CN116777506A - 一种基于生成式ai服务的大宗品交易决策方法及系统 - Google Patents

一种基于生成式ai服务的大宗品交易决策方法及系统 Download PDF

Info

Publication number
CN116777506A
CN116777506A CN202310550645.1A CN202310550645A CN116777506A CN 116777506 A CN116777506 A CN 116777506A CN 202310550645 A CN202310550645 A CN 202310550645A CN 116777506 A CN116777506 A CN 116777506A
Authority
CN
China
Prior art keywords
information data
neural network
network model
artificial neural
transaction information
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.)
Pending
Application number
CN202310550645.1A
Other languages
English (en)
Inventor
周涌
杨宗芳
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.)
Jinan Mingquan Digital Commerce Co ltd
Original Assignee
Jinan Mingquan Digital Commerce 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 Jinan Mingquan Digital Commerce Co ltd filed Critical Jinan Mingquan Digital Commerce Co ltd
Priority to CN202310550645.1A priority Critical patent/CN116777506A/zh
Publication of CN116777506A publication Critical patent/CN116777506A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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

Abstract

本发明涉及人工智能技术领域，尤其是涉及一种基于生成式AI服务的大宗品交易决策方法及系统。所述方法包括：获取交易信息数据；对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；构建人工神经网络模型；利用预处理的交易信息数据对人工神经网络模型进行训练并验证；利用人工神经网络模型对用于预测市场趋势的特征进行分析；输出预测结果。本发明的技术方案可以帮助计算机生成自然、连贯的文本或语音。在该方案中，生成式人工智能技术主要应用于分析结果的呈现。通过对市场数据进行分析、预测和提取交易信号，该系统可以自动生成市场分析报告，并以自然、连贯的语言形式呈现给交易者。

