CN117114890A - 资源信息处理方法、装置、计算机设备和存储介质 - Google Patents
资源信息处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117114890A CN117114890A CN202311070472.XA CN202311070472A CN117114890A CN 117114890 A CN117114890 A CN 117114890A CN 202311070472 A CN202311070472 A CN 202311070472A CN 117114890 A CN117114890 A CN 117114890A
- Authority
- CN
- China
- Prior art keywords
- resource
- resource input
- information
- risk
- input
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 36
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims description 18
- 238000013058 risk prediction model Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 20
- 238000012502 risk assessment Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品,涉及金融科技技术领域。所述方法包括:基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;根据第一资源投入数量预测信息和第一资源投入风险预测信息,确定第二资源投入数量设置信息;基于预建立的资源投入风险预测下层模型,确定对应于第二资源投入数量设置信息的第二资源投入风险预测信息;根据第二资源投入数量设置信息和第二资源投入风险预测信息,确定针对各资源投入项目的目标资源投入数量设置信息。采用本方法能够提升资源投入数量信息生成的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
资源投入过程是收益和风险的平衡过程,资源投入方利用技术手段进行资源操作措施的调整,得到资源投入数量信息,全方位识别、评估、控制资源投入的风险,尽可能提升资源投入的收益。目前,资源投入数量信息生成方式是利用风险量化模型计算风险值,结合计算结果实现针对资源投入项目的资源投入数量信息的生成。
然而,当前的针对资源投入项目的风险评估手段,对于风险波动大、风险因素多的复杂场景,存在针对资源投入数量信息生成的准确性较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升资源投入数量信息生成的准确性的资源信息处理方法、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,本申请提供了一种资源信息处理方法。所述方法包括:
基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
在其中一个实施例中,所述基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息,包括:
构建所述资源投入风险预测上层模型对应的第一线性规划问题;
以最小化所述资源投入风险预测上层模型输出资源投入风险信息的值为求解目标,以所述资源投入数量信息的值小于或等于预设的资源投入阈值为第一约束条件,以所述资源投入风险信息的值小于或等于预设的风险阈值为第二约束条件,求解所述第一线性规划问题,得到所述资源投入项目对应的资源投入风险信息;
将求解得到的所述资源投入项目对应的资源投入风险信息,作为所述第一资源投入风险预测信息。
在其中一个实施例中,所述基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息,包括:
构建所述资源投入风险预测下层模型对应的第二线性规划问题;
以最小化所述资源投入风险预测模型下层输出风险发生概率信息的值为求解目标,以实施所述风险因素的资源操作措施后产生的资源投入损失信息的值小于或等于所述第二资源投入数量设置信息为约束条件,求解所述第二线性规划问题,得到所述针对至少一个风险因素的资源操作措施对应的风险发生概率信息;
将求解到的所述风险发生概率信息对应的资源投入风险信息,作为所述第二资源投入风险预测信息。
在其中一个实施例中,所述根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息,包括:
将所述第一资源投入数量预测信息和所述第一资源投入风险预测信息发送至资源投入方的客户端;
获取客户端根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息反馈的所述第二资源投入数量设置信息。
在其中一个实施例中,所述获取客户端根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息反馈的所述第二资源投入数量设置信息,包括:
