CN117764696A - 一种估值方法、装置、电子设备及存储介质 - Google Patents
一种估值方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117764696A CN117764696A CN202311649386.4A CN202311649386A CN117764696A CN 117764696 A CN117764696 A CN 117764696A CN 202311649386 A CN202311649386 A CN 202311649386A CN 117764696 A CN117764696 A CN 117764696A
- Authority
- CN
- China
- Prior art keywords
- data
- valuation
- target transaction
- estimated value
- determining
- 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
- 238000011156 evaluation Methods 0.000 title description 17
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000014509 gene expression Effects 0.000 claims description 65
- 238000004088 simulation Methods 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 49
- 238000012545 processing Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012502 risk assessment Methods 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
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种估值方法、装置、电子设备及存储介质。该方法包括:根据目标交易,确定与目标交易关联的若干个估值数据和目标交易对应的估值模型;根据估值模型,分别确定每个估值数据对应的运算集,其中,不同的运算集之间能够并行运行;根据估值数据和估值数据对应的运算集,确定目标交易的估值结果。本发明提供的方案能解决在任务量较大时,计算估值的效率下降的问题,实现了在估值计算中,能对任务并行处理,以提高估值效率,降低资源消耗。
Description
技术领域
本发明涉及风险估算技术领域,尤其涉及一种估值方法、装置、电子设备及存储介质。
背景技术
商业银行作为一种存在经营风险的特殊企业,为了有效识别和管理风险,必须对其所面临的风险敞口进行明确的计量。其中,商业银行可以通过计算资金类业务估值确定资金类业务的公允价值。
现有技术中,银行在对产品进行风险估值时,通常是采用CPU单元对产品的风险估值进行计算。然而,由于CPU单元的造价昂贵,内部计算单元数量较少,因此在风险估值的计算任务量较大的情况下,对造成任务的处理效率下降。
发明内容
本发明提供了一种估值方法、装置、电子设备及存储介质,以解决在任务量较大时,计算估值的效率下降的问题,实现了在估值计算中,能对任务并行处理,以提高估值效率,降低资源消耗。
根据本发明的一方面,提供了一种估值方法,该方法包括:
根据目标交易,确定与目标交易关联的若干个估值数据和目标交易对应的估值模型;
根据估值模型,分别确定每个估值数据对应的运算集,其中,不同的运算集之间能够并行运行;
根据估值数据和估值数据对应的运算集,确定目标交易的估值结果。
根据本发明的另一方面,提供了一种估值装置,该装置包括:
数据确定模块,用于根据目标交易,确定与目标交易关联的若干个估值数据;
模型筛选模块,用于根据目标交易,确定目标交易对应的估值模型;
运算集确定模块,用于根据估值模型,分别确定每个估值数据对应的运算集,其中,不同的运算集之间能够并行运行;
估值模块,用于根据估值数据和估值数据对应的运算集,确定目标交易的估值结果。
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估值方法。
