CN117151884A - 资产管理数据处理方法、装置、计算机设备和存储介质 - Google Patents
资产管理数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117151884A CN117151884A CN202310966911.9A CN202310966911A CN117151884A CN 117151884 A CN117151884 A CN 117151884A CN 202310966911 A CN202310966911 A CN 202310966911A CN 117151884 A CN117151884 A CN 117151884A
- Authority
- CN
- China
- Prior art keywords
- target
- factor
- asset
- data
- predicted value
- 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
- 238000003672 processing method Methods 0.000 title abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 description 87
- 238000007500 overflow downdraw method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Abstract
本申请涉及一种资产管理数据处理方法、装置、计算机设备、存储介质和计算机程序产品,获取目标资产的历史数据,基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据,再将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值,最后基于目标资产的升降概率预测值输出目标资产的动作指令,用于完成对目标资产的管理,本申请通过基于目标资产的历史数据分析得到合适的因子数据,进而采用模型融合的方式基于历史数据与目标因子数据完成目标资产的升降趋势预测,有效提高了目标资产进行量化资产管理时的准确率,且更适应当前资产市场的复杂情况。
Description
技术领域
本申请涉及大数据处理技术领域,特别是涉及一种资产管理数据处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着资产管理行业的发展,资产管理市场竞争力不断提升,对于资产管理的收益率有了更高的要求。而随着计算机技术的飞速发展,在资产管理领域结合形成了一种新兴概念-量化资产管理,即采用计算机技术中的一定的数学模型去实现资产管理,例如将机器学习算法引入资产管理技术领域,以提高资产管理的收益率。
传统的量化资产管理中,可用的经典算法主要有贝叶斯算法、支持向量机算法(Support Vector Machine,SVM)以及集成学习算法等。而上述主流技术在应用于量化资产管理时,大多存在准确率不高,难于适应当前资产市场的复杂情况的问题。
发明内容
基于此,有必要针对上述经典算法应用于量化资产管理时存在准确率不高、难于适应当前资产市场的复杂情况的技术问题,提供一种资产管理数据处理方法、装置、计算机设备、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产管理数据处理方法,所述方法包括:
获取目标资产的历史数据;
基于所述历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
将所述历史数据与所述目标因子数据输入趋势预测融合模型进行预测,得到所述目标资产的升降概率预测值;
基于所述目标资产的升降概率预测值输出所述目标资产的动作指令。
在其中一个实施例中,所述趋势预测融合模型包括第一预测模型与第二预测模型,所述第一预测模型与所述第二预测模型基于不同算法模型训练得到;
所述将所述历史数据与所述目标因子数据输入趋势预测融合模型进行预测,得到所述目标资产的升降概率预测值,包括:
将所述历史数据与所述目标因子数据输入所述第一预测模型,得到所述目标资产的第一预测值;
将所述历史数据与所述目标因子数据输入所述第二预测模型,得到所述目标资产的第二预测值;
根据所述第一预测值与所述第二预测值进行融合决策,得到所述目标资产的升降概率预测值。
在其中一个实施例中,所述根据所述第一预测值与所述第二预测值进行融合决策,得到所述目标资产的升降概率预测值,包括:
基于所述第一预测值及其第一加权因子、与所述第二预测值及其第二加权因子进行加权融合决策,得到所述目标资产的升降概率预测值。
在其中一个实施例中,所述第一预测模型基于Xgboost算法模型训练得到,所述第二预测模型基于随机森林算法模型训练得到。
在其中一个实施例中,基于所述历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据,包括:
对所述资产管理因子池中的因子进行分类处理,得到至少一类因子数据;
基于所述历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
在其中一个实施例中,所述目标资产包括多支资产,所述基于所述目标资产的升降概率预测值输出所述目标资产的动作指令,包括:
基于各目标资产的升降概率预测值输出组合动作指令,所述组合动作指令包括所述多支资产的动作指令。
第二方面,本申请还提供了一种资产管理数据处理装置,所述装置包括:
获取模块,用于获取目标资产的历史数据;
分析模块,用于基于所述历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
预测模块,用于将所述历史数据与所述目标因子数据输入趋势预测融合模型进行预测,得到所述目标资产的升降概率预测值;
输出模块,用于基于所述目标资产的升降概率预测值输出所述目标资产的动作指令。
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上述的方法的步骤。
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上述的方法的步骤。
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上述的方法的步骤。
上述资产管理数据处理方法、装置、计算机设备、存储介质和计算机程序产品,获取目标资产的历史数据,基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据,再将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值,最后基于目标资产的升降概率预测值输出目标资产的动作指令,用于完成对目标资产的管理,本申请通过基于目标资产的历史数据分析得到合适的因子数据,进而采用模型融合的方式基于历史数据与目标因子数据完成目标资产的升降趋势预测,有效提高了目标资产进行量化资产管理时的准确率,且更适应当前资产市场的复杂情况。
附图说明
图1为一个实施例中资产管理数据处理方法的应用环境图;
图2为一个实施例中资产管理数据处理方法的流程示意图;
图3为一个实施例中进行多因子特征分析步骤的流程示意图;
图4为一个实施例中对目标资产的升降概率进行预测步骤的流程示意图;
图5为一个实施例中资产管理数据处理装置的结构框图;
图6为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。
本申请实施例提供的资产管理数据处理方法,可以应用于如图1所示的应用环境中。其中,多个终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。具体地,服务器104从多个终端102中获取目标资产的历史数据,基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据,将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值,最后基于目标资产的升降概率预测值,对多个终端102输出目标资产的动作指令。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,提供了一种资产管理数据处理方法,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S200至S800,其中:
S200:获取目标资产的历史数据。
目标资产为作为资产管理对象的资产,可包括一个或多个资产。对应地,目标资产可以是当前资产管理市场所有的资产,也可以是基于资产管理用户从当前资产管理市场所有的资产中进行选择操作确定的资产,还可以是基于预设规则从当前资产管理市场所有的资产中选定的资产。其中,预设规则可以是根据资产相关数据设定,例如资产有效期或资产收益率等数据。
目标资产的历史数据为表征目标资产升降趋势情况的数据,以目标资产的资产类型为股票资产为例,历史数据可以是股票的开盘价、收盘价或成交量等数据,用于表征该股票的升降趋势。获取目标资产的历史数据后,可用于后续通过数据挖掘与机器学习算法对目标资产的升降趋势进行预测,以实现对目标资产的量化管理。
具体地,目标资产的历史数据的获取来源包括但不限于各种数据中台与资产管理平台,可通过设计数据获取程序,与各类开源的数据中台与资产管理平台所提供的API接口对接,获取目标资产的历史数据。此外,也可以通过各类网络数据抓取方法从互联网中获取到目标资产对应的历史数据,即通过在网络数据抓取算法中定义目标资产的关键词,进而获取得到目标资产对应的历史数据。可以理解,在目标资产为多个资产的情况下,可以是通过上述方法同时获取得到多个目标资产对应的历史数据。
进一步地,在获取得到目标资产的历史数据后,还需对历史数据进行清洗,例如进行缺失值处理、异常值处理以及归一化处理等预处理操作,以使历史数据可符合数据挖掘与机器学习算法的需求。例如,对于历史数据中的缺失值,可通过均值的方式进行填充,以保证数据的完整性。由于获取到的目标资产的历史数据可能存在数据量纲不同的问题,还需采用最大最小归一化方法将其缩放至0~1之间。
此外,获取目标资产的历史数据可由资产管理用户于终端操作页面发出的资产管理启动指令触发,也可以是根据资产管理用户设定的预设时间间隔触发。例如可以是每天凌晨触发进行目标资产的历史数据的获取,进而实现对目标资产的升降趋势进行预测,以实现对目标资产的量化管理。
S400:基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据。
