CN117455664A - 资源数据的处理方法、装置、计算机设备和存储介质 - Google Patents
资源数据的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117455664A CN117455664A CN202311251296.XA CN202311251296A CN117455664A CN 117455664 A CN117455664 A CN 117455664A CN 202311251296 A CN202311251296 A CN 202311251296A CN 117455664 A CN117455664 A CN 117455664A
- Authority
- CN
- China
- Prior art keywords
- fixed
- resource
- information
- target
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000005266 casting Methods 0.000 claims abstract description 143
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000013468 resource allocation Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 32
- 230000008901 benefit Effects 0.000 claims description 24
- 230000008685 targeting Effects 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000003672 processing method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种资源数据的处理方法、装置、计算机设备、存储介质和计算机程序产品,涉及金融领域。所述方法包括:响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。采用本方法能够提高资源定投的效率。
Description
技术领域
本申请涉及金融领域,特别是涉及一种资源数据的处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
资源定投是用户在银行中定期购买定投产品的一种方式,它可以帮助用户获取更好的收益。由于资源定投可以平滑成本,能够避免短期收益波动影响回报,因此受到了大量用户的青睐。
目前,银行提供的资源定投的方式通常是依赖于银行APP(Application,应用软件),用户需要在银行APP上寻找资源定投的业务入口以进行定投,然而由于银行APP中部署的业务过多且繁琐,使得用户不能快速的寻找到入口,从而导致用户进行资源定投的效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高资源定投效率的资源数据的处理方法、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数据的处理方法。所述方法包括:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
在一实施例中,所述基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果,包括:对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征;将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
在一实施例中,所述基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源,包括:筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息;基于各所述实时行情信息,分析出各所述候选定投资源的预期收益;根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
在一实施例中,所述方法还包括:采集样本用户的历史资源定投数据,其中,所述历史资源定投数据包括训练集数据和预测集数据;基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型;将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率;根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数;基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
在一实施例中,所述定投计划信息包括定投账户、定投金额和定投时间;所述基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作,包括:检测所述定投金额是否大于等于所述目标定投资源的最低定投额度;若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额;若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
在一实施例中,在所述基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作的步骤之后,还包括:生成与所述资源定投操作对应的资源定投信息;在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
第二方面,本申请还提供了一种资源数据的处理装置。所述装置包括:
信息获取模块,用于响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;
风险偏好分析模块,用于基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;
资源匹配模块,用于基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;
定投计划接收模块,用于通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;
资源定投模块,用于基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