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估值方法。
本发明实施例提供的估值方法,根据目标交易,确定与目标交易关联的若干个估值数据和目标交易对应的估值模型;根据估值模型,分别确定每个估值数据对应的运算集,根据估值数据和估值数据对应的运算集,将运算集的计算结果,确定为目标交易的估值结果。上述技术方案中,一方面,根据估值模型,将估值模型拆分成若干个表达式,并分别并行对若干个表达式计算,以解决在数据量较大时,采用估值模型进行计算从而降低计算效率的问题,实现了对估值模型中的表达式并行计算,在数据量较大时,快速产生大量结果,以减少计算耗时,提高了计算的效率。另一方面,根据每个估值数据对应的运算集,确定每个估值数据对应的估值结果,并将整个目标交易中的所有估值数据对应的运算集结合,以确定目标交易的估值结果,实现了由分到总对估值结果的计算。同时,实现了在数据量较大、计算量较多且较复杂时,通过对估值数据对应的估值结果的并行计算,减少了计算耗时,提高了对估值计算的效率,从而降低资源消耗。
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为本发明提供的估值方法的一种流程示意图;
图2为本发明提供的CPU单元示例图;
图3为本发明提供的GPU单元示例图;
图4为本发明提供的估值方法的另一流程图;
图5为本发明提供的估值方法的系统框架示例图;
图6为本发明提供的估值装置的结构示意图;
图7为本发明实施例提供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”、“目标”、“原始”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。
图1为本发明提供的估值方法的一种流程示意图,本实施例可适用于需要对产品进行风险估值的情况,该方法可以由估值装置来执行,该估值装置可以采用硬件和/或软件的形式实现,该估值装置可配置于电子设备中。
在介绍本发明提供的估值方法前,先对本发明提供的估值方法的背景进行介绍。具体地,在市场风险计量中,若需要对某产品的交易或某交易场景的交易进行风险估值,可以利用历史模拟法或蒙特卡洛法对产品的过去一定数量的交易日内的历史数据进行模拟,以生成历史情景;并将产品的交易置于历史情景中进行模拟,即让该产品的交易在模拟的历史情景中再发生一遍,以得到对某产品或某交易场景的交易估值。其中,在本实施例中,将需要进行估值的产品的交易或某交易场景的交易统称为目标交易。
现有技术中,是通过CPU完成对目标交易的估值。如图2所示,图2为本发明提供的CPU单元示例图。在图2中,CPU单元包括:存储器、临时存储器、控制单元和运算单元。由图2可知,在CPU单元中,由于运算单元较少。因此,当存在大量数据需要并行运算时,CPU单元的数据处理效率将降低。
由于在目标交易进行风险估值时,需要读取最少为250个交易日的历史数据,将这些历史数据模拟成历史情景,并以此计算得到目标交易的估值。同时,由于实际情况中,还存在一些极端情况下会产生的数据。因此,在需要并行处理较多的目标交易估值运算时,仅依靠CPU单元进行处理,难免会导致数据的处理效率降低。
因此,在提出本发明提供的估值方法的基础上,本发明提出利用GPU单元对目标交易的估值进行计算。如图3所示,图3为本发明提供的GPU单元示例图。由图3可知,在GPU单元中,除了存储器,缓存控制单元,还包括大量的运算单元。其中,缓存控制单元与CPU系统中的临时存储器与控制单元功能一致。由于GPU单元中存在大量的运算单元。因此,在数据量较大时,即使CPU单元计算处理时间更短,但仍然不及GPU单元对大量数据并行处理的效率。
根据上述的介绍,继续参照图1,对本发明提出的估值方法进行说明。
如图1所示,该方法包括:
S101、根据目标交易,确定与目标交易关联的若干个估值数据和目标交易对应的估值模型。
其中,目标交易为需要进行估值的交易。示例性地,目标交易可以为需要进行估值的产品的交易或某个交易场景的交易。估值数据为与目标交易相关联的数据。估值模型为目标交易所对应的估值计算模型。
具体地,在确定估值数据与估值模型前,需要确定目标交易。示例性地,可以直接从交易历史中选择目标交易。在确定了目标交易后,可以根据目标交易确定估值数据。示例性地,在本实施例中,一种实现方式中,可以直接由用户从历史存储器中直接获取历史数据以作为估值数据。另一种实现方式中,可以根据用户的估值需求与历史数据,得到模拟数据,并将历史数据与模拟数据确定为估值数据。