资产管理因子池为预先存储于服务器中的资产管理因子数据集,其中包括至少一种可用于指导资产管理决策的因子,也可称为技术指标,可反映当前资产管理市场的所有资产升降趋势之间存在的内部联系。
可以理解,资产管理因子池中存储的是多个因子及其历史表现数据。因子及其历史表现数据的获取来源,可以是从各种资产数据分析平台中获取得到,即各种资产数据分析平台会对资产管理市场的所有资产的升降趋势进行分析,定期输出各种因子及其表现数据,进而可通过对接资产数据分析平台的数据下载接口,或对资产数据分析平台进行数据抓取,以获得多个因子及其历史表现数据存储于服务器形成资产管理因子池。
此外,资产管理因子池中存储的因子及其历史表现数据,也可以是基于资产管理市场的所有资产的基本面数据构建得到。以资产类型为股票资产为例,其基本面数据可包括但不限于开盘价、收盘价、最高价、最低价、成交量、市盈率、市净率、流通股本、每股收益、净收益、营业收入以及营业利润等数据。基本面数据可以是与历史数据类似,通过各类开源的数据中台与资产管理平台所提供的API接口对接获取得到。获取得到基本面数据后,可以是基于预设构建规则构建得到因子及其表现数据。以营业收入同比增长率因子为例,可以是基于预设时间段内的营业收入数据与其上年同期营业收入的增长百分比构建得到,以前1个月涨跌幅度因子为例,可以是基于当前时间前一个月的收盘价构建得到。
可以理解,资产管理因子池中存储的因子及其历史表现数据可实现实时更新,可以是在发出资产管理启动指令的同时同步进行更新,也可以是基于设定的预设时间间隔进行更新,还可以是在监测到各种资产数据分析平台的因子及其历史表现数据发现改变后进行更新。在本实施例中,对资产管理因子池中的因子历史表现数据进行实时更新,可保证基于资产管理因子池对目标资产的升降趋势进行预测的准确性与可靠性。
具体地,基于历史数据对资产管理因子池进行多因子特征分析的过程,可以理解为以历史数据作为因变量,以资产管理因子池中的因子及其历史表现数据作为自变量进行变量筛选的过程。所筛选得到的目标因子,为可用于指导目标资产的管理决策的因子,会对目标资产的升降趋势产生影响的因子。目标因子数据即选定的目标因子对应的历史表现数据。
进一步地,基于历史数据对资产管理因子池进行多因子特征分析的方式并不唯一,例如可以是基于特征分析算法分析得到各因子对历史数据的重要性程度,进而按照各因子的重要性系数降序排列后,选定前预设个因子作为目标因子。也可以是基于历史数据与各因子对应的历史表现数据,通过特征降维算法进行筛选得到目标因子,所选用的特征降维算法可选用例如主成分分析算法,也可以选用本领域技术人员熟知的算法实现,原理过程不在本申请实施例赘述。
在一个实施例中,如图3所示,S400包括以下S420至S440,其中:
S420:对资产管理因子池中的因子进行分类处理,得到至少一类因子数据。
可以理解,在实际应用时,资产管理因子池中存储的因子可达到上百个,而各因子间也存在其共性因素,将其进行分类处理可有利于快速确定目标因子。以资产类型为股票资产为例,市盈率和市净率等因子均属于价值类因子,营业收入同比增长率因子与营业利润同比增长率因子均属于成长类因子,总市值因子与流通市值因子均属于规模类因子,前1个月涨跌幅因子与前2个月涨跌幅因子均属于动量翻转类因子。此外,在各种资产数据分析平台中,还存在风险因子与收益因子等对因子的分类手段。
具体地,可基于预设共性因素对资产管理因子池中的因子进行分类处理,得到至少一类因子数据。其中的预设共性因素即可采用上述分类依据进行设定。
S440:基于历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
具体地,在基于历史数据对各类因子数据进行多因子特征分析的情况下,即可以历史数据作为因变量,以各类因子及其历史表现数据作为自变量进行变量筛选。在筛选过程中,若某类因子中的一个因子被选定为目标因子,可以是将该目标因子所在的类别确定为目标类因子,目标类因子中的因子对应的历史表现数据均可用于后续指导目标资产的管理决策。
S600:将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值。
其中,趋势预测融合模型为可基于目标资产的历史数据与目标因子数据对目标资产进行升降趋势预测的模型。该趋势预测融合模型可以是资产管理市场的所有资产的历史数据以及资产管理因子池中的因子数据训练得到,在训练过程中,该模型可综合学习资产管理市场内所有资产的升降趋势,以及分析其中对资产的升降趋势产生影响的因子、如何对资产的升降趋势产生影响,最终训练得到可用于预测资产的升降概率的模型参数。
具体地,可将历史数据与目标因子数据作为输入参数输入至趋势预测融合模型,进而通过该训练好的模型获得目标资产的升降概率预测值。可以理解,目标资产的升降概率预测值表征目标资产的预期的升降趋势。
在一个实施例中,趋势预测融合模型包括第一预测模型与第二预测模型,第一预测模型与第二预测模型基于不同算法模型训练得到。
可以理解,趋势预测融合模型为融合模型,可通过第一预测模型与第二预测模型融合得到。其中,第一预测模型与第二预测模型均可看做基学习器,可基于不同算法模型训练得到,进而融合后模型可通过多个基学习器集成学习,从而降低方差,实现更精准的预测。