上述资源数据的处理方法、装置、计算机设备、存储介质和计算机程序产品,首先响应于目标用户通过5G消息发送的资源定投请求,先获取所述目标用户的用户信息和资产信息,为后续对目标用户进行风险偏好分析奠定数据基础,提高风险偏好分析的准确率,从而根据分析出的风险偏好结果为目标用户匹配出最优的目标定投资源,提高用户的定投成功率,减小投资风险,从而保障目标用户的资金安全。再通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息,从而基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。整个资源定投过程中,目标用户都是通过5G消息进行交互,无需下载银行APP,降低了用户进行资源定投的门槛,克服了目前因银行APP中部署的业务过多且繁琐,使得用户不能快速寻找到资源定投的业务入口,从而导致用户进行资源定投的效率较低的技术缺陷。所以,上述方法能够提高用户进行资源定投的效率。
附图说明
图1为一个实施例中资源数据的处理方法的应用场景图;
图2为一个实施例中资源数据的处理方法的流程示意图;
图3为一个实施例中风险偏好分析的流程示意图;
图4为一个实施例中匹配目标定投资源的流程示意图;
图5为一个实施例中目标风险偏好模型的建立流程示意图;
图6为一个实施例中执行资源定投操作的流程示意图;
图7为一个实施例中资源数据的处理装置的结构框图;
图8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。
资源定投是用户在银行中定期购买定投产品的一种方式,它可以帮助用户获取更好的收益。由于资源定投可以平滑成本,能够避免短期收益波动影响回报,因此受到了大量用户的青睐。目前,银行提供的资源定投的方式通常是依赖于银行APP(Application,应用软件),用户需要先下载银行APP,然后注册账户,再在银行APP上寻找资源定投的业务入口以进行定投,这一系列操作不仅繁琐,而且由于银行APP中部署的业务过多,用户难以快速寻找到资源定投的入口,从而导致用户进行资源定投的效率较低。
而且,用户在银行APP上进行资源定投普遍是自行选择心仪的定投资源,或者是选择排名靠前的定投资源,这种定投方式存在随机性,也即用户最终定投的资源并不一定是符合其需求的,从而会存在一定的风险性,影响定投效果。
5G消息是短信业务的升级,是运营商的一种基础电信服务,利用5G消息代替银行APP,无需用户下载银行APP,无需在银行APP中寻找资源定投的业务入口,用户只需向银行发送资源定投请求就可以进行资源定投操作,从而提高用户进行资源定投的效率。且5G消息支持的媒体格式更多,表现形式也更多样化,能够使得用户与银行之间的交互更加丰富,从而增加用户体验感,提高用户黏性。
本公开实施例提供的资源数据的处理方法,可以应用于如图1所示的应用环境中。其中,执行主体可以是银行端的控制服务器102,控制服务器102与目标用户所在终端104、5G服务器106相连接。具体的,目标用户在终端104中发起资源定投请求,终端104将该资源定投请求发送至5G服务器106,5G服务器106将资源定投请求转换成5G消息形式后再发送给控制服务器102,控制服务器102接收到5G消息形式的资源定投请求时,获取目标用户的用户信息和资产信息,基于用户信息和资产信息对目标用户进行风险偏好分析,得到风险偏好结果,从而基于该风险偏好结果,为目标用户匹配合适的目标定投资源,并生成该目标定投资源对应的定投计划指令,并将该定投计划指令先发送至5G服务器106,由5G服务器106将该定投计划指令转换成5G消息形式之后再发送给终端104,目标用户根据该定投计划指令填写定投计划信息,并将该定投计划信息通过5G服务器106返回给控制服务器102,从而控制服务器102基于该定投计划信息,执行与资源定投请求对应的资源定投操作。整个资源定投过程中,目标用户与银行都是通过5G消息实现交互的,用户无需下载银行APP,降低了用户进行资源办理的门槛,提高了用户资源定投的效率。
其中,控制服务器102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。终端104可以但不限于是各种台式计算机、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。
在一个实施例中,如图2所示,提供了一种资源数据的处理方法,以该方法应用于图1中的控制服务器102为例进行说明,包括以下步骤:
步骤S202,响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息。
其中,资源定投请求是目标用户发起的需要办理资源定投业务的请求;用户信息是指目标用户的个人信息,可以包括但不限于是姓名、年龄、住址、联系方式、亲属信息等;资产信息是指目标用户所拥有资产的信息,可以包括但不限于是银行账号、账户余额、信用卡额度、基金、股票等。
具体的,银行端的控制服务器若接收到目标用户通过5G消息发送的资源定投请求时,可以先获取目标用户的用户信息和资产信息,以供后续对目标用户进行风险偏好分析,用户信息和资产信息可以是在控制服务器的用户数据库中查询到,也可以从第三方机构比如各种交易平台中获取到。
作为一种示例,在获取目标用户的用户信息和资产信息之前,可以先征得目标用户的授权,即控制服务器可以向目标用户发送是否同意获取用户信息和资产信息的询问请求,在接收到目标用户返回的同意指令之后,再获取用户信息和资产信息,从而保证用户的信息安全。
步骤S204,基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果。
其中,风险偏好结果是指目标用户对于定投风险的偏好程度,用于表征目标用户对于不同风险的定投资源的倾向性。
具体的,将用户信息和资产信息输入预设的目标风险偏好模型中,对目标用户进行风险偏好分析,得到目标用户的风险偏好结果,根据该风险偏好结果,可以了解到目标用户是更偏好稳健型的定投资源,还是保守型的定投资源,还是更偏好激进型的定投资源,风险偏好结果可以用于给目标用户匹配合适的定投资源。
步骤S206,基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源。
其中,目标定投资源可以是一个或者多个,目标定投资源是指与目标用户的风险偏好结果相匹配的定投资源。
具体的,根据目标用户的风险偏好结果,在预存的定投资源数据库中进行一一匹配,定投资源数据库中可以存储当前的所有定投资源,获取每个定投资源的资源类型,检测各资源类型是否与目标用户的风险偏好结果一致,若一致,则将该资源类型对应的定投资源作为目标定投资源。
作为一种示例,在风险偏好结果的基础上,还可进一步根据定投资源的实时行情信息,为目标用户匹配合适的目标定投资源。
