication number Publication date
CN116739787A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Zhang et al. Comparison of econometric models and artificial neural networks algorithms for the prediction of baltic dry index
CN108876044B (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN109598387A (zh) 基于双向跨模态注意力网络模型的股价预测方法及系统
CN116739787B (zh) 基于人工智能的交易推荐方法及系统
CN115146764A (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
Wu et al. Conditional mutual information-based contrastive loss for financial time series forecasting
Lotfi et al. Artificial intelligence methods: toward a new decision making tool
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
Wimmer et al. Leveraging vision-language models for granular market change prediction
Zhang et al. Deep reinforcement learning for stock prediction
CN112541530B (zh) 针对聚类模型的数据预处理方法及装置
Davis et al. Predicting direction shifts on Canadian–US exchange rates with artificial neural networks
Gao et al. Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network
Xie et al. Exploration of stock portfolio investment construction using deep learning neural network
CN116702976A (zh) 基于建模动态企业关系的企业资源预测方法以及装置
Panchal et al. Efficient attribute evaluation, extraction and selection techniques for data classification
Xiong et al. L-RBF: A customer churn prediction model based on lasso+ RBF
Lunga et al. Online forecasting of stock market movement direction using the improved incremental algorithm
Gupta et al. Fuzzy system for facial emotion recognition
Shen et al. Bitcoin Return Volatility Forecasting: A Comparative Study of GARCH Model and Machine Learning Model
CN118014738B (zh) 基于人工智能的人寿保险推荐方法及系统
ERIZAL et al. Performance Evaluation of Stock Prediction Models using EMAGRU
Nayak et al. CRODNM: Chemical Reaction optimization of dendritic neuron models for forecasting net asset values of mutual funds
CN118518842B (zh) 基于多模态数据融合和智能优化的水质检测方法和系统
Pongsena et al. Deep Learning for Financial Time-Series Data Analytics: An Image Processing Based Approach

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