CN117573983A - 一种融资方案的推荐方法、装置、电子设备及存储介质 - Google Patents
一种融资方案的推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117573983A CN117573983A CN202311671469.3A CN202311671469A CN117573983A CN 117573983 A CN117573983 A CN 117573983A CN 202311671469 A CN202311671469 A CN 202311671469A CN 117573983 A CN117573983 A CN 117573983A
- Authority
- CN
- China
- Prior art keywords
- financing
- target
- historical
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims description 165
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融资方案的推荐方法、装置、电子设备及存储介质。该方法包括:获取目标企业的目标融资信息以及目标融资金额;其中,目标融资信息为对目标企业的融资利率存在影响的信息;将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率;根据预测融资利率以及目标融资金额,确定推荐融资方案。采用本申请技术方案,通过获取目标企业的目标融资信息以及目标融资金额,将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率,根据预测融资利率以及目标融资金额,确定推荐融资方案,使得在企业进行融资时,能够降低企业融资成本,提高用户体验。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种融资方案的推荐方法、装置、电子设备及存储介质。
背景技术
当前,金融机构以供应链贸易背景为基础,提供各种融资产品,如基于应收账款的保理融资和应收账款质押融资,基于预付款的保兑仓融资和订单融资。
针对同一贸易背景,客户可以同时办理多种或一种产品。然而,各产品受多种因素如贷款期限、LPR变动等影响具有不同的贷款利率。对于融资客户,如何在各产品间快速进行选择和分配,从而保证融资成本较低成为了重要问题。
发明内容
本发明提供了一种融资方案的推荐方法、装置、电子设备及存储介质,以解决目标企业在进行融资前,对融资成本无法预测,且难以选择融资成本较低的融资方案。
根据本发明的一方面,提供了一种融资方案的推荐方法,该方法包括:
获取目标企业的目标融资信息以及目标融资金额;其中,目标融资信息为对目标企业的融资利率存在影响的信息;
将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率;
根据预测融资利率以及目标融资金额,确定推荐融资方案;
其中,利率预测模型在得到预测融资利率的过程中,在当前输入到利率预测模型中的当前融资信息与以往输入到利率预测模中的以往融资信息存在差异信息的情况下,根据以往融资信息确定以往标准化误差率,并根据以往标准化误差率对差异信息的权重进行确定。
根据本发明的另一方面,提供了一种融资方案的推荐装置,该装置包括:
目标数据获取模块,用于获取目标企业的目标融资信息以及目标融资金额;其中,目标融资信息为对目标企业的融资利率存在影响的信息;
融资利率预测模块,用于将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率;
融资方案确定模块,用于根据预测融资利率以及目标融资金额,确定推荐融资方案;
其中,利率预测模型在得到预测融资利率的过程中,在当前输入到利率预测模型中的当前融资信息与以往输入到利率预测模型中的以往融资信息存在差异信息的情况下,根据以往融资信息确定以往标准化误差率,并根据以往标准化误差率对差异信息的权重进行确定。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的融资方案的推荐方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的融资方案的推荐方法。
本发明实施例的技术方案,获取目标企业的目标融资信息以及目标融资金额,将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率,根据预测融资利率以及目标融资金额,确定推荐融资方案,使得在企业进行融资时,能够降低企业融资成本,提高用户体验。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种融资方案的推荐方法的流程图;
图2是根据本发明实施例二提供的另一种融资方案的推荐方法的流程图;