步骤S208,通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息。
其中,定投计划指令是指针对目标定投资源对应的定投计划的指令,用于指示目标用户填写目标定投资源的定投计划信息。由于目标定投资源可以是一个或者多个,定投计划指令自然也可以是一个或者多个。
例如,假设目标定投资源有A、B、C三个,生成的定投计划指令也有a、b、c三个,可以理解的是,a可以携带A、、b可以携带B、c可以携带C,控制服务器将a、b、c均通过5G消息发送给目标用户,目标用户在a、b、c中选择心仪的目标定投资源假设为A,然后在A对应的a中填写定投计划信息,并将该定投计划信息返回给控制服务器。
具体的,控制服务器生成目标定投资源对应的定投计划指令,并通过5G消息向目标用户发送该定投计划指令,以指示目标用户填写资源定投时所需的定投计划信息,目标用户接收到该定投计划指令之后,填写完定投计划信息并返回给控制服务器。
步骤S210,基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
具体的,控制服务器接收到定投计划信息之后,检测该定投计划信息是否满足定投要求,若该定投计划信息满足定投要求,则执行资源定投操作,若该定投计划信息不满足定投要求,则向目标用户返回不满足定投要求的具体原因。
本实施例中,首先响应于目标用户通过5G消息发送的资源定投请求,先获取所述目标用户的用户信息和资产信息,为后续对目标用户进行风险偏好分析奠定数据基础,提高风险偏好分析的准确率,从而根据分析出的风险偏好结果为目标用户匹配出最优的目标定投资源,提高用户的定投成功率,减小投资风险,从而保障目标用户的资金安全。再通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息,从而基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。整个资源定投过程中,目标用户都是通过5G消息进行交互,无需下载银行APP,降低了用户进行资源定投的门槛,克服了目前因银行APP中部署的业务过多且繁琐,使得用户不能快速寻找到资源定投的业务入口,从而导致用户进行资源定投的效率较低的技术缺陷。所以,本实施例能够提高用户进行资源定投的效率。
在一个实施例中,如图3所示,所述基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果,包括:
步骤S302,对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征。
其中,用户特征是指根据用户信息提取到的目标用户的用户标签;资产特征是指根据资产信息提取到的目标用户的资产标签。
具体的,在获取到用户信息和资产信息之后,可先对用户信息和资产信息进行标准化处理,剔除掉异常数据,再对标准化处理后的用户信息进行特征提取,得到与用户信息对应的用户特征,以及对标准化处理后的资产信息进行特征提取,得到与资产信息对应的资产特征。
步骤S304,将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
其中,目标风险偏好模型是用于进行风险偏好分析的模型,目标风险偏好模型是指对基于样本用户的历史资源定投数据构建的支持向量机模型进行训练更新后得到的模型。
具体的,将目标用户的用户特征和资产特征输入预设的目标风险偏好模型,目标风险偏好模型是支持向量机模型,可以根据用户特征和资产特征对目标用户的风险偏好进行分类,从而得到目标用户的风险偏好结果,也即目标用户的定投偏好是稳健型的定投资源,还是保守型的定投资源,还是激进型的定投资源,可以理解的是,定投资源的类型可以有多种,并不限于本实施例中提及的三种类型。
本实施例中,利用目标风险偏好模型对目标用户进行风险偏好分析,能够获得更加准确的目标用户的风险偏好结果,从而提高后续基于风险偏好结果为目标用户匹配目标定投资源的准确率。而且相比于目前用户在银行APP上进行资源定投普遍是自行选择心仪的定投资源,或者是选择排名靠前的定投资源的定投方式来说,基于风险偏好结果为目标用户匹配目标定投资源能够避免定投随机性,使得用户最终定投的资源是符合其需求的,从而降低定投风险性。
在一个实施例中,如图4所示,所述基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源,包括:
步骤S402,筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息。
其中,候选定投资源是指与风险偏好结果匹配的定投资源;实时行情信息是指与候选定投资源的风险与收益相关的信息,包括正面信息和负面信息,正面信息是指利于候选定投资源增加收益的信息,反之,负面信息是指可能降低候选定投资源收益的信息。
具体的,根据目标用户的风险偏好结果,可以先筛选出与该风险偏好结果相匹配的各候选定投资源,然后可以通过爬虫技术在各候选定投资源关联的网站上爬取到对应的实时行情信息。
作为一种示例,可利用爬虫技术抓取网站的网页数据,获取网站的抓取规则,并根据抓取规则对该网页数据进行解析,从而获得各候选定投资源的实时行情信息,实时行情信息可以为文本信息。
作为一种示例,可将抓取的实时行情信息进行预处理,预处理包括数据去重、空值处理、数据去噪等处理,还包括将来自不同网站的实时行情信息进行格式统一的处理,从而获取有效的实时行情信息。有效的实时行情信息是指不包括重复信息、空信息的文本信息。
作为一种示例,实时行情信息还可以包括实时交易信息,实时交易信息是指各候选定投资源的交易信息,根据时间区间可以分为秒级、分时、日行等实时交易信息,根据不同的时间区间实时获取各候选定投资源的最新动态,从而为目标用户推荐更准确的目标定投资源。
步骤S404,基于各所述实时行情信息,分析出各所述候选定投资源的预期收益。
其中,预期收益是指各候选定投资源的期望收益。
具体的,根据各候选定投资源的实时行情信息,分析出各候选定投资源在未来特定周期内的期望收益,该特定周期可以自行设置。
步骤S406,根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
具体的,根据各候选定投资源的预期收益,分析出各候选定投资源的回报率,并在各候选定投资源中选择出回报率高的目标定投资源。
在本发明实施例中,通过获取各候选定投资源的实时行情信息,并根据该实时行情信息,分析出各候选定投资源的预期收益,从而得到各候选定投资源的回报率,并将回报率高的候选定投资源作为推荐给目标用户的目标定投资源,实现精准推荐,从而降低用户进行资源定投的风险。
在一个实施例中,如图5所示,目标风险偏好模型的建立过程包括:
步骤S502,采集样本用户的历史资源定投数据。