示例性地,假设目标交易对应有250个交易日的历史数据,这250个交易日的历史数据即为与目标交易关联的估值数据。同时,在确定目标交易时,可以根据目标交易确定对应的估值模型。
S102、根据估值模型,分别确定每个估值数据对应的运算集,其中,不同的运算集之间能够并行运行。
其中,在本实施例中,将估值模型进行分解后,可以得到的多个表达式,并将多个表达式承载至对应数量的运算单元上,多个对应数量的运算单元对应的集合即为运算集。
具体地,在确定目标交易时,即可确定目标交易对应的估值模型;根据估值模型,分别确定每个估值数据对应的运算集。示例性地,假设目标交易对应的估值模型为期权定价(Black-Scholes-Merton)模型,该模型示例为:
C=S·N(d1)-Le-rTN(d2) (1)
其中,C为期权初始合理价格,L为期权交割价格,S为所交易金融资产现价,T为期权有效期,r为连续复利计无风险利率,N()为正态分布变量的累计概率分部函数同时,式中d1与d2可由下述公式进行计算。
其中,σ2为年度化方差。
根据上述估值模型,可以确定当前估值数据对应的运算集。其中,假设将式(1)进行分解,得到:S·N(d1)、Le-rTN(d2),将式(2)进行分解,得到:(r+0.5·σ2)T、/>将式(3)进行分解,得到:/>此时,可以得到6个表达式,其中,/>(r+0.5·σ2)T、/>具有拓扑信息,可以根据这三个表达式得到d1;在得到d1时,可以根据/>与d1得到d2;得到d1与d2时,可以根据S·N(d1)、Le-rTN(d2)、d1与d2得到式(1)。因此,在本实施例中,我们将上述S·N(d1)、Le-rTN(d2)、/>(r+0.5·σ2)T、/> d1与d2定义为表达式。将这些表达式计算出的变量按照拓扑信息进行组合可以等效于估值模型。同时,将这些表达式一一承载于一个GPU单元的运算单元上,这些承载有表达式的运算单元即可组成估值数据对应的运算集。在一实施例中,将这些表达式计算出的变量按照拓扑信息进行组合的过程也可以通过GPU单元的至少一个运算单元实现。
同时,由于GPU单元的运算单元可以并行运行,因此在计算上述表达式时,同一个式中的表达式都可同时进行运算。
在本实施例中,根据估值模型,将估值模型拆分成若干个表达式,并分别并行对若干个表达式计算,以解决在数据量较大时,采用估值模型进行计算从而降低计算效率的问题,实现了对估值模型中的表达式并行计算,在数据量较大时,快速产生大量结果,以减少计算耗时,提高了计算的效率,从而降低资源消耗。
S103、根据估值数据和估值数据对应的运算集,确定目标交易的估值结果。
具体地,根据估值模型确定了估值数据对应的运算集,估值数据对应的运算集在计算得到结果时,即可得到该估值数据对应的估值结果。同时,由于在目标交易中,每个估值数据对应有一个运算集,每个运算集会在计算后得到一个估值结果。因此,最后得到的目标交易的估值结果由多个估值数据对应的估值结果组成。
在本实例中,根据每个估值数据对应的运算集,确定每个估值数据对应的估值结果,并将整个目标交易中的所有估值数据对应的运算集结合,以确定目标交易的估值结果,实现了由分到总对估值结果的计算。同时,实现了在数据量较大、计算量较多且较复杂时,通过对估值数据对应的估值结果的并行计算,减少了计算耗时,提高了对估值计算的效率。
本发明实施例提供的估值方法,根据目标交易,确定与目标交易关联的若干个估值数据和目标交易对应的估值模型;根据估值模型,分别确定每个估值数据对应的运算集,根据估值数据和估值数据对应的运算集,将运算集的计算结果,确定为目标交易的估值结果。上述技术方案中,一方面,根据估值模型,将估值模型拆分成若干个表达式,并分别并行对若干个表达式计算,以解决在数据量较大时,采用估值模型进行计算从而降低计算效率的问题,实现了对估值模型中的表达式并行计算,在数据量较大时,快速产生大量结果,以减少计算耗时,提高了计算的效率。另一方面,根据每个估值数据对应的运算集,确定每个估值数据对应的估值结果,并将整个目标交易中的所有估值数据对应的运算集结合,以确定目标交易的估值结果,实现了由分到总对估值结果的计算。同时,实现了在数据量较大、计算量较多且较复杂时,通过对估值数据对应的估值结果的并行计算,减少了计算耗时,提高了对估值计算的效率,从而降低资源消耗。
图4为本发明提供的估值方法的另一流程图,本发明实施例在上述实施例的基础上,对根据目标交易确定其关联的若干个估值数据的步骤、根据估值模型确定每个估值数据对应的运算集的步骤与根据估值数据语气对应的运算集,确定目标交易的估值结果的步骤作详细说明。