在所述客户端中显示所述第一资源投入数量预测信息和所述第一资源投入风险预测信息;
获取所述资源投入方通过所述客户端反馈的所述第二资源投入数量设置信息。
在其中一个实施例中,所述根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息,包括:
将所述第二资源投入数量设置信息和所述第二资源投入风险预测信息发送至资源投入方的客户端;
获取客户端根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息反馈的所述目标资源投入数量设置信息。
在其中一个实施例中,所述获取客户端根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息反馈的所述目标资源投入数量设置信息,包括:
在所述客户端中显示所述第二资源投入数量设置信息和所述第二资源投入风险预测信息;
获取所述资源投入方通过所述客户端反馈的所述目标资源投入数量设置信息。
第二方面,本申请还提供了一种资源信息处理装置。所述装置包括:
上层模型预测模块,用于基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
第二资源投入数量设置信息确定模块,用于根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
下层模型预测模块,用于基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
目标资源投入数量设置信息确定模块,用于根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
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以下步骤:
基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
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以下步骤:
基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
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以下步骤:
基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
上述资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品,首先基于上层模型确定针对各资源投入项目对应的第一资源投入数量预测信息和第一资源投入风险预测信息,然后确定第二资源投入数量设置信息,进而基于下层模型确定第二资源投入风险预测信息,最后确定针对各资源投入项目的目标资源投入数量设置信息,通过引入至少一个风险因素的资源操作措施的风险评估过程,全面地反映实际风险投资管理过程中遇得到的多重且复杂的风险情况,提升了针对风险波动大、风险因素多的应用场景的风险评估能力,进而提升资源投入数量信息生成的准确性。
附图说明
图1为一个实施例中资源信息处理方法的应用环境图;
图2为一个实施例中资源信息处理方法的流程示意图;
图3为另一个实施例中资源信息处理方法的流程示意图;
图4为另一个实施例中资源信息处理方法的流程示意图;
图5为一个实施例中资源信息处理方法的原理示例图;
图6为一个实施例中资源信息处理装置的结构框图;
图7为一个实施例中计算机设备的内部结构图;
图8为另一个实施例中计算机设备的内部结构图。
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。
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,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要说明的是,本申请公开的资源信息处理方法、装置、计算机设备、存储介质和计算机程序产品可应用于金融科技领域,也可用于除金融科技领域之外的任意领域。
本申请实施例提供的资源信息处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。
其中,终端102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、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种资源信息处理方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S201,基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息。
其中,资源投入风险预测上层模型为预建立的用于进行风险评估的线性规划模型,可简称为上层模型,上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系。