图3是根据本发明实施例三提供的一种融资方案的推荐装置的结构示意图;
图4是实现本发明实施例的融资方案的推荐方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种融资方案的推荐方法的流程图,本实施例可适用于在目标企业进行融资前,为目标企业提供融资方案的情况,该方法可以由融资方案的推荐装置来执行,该融资方案的推荐装置可以采用硬件和/或软件的形式实现,该融资方案的推荐装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110、获取目标企业的目标融资信息以及目标融资金额。
其中,目标融资信息为对目标企业的融资利率存在影响的信息。
目标企业可以是需要进行融资方案推荐的企业。目标融资金额可以是目标企业需要融资的具体金额。
对于目标企业的目标融资信息的获取,可以通过目标企业的企业资源计划系统和目标企业的官网等进行获取。对于目标融资信息以及目标融资金额本申请不进行限制。
S120、将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率。
其中,利率预测模型在得到预测融资利率的过程中,在当前输入到利率预测模型中的当前融资信息与以往输入到利率预测模型中的以往融资信息存在差异信息的情况下,根据以往融资信息确定以往标准化误差率,并根据以往标准化误差率对差异信息的权重进行确定。
预测融资利率可以是通过利率预测模型进行预测的各个融资产品在不同融资期限下的利率。
通过预先训练的利率预测模型,对目标融资信息进行运算,判断出与目标融资信息对应的各个融资产品在不同融资期限下的预测融资利率。
可选的,利率预测模型的训练过程,可包括步骤A1-A2:
步骤A1、获取样本企业的历史融资信息组以及与历史融资信息组对应的历史融资利率组。
步骤A2、以增量学习模型作为初始模型,通过历史融资信息组以及历史融资利率组,对初始模型进行训练,得到利率预测模型。
历史融资信息组可以是对样本企业的历史融资利率存在影响的信息。历史融资利率组可以是样本企业在历史融资信息组的情况下,各个融资产品在不同融资期限下的融资利率。增量学习模型可以是一种机器学习方法,允许在不重新训练整个模型的情况下,通过添加新的数据和标签来增强已经训练号的模型,包括但不限于learn++。
以增量学习模型作为初始模型,利用本企业的历史融资信息组以及与历史融资信息组对应的历史融资利率组,对初始模型中的权重进行不断调整,使得初始模型可以在历史融资信息组中的数据存在部分差异时,仍可以预测出较为准确的对应历史融资信息组的融资利率。
在一种可选方案中,以增量学习模型作为初始模型,通过历史融资信息组以及历史融资利率组,对初始模型进行训练,得到利率预测模型,可包括步骤B1-B6:
步骤B1、根据历史融资信息组,确定历史向量组,从历史向量组中选取第一预设数量的相同向量维度的第一历史向量,并对第一历史向量中的各个向量维度赋予相同的第一历史权重值。
其中,每个向量维度的信息的含义不同。
步骤B2、根据增量学习模型对第一历史向量进行计算,得到与第一历史向量对应的第一历史向量预测利率。
步骤B3、若第一历史向量预测利率与第一历史向量对应的历史融资利率之间的向量误差大于第一预设阈值,则从历史向量组中重新选取第一预设数量第一历史向量,并通过增量学习模型进行重新计算,直至向量误差小于或等于第一预设阈值。
其中,第一历史向量对应的历史融资利率从历史融资利率组中确定。
步骤B4、否则,根据向量误差,计算增量学习模型的标准化误差率。
步骤B5、从历史向量组中选取第二预设数量的相同向量维度的第二历史向量,并根据标准化误差率,对第二历史向量中与第一历史向量中不同的向量维度的第二历史权重值进行计算,并根据第二历史权重值以及第一历史权重值,对第二历史向量进行计算,得到与第二历史向量对应的第二历史向量预测利率;其中,第一历史向量与第二历史向量的向量维度不同。
步骤B6、根据第二历史向量预测利率以及第二历史向量对应的历史融资利率之间的误差,对第一历史权重值以及第二历史权重值进行调整,得到利率预测模型。
第一预设数量可以是根据工作经验等方式进行设定的预设数量,且第一预设数据与第二预设数据的大小无关。相同向量维度可以是向量中各个维度所表达的信息相同,例如,年龄、性别以及姓名。第一历史向量可以是包含在历史向量组的向量。每个第一历史向量中的向量维度相同。第一历史权重值可以是对第一历史向量中的向量维度进行赋予的权重值,且每个向量维度的权重值相同。第一预设阈值可以是预先设定的允许出现的向量误差的最大值。标准化误差率可以是用于描述误差率分布的一个统计量。
第二预设数量可以是根据工作经验等方式进行设定的预设数量。第二历史向量可以是与第一历史向量中的向量维度存在部分不同的向量。第二历史权重值可以是第一历史向量与第一历史向量中存在不同的向量维度的权重。第一历史向量预测利率可以是通过第一历史向量确定的利率。第二历史向量预测利率可以是通过第二历史向量确定的利率。