在对本发明提供的估值方法进一步详细说明前,为便于理解,先介绍本发明提供的估值方法的系统框架。如图5所示,图5为本发明提供的估值方法的系统框架示例图。在图5中,示出了由目标交易确定与目标交易关联的多个数据,其中,由目标交易可以确定与其关联的历史数据与模拟数据1、a、…、m。历史数据可以由历史存储器中直接获取,模拟数据为根据用户的估值需求,确定是否需要对历史数据进行一些极端场景的模拟,即在用户需要对历史数据进行一些极端场景的模拟时,可以根据估值需求与历史数据生成模拟数据。值得注意的是,在本实施例中,根据目标交易确定的与其关联的历史数据可能存在多个,即图5中的历史数据1、历史数据2、历史数据3、…、历史数据n。在用户的估值需求不需要对历史数据进行极端场景模拟时,可以将历史数据作为估值数据。在用户的估值需求需要对历史数据进行极端场景模拟时,根据不同情况下的极端场景模拟,可能生成多个模拟数据,例如模拟数据a、…、模拟数据m,每个模拟数据中存在多个模拟数据,如模拟数据a中存在模拟数据a1、模拟数据a2、模拟数据a3、…、模拟数据an。此时,可以将历史数据与所有模拟数据作为估值数据。
同时,如图5所示,一个历史数据会对应一个运算集,一个模拟数据也会对应一个运算集。例如,历史数据1对应运算集1,历史数据2对应运算集2、历史数据3对应运算集3、…、历史数据n对应运算集n。模拟数据a1对应运算集a1,模拟数据a2对应运算集a2,模拟数据a3对应运算集a3,模拟数据an对应运算集an。同时,每个运算集由其对应的估值模型得到,即将估值模型拆分为多个表达式,每个表达式之前具有拓扑信息,根据表达式之间的拓扑信息进行组合时等效于估值模型。因此,可以直接将估值模型拆分成多个表达式,多个表达式一一放置于运算集中,以使一个表达式对应一个运算集中的一个运算单元。即将图中估值模型1拆分成若干个表达式,每个表达式对应放置于运算集1中的一个运算单元中。同理,估值模型2、估值模型3、…、估值模型n,估值模型a1、估值模型a2、估值模型a3、…、估值模型an也都被各自拆分为多个表达式,并置于对应的运算集中的运算单元。在运算集中,每块运算单元都会根据对应的历史数据、模拟数据并行计算对应表达式的变量,并将计算得到的变量按照表达式之间的拓扑信息进行组合,以得到等效于估值模型直接计算得到的估值结果。即图5中运算集1最终计算得到估值结果1,运算集2最终计算得到估值结果2,运算集3最终计算得到估值结果3,…,运算集n最终计算得到估值结果n;运算集a1最终计算得到估值结果a1,运算集a2最终计算得到估值结果a2,运算集a3最终计算得到估值结果a3,…,运算集an最终计算得到估值结果an。在得到所有估值数据对应的估值结果时,将同一数据集中的估值结果作为一个估值子结果。即历史数据对应有一个估值子结果1,模拟数据1对应有一个估值子结果2,…,模拟数据m对应有估值子结果m。最后,将所有估值子结果进行整合,以得到目标交易对应的估值结果。
在对本发明提供的估值方法的系统框架进行介绍后,继续对本发明提供的估值方法作详细说明。
继续参考图4,该方法包括:
S401、根据目标交易,获取与目标交易关联的N个历史数据。
其中,一个历史数据对应一个交易日,N为正整数。
具体地,根据目标交易,可以获取与目标交易关联的N个历史数据。示例性地,如在产品风险估值过程中,一年中的历史交易日一般为250个交易日,因此,历史数据即为250个。
S402、根据估值需求判断是否需要对历史数据进行极端场景模拟,若需要,则执行S403-S405;若不需要,则执行S406。
其中,估值需求为用户在目标交易的情况下,对本次估值计算的需求。极端场景模拟为在历史情境中进行模拟时,按照用户的需求,对历史情境中的交易进行一些非正常情况下的模拟。
具体地,在确定估值数据前,需要根据用户的估值需求确定是否需要对历史数据进行极端场景模拟。示例性地,极端场景模拟可以为,当前交易的金额突然变化,当前利率突然增加/减少等。
S403、根据估值需求,确定至少一个数据变量。
其中,一个数据变量用于衡量一个极端场景对目标交易的影响程度。
具体地,根据用户的估值需求,确定用户对历史数据进行极端场景模拟下的数据变量。示例性地,数据变量可以只有一个,也可以有多个。数据变量的数量根据用户的估值需求确定。
S404、分别根据每个数据变量和历史数据,生成模拟数据。
其中,模拟数据为根据历史数据与用户的估值需求进行模拟得到的数据。