其中,资源投入项目记为i,表示投资的项目。
其中,第一资源投入数量预测信息记为Bi,表征上层模型输出的针对投资项目i的投资金额的预测值。
其中,第一资源投入风险预测信息记为Ri(Bi),表征上层模型输出的针对投资项目i的投资风险的预测值。
S202,根据第一资源投入数量预测信息和第一资源投入风险预测信息,确定第二资源投入数量设置信息。
其中,第二资源投入数量设置信息记为表征投资者根据第一资源投入数量预测信息来针对投资项目i的初步投资设置值。
S203,基于预建立的资源投入风险预测下层模型,确定对应于第二资源投入数量设置信息的第二资源投入风险预测信息。
其中,资源投入风险预测下层模型为预建立的另一个用于进行风险评估的线性规划模型,可简称为下层模型,下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系。
其中,第二资源投入风险预测信息记为表征下层模型针对用户设置的第二资源投入数量设置信息进行预测,得到的针对投资项目i的投资风险的预测值。
S204,根据第二资源投入数量设置信息和第二资源投入风险预测信息,确定针对各资源投入项目的目标资源投入数量设置信息。
其中,目标资源投入数量设置信息,表征经过上层模型和下层模型的共同作用,且在与投资者的信息交互之后得到的针对投资项目i的后续投资设置值。
需要说明的是,资源投入表示投资的含义;资源投入方指投资人;进行资源操作措施的调整,表示投资人利用技术方法和经济手段进行投资风险管理;资源投入数量信息,表示针对项目的投资金额;资源投入风险信息表征投资项目的风险。
上述资源信息处理方法中,首先基于上层模型确定针对各资源投入项目对应的第一资源投入数量预测信息和第一资源投入风险预测信息,然后确定第二资源投入数量设置信息,进而基于下层模型确定第二资源投入风险预测信息,最后确定针对各资源投入项目的目标资源投入数量设置信息,通过引入至少一个风险因素的资源操作措施的风险评估过程,全面地反映实际风险投资管理过程中遇得到的多重且复杂的风险情况,提升了针对风险波动大、风险因素多的应用场景的风险评估能力,进而提升资源投入数量信息生成的准确性。
在一个实施例中,基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息,包括:构建资源投入风险预测上层模型对应的第一线性规划问题;以最小化资源投入风险预测上层模型输出资源投入风险信息的值为求解目标,以资源投入数量信息的值小于或等于预设的资源投入阈值为第一约束条件,以资源投入风险信息的值小于或等于预设的风险阈值为第二约束条件,求解第一线性规划问题,得到资源投入项目对应的资源投入风险信息;将求解得到的资源投入项目对应的资源投入风险信息,作为第一资源投入风险预测信息。
其中,资源投入阈值记为Bmax,表征最大预算额;风险阈值记为Rmax,表征最大风险水平。
示例性地,第一线性规划问题的求解目标为第一约束条件为第二约束条件为Ri(Bi)≤Rmax,i=0,1,…M。
本实施例中,首先构建资源投入风险预测上层模型对应的第一线性规划问题,然后求解第一线性规划问题,得到资源投入项目对应的资源投入风险信息,并将其作为第一资源投入风险预测信息,提升了针对资源投入项目的初步投入数量信息的风险评估准确性,为资源投入方提供了准确的投资方案。
在一个实施例中,基于预建立的资源投入风险预测下层模型,确定对应于第二资源投入数量设置信息的第二资源投入风险预测信息,包括:构建资源投入风险预测下层模型对应的第二线性规划问题;以最小化资源投入风险预测模型下层输出风险发生概率信息的值为求解目标,以实施风险因素的资源操作措施后产生的资源投入损失信息的值小于或等于第二资源投入数量设置信息为约束条件,求解第二线性规划问题,得到针对至少一个风险因素的资源操作措施对应的风险发生概率信息;将求解到的风险发生概率信息对应的资源投入风险信息,作为第二资源投入风险预测信息。
其中,针对至少一个风险因素的资源操作措施记为xhj,表征对投资项目i中风险因素h和风险等级j采取的管理措施;风险发生概率信息fhj(xhj)表示投资项目i在风险因素h和风险等级j下风险发生概率。
示例性的,第二线性规划问题的求解目标为约束条件为/>求解结果为/>
本实施例中,首先构建第二线性规划问题,然后求解第二线性规划问题,得到针对至少一个风险因素的资源操作措施对应的风险发生概率信息,并将其作为第二资源投入风险预测信息,引入对至少一种风险因素的评估,提升了针对资源投入项目的投入数量信息再次风险评估准确性,为资源投入方提供了准确的投资方案。
在一个实施例中,根据第一资源投入数量预测信息和第一资源投入风险预测信息,确定第二资源投入数量设置信息,包括:将第一资源投入数量预测信息和第一资源投入风险预测信息发送至资源投入方的客户端;获取客户端根据第一资源投入数量预测信息和第一资源投入风险预测信息反馈的第二资源投入数量设置信息。
示例性地,投资者通过客户端接收到相关的信息,并通过客户端反馈第二资源投入数量设置信息给风险评估模型,用于进一步的数据评估。
本实施例中,首先将第一资源投入数量预测信息和第一资源投入风险预测信息发送至资源投入方的客户端,然后获取客户端反馈的第二资源投入数量设置信息利用资源投资方的客户端,实现了对第二资源投入数量设置信息的获取,提升了资源投资方针对风险评估功能的使用体验。