Description

一种基于生成式AI服务的大宗品交易决策方法及系统
技术领域
本发明涉及人工智能技术领域，尤其是涉及一种基于生成式AI服务的大宗品交易决策方法及系统。
背景技术
随着大宗商品交易市场的不断发展，交易规模不断扩大，参与者也越来越多。在这个背景下，如何快速、准确地进行交易决策成为了交易者面临的重要问题。目前，虽然存在一些交易决策辅助系统，但这些系统大多需要手动输入相关数据，这些数据的来源多种多样，处理的方式和模型也不尽相同，相当一部分的数据和判断需要人力解决，所以精度和实时性都无法满足实际需求，而且，当前的交易决策系统大多围绕生产企业展开，而当前”产业链一体化”是产业健康发展的基石，所以厂商一体的生态共存才是一个健康的发展方向，而AI技术带动了很多产业的发展，具有广阔的前景，因此亟需一种基于生成式AI服务的大宗品交易决策方法及系统。
发明内容
为了解决上述提到的问题，本发明提供一种基于生成式AI服务的大宗品交易决策方法及系统。
第一方面，本发明提供的一种基于生成式AI服务的大宗品交易决策方法，采用如下的技术方案：
一种基于生成式AI服务的大宗品交易决策方法，包括：
获取交易信息数据；
对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
构建人工神经网络模型；
利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
利用人工神经网络模型对用于预测市场趋势的特征进行分析；
输出预测结果。
进一步地，所述获取交易信息数据，包括交易价格、交易量和宏观经济指标。
进一步地，所述对获取的交易信息数据进行预处理，包括对交易信息数据进行去除噪声、填充缺失值和标准化操作。
进一步地，所述提取用于预测市场趋势的特征，包括从预处理后的交易信息数据中，利用计算技术指标方法和主成分分析方法筛选出用于预测市场趋势的特征。
进一步地，所述构建人工神经网络模型，包括定义网络结构，并置隐藏层的数量和神经元的数量，选择激活函数以及损失函数。
进一步地，所述利用预处理的交易信息数据对人工神经网络模型进行训练并验证，包括将预处理后的交易信息数据分为训练集和验证集，利用训练集对人工神经网络模型进行训练，调整权重和偏置以最小化损失函数，利用验证集验证人工神经网络模型的表现。
进一步地，所述利用人工神经网络模型对用于预测市场趋势的特征进行分析，包括将交易信息数据输入至人工神经网络模型中，预测得到未来一段时间内的价格和交易量趋势。
第二方面，一种基于生成式AI服务的大宗品交易决策系统，包括：
数据获取模块，被配置为，获取交易信息数据；
预处理模块，被配置为，对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
模型模块，被配置为，构建人工神经网络模型；
训练模块，被配置为，利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
预测模块，被配置为，利用人工神经网络模型对用于预测市场趋势的特征进行分析；并输出预测结果。
第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于生成式AI服务的大宗品交易决策方法。
第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于生成式AI服务的大宗品交易决策方法。
综上所述，本发明具有如下的有益技术效果：
本发明的技术方案可以帮助计算机生成自然、连贯的文本或语音。在该方案中，生成式人工智能技术主要应用于分析结果的呈现。通过对市场数据进行分析、预测和提取交易信号，该系统可以自动生成市场分析报告，并以自然、连贯的语言形式呈现给交易者。例如，当系统发现某个商品价格有可能上涨时，会生成一段自然语言描述，告诉交易者该商品价格可能会上涨，以提醒交易者抓住机会。总之，该系统利用生成式人工智能技术为交易者提供了一种全面的市场分析工具，可以帮助他们更好地把握市场机会。
附图说明
图1是本发明实施例1的一种基于生成式AI服务的大宗品交易决策方法的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1，本实施例的一种基于生成式AI服务的大宗品交易决策方法，包括：
获取交易信息数据；
对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
构建人工神经网络模型；
利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
利用人工神经网络模型对用于预测市场趋势的特征进行分析；
输出预测结果。
进一步地，所述获取交易信息数据，包括交易价格、交易量和宏观经济指标。
进一步地，所述对获取的交易信息数据进行预处理，包括对交易信息数据进行去除噪声、填充缺失值和标准化操作。
进一步地，所述提取用于预测市场趋势的特征，包括从预处理后的交易信息数据中，利用计算技术指标方法和主成分分析方法筛选出用于预测市场趋势的特征。
进一步地，所述构建人工神经网络模型，包括定义网络结构，并置隐藏层的数量和神经元的数量，选择激活函数以及损失函数。
进一步地，所述利用预处理的交易信息数据对人工神经网络模型进行训练并验证，包括将预处理后的交易信息数据分为训练集和验证集，利用训练集对人工神经网络模型进行训练，调整权重和偏置以最小化损失函数，利用验证集验证人工神经网络模型的表现。
进一步地，所述利用人工神经网络模型对用于预测市场趋势的特征进行分析，包括将交易信息数据输入至人工神经网络模型中，预测得到未来一段时间内的价格和交易量趋势。
具体的，
本实施例的一种基于生成式AI服务的大宗品交易决策方法，包括以下步骤：
S1.获取交易信息数据；
数据获取主要包括市场行情分析、交易历史分析、基本面数据分析等多种手段。其中，市场行情分析可以通过监控市场价格变化，了解市场供需情况和投资者情绪波动，以及分析市场交易量和成交价等信息。交易历史分析可以通过对历史交易数据的统计和分析，了解市场价格走势和交易行为规律。基本面数据分析则可以通过收集和分析大宗商品相关的经济、政治和社会数据，了解市场供需基本面情况。需要收集相关的市场数据，例如历史价格、交易量、宏观经济指标等。