具体地,根据用户的估值需求,确定每个数据变量,并根据每个数据变量与历史数据,生成模拟数据。示例性地,如图5中的目标交易中的历史数据、模拟数据1、…、模拟数据m为例。假设当前用户的估值需求所确定的数据变量有m个,则可以根据每个数据变量与历史数据,生成m个模拟数据。
S405、将历史数据和模拟数据共同作为估值数据。
具体地,在根据历史数据与每个数据变量生成模拟数据时,可以将历史数据和模拟数据共同作为估值数据。示例性地,假设存在250个历史数据,存在1000个模拟数据,则最后得到的估值数据即为1250个。
S406、将历史数据作为估值数据
具体地,若用户的估值需求不需要对历史数据进行极端场景模拟,则可以直接将历史数据作为估值数据。示例性地,假设存在250个历史数据,则最后得到的估值数据即为250个。
在本实施例中,通过对用户的估值需求的判断,以确定是否需要根据估值需求产生的数据变量与历史数据生成模拟数据;在根据估值需求确定产生数据变量时,根据数据变量与历史数据生成模拟数据,增加了对目标交易的数据模拟量,在增加了多种可能性的情况下,以使最终的估值结果的准确性更高。
S407、对估值模型进行分解,得到M个表达式。
其中,一个表达式用于计算一个变量,M个表达式之间具有拓扑信息,当M个表达式计算出的变量按照拓扑信息进行组合时等效于估值模型,M为正整数。
具体地,在根据目标交易确定估值模型后,可以将估值模型进行分解,得到M个表达式。示例性地,假设已经计算得到公式(2)、公式(3)的d1与d2的值。此时,得到估值模型为公式(1),则可以将估值模型进行分解,得到表达式:N(d1)、S·N(d1)、N(d2)、e-rT、Le-rT与Le-rTN(d2)。
S408、对于任意一个估值数据,分别将M个表达式承载在M个运算单元上,并将M个运算单元作为估值数据对应的运算集。
其中,运算单元为图形处理器GPU单元中的运算单元,位于同一运算集内的所有运算单元之间能够并行运行。
具体地,对于每一个估值数据,会对应一个运算集,运算集中包括多个运算单元,每个表达式一一承载于一个运算单元上。示例性地,在得到表达式N(d1)、S·N(d1)、N(d2)、e-rT、Le-rT与Le-rTN(d2)时,将这6个表达式分别承载于6个运算单元上,并将这6个运算单元作为一个运算集。这个运算集对应的就是与公式(1)的估值模型对应的估值数据。同时,在这6个运算单元得到表达式中N、d1、S、d2、r、T、L的数值时,即可同时对N(d1)、S·N(d1)、N(d2)、e-rT、Le-rT与Le-rTN(d2)进行计算,得到6个表达式的数值,并将6个表达式的数值按照表达式之间存在的拓扑信息进行组合,得到等效于按照估值模型计算得到的数值。在一实施例中,将这些表达式计算出的变量按照拓扑信息进行组合的过程也可以通过GPU单元的至少一个运算单元实现。
值得注意的是,上述针对估值模型的拆分,并得到多个表达式的例子仅为示例性举例。实际情况下,对估值模型的拆分并得到多少个表达式可以根据用户需求或当前运算单元的数据处理能力进行适应性设置与调整。
在本实施例中,通过将估值模型进行拆分,得到若干个表达式;利用多个运算单元同时对多个表达式进行计算,最终将结果进行整合,以得到与直接根据估值模型进行计算得到的结果一致的结果。一方面,充分利用了多个运算单元的优势,实现并行计算估值结果,减少了计算耗时,提高了对估值计算的效率。另一方面,可以实现根据用户需求与运算单元的计算能力,对估值模型拆分的表达式的难易程度进行适应性的设置与调整,增加了对实际计算需求的适应能力。
S409、分别将每个估值数据输入对应的运算集中,得到若干个估值子结果。
其中,一个估值子结果包括一个数据集中的所有数据的运算结果。
具体地,一个数据集中包括多个估值数据,即历史数据中包括多个估值数据,模拟数据中也包括多个估值数据。因此,一个数据集中每个估值数据都会有对应的运算结果。在确定运算集时,将每个估值数据对应输入至其运算集中,并进行计算,得到每个估值数据对应的估值结果。同时,将一个数据集中的所有估值结果作为一个估值子结果。示例性地,如图5所示,在确定了将所有历史数据与模拟数据作为估值数据后,由历史数据中的历史数据1、历史数据2、历史数据3、…、历史数据n得到对应的估值结果1、估值结果2、估值结果3,将估值结果1、估值结果2、估值结果3作为历史数据这个数据集的估值子结果1。同理,由模拟数据a这个数据集也能得到对应的估值子结果2,…,由模拟数据m这个数据集也能得到对应的估值子结果m。
S410、根据估值子结果,确定目标交易的估值结果。