具体地,第一预测模型与第二预测模型基于不同算法模型训练得到,其中可选择的算法模型并不唯一,例如随机森林、梯度提升决策树(Gradient Boosting DecisionTree,GBDT)、多层感知机(Multilayer Perceptron,MLP)、以及极度梯度提升树(eXtremeGradient Boosting,Xgboost)等算法模型。趋势预测融合模型可以是选用上述任两种算法模型融合得到。例如,在一个实施例中,第一预测模型基于Xgboost算法模型训练得到,第二预测模型基于随机森林算法模型训练得到。
其中,在训练得到上述第一预测模型、第二预测模型以及融合得到趋势预测融合模型的过程中,均可通过预设评价指标对建立的模型使用测试数据进行评测。具体地,可选取合适的模型验证样本,即历史数据样本与因子数据样本,将模型预测结果与真实资产历史数据利用评估指标进行评估,进而衡量得到训练的模型准确性和速度的提升程度。其中,预设评估指标可选用例如ROC、AUC指标。
对应地,如图4所示,S600包括以下S620至S660,其中:
S620:将历史数据与目标因子数据输入第一预测模型,得到目标资产的第一预测值。
S640:将历史数据与目标因子数据输入第二预测模型,得到目标资产的第二预测值。
S660:根据第一预测值与第二预测值进行融合决策,得到目标资产的升降概率预测值。
具体地,先将历史数据与目标因子数据输入至Xgboost算法模型,得到基于Xgboost算法模型预测得到的目标资产的第一预测值。再将历史数据与目标因子数据输入至随机森林算法模型,得到基于随机森林算法模型预测得到的目标资产的第二预测值。最终可根据基于Xgboost算法模型预测得到的目标资产的第一预测值,与基于随机森林算法模型预测得到的目标资产的第二预测值进行融合决策,得到目标资产的升降概率预测值,以提高目标资产的升降趋势预测的准确性。
进一步地,对第一预测值与第二预测值进行融合决策的方式并不唯一,例如具体可采用的融合方法包括有线性加权融合法、交叉融合法、瀑布融合法、特征融合法以及预测融合法等,在具体应用时,可根据实际技术需求选定。
在一个实施例中,根据第一预测值与第二预测值进行融合决策,得到目标资产的升降概率预测值,包括:基于第一预测值及其第一加权因子、与第二预测值及其第二加权因子进行加权融合决策,得到目标资产的升降概率预测值。
具体地,在本实施例中,选用线性加权融合法对第一预测值与第二预测值进行融合决策,实现单一模型结果的汇总。其中,第一加权因子表征对Xgboost算法模型赋予的权重因子,第二加权因子表征对随机森林算法模型赋予的权重因子。
可以理解,第一加权因子与第二加权因子的具体值设定并不唯一,可以是设置为固定权重,也可以是设置为动态权重。其中,设定为固定权重时,可以是基于Xgboost算法模型与随机森林算法模型在训练阶段的表现进行赋值。设定为动态权重时,可以是基于两个模型分别得到的目标资产的升降概率的大小进行权重分配。例如,当Xgboost算法模型得到的目标资产的升降概率为60%,随机森林算法模型得到的目标资产的升降概率为55%时,可对Xgboost算法模型设置为更高的权重系数,而对随机森林算法模型设置为更低的权重系数。
S800:基于目标资产的升降概率预测值输出目标资产的动作指令。
其中,目标资产的动作指令可包括动作类型与动作幅度等参数,以资产类型为股票类型为例,动作类型可表征为买入、卖出或持有等,动作幅度表征执行上述动作的股数。
具体地,在获得目标资产的升降概率预测值后,即可基于升降概率预测值与动作指令的对应关系,匹配得到目标资产的动作指令。进而可将此动作指令导入执行动作指令的对应的交易终端,对目标资产执行动作指令相应的交易。
在一个实施例中,目标资产包括多支资产,S800包括:基于各目标资产的升降概率预测值输出组合动作指令,组合动作指令包括多支资产的动作指令。
具体地,组合动作指令表征需建立资产组合来实现对资产的管理,组合动作指令中包括对多支目标资产的动作指令,可导入执行动作指令的对应的交易终端后,实现对多支目标资产执行动作指令相应的交易。
在本实施例中,通过建立资产组合获得组合动作指令的方式,可提高对资产的管理效率。
上述资产管理数据处理方法,通过获取目标资产的历史数据,基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据,再将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值,最后基于目标资产的升降概率预测值输出目标资产的动作指令,用于完成对目标资产的管理,本申请通过基于目标资产的历史数据分析得到合适的因子数据,进而采用模型融合的方式基于历史数据与目标因子数据完成目标资产的升降趋势预测,有效提高了目标资产进行量化资产管理时的准确率,且更适应当前资产市场的复杂情况。
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产管理数据处理方法的资产管理数据处理装置。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产管理数据处理装置实施例中的具体限定可以参见上文中对于资产管理数据处理方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种资产管理数据处理装置,包括:获取模块10、分析模块20、预测模块30和输出模块40,其中:
获取模块10,用于获取目标资产的历史数据;