举例来说，可以通过以下方式获取大宗商品市场数据：
期货市场数据：通过监控期货市场的价格、成交量、持仓量等数据，了解市场情绪和交易行为规律。例如，我们可以收集上海期货交易所的甲醇期货数据，分析价格走势和成交量变化，预测未来市场趋势。
基本面数据：通过收集和分析大宗商品相关的经济、政治和社会数据，了解市场供需基本面情况。例如，我们可以收集国内外甲醇和尿素生产企业的产能、库存和销售数据，分析供需关系和市场前景。
外汇市场数据：通过监控外汇市场的汇率变化，了解市场情绪和资金流向。例如，我们可以收集美元兑人民币汇率数据，分析美元对大宗商品价格的影响。
总之，系统利用多种手段获取与大宗商品交易相关的数据，覆盖了各种大宗商品品种和交易市场，并通过分析这些数据，为用户提供全面、准确的市场分析和预测服务。
S2.对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
其中，预处理包括去除噪声、填充缺失值、标准化等，从预处理后的数据中提取有助于预测市场趋势的特征。这可以包括计算技术指标（如移动平均、相对强弱指数等），或者通过其他特征选择技术（如主成分分析、递归特征消除等）来筛选有用的特征。
作为进一步地实施方式，如处理一个涉及大宗商品交易（例如石油）的数据集。预处理后的交易信息数据可能包括每日的开盘价、最高价、最低价、收盘价、交易量等。
计算技术指标方法：使用这些数据计算各种技术指标，如移动平均线（MA）、相对强弱指数（RSI）、布林带（Bollinger Bands）等。例如，可以计算10日和30日的移动平均线，以帮助捕捉短期和长期的价格趋势。
主成分分析方法：主成分分析（PCA）是一种常用的降维技术，它可以从大量的数据中提取出最重要的特征。在这个例子中，可能会使用PCA来分析各个技术指标以及其他交易信息的相关性，然后选择那些对预测市场趋势最具影响力的特征。
在这个过程中，可以发现，例如，10日和30日的移动平均线、RSI值以及交易量等是预测石油市场趋势的关键特征。这些特征会被用于训练我们的生成式AI模型，帮助我们预测市场趋势，从而做出更好的交易决策。
以下是一个数据预处理的案例。假设要对一份销售数据进行预处理。首先，会检查数据中是否存在重复项，并将其删除。接着，会检查每个数据是否缺失关键信息，如日期、销售额等。如果缺失，会根据其他数据进行推断或补全。最后，会将数据转换成标准格式，如将日期统一为“年-月-日”的格式，销售额统一为人民币元等。通过这些预处理，可以得到一份干净、规范的数据集，为后续的分析和决策提供支持。
S3.构建人工神经网络模型；
其中，构建一个人工神经网络（ANN）模型来进行市场趋势分析，首先，需要定义网络结构，例如设置隐藏层的数量和神经元的数量。接着，可以选择激活函数（如ReLU、Sigmoid等）以及损失函数（如均方误差、交叉熵等）。
S4.利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
其中，将收集到的数据集分为训练集和验证集。使用训练集对ANN模型进行训练，调整权重和偏置以最小化损失函数。在训练过程中，可以采用不同的优化算法（如梯度下降、Adam等）来加速收敛。同时，使用验证集评估模型的表现，防止过拟合。
作为进一步地实施方式，
假设正在处理一个涉及大宗商品交易的数据集，数据包括每日的开盘价、最高价、最低价、收盘价、交易量等。
首先，将预处理后的交易信息数据分为两部分：训练集和验证集。一般情况下，可能会使用80%的数据作为训练集，剩下的20%作为验证集。这样可以保证模型在未见过的数据上的表现。
然后，将利用训练集对人工神经网络模型进行训练。在这个过程中，需要调整模型的权重和偏置以最小化损失函数。损失函数是一个数学函数，它用于衡量模型预测的结果与实际结果之间的差距。实施的目标是通过调整权重和偏置来最小化这个差距。
训练过程可能会经历数百或数千次的迭代，每次迭代都会根据损失函数的梯度（即方向）更新权重和偏置。这个过程通常被称为反向传播。
最后，使用验证集来验证模型的表现。验证集用于模拟模型在实际环境中的表现。通过计算模型在验证集上的预测结果与实际结果之间的差距，以评估模型的性能。
如果模型在验证集上的表现满足预期，那么就可以将该模型用于实际的大宗商品交易决策。
S5.利用人工神经网络模型对用于预测市场趋势的特征进行分析；
训练好的ANN模型可以用于预测市场趋势。通过将实时市场数据输入模型，可以得到未来一段时间内的趋势预测。根据预测结果，可以为投资者提供有关市场趋势的信息，从而辅助他们做出更明智的投资决策。
作为进一步地实施方式，
以使用随机森林算法进行价格预测为例，
步骤1：数据收集与预处理
首先，需要收集相关的市场数据，例如历史价格、交易量、宏观经济指标等。然后对这些数据进行预处理，包括去除噪声、填充缺失值、标准化等，以便更好地进行特征提取和模型训练。
步骤2：特征提取与选择
接下来，需要从预处理后的数据中提取有助于预测价格的特征。这可以包括计算技术指标（如移动平均、相对强弱指数等），或者通过其他特征选择技术（如主成分分析、递归特征消除等）来筛选有用的特征。
以使用移动平均线进行交易信号提取为例，
移动平均线（Moving Average, MA）是一种常用的技术指标，用于分析市场价格走势。它通过计算一段时间内价格的平均值来消除价格波动，从而更清晰地展示价格趋势。
（1）计算移动平均线
首先，选择一个时间窗口，例如10天、30天或50天等。接着，计算每个时间窗口内价格的平均值。例如，可以计算10天移动平均线（10-day MA）如下：10-day MA = (P1 + P2 +... + P10) / 10；其中，P1、P2等分别代表过去10天的价格。
（2）识别交易信号
通过比较不同时间窗口的移动平均线，可以识别出交易信号。例如，可以比较短期移动平均线（如10天）和长期移动平均线（如50天）。当短期移动平均线上穿长期移动平均线时（即短期移动平均线的值大于长期移动平均线的值），这是一个买入信号，表示价格可能会上涨；而当短期移动平均线下穿长期移动平均线时（即短期移动平均线的值小于长期移动平均线的值），这是一个卖出信号，表示价格可能会下跌。