具体地,根据所有估值子结果,将所有数据集对应的估值子结果进行整合,即可得到目标交易的估值结果。示例性地,如图5所示,在得到历史数据对应的估值子结果1,模拟数据1对应的估值子结果2,…,模拟数据m对应的估值子结果m时,将所有估值子结果进行整合,即可得到本次目标交易的估值结果。
在本实施例中,通过将每个估值数据对应的估值结果整合,得到一个数据集对应的估值子结果,再将所有数据集对应的估值子结果进行整合,得到目标交易的估值结果,实现了由分到总的对估值结果的整合。
S411、根据估值结果,计算风险计量指标。
其中,风险计量指标包括风险价值(Value at Risk,VaR)、预期损失(ExpectedShortfall,ES)和资本充足率(Capital adequacy ratio,CAR)中的至少之一。
具体地,根据估值结果,可以对目标交易计算风险计量指标。其中,风险计量指标包括VaR、ES和CAR。
在本实施例中,根据估值结果,还能对风险计量指标进行计算,以使用户能更清楚的了解当前目标交易所涉及的风险程度。
本发明实施例提供的估值方法,根据目标交易,获取历史数据,根据估值需求判断是否需要对历史数据进行极端场景模拟;若估值需求为需要进行极端场景模拟,则根据估值需求,确定数据变量,根据数据变量和历史数据,生成模拟数据;将历史数据与模拟数据作为估值数据;若估值需求不需要进行极端场景模拟,则可以直接将历史数据作为估值数据;根据目标交易确定估值模型,将估值模型进行分解,得到多个表达式,将多个表达式分别承载在多个运算单元上,将多个运算单元作为估值数据对应的运算集;分别将估值数据输入至对应的运算集,得到多个估值子结果;根据估值子结果确定目标交易的估值结果,并根据估值结果,计算风险计量指标。上述技术方案中,一方面,通过对用户的估值需求的判断,以确定是否需要根据估值需求产生的数据变量与历史数据生成模拟数据;在根据估值需求确定产生数据变量时,根据数据变量与历史数据生成模拟数据,增加了对目标交易的模拟数据量,在增加了多种可能性的情况下,以使最终的估值结果的准确性更高。另一方面,通过将估值模型进行拆分,得到若干个表达式;利用多个运算单元同时对多个表达式进行计算,最终将结果进行整合,以得到与直接根据估值模型进行计算得到的结果一致的结果,充分利用了多个运算单元的优势,实现并行计算估值结果,减少了计算耗时,提高了对估值计算的效率;同时,可以实现根据用户需求与运算单元的计算能力,对估值模型拆分的表达式的难易程度进行适应性的设置与调整,增加了对实际计算需求的适应能力。又一方面,通过将每个估值数据对应的估值结果整合,得到一个数据集对应的估值子结果,再将所有数据集对应的估值子结果进行整合,得到目标交易的估值结果,实现了由分到总的对估值结果的整合。最后,根据估值结果,还能对风险计量指标进行计算,以使用户能更清楚的了解当前目标交易所涉及的风险程度。
图6为本发明提供的估值装置的结构示意图。如图6所示,该装置包括:
数据确定模块601,用于根据目标交易,确定与目标交易关联的若干个估值数据;
模型筛选模块602,用于根据目标交易,确定目标交易对应的估值模型;
运算集确定模块603,用于根据估值模型,分别确定每个估值数据对应的运算集,其中,不同的运算集之间能够并行运行;
估值模块604,用于根据估值数据和估值数据对应的运算集,确定目标交易的估值结果。
可选的,数据确定模块601具体用于:
根据目标交易,获取与目标交易关联的N个历史数据;
根据估值需求判断是否需要对历史数据进行极端场景模拟;
若不需要对历史数据进行极端场景模拟,则将历史数据作为估值数据;
若需要对历史数据进行极端场景模拟,则根据估值需求和历史数据,生成模拟数据,并将历史数据和模拟数据共同作为估值数据。
可选的,在根据估值需求和历史数据,生成模拟数据时,数据确定模块601具体用于:
根据估值需求,确定至少一个数据变量;
分别根据每个数据变量和历史数据,生成模拟数据。
可选的,运算集确定模块603具体用于:
对估值模型进行分解,得到M个表达式;
对于任意一个估值数据,分别将M个表达式承载在M个运算单元上,并将M个运算单元作为估值数据对应的运算集。
可选的,估值模块604具体用于:
分别将每个估值数据输入对应的运算集中,得到若干个估值子结果;
根据估值子结果,确定目标交易的估值结果。
可选的,在确定目标交易的估值结果后,估值模块604还用于:
根据估值结果,计算风险计量指标。
本发明实施例所提供的估值装置可执行本发明任意实施例所提供的估值方法,具备执行方法相应的功能模块和有益效果。