分析模块20,用于基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
预测模块30,用于将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值;
输出模块40,用于基于目标资产的升降概率预测值输出目标资产的动作指令。
在一个实施例中,趋势预测融合模型包括第一预测模型与第二预测模型,第一预测模型与第二预测模型基于不同算法模型训练得到;
预测模块30,还用于将历史数据与目标因子数据输入第一预测模型,得到目标资产的第一预测值;将历史数据与目标因子数据输入第二预测模型,得到目标资产的第二预测值;根据第一预测值与第二预测值进行融合决策,得到目标资产的升降概率预测值。
在一个实施例中,预测模块30,还用于基于第一预测值及其第一加权因子、与第二预测值及其第二加权因子进行加权融合决策,得到目标资产的升降概率预测值。
在一个实施例中,预测模块30中采用的第一预测模型基于Xgboost算法模型训练得到,第二预测模型基于随机森林算法模型训练得到。
在一个实施例中,分析模块20,还用于对资产管理因子池中的因子进行分类处理,得到至少一类因子数据;基于历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
在一个实施例中,目标资产包括多支资产;
输出模块40,还用于基于各目标资产的升降概率预测值输出组合动作指令,组合动作指令包括多支资产的动作指令。
上述资产管理数据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6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目标资产的历史数据、目标因子数据以及升降概率预测值数据。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产管理数据处理方法。
本领域技术人员可以理解,图6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,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标资产的历史数据;
基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值;
基于目标资产的升降概率预测值输出目标资产的动作指令。
在一个实施例中,趋势预测融合模型包括第一预测模型与第二预测模型,第一预测模型与第二预测模型基于不同算法模型训练得到;处理器执行计算机程序时还实现以下步骤:
将历史数据与目标因子数据输入第一预测模型,得到目标资产的第一预测值;
将历史数据与目标因子数据输入第二预测模型,得到目标资产的第二预测值;
根据第一预测值与第二预测值进行融合决策,得到目标资产的升降概率预测值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于第一预测值及其第一加权因子、与第二预测值及其第二加权因子进行加权融合决策,得到目标资产的升降概率预测值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对资产管理因子池中的因子进行分类处理,得到至少一类因子数据;
基于历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
在一个实施例中,目标资产包括多支资产,处理器执行计算机程序时还实现以下步骤:基于各目标资产的升降概率预测值输出组合动作指令,组合动作指令包括多支资产的动作指令。
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,计算机程序被处理器执行时实现以下步骤:
获取目标资产的历史数据;
基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值;
基于目标资产的升降概率预测值输出目标资产的动作指令。
在一个实施例中,趋势预测融合模型包括第一预测模型与第二预测模型,第一预测模型与第二预测模型基于不同算法模型训练得到;计算机程序被处理器执行时还实现以下步骤:
将历史数据与目标因子数据输入第一预测模型,得到目标资产的第一预测值;
将历史数据与目标因子数据输入第二预测模型,得到目标资产的第二预测值;
根据第一预测值与第二预测值进行融合决策,得到目标资产的升降概率预测值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于第一预测值及其第一加权因子、与第二预测值及其第二加权因子进行加权融合决策,得到目标资产的升降概率预测值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对资产管理因子池中的因子进行分类处理,得到至少一类因子数据;
基于历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
在一个实施例中,目标资产包括多支资产,计算机程序被处理器执行时还实现以下步骤:基于各目标资产的升降概率预测值输出组合动作指令,组合动作指令包括多支资产的动作指令。
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以下步骤:
获取目标资产的历史数据;
基于历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
将历史数据与目标因子数据输入趋势预测融合模型进行预测,得到目标资产的升降概率预测值;
基于目标资产的升降概率预测值输出目标资产的动作指令。
在一个实施例中,趋势预测融合模型包括第一预测模型与第二预测模型,第一预测模型与第二预测模型基于不同算法模型训练得到;计算机程序被处理器执行时还实现以下步骤:
将历史数据与目标因子数据输入第一预测模型,得到目标资产的第一预测值;
将历史数据与目标因子数据输入第二预测模型,得到目标资产的第二预测值;
根据第一预测值与第二预测值进行融合决策,得到目标资产的升降概率预测值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于第一预测值及其第一加权因子、与第二预测值及其第二加权因子进行加权融合决策,得到目标资产的升降概率预测值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对资产管理因子池中的因子进行分类处理,得到至少一类因子数据;
基于历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
在一个实施例中,目标资产包括多支资产,计算机程序被处理器执行时还实现以下步骤:基于各目标资产的升降概率预测值输出组合动作指令,组合动作指令包括多支资产的动作指令。
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。
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(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)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)
1.一种资产管理数据处理方法,其特征在于,所述方法包括:
获取目标资产的历史数据;
基于所述历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
将所述历史数据与所述目标因子数据输入趋势预测融合模型进行预测,得到所述目标资产的升降概率预测值;
基于所述目标资产的升降概率预测值输出所述目标资产的动作指令。
2.根据权利要求1所述的方法,其特征在于,所述趋势预测融合模型包括第一预测模型与第二预测模型,所述第一预测模型与所述第二预测模型基于不同算法模型训练得到;
所述将所述历史数据与所述目标因子数据输入趋势预测融合模型进行预测,得到所述目标资产的升降概率预测值,包括:
将所述历史数据与所述目标因子数据输入所述第一预测模型,得到所述目标资产的第一预测值;
将所述历史数据与所述目标因子数据输入所述第二预测模型,得到所述目标资产的第二预测值;
根据所述第一预测值与所述第二预测值进行融合决策,得到所述目标资产的升降概率预测值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一预测值与所述第二预测值进行融合决策,得到所述目标资产的升降概率预测值,包括:
基于所述第一预测值及其第一加权因子、与所述第二预测值及其第二加权因子进行加权融合决策,得到所述目标资产的升降概率预测值。
4.根据权利要求2所述的方法,其特征在于,所述第一预测模型基于Xgboost算法模型训练得到,所述第二预测模型基于随机森林算法模型训练得到。
5.根据权利要求1至4任意一项所述的方法,其特征在于,基于所述历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据,包括:
对所述资产管理因子池中的因子进行分类处理,得到至少一类因子数据;
基于所述历史数据对各类因子数据进行多因子特征分析,得到目标类因子数据。
6.根据权利要求1至4任意一项所述的方法,其特征在于,所述目标资产包括多支资产,所述基于所述目标资产的升降概率预测值输出所述目标资产的动作指令,包括:
基于各目标资产的升降概率预测值输出组合动作指令,所述组合动作指令包括所述多支资产的动作指令。
7.一种资产管理数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取目标资产的历史数据;
分析模块,用于基于所述历史数据对资产管理因子池进行多因子特征分析,筛选得到目标因子数据;
预测模块,用于将所述历史数据与所述目标因子数据输入趋势预测融合模型进行预测,得到所述目标资产的升降概率预测值;
输出模块,用于基于所述目标资产的升降概率预测值输出所述目标资产的动作指令。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966911.9A CN117151884A (zh) | 2023-08-02 | 2023-08-02 | 资产管理数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966911.9A CN117151884A (zh) | 2023-08-02 | 2023-08-02 | 资产管理数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117151884A true CN117151884A (zh) | 2023-12-01 |