其中,样本用户是指用于进行模型训练的用户;历史资源定投数据是指样本用户进行资源定投的历史数据,历史资源定投数据包括训练集数据和预测集数据,训练集数据用于进行模型训练,预测集数据用于检测模型的预测准确率。
具体的,获取一定数量的样本用户,以及获取这些样本用户的历史资源定投数据,按照预设比例将各历史资源定投数据进行数据划分,得到训练集数据和预测集数据。
步骤S504,基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型。
其中,支持向量机模型(Support Vector Machine,SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier),利用支持向量机模型能够准确的预测出用户进行资源定投的风险偏好。
具体的,将训练集数据输入预建立的支持向量机模型中,进行迭代训练,直至达到训练轮次,或者模型的训练精度达到预设精度时,停止模型训练,得到初始风险偏好模型。
步骤S506,将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率。
其中,预测准确率是指初始风险偏好模型进行风险偏好预测的准确率。
具体的,将预测集数据输入初始风险偏好模型中进行风险偏好预测,得到风险偏好预测值,将预测集数据中的风险偏好真实值与风险偏好预测值进行一致性对比,若一致,说明预测准确,若不一致,说明预测不准确,预测准确率可以是风险偏好预测值与风险偏好真实值一致的数据量与预测级数据中的总数据量之间的比值。
步骤S508,根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数。
其中,最优参数是指预测准确率最高时的模型参数。
具体的,根据计算出的预测准确率,对初始风险偏好模型进行参数寻优,也即不断寻找预测准确率达到预先设定的准确率阈值时的最优参数。
步骤S510,基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
具体的,寻找到最优参数之后,将初始风险偏好模型中的参数更新为最优参数,以实现模型更新,从而得到目标风险偏好模型。
本实施例中,对支持向量机模型进行模型训练,以及通过参数寻优不断寻找最优参数,以更新模型,都是为了得到高预测准确率的目标风险偏好模型,降低模型的预测误差,从而在对目标用户进行风险偏好预测时,能够准确预测出目标用户的风险偏好,进而为目标用户匹配合适的目标定投资源,提高用户进行资源定投的准确率,降低定投风险。
在一个实施例中,如图6所示,所述定投计划信息包括定投账户、定投金额和定投时间;
所述基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作,包括:
步骤S602,检测所述定投金额是否大于等于所述目标定投资源的最低定投额度。
其中,定投金额是指目标用户设定的对目标定投资源进行资源定投的计划金额;最低定投额度是指目标定投资源最低的定投金额。
具体的,控制服务器接收到目标用户返回的定投计划信息时,获取该定投计划信息中的定投金额,并检测该定投金额是否大于等于目标定投资源的最低定投额度,只有定投金额大于等于目标定投资源的最低定投额度时,才可以进行资源定投。
步骤S604,若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额。
其中,定投账户是指目标用户设定的对目标定投资源进行资源定投的扣款账户。
具体的,若定投金额大于等于目标定投资源的最低定投额度,还需要检测目标用户的定投账户中的账户余额是否能够支撑该定投金额,也即检测定投账户中的账户余额是否大于等于定投金额。若定投金额小于目标定投资源的最低定投额度,说明此时目标用户设定的定投金额不符合定投条件,则可向目标用户返回金额修改的指令,以指示目标用户修改定投金额。
步骤S606,若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
其中,定投时间是指目标用户设定的对目标定投资源进行资源定投的时间,可以是具体的时间点,也可以是时间周期。
具体的,若目标用户的定投账户中的账户余额大于等于定投金额,说明账户余额能够支撑定投金额,则根据定投计划信息中的定投时间以及该定投金额,执行相应的资源定投操作,若目标用户的定投账户中的账户余额小于定投金额,说明账户余额不能够支撑定投金额,则可向目标用户返回余额不足的指令,以提示目标用户所设定的定投账户余额不足,不能够进行资源定投。
本实施例中,基于目标用户上传的定投计划信息,对目标用户进行定投金额检测和定投账户检测,避免在执行资源定投操作时因定投金额有误或者定投账户余额不足而导致操作失败,提高了资源定投的效率。
在一个实施例中,在所述基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作的步骤之后,还包括:生成与所述资源定投操作对应的资源定投信息;在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
其中,资源定投信息是指执行与目标定投资源对应的资源定投操作过程的信息,可以包括但不限于是定投人、定投时间、定投资源、定投金额、定投次数等;资源定投区块是指区块链网络中用于存储用户的资源定投信息的区块。
具体的,控制服务器将执行资源定投操作过程中的相关信息整合成资源定投信息,并在区块链网络中定位到目标用户的资源定投区块,将该资源定投信息写入到该资源定投区块中,从而实现目标用户的资源定投信息的存储,区块链具有去中心化的特性,能够防止他人篡改信息,因此能够保护用户资源定投信息的安全。
在一个实施例中,资源定投可以是理财产品交易,具体的,目标用户在终端中发起理财产品交易请求,终端将该理财产品交易请求发送至5G服务器,5G服务器将理财产品交易请求转换成5G消息形式后再发送给控制服务器,控制服务器接收到5G消息形式的理财产品交易请求时,获取目标用户的用户信息和资产信息,基于用户信息和资产信息对目标用户进行风险偏好分析,得到风险偏好结果,从而基于该风险偏好结果,为目标用户匹配合适的目标理财产品,并生成该目标理财产品对应的交易计划指令,并将该交易计划指令先发送至5G服务器,由5G服务器将该交易计划指令转换成5G消息形式之后再发送给终端,目标用户根据该交易计划指令填写交易计划信息,并将该交易计划信息通过5G服务器返回给控制服务器,从而控制服务器基于该交易计划信息,执行与理财产品交易请求对应的交易操作。整个理财产品交易过程中,目标用户与银行都是通过5G消息实现交互的,用户无需下载银行APP,降低了用户进行理财产品交易的门槛,提高了用户进行理财产品交易的效率。