在对初始模型进行训练时,将历史融资信息组转换为历史向量组,并从历史向量组中选择出具有相同向量维度的第一预设数量的第一历史向量。并根据第一历史向量的向量维度的个数,确定所要赋予第一历史向量中各个向量维度的第一历史权重值。
以增量学习模型对第一历史向量进行计算,得到与第一历史向量对应的第一历史向量预测利率,并确定第一历史向量预测利率与第一历史向量对应的历史融资利率之间的向量误差。
并在确定了向量误差之后,通过将向量误差与第一预设阈值进行比较,判断在赋予相同的第一历史权重值对第一历史向量的影响,在向量误差大于第一预设阈值时,则表明第一历史向量中的向量不适合赋予相同的权重,此时将从历史向量组中,重新选取第一历史向量,进行重新计算,直至向量误差小于或等于第一预设阈值。
通过向量误差,能够计算出增量学习模型的标准化误差率。
从历史向量组中的选取第二预设数量的相同向量维度的第二历史向量,并利用标准化误差率对第二历史向量中与第一历史向量中不同的向量维度的第二历史权重值进行计算,并根据第二历史权重值以及第一历史权重值,对第二历史向量进行计算,得到与第二历史向量对应的第二历史向量预测利率。
示例性的,第一历史向量为[性别、年龄、姓名],第二历史向量为[性别、年龄、学历],此时第一历史向量与第二历史向量在性别与年龄的向量维度相同,姓名与学历的向量维度不同。在赋予[性别、年龄、姓名]相同的第一历史权重值后,通过[性别、年龄、姓名]的标准化误差率,计算出应该赋予给[性别、年龄、学历]中学历的第二历史权重值,并根据第一历史权重值与第二历史权重值进行计算,得到第二历史向量预测利率。
根据第二历史向量预测利率以及第二历史向量对应的历史融资利率之间的误差,可以对第一历史权重值以及第二历史权重值进行调整,从而得到利率预测模型。
在一种可选方案中,标准化误差率的计算公式为:
p=1-2ε
式中,p表示标准化误差率;ε表示向量误差。
S130、根据预测融资利率以及目标融资金额,确定推荐融资方案。
在得到预测融资利率以及目标融资金额后,可以通过将各个融资产品在不同融资期限下的预测融资利率进行排列组合,并从排列组合的结果中筛选出满足目标融资金额的成本最小的推荐融资方案。
根据本发明实施例的技术方案,获取目标企业的目标融资信息以及目标融资金额,将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率,根据预测融资利率以及目标融资金额,确定推荐融资方案,使得在企业进行融资时,能够降低企业融资成本,提高用户体验。
实施例二
图2为本发明实施例提供了另一种融资方案的推方法的流程图,本实施例在上述实施例的基础上对前述实施例中根据预测融资利率以及目标融资金额,确定推荐融资方案的过程进行进一步优化,本实施例可以与上述一个或多个实施例中各个可选方案进行结合。如图2所示,本实施例的融资方案的推方法,可包括以下步骤:
S210、获取目标企业的目标融资信息以及目标融资金额。
其中,目标融资信息为对目标企业的融资利率存在影响的信息。
S220、将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率。
在一种可选方案中,在将目标融资信息输入至预先训练的利率预测模型之前,方法还可包括步骤C1-C2:
步骤C1、对目标融资信息进行数据筛选,得到目标筛选数据。
步骤C2、对目标筛选数据进行数据清洗,得到能够被利率预测模型正确处理的目标清洗数据。
为保证利率预测模型的处理效率能,需要对目标融资信息进行筛选,从而减少数据量,数据筛选的方式可以是过滤法、包裹法以及嵌入法等。在数据筛选过程中,还可以通过过滤法并与工作人员共同处理,提高数据筛选的准确率。
在得到目标筛选数据后,将通过数据清洗等操作对目标筛选数据进行处理,从而得到目标清洗数据。
对于目标筛选数据中的缺失值,可以通过该缺失值所属变量的其他数据的均值来填充。
异常值则通过异常值前后两个数据的均值进行修正。并在修正后,通过平方以及开放等函数变换将不具有正态分布的数据转换成具有正态分布的数据,并通过离差标准化对数据进行线性变换,将其范围变为[0,1],通过属性规约,将一些旧的属性合并为一个新的属性,最终通过有参数或无参数的方法减少数据量,得到目标清洗数据。
相应的,将目标融资信息输入至预先训练的利率预测模型,包括:
将目标清洗数据输入至预先训练的利率预测模型。
S230、以预测融资利率最低的融资产品作为目标融资产品。
S240、若目标融资产品的融资额度小于目标融资金额,则继续从除目标融资产品外的融资产品中继续确定目标融资产品,直至确定出的各个目标融资产品的融资额度的累计金额大于目标融资金额,并将确定出的各个目标融资产品作为推荐融资方案。
在得到预测融资利率以及目标融资金额,以预测融资利率最低的融资产品作为目标融资产品,进行初步判断,判断目标融资产品的融资额度是否满足目标企业的目标融资金额,若满足,则将目标融资产品作为推荐融资方案,若不满足则继续选取剩余的融资产品中预测融资利率最低的作为目标融资产品,直到各个目标融资产品的融资额度的累计金额大于目标融资金额并将确定出的各个目标融资产品作为推荐融资方案。