（3）利用交易信号
交易者可以根据提取出的交易信号来制定投资策略。例如，当收到买入信号时，交易者可以考虑买入相关资产；而当收到卖出信号时，交易者可以考虑卖出相关资产。需要注意的是，移动平均线只是众多技术指标之一，交易者还可以结合其他技术指标、基本面分析和情感分析等来制定更全面的投资策略。
这个示例展示了如何使用移动平均线进行交易信号提取。当然，实际应用中还可以尝试其他的技术指标，如相对强弱指数（RSI）、布林带等，以更好地把握市场机会。
步骤3：构建随机森林模型
随机森林是一种集成学习方法，通过构建多个决策树并进行投票来进行预测。首先，需要确定要构建的决策树数量。接着，对于每棵决策树，从数据集中随机抽取一个子集（有放回抽样），并在这个子集上训练决策树。在构建每棵决策树时，还需要随机选择一部分特征作为候选分裂特征。
步骤4：训练与验证
将收集到的数据集分为训练集和验证集。使用训练集对随机森林模型进行训练。在训练过程中，每棵决策树都会根据所选的子集和特征进行训练。同时，使用验证集评估模型的表现，防止过拟合。可以通过调整随机森林的参数（如决策树数量、树的最大深度等）来优化模型的性能。
步骤5：价格预测
训练好的随机森林模型可以用于预测价格。通过将实时市场数据输入模型，可以得到未来一段时间内的价格预测。根据预测结果，可以为投资者提供有关市场价格的信息，从而辅助他们做出更明智的投资决策。
这个示例展示了如何使用随机森林算法进行价格预测。当然，实际应用中还可以尝试其他的机器学习算法，如线性回归、决策树等，以提高预测的准确性和稳定性
最后，系统会提取交易信号，以帮助交易者发现更多的交易机会。这可以使用各种技术来实现，例如技术分析、基本分析和情感分析。例如，可以使用移动平均线、相对强弱指数（RSI）或布林带等技术指标来识别交易信号，以帮助交易者更好地把握市场机会。
S6.输出预测结果。
实施例2
本实施例提供一种基于生成式AI服务的大宗品交易决策系统，包括：
数据获取模块，被配置为，获取交易信息数据；
预处理模块，被配置为，对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
模型模块，被配置为，构建人工神经网络模型；
训练模块，被配置为，利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
预测模块，被配置为，利用人工神经网络模型对用于预测市场趋势的特征进行分析；并输出预测结果。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种基于生成式AI服务的大宗品交易决策方法，其特征在于，包括：
获取交易信息数据；
对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
构建人工神经网络模型；
利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
利用人工神经网络模型对用于预测市场趋势的特征进行分析；
输出预测结果。
2.根据权利要求1所述的一种基于生成式AI服务的大宗品交易决策方法，其特征在于，所述获取交易信息数据，包括交易价格、交易量和宏观经济指标。
3.根据权利要求2所述的一种基于生成式AI服务的大宗品交易决策方法，其特征在于，所述对获取的交易信息数据进行预处理，包括对交易信息数据进行去除噪声、填充缺失值和标准化操作。
4.根据权利要求3所述的一种基于生成式AI服务的大宗品交易决策方法，其特征在于，所述提取用于预测市场趋势的特征，包括从预处理后的交易信息数据中，利用计算技术指标方法和主成分分析方法筛选出用于预测市场趋势的特征。
5.根据权利要求4所述的一种基于生成式AI服务的大宗品交易决策方法，其特征在于，所述构建人工神经网络模型，包括定义网络结构，并置隐藏层的数量和神经元的数量，选择激活函数以及损失函数。
6.根据权利要求5所述的一种基于生成式AI服务的大宗品交易决策方法，其特征在于，所述利用预处理的交易信息数据对人工神经网络模型进行训练并验证，包括将预处理后的交易信息数据分为训练集和验证集，利用训练集对人工神经网络模型进行训练，调整权重和偏置以最小化损失函数，利用验证集验证人工神经网络模型的表现。
7.根据权利要求6所述的一种基于生成式AI服务的大宗品交易决策方法，其特征在于，所述利用人工神经网络模型对用于预测市场趋势的特征进行分析，包括将交易信息数据输入至人工神经网络模型中，预测得到未来一段时间内的价格和交易量趋势。
8.一种基于生成式AI服务的大宗品交易决策系统，其特征在于，包括：
数据获取模块，被配置为，获取交易信息数据；
预处理模块，被配置为，对获取的交易信息数据进行预处理，并提取用于预测市场趋势的特征；
模型模块，被配置为，构建人工神经网络模型；
训练模块，被配置为，利用预处理的交易信息数据对人工神经网络模型进行训练并验证；
预测模块，被配置为，利用人工神经网络模型对用于预测市场趋势的特征进行分析；并输出预测结果。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于生成式AI服务的大宗品交易决策方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种基于生成式AI服务的大宗品交易决策方法。
CN202310550645.1A 2023-05-16 2023-05-16 一种基于生成式ai服务的大宗品交易决策方法及系统 Pending CN116777506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310550645.1A CN116777506A (zh) 2023-05-16 2023-05-16 一种基于生成式ai服务的大宗品交易决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310550645.1A CN116777506A (zh) 2023-05-16 2023-05-16 一种基于生成式ai服务的大宗品交易决策方法及系统