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数据的处理方法的资源数据的处理装置。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数据的处理装置实施例中的具体限定可以参见上文中对于资源数据的处理方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种资源数据的处理装置,包括:信息获取模块702、风险偏好分析模块704、资源匹配模块706、定投计划接收模块708、资源定投模块710,其中:
信息获取模块702,用于响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;
风险偏好分析模块704,用于基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;
资源匹配模块706,用于基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;
定投计划接收模块708,用于通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;
资源定投模块710,用于基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
在其中一个实施例中,所述风险偏好分析模块704还用于:
对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征;将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
在其中一个实施例中,所述资源匹配模块706还用于:
筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息;基于各所述实时行情信息,分析出各所述候选定投资源的预期收益;根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
在其中一个实施例中,所述资源数据的处理装置还用于:
采集样本用户的历史资源定投数据,其中,所述历史资源定投数据包括训练集数据和预测集数据;基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型;将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率;根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数;基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
在其中一个实施例中,所述资源定投模块710还用于:
检测所述定投金额是否大于等于所述目标定投资源的最低定投额度;若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额;若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
在其中一个实施例中,所述资源数据的处理装置还用于:
生成与所述资源定投操作对应的资源定投信息;在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
上述资源数据的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8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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物品推荐数据。该计算机设备的网络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数据的处理方法。
本领域技术人员可以理解,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,提供了一种计算机设备,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以下步骤:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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:
对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征;将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
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:
筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息;基于各所述实时行情信息,分析出各所述候选定投资源的预期收益;根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
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:
采集样本用户的历史资源定投数据,其中,所述历史资源定投数据包括训练集数据和预测集数据;基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型;将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率;根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数;基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
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:
检测所述定投金额是否大于等于所述目标定投资源的最低定投额度;若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额;若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
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:
生成与所述资源定投操作对应的资源定投信息;在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