S250、获取目标企业的目标融资信息对应的实际融资利率。
S260、根据实际融资利率以及目标融资信息,对利率预测模型进行调整。
为保证利率预测模型的长期可用,在获取到推荐融资方案后,将通过获取目标企业的目标融资信息对应的实际融资利率,并将目标融资信息以及实际融资利率输入到利率预测模型中,实现利率预测模型的长期训练。
其中,实际融资利率可以是目标企业在目标融资信息的情况下,进行融资时,各个融资产品在不同融资期限下的给出的利率。
根据本发明实施例的技术方案,以预测融资利率最低的融资产品作为目标融资产品,若目标融资产品的融资额度小于目标融资金额,则继续从除目标融资产品外的融资产品中继续确定目标融资产品,直至确定出的各个目标融资产品的融资额度的累计金额大于目标融资金额,并将确定出的各个目标融资产品作为推荐融资方案,获取目标企业的目标融资信息对应的实际融资利率,根据实际融资利率以及目标融资信息,对利率预测模型进行调整,从而提高利率预测模型计算结果的准确率,保证了利率预测模型的长期适用。
实施例三
图3为本发明实施例提供了一种融资方案的推荐装置的结构框图,本实施例可适用于在目标企业进行融资前,为目标企业提供融资方案的情形。该融资方案的推荐装置可以采用硬件和/或软件的形式实现,该融资方案的推荐装置可配置于具有数据处理能力的电子设备中。如图3所示,本实施例的融资方案的推荐装置,可包括:目标数据获取模块310、融资利率预测模块320以及融资方案确定模块330。其中:
目标数据获取模块310,用于获取目标企业的目标融资信息以及目标融资金额;其中,目标融资信息为对目标企业的融资利率存在影响的信息;
融资利率预测模块320,用于将目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率;
融资方案确定模块330,用于根据预测融资利率以及目标融资金额,确定推荐融资方案;
其中,利率预测模型在得到预测融资利率的过程中,在当前输入到利率预测模型中的当前融资信息与以往输入到利率预测模型中的以往融资信息存在差异信息的情况下,根据以往融资信息确定以往标准化误差率,并根据以往标准化误差率对差异信息的权重进行确定。
在上述实施例的基础上,可选的,通过模型训练模块对利率预测模型的训练过程,模型训练模块,包括:
历史数据获取单元,用于获取样本企业的历史融资信息组以及与历史融资信息组对应的历史融资利率组;
初始模型训练单元,用于以增量学习模型作为初始模型,通过历史融资信息组以及历史融资利率组,对初始模型进行训练,得到利率预测模型。
在上述实施例的基础上,可选的,初始模型训练单元,包括:
第一权重赋予子单元,用于根据历史融资信息组,确定历史向量组,从历史向量组中选取第一预设数量的相同向量维度的第一历史向量,并对第一历史向量中的各个向量维度赋予相同的第一历史权重值;其中,每个向量维度的信息的含义不同;
第一历史利率确定子单元,用于根据增量学习模型对第一历史向量进行计算,得到与第一历史向量对应的第一历史向量预测利率;
第一阈值判断子单元,用于若第一历史向量预测利率与第一历史向量对应的历史融资利率之间的向量误差大于第一预设阈值,则从历史向量组中重新选取第一预设数量第一历史向量,并通过增量学习模型进行重新计算,直至向量误差小于或等于第一预设阈值;其中,第一历史向量对应的历史融资利率从历史融资利率组中确定;
标准化误差率确定子单元,用于否则,根据向量误差,计算增量学习模型的标准化误差率;
第二历史利率确定子单元,用于从历史向量组中选取第二预设数量的相同向量维度的第二历史向量,并根据标准化误差率,对第二历史向量中与第一历史向量中不同的向量维度的第二历史权重值进行计算,并根据第二历史权重值以及第一历史权重值,对第二历史向量进行计算,得到与第二历史向量对应的第二历史向量预测利率;其中,第一历史向量与第二历史向量的向量维度不同;
预测模型获取单元,用于根据第二历史向量预测利率以及第二历史向量对应的历史融资利率之间的误差,对第一历史权重值以及第二历史权重值进行调整,得到利率预测模型。
在上述实施例的基础上,可选的,标准化误差率的计算公式为:
p=1-2ε
式中,p表示标准化误差率;ε表示向量误差。
在上述实施例的基础上,可选的,融资方案确定模块330,包括:
目标产品确定单元,用于以预测融资利率最低的融资产品作为目标融资产品;
融资方案获取单元,用于若目标融资产品的融资额度小于目标融资金额,则继续从除目标融资产品外的融资产品中继续确定目标融资产品,直至确定出的各个目标融资产品的融资额度的累计金额大于目标融资金额,并将确定出的各个目标融资产品作为推荐融资方案。
在上述实施例的基础上,可选的,在融资利率预测模块320之前,该装置还包括:
数据筛选模块,用于对目标融资信息进行数据筛选,得到目标筛选数据;
数据清洗模块,用于对目标筛选数据进行数据清洗,得到能够被利率预测模型正确处理的目标清洗数据;
相应的,融资利率预测模块320,包括:
清洗数据输入单元,用于将目标清洗数据输入至预先训练的利率预测模型。
在上述实施例的基础上,可选的,在融资方案确定模块330之后,该装置还包括:
实际融资利率获取模块,用于获取目标企业的目标融资信息对应的实际融资利率;
模型改进调整模块,用于根据实际融资利率以及目标融资信息,对利率预测模型进行调整。
本发明实施例所提供的融资方案的推荐装置可执行本发明任意实施例所提供的融资方案的推荐方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如融资方案的推荐方法。
在一些实施例中,融资方案的推荐方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的融资方案的推荐方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行融资方案的推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种融资方案的推荐方法,其特征在于,包括:
获取目标企业的目标融资信息以及目标融资金额;其中,所述目标融资信息为对所述目标企业的融资利率存在影响的信息;
将所述目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率;
根据所述预测融资利率以及所述目标融资金额,确定推荐融资方案;
其中,所述利率预测模型在得到所述预测融资利率的过程中,在当前输入到所述利率预测模型中的当前融资信息与以往输入到所述利率预测模型中的以往融资信息存在差异信息的情况下,根据所述以往融资信息确定以往标准化误差率,并根据所述以往标准化误差率对所述差异信息的权重进行确定。
2.根据权利要求1所述的方法,其特征在于,所述利率预测模型的训练过程:
获取样本企业的历史融资信息组以及与所述历史融资信息组对应的历史融资利率组;
以增量学习模型作为初始模型,通过所述历史融资信息组以及所述历史融资利率组,对所述初始模型进行训练,得到所述利率预测模型。
3.根据权利要求2所述的方法,其特征在于,以增量学习模型作为初始模型,通过所述历史融资信息组以及所述历史融资利率组,对所述初始模型进行训练,得到所述利率预测模型,包括:
根据所述历史融资信息组,确定历史向量组,并从所述历史向量组中选取第一预设数量的相同向量维度的第一历史向量,并对所述第一历史向量中的各个向量维度赋予相同的第一历史权重值;其中,每个向量维度的信息的含义不同;
根据所述增量学习模型对所述第一历史向量进行计算,得到与所述第一历史向量对应的第一历史向量预测利率;
若所述第一历史向量预测利率与所述第一历史向量对应的历史融资利率之间的向量误差大于第一预设阈值,则从所述历史向量组中重新选取所述第一预设数量所述第一历史向量,并通过所述增量学习模型进行重新计算,直至所述向量误差小于或等于第一预设阈值;其中,所述第一历史向量对应的历史融资利率从所述历史融资利率组中确定;
否则,根据所述向量误差,计算所述增量学习模型的标准化误差率;
从所述历史向量组中选取第二预设数量的相同向量维度的第二历史向量,并根据所述标准化误差率,对所述第二历史向量中与所述第一历史向量中不同的向量维度的第二历史权重值进行计算,并根据所述第二历史权重值以及所述第一历史权重值,对所述第二历史向量进行计算,得到与所述第二历史向量对应的第二历史向量预测利率;其中,所述第一历史向量与所述第二历史向量的向量维度不同;
根据所述第二历史向量预测利率以及所述第二历史向量对应的所述历史融资利率之间的误差,对所述第一历史权重值以及所述第二历史权重值进行调整,得到所述利率预测模型。
4.根据权利要求3所述的方法,其特征在于,所述标准化误差率的计算公式为:
p=1-2ε
式中,p表示所述标准化误差率;ε表示所述向量误差。
5.根据权利要求1所述的方法,其特征在于,根据所述预测融资利率以及所述目标融资金额,确定推荐融资方案,包括:
以所述预测融资利率最低的所述融资产品作为目标融资产品;
若所述目标融资产品的融资额度小于所述目标融资金额,则继续从除所述目标融资产品外的所述融资产品中继续确定目标融资产品,直至确定出的各个所述目标融资产品的融资额度的累计金额大于所述目标融资金额,并将确定出的各个所述目标融资产品作为推荐融资方案。
6.根据权利要求1所述的方法,其特征在于,在将所述目标融资信息输入至预先训练的利率预测模型之前,所述方法还包括:
对所述目标融资信息进行数据筛选,得到目标筛选数据;
对所述目标筛选数据进行数据清洗,得到能够被所述利率预测模型正确处理的目标清洗数据;
相应的,将所述目标融资信息输入至预先训练的利率预测模型,包括:
将所述目标清洗数据输入至预先训练的利率预测模型。
7.根据权利要求1所述的方法,其特征在于,在根据所述预测融资利率以及所述目标融资金额,确定推荐融资方案之后,所述方法还包括:
获取所述目标企业的所述目标融资信息对应的实际融资利率;
根据所述实际融资利率以及所述目标融资信息,对所述利率预测模型进行调整。