Family
ID=88910959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966911.9A Pending CN117151884A (zh) | 2023-08-02 | 2023-08-02 | 资产管理数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151884A (zh) |
-
2023
- 2023-08-02 CN CN202310966911.9A patent/CN117151884A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cavalli et al. | CNN-based multivariate data analysis for bitcoin trend prediction | |
Meiri et al. | Using simulated annealing to optimize the feature selection problem in marketing applications | |
US20210303970A1 (en) | Processing data using multiple neural networks | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
Shukla et al. | Comparative analysis of ml algorithms & stream lit web application | |
Alkhodhairi et al. | Bitcoin candlestick prediction with deep neural networks based on real time data | |
Zhang et al. | An attention‐based Logistic‐CNN‐BiLSTM hybrid neural network for credit risk prediction of listed real estate enterprises | |
US11468352B2 (en) | Method and system for predictive modeling of geographic income distribution | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN114254762A (zh) | 可解释性机器学习模型构建方法、装置和计算机设备 | |
CN117151884A (zh) | 资产管理数据处理方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN111581068A (zh) | 终端的工作量计算方法及其装置、存储介质、终端、云服务系统 | |
EP3739517A1 (en) | Image processing | |
Pedram et al. | Exchange rate model approximation, forecast and sensitivity analysis by neural networks, case of iran | |
KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
KR102596740B1 (ko) | 기계학습을 이용한 경제불확실성 뉴스심리에 따른 거시경제적 요인과 주식수익률 예측방법 | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 | |
US20230195842A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
Shetty | A Hybrid Feature Selection and Hybrid Prediction Model for Credit Risk Prediction | |
CN116306985A (zh) | 预测模型训练方法、装置、计算机设备和存储介质 | |
Khedr et al. | A New Prediction Approach for Preventing Default Customers from Applying Personal Loans Using Machine Learning | |
Baryła et al. | Selection of balanced structure samples in corporate bankruptcy prediction | |
CN117575772A (zh) | 一种异常用户的检测方法、装置、计算机设备、存储介质 | |
Dadfar | On Predicting Price Volatility from Limit Order Books |
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 |