在一个实施例中,获取客户端根据第一资源投入数量预测信息和第一资源投入风险预测信息反馈的第二资源投入数量设置信息,包括:在客户端中显示第一资源投入数量预测信息和第一资源投入风险预测信息;获取资源投入方通过客户端反馈的第二资源投入数量设置信息。
示例性地,投资人根据客户端中显示的投资金额和相对应的投资风险,将第二资源投入数量设置信息通过客户端反馈给风险评估模型,用于进一步的数据评估。
本实施例中,首先在客户端中显示第一资源投入数量预测信息和第一资源投入风险预测信息,然后获取资源投入方通过客户端反馈的第二资源投入数量设置信息,通过可视化的反馈方式,便于投资人及时进行数据反馈。
在一个实施例中,根据第二资源投入数量设置信息和第二资源投入风险预测信息,确定针对各资源投入项目的目标资源投入数量设置信息,包括:将第二资源投入数量设置信息和第二资源投入风险预测信息发送至资源投入方的客户端;获取客户端根据第二资源投入数量设置信息和第二资源投入风险预测信息反馈的目标资源投入数量设置信息。
示例性地,投资者通过客户端接收到相关的信息,并通过客户端反馈目标资源投入数量设置信息给风险评估模型,可用于下一轮的数据评估,也可将其作为最终的投资数据。
本实施例中,首先将第二资源投入数量设置信息和第二资源投入风险预测信息发送至资源投入方的客户端,然后获取客户端反馈的目标资源投入数量设置信息,实现了对目标资源投入数量设置信息的获取,提升了资源投资方针对风险评估功能的使用体验。
在一个实施例中,获取客户端根据第二资源投入数量设置信息和第二资源投入风险预测信息反馈的目标资源投入数量设置信息,包括:在客户端中显示第二资源投入数量设置信息和第二资源投入风险预测信息;获取资源投入方通过客户端反馈的目标资源投入数量设置信息。
示例性地,投资人根据客户端中显示的投资金额和相对应的投资风险,将鸟资源投入数量设置信息通过客户端反馈给风险评估模型,可用于下一轮的数据评估,也可将其作为最终的投资数据。
本实施例中,首先在客户端中显示第二资源投入数量设置信息和第二资源投入风险预测信息,然后获取资源投入方通过客户端反馈的目标资源投入数量设置信息,通过可视化的反馈方式,便于投资人及时进行数据反馈。
在另一个实施例中,如图3所示,提供了一种资源信息处理方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S301,构建资源投入风险预测上层模型对应的第一线性规划问题;
S302,求解第一线性规划问题,得到资源投入项目对应的资源投入风险信息;
S303,将求解得到的资源投入项目对应的资源投入风险信息,作为第一资源投入风险预测信息。
S304,构建资源投入风险预测下层模型对应的第二线性规划问题;
S305,求解第二线性规划问题,得到针对至少一个风险因素的资源操作措施对应的风险发生概率信息;
S306,将求解到的风险发生概率信息对应的资源投入风险信息,作为第二资源投入风险预测信息。
需要说明的是,上述步骤的具体限定可以参见上文对一种资源信息处理方法的具体限定,在此不再赘述。
在另一个实施例中,如图4所示,提供了一种资源信息处理方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S401,将第一资源投入数量预测信息和第一资源投入风险预测信息发送至资源投入方的客户端;
S402,在客户端中显示第一资源投入数量预测信息和第一资源投入风险预测信息;
S403,获取资源投入方通过客户端反馈的第二资源投入数量设置信息;
S404,将第二资源投入数量设置信息和第二资源投入风险预测信息发送至资源投入方的客户端;
S405,在客户端中显示第二资源投入数量设置信息和第二资源投入风险预测信息;
S406,获取资源投入方通过客户端反馈的目标资源投入数量设置信息。
需要说明的是,上述步骤的具体限定可以参见上文对一种资源信息处理方法的具体限定,在此不再赘述。
在一些实施例中,投资风险管理分为三个阶段:一是风险投资识别,通过广泛了解社会经济发展、市场政策等因素,分析投资项目风险;二是投资风险评估,计算风险出现可能性和预期损失金额;三是投资风险控制,结合投资风险评估情况控制投入,尽可能规避风险,提升投资收益。金融投资风险管理过程复杂,一种基于分布是决策的投资风险管理方法可指导金融投资风险管理。目前,投资风险管理解决思路是尽可能识别风险,利用风险量化模型计算风险值,结合计算结果实现投资反应和决策。
然而,受市场等风险因素影响,目前投资风险管理模型基于风险度量模型建立,对于风险波动大、风险因素多的复杂场景,难以真实反映金融投资风险管理问题,分布式决策理念将问题分散,缓解问题复杂度,更好描述金融投资风险管理问题中各环节关系,同时支持大量风险因素引入,真实反映复杂、多变的投资风险管理过程,指导投资风险操作。
基于此,本申请提供了一种资源信息处理方法,基于分布式决策理念,构建金融风险投资管理优化模型,分散了问题解决过程,缓解了问题复杂度,更好描述金融投资风险管理问题中各环节关系,支持大量风险因素引入,真实反映复杂、多变的投资风险管理过程,指导投资风险操作。
下面参考图5,以一个具体的实施例详细描述资源信息处理方法。值得理解的是,下述描述仅是示例性说明,而不是对申请的具体限制。