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:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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:
对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征;将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
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:
筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息;基于各所述实时行情信息,分析出各所述候选定投资源的预期收益;根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
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:
采集样本用户的历史资源定投数据,其中,所述历史资源定投数据包括训练集数据和预测集数据;基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型;将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率;根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数;基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
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:
检测所述定投金额是否大于等于所述目标定投资源的最低定投额度;若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额;若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
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:
生成与所述资源定投操作对应的资源定投信息;在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
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:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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:
对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征;将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
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:
筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息;基于各所述实时行情信息,分析出各所述候选定投资源的预期收益;根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
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:
采集样本用户的历史资源定投数据,其中,所述历史资源定投数据包括训练集数据和预测集数据;基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型;将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率;根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数;基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
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:
检测所述定投金额是否大于等于所述目标定投资源的最低定投额度;若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额;若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
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:
生成与所述资源定投操作对应的资源定投信息;在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
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。
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)
1.一种资源数据的处理方法,其特征在于,所述方法包括:
响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;
基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;
基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;
通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;
基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
2.如权利要求1所述的要求,其特征在于,所述基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果,包括:
对所述用户信息和所述资产信息分别进行特征提取,得到所述用户信息对应的用户特征和所述资产信息对应的资产特征;
将所述用户特征和所述资产特征输入预设的目标风险偏好模型中,进行风险偏好分析,得到所述目标用户的风险偏好结果。
3.如权利要求1所述的要求,其特征在于,所述基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源,包括:
筛选出与所述风险偏好结果相匹配的各候选定投资源,并获取各所述候选定投资源的实时行情信息;
基于各所述实时行情信息,分析出各所述候选定投资源的预期收益;
根据各所述预期收益,在各所述候选定投资源中选择出所述目标定投资源。
4.如权利要求2所述的要求,其特征在于,所述方法还包括:
采集样本用户的历史资源定投数据,其中,所述历史资源定投数据包括训练集数据和预测集数据;
基于所述训练集数据,对预建立的支持向量机模型进行监督训练,得到初始风险偏好模型;
将所述预测集数据输入所述初始风险偏好模型,进行风险偏好预测,获得风险偏好预测的预测准确率;
根据所述预测准确率,对所述初始风险偏好模型进行参数寻优,得到最优参数;
基于所述最优参数,对所述初始风险偏好模型进行模型更新,得到所述目标风险偏好模型。
5.如权利要求1所述的要求,其特征在于,所述定投计划信息包括定投账户、定投金额和定投时间;
所述基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作,包括:
检测所述定投金额是否大于等于所述目标定投资源的最低定投额度;
若所述定投金额大于等于所述最低定投额度,则检测所述定投账户的账户余额是否大于等于所述定投金额;
若所述账户余额大于等于所述定投金额,则根据所述定投金额和所述定投时间,执行与所述资源定投请求对应的资源定投操作。
6.如权利要求1所述的要求,其特征在于,在所述基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作的步骤之后,还包括:
生成与所述资源定投操作对应的资源定投信息;
在区块链网络上查询到所述目标用户的资源定投区块,将所述资源定投信息写入所述资源定投区块中。
7.一种资源数据的处理装置,其特征在于,所述装置包括:
信息获取模块,用于响应于目标用户通过5G消息发送的资源定投请求,获取所述目标用户的用户信息和资产信息;
风险偏好分析模块,用于基于所述用户信息和所述资产信息,对所述目标用户进行风险偏好分析,得到风险偏好结果;
资源匹配模块,用于基于所述风险偏好结果,为所述目标用户匹配合适的目标定投资源;
定投计划接收模块,用于通过5G消息向所述目标用户发送与所述目标定投资源对应的定投计划指令,并接收所述目标用户通过5G消息返回的与所述定投计划指令对应的定投计划信息;
资源定投模块,用于基于所述定投计划信息,执行与所述资源定投请求对应的资源定投操作。
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 |
---|---|---|---|
CN202311251296.XA CN117455664A (zh) | 2023-09-26 | 2023-09-26 | 资源数据的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311251296.XA CN117455664A (zh) | 2023-09-26 | 2023-09-26 | 资源数据的处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455664A true CN117455664A (zh) | 2024-01-26 |
Family
ID=89582564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311251296.XA Pending CN117455664A (zh) | 2023-09-26 | 2023-09-26 | 资源数据的处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455664A (zh) |
-
2023
- 2023-09-26 CN CN202311251296.XA patent/CN117455664A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
US11544627B1 (en) | Machine learning-based methods and systems for modeling user-specific, activity specific engagement predicting scores | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN114116802A (zh) | Flink计算框架的数据处理方法、装置、设备和存储介质 | |
CN114398553A (zh) | 对象推荐方法、装置、电子设备以及存储介质 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
US20240144278A1 (en) | Systems and methods for fraud monitoring | |
CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
CN116151857A (zh) | 一种营销模型的构建方法及装置 | |
CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
CN117455664A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN117350547B (zh) | 订单的风险处理方案确定方法、装置、设备及存储介质 | |
US20220207430A1 (en) | Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data | |
CN117036041A (zh) | 业务信息推送方法、装置、计算机设备和存储介质 | |
CN117221838A (zh) | 基于5g消息的业务办理方法、装置、计算机设备和介质 | |
CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN113095805A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN114065050A (zh) | 产品推荐的方法、系统、电子设备和存储介质 | |
CN117541885A (zh) | 样本数据处理方法、装置、存储介质和系统 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 |
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 |