Publications (1)

Publication Number Publication Date
CN116777506A true CN116777506A (zh) 2023-09-19

Family

ID=87993953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310550645.1A Pending CN116777506A (zh) 2023-05-16 2023-05-16 一种基于生成式ai服务的大宗品交易决策方法及系统

Country Status (1)

Country Link
CN (1) CN116777506A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110137821A1 (en) * 2009-12-07 2011-06-09 Predictive Technologies Group, Llc Calculating predictive technical indicators
CN109034915A (zh) * 2018-09-03 2018-12-18 王昆 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统
CN109190834A (zh) * 2018-09-12 2019-01-11 百色学院 基于神经网络的股票价格趋势预测方法及系统
CN110782096A (zh) * 2019-10-29 2020-02-11 山东科技大学 一种外汇时间序列预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110137821A1 (en) * 2009-12-07 2011-06-09 Predictive Technologies Group, Llc Calculating predictive technical indicators
CN109034915A (zh) * 2018-09-03 2018-12-18 王昆 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统
CN109190834A (zh) * 2018-09-12 2019-01-11 百色学院 基于神经网络的股票价格趋势预测方法及系统
CN110782096A (zh) * 2019-10-29 2020-02-11 山东科技大学 一种外汇时间序列预测方法

Similar Documents

Publication Publication Date Title
US7110970B2 (en) Methods and apparatus for rapid deployment of a valuation system
CN111861698B (zh) 一种基于贷款多头数据的贷前审批预警方法及系统
CN111476660A (zh) 一种基于数据分析的智能风控系统及方法
Rezaei et al. A neural network approach for retailer risk assessment in the aftermarket industry
Ruyu et al. A comparison of credit rating classification models based on spark-evidence from lending-club
Sheikhi et al. Financial distress prediction using distress score as a predictor
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
CN111046947A (zh) 分类器的训练系统及方法、异常样本的识别方法
Wagdi et al. The integration of big data and artificial neural networks for enhancing credit risk scoring in emerging markets: Evidence from Egypt
KR102499182B1 (ko) 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템
CN116777506A (zh) 一种基于生成式ai服务的大宗品交易决策方法及系统
Heryadi et al. Foreign exchange prediction using machine learning approach: A pilot study
Shah Developing financial distress prediction models using cutting edge recursive partitioning techniques: a study of Australian mining performance
CN114626940A (zh) 数据分析方法、装置及电子设备
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
Wardhani et al. COMPARISON ARTIFICIAL NEURAL NETWORK METHODS OF BACKPROPAGATION AND LEARNING VECTOR QUANTIZATION FOR FORECASTING STOCK PRICES
Khoraskani et al. Application and comparison of neural network, C5. 0, and classification and regression trees algorithms in the credit risk evaluation problem (case study: a standard German credit dataset)
Van Calster et al. Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective
Wikamulia et al. Predictive business intelligence dashboard for food and beverage business
Emam et al. The artificial neural network for forecasting foreign exchange rates
Dhuhita et al. Gold Price Prediction Based On Yahoo Finance Data Using Lstm Algorithm
KR102334923B1 (ko) 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
Sinha et al. Stock Prices Forecasting using Time Series Analysis with Arima
CN117114812A (zh) 一种针对企业的金融产品推荐方法及装置
Gòdia Solé Financial bankruptcy prediction with the use of artificial intelligence

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