如图5所示,本申请提供的资源信息处理方法的整体思路为:基于分布式决策理论建立投资风险管理模型,其中,上层模型用于在保证投资风险最小化的前提下,确定各投资项目的资金;下层模型用于投资者根据风险评估情况进行风险管理,风险管理产生的结果反馈给的上层投资者,投资者根据下层反馈情况不断调整投资资金,以保证整体风险在可接受范围内。在图5中,Ri表示投资项目i的风险,Bi表示投资项目i预计投入资金,投资项目i实际收到的投资资金,/>投资项目i面对风险l采取的措施。
在整个投资共涉及M个投资项目的情况下,则上层模型为:
Ri(Bi)≤Rmax,i=0,1,…M
Bi∈[0,Ki],i=0,1,…M
其中,Bi表示投资项目i得到的投资金额;Bmax表示最大预算额;Ri(Bi)表示预测得到的投资项目i风险水平,其具体数值由下层模型计算得出;ωi表示投资项目i在整个投资中占有的权重;Rmax表示最大风险水平;Ki表示投资项目i获得的最大投资金额,上层模型目的求取决策变量Bi。
投资项目i对应的下层模型为:
xih∈{0,1,…Wih},h=1,2,…Ni
其中,下层模型的目标为求取最优的风险管理手段,以达到最小的风险值。xih表示对投资项目i中风险因素h采取的最优管理措施;xhj表示对投资项目i中风险因素h和风险等级j采取的管理措施;h表示风险因素;uh表示风险因素权重;Ni表示风险因素个数;j表示风险等级;dj表示风险等级值;T风险等级数量;fhj(xhj)表示投资项目i在风险因素h和风险等级j下风险发生概率;Cih(xih)表示实施管理措施xih后产生的资金投入;最优解为
需要说明的是,对于xih∈{0,1,…Wih},本申请不针对具体的措施进行限制,仅设定措施的种类,比如Wih=4代表管理措施有0、1、2、3、4五种。
本实施例中,本申请提供的资源信息处理方法支持不限制数量的风险因素评估手段的引入,也支持风险管理手段引入,更加全面地反映实际风险投资管理过程中遇得到的风险情况,适用风险波动大、风险因素多的复杂场景,能够提升针对投资项目的风险评估能力,进而提升资源投入数量信息生成的准确性。
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资源信息处理方法的资源信息处理装置。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资源信息处理装置实施例中的具体限定可以参见上文中对于资源信息处理方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种资源信息处理装置,包括:上层模型预测模块601、第二资源投入数量设置信息确定模块602、下层模型预测模块603、目标资源投入数量设置信息确定模块604,其中:
上层模型预测模块601,用于基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
第二资源投入数量设置信息确定模块602,用于根据第一资源投入数量预测信息和第一资源投入风险预测信息,确定第二资源投入数量设置信息;
下层模型预测模块603,用于基于预建立的资源投入风险预测下层模型,确定对应于第二资源投入数量设置信息的第二资源投入风险预测信息;资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
目标资源投入数量设置信息确定模块604,用于根据第二资源投入数量设置信息和第二资源投入风险预测信息,确定针对各资源投入项目的目标资源投入数量设置信息。
在一个实施例中,上层模型预测模块还用于:构建资源投入风险预测上层模型对应的第一线性规划问题;以最小化资源投入风险预测上层模型输出资源投入风险信息的值为求解目标,以资源投入数量信息的值小于或等于预设的资源投入阈值为第一约束条件,以资源投入风险信息的值小于或等于预设的风险阈值为第二约束条件,求解第一线性规划问题,得到资源投入项目对应的资源投入风险信息;将求解得到的资源投入项目对应的资源投入风险信息,作为第一资源投入风险预测信息。
在一个实施例中,下层模型预测模块还用于:构建资源投入风险预测下层模型对应的第二线性规划问题;以最小化资源投入风险预测模型下层输出风险发生概率信息的值为求解目标,以实施风险因素的资源操作措施后产生的资源投入损失信息的值小于或等于第二资源投入数量设置信息为约束条件,求解第二线性规划问题,得到针对至少一个风险因素的资源操作措施对应的风险发生概率信息;将求解到的风险发生概率信息对应的资源投入风险信息,作为第二资源投入风险预测信息。
在一个实施例中,第二资源投入数量设置信息确定模块还用于:将第一资源投入数量预测信息和第一资源投入风险预测信息发送至资源投入方的客户端;获取客户端根据第一资源投入数量预测信息和第一资源投入风险预测信息反馈的第二资源投入数量设置信息。
在一个实施例中,第二资源投入数量设置信息确定模块还用于:在客户端中显示第一资源投入数量预测信息和第一资源投入风险预测信息;获取资源投入方通过客户端反馈的第二资源投入数量设置信息。
在一个实施例中,目标资源投入数量设置信息确定模块还用于:将第二资源投入数量设置信息和第二资源投入风险预测信息发送至资源投入方的客户端;获取客户端根据第二资源投入数量设置信息和第二资源投入风险预测信息反馈的目标资源投入数量设置信息。