8.一种融资方案的推荐装置,其特征在于,包括:
目标数据获取模块,用于获取目标企业的目标融资信息以及目标融资金额;其中,所述目标融资信息为对所述目标企业的融资利率存在影响的信息;
融资利率预测模块,用于将所述目标融资信息输入至预先训练的利率预测模型,得到各个融资产品在不同融资期限下的预测融资利率;
融资方案确定模块,用于根据所述预测融资利率以及所述目标融资金额,确定推荐融资方案;
其中,所述利率预测模型在得到所述预测融资利率的过程中,在当前输入到所述利率预测模型中的当前融资信息与以往输入到所述利率预测模型中的以往融资信息存在差异信息的情况下,根据所述以往融资信息确定以往标准化误差率,并根据所述以往标准化误差率对所述差异信息的权重进行确定。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的融资方案的推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的融资方案的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311671469.3A CN117573983A (zh) | 2023-12-07 | 2023-12-07 | 一种融资方案的推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311671469.3A CN117573983A (zh) | 2023-12-07 | 2023-12-07 | 一种融资方案的推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117573983A true CN117573983A (zh) | 2024-02-20 |
Family
ID=89889992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311671469.3A Pending CN117573983A (zh) | 2023-12-07 | 2023-12-07 | 一种融资方案的推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117573983A (zh) |
-
2023
- 2023-12-07 CN CN202311671469.3A patent/CN117573983A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112988727B (zh) | 数据标注方法、装置、设备、存储介质及计算机程序产品 | |
CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115358411A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN117333076A (zh) | 一种基于混合专家模型的估值方法、装置、设备及介质 | |
CN115482116A (zh) | 资产投资策略信息的推荐方法、装置、设备及介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112749978A (zh) | 检测方法、装置、设备、存储介质以及程序产品 | |
CN113313195B (zh) | 标注任务处理方法、装置、设备、存储介质及程序产品 | |
CN116308798A (zh) | 一种股票指标绘制方法、装置、设备及存储介质 | |
CN117331924A (zh) | 一种数据模型匹配度核查方法、装置、设备及存储介质 | |
CN116911466A (zh) | 园区建设程度的确定方法、装置、设备及介质 | |
CN117217777A (zh) | 一种基于对比学习的估值方法、装置、设备及介质 | |
CN116992150A (zh) | 一种研发组件推荐方法、装置、设备及存储介质 | |
CN116957578A (zh) | 一种限额设置方法、装置、存储介质、电子设备及产品 | |
CN117635300A (zh) | 一种企业融资结果的预测方法、装置及电子设备 | |
CN117237070A (zh) | 一种资源分配策略的评价方法、装置、设备及介质 | |
CN118134590A (zh) | 一种信息传输方法、装置、设备及存储介质 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN116167519A (zh) | 一种监测量预测方法、装置、设备及介质 | |
CN117195104A (zh) | 资源分类方法、装置、电子设备及存储介质 |
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 |