在一个实施例中,目标资源投入数量设置信息确定模块还用于:在客户端中显示第二资源投入数量设置信息和第二资源投入风险预测信息;获取资源投入方通过客户端反馈的目标资源投入数量设置信息。
上述资源信息处理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,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储资源投入相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源信息处理方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和内存储器。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。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资源信息处理方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。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7和图8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计算机设备的限定,具体的计算机设备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。
在一个实施例中,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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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或动态随机存取存储器等。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 (10)
1.一种资源信息处理方法,其特征在于,所述方法包括:
基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
2.根据权利要求1所述的方法,其特征在于,所述基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息,包括:
构建所述资源投入风险预测上层模型对应的第一线性规划问题;
以最小化所述资源投入风险预测上层模型输出资源投入风险信息的值为求解目标,以所述资源投入数量信息的值小于或等于预设的资源投入阈值为第一约束条件,以所述资源投入风险信息的值小于或等于预设的风险阈值为第二约束条件,求解所述第一线性规划问题,得到所述资源投入项目对应的资源投入风险信息;
将求解得到的所述资源投入项目对应的资源投入风险信息,作为所述第一资源投入风险预测信息。
3.根据权利要求1所述的方法,其特征在于,所述基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息,包括:
构建所述资源投入风险预测下层模型对应的第二线性规划问题;
以最小化所述资源投入风险预测模型下层输出风险发生概率信息的值为求解目标,以实施所述风险因素的资源操作措施后产生的资源投入损失信息的值小于或等于所述第二资源投入数量设置信息为约束条件,求解所述第二线性规划问题,得到所述针对至少一个风险因素的资源操作措施对应的风险发生概率信息;
将求解到的所述风险发生概率信息对应的资源投入风险信息,作为所述第二资源投入风险预测信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息,包括:
将所述第一资源投入数量预测信息和所述第一资源投入风险预测信息发送至资源投入方的客户端;
获取客户端根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息反馈的所述第二资源投入数量设置信息。
5.根据权利要求4所述的方法,其特征在于,所述获取客户端根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息反馈的所述第二资源投入数量设置信息,包括:
在所述客户端中显示所述第一资源投入数量预测信息和所述第一资源投入风险预测信息;
获取所述资源投入方通过所述客户端反馈的所述第二资源投入数量设置信息。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息,包括:
将所述第二资源投入数量设置信息和所述第二资源投入风险预测信息发送至资源投入方的客户端;
获取客户端根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息反馈的所述目标资源投入数量设置信息。
7.根据权利要求6所述的方法,其特征在于,所述获取客户端根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息反馈的所述目标资源投入数量设置信息,包括:
在所述客户端中显示所述第二资源投入数量设置信息和所述第二资源投入风险预测信息;
获取所述资源投入方通过所述客户端反馈的所述目标资源投入数量设置信息。
8.一种资源信息处理装置,其特征在于,所述装置包括:
上层模型预测模块,用于基于预建立的资源投入风险预测上层模型,确定针对各资源投入项目对应的第一资源投入数量预测信息和对应的第一资源投入风险预测信息;所述资源投入风险预测上层模型表征输入的资源投入数量信息的值与输出的资源投入风险信息的值之间的映射关系;
第二资源投入数量设置信息确定模块,用于根据所述第一资源投入数量预测信息和所述第一资源投入风险预测信息,确定第二资源投入数量设置信息;
下层模型预测模块,用于基于预建立的资源投入风险预测下层模型,确定对应于所述第二资源投入数量设置信息的第二资源投入风险预测信息;所述资源投入风险预测下层模型表征输入的针对至少一个风险因素的资源操作措施与输出的风险发生概率信息的值之间的映射关系;
目标资源投入数量设置信息确定模块,用于根据所述第二资源投入数量设置信息和所述第二资源投入风险预测信息,确定针对各所述资源投入项目的目标资源投入数量设置信息。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070472.XA CN117114890A (zh) | 2023-08-24 | 2023-08-24 | 资源信息处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070472.XA CN117114890A (zh) | 2023-08-24 | 2023-08-24 | 资源信息处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114890A true CN117114890A (zh) | 2023-11-24 |
Family
ID=88801598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311070472.XA Pending CN117114890A (zh) | 2023-08-24 | 2023-08-24 | 资源信息处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114890A (zh) |
-
2023
- 2023-08-24 CN CN202311070472.XA patent/CN117114890A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN114359563A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
CN117114890A (zh) | 资源信息处理方法、装置、计算机设备和存储介质 | |
CN116797029B (zh) | 一种idi全生命周期风险数字化管理方法、系统 | |
CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
CN118353009A (zh) | 电力资源配置方法、装置、设备、介质和产品 | |
CN117910627A (zh) | 碳排放量预测方法、装置、计算机设备和存储介质 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN117710107A (zh) | 资源值预测方法、装置、设备、存储介质和程序产品 | |
CN117911172A (zh) | 财务数据处理方法、装置、计算机设备和存储介质 | |
CN116703175A (zh) | 项目方案确定方法、装置、计算机设备和存储介质 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN117437178A (zh) | 图像清晰度度量方法和装置 | |
CN116090629A (zh) | 用电数据处理方法、装置、计算机设备和存储介质 | |
CN117149572A (zh) | 监控视图生成方法、装置、计算机设备和存储介质 | |
CN116991639A (zh) | 能耗预测方法、装置、计算机设备和存储介质 | |
CN118034906A (zh) | 云服务器集群处理方法、装置、计算机设备和存储介质 | |
CN117726419A (zh) | 资源数据处理方法、装置、计算机设备、存储介质 | |
CN115907969A (zh) | 账户风险评估方法、装置、计算机设备和存储介质 | |
CN117314036A (zh) | 工单分配方法、装置、设备、存储介质和程序产品 | |
CN118133085A (zh) | 交互任务的控制方法、装置和计算机设备 | |
CN117724680A (zh) | 需求评估方法、装置、计算机设备和存储介质 | |
CN118297436A (zh) | 提供金融业务中金融数据价值信息的方法、装置、计算机设备、可读存储介质和程序产品 |
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 |