图7为本发明实施例提供的电子设备7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7所示,电子设备7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7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7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7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,例如估值方法。
在一些实施例中,估值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ROM12和/或通信单元19而被载入和/或安装到电子设备7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估值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)而被配置为执行估值方法。
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)
1.一种估值方法,其特征在于,包括:
根据目标交易,确定与所述目标交易关联的若干个估值数据和所述目标交易对应的估值模型;
根据所述估值模型,分别确定每个所述估值数据对应的运算集,其中,不同的运算集之间能够并行运行;
根据所述估值数据和所述估值数据对应的运算集,确定所述目标交易的估值结果。
2.根据权利要求1所述的估值方法,其特征在于,所述根据目标交易,确定与所述目标交易关联的若干个估值数据,包括:
根据所述目标交易,获取与所述目标交易关联的N个历史数据,其中,一个所述历史数据对应一个交易日,N为正整数;
根据估值需求判断是否需要对所述历史数据进行极端场景模拟;
若不需要对所述历史数据进行极端场景模拟,则将所述历史数据作为所述估值数据;
若需要对所述历史数据进行极端场景模拟,则根据所述估值需求和所述历史数据,生成模拟数据,并将所述历史数据和所述模拟数据共同作为所述估值数据。
3.根据权利要求2所述的估值方法,其特征在于,所述根据所述估值需求和所述历史数据,生成模拟数据,包括:
根据所述估值需求,确定至少一个数据变量,其中,一个所述数据变量用于衡量一个极端场景对所述目标交易的影响程度;
分别根据每个所述数据变量和所述历史数据,生成所述模拟数据。
4.根据权利要求1所述的估值方法,其特征在于,所述根据所述估值模型,分别确定每个所述估值数据对应的运算集,包括:
对所述估值模型进行分解,得到M个表达式,其中,一个所述表达式用于计算一个变量,M个表达式之间具有拓扑信息,当M个表达式计算出的变量按照所述拓扑信息进行组合时等效于所述估值模型,M为正整数;
对于任意一个所述估值数据,分别将M个表达式承载在M个运算单元上,并将所述M个运算单元作为所述估值数据对应的运算集。
5.根据权利要求4所述的估值方法,其特征在于,所述运算单元为图形处理器GPU单元中的运算单元,位于同一运算集内的所有运算单元之间能够并行运行。
6.根据权利要求3所述的估值方法,其特征在于,所述估值数据被划分为至少一个数据集;所述数据集对应所述历史数据,或者所述数据集对应一个所述数据变量和所述历史数据生成的所述模拟数据;
所述根据所述估值数据和所述估值数据对应的运算集,确定所述目标交易的估值结果,包括:
分别将每个所述估值数据输入对应的运算集中,得到若干个估值子结果,其中,一个估值子结果包括一个所述数据集中的所有数据的运算结果;
根据所述估值子结果,确定所述目标交易的估值结果。
7.根据权利要求1所述的估值方法,其特征在于,在确定所述目标交易的估值结果后,还包括:
根据所述估值结果,计算风险计量指标,其中,所述风险计量指标包括风险价值VaR、预期损失ES和资本充足率中的至少之一。
8.一种估值装置,其特征在于,包括:数据确定模块,模型筛选模块,运算集确定模块和估值模块;
所述数据确定模块,用于根据目标交易,确定与所述目标交易关联的若干个估值数据;
所述模型筛选模块,用于根据目标交易,确定所述目标交易对应的估值模型;
所述运算集确定模块,用于根据所述估值模型,分别确定每个所述估值数据对应的运算集,其中,不同的运算集之间能够并行运行;
所述估值模块,用于根据所述估值数据和所述估值数据对应的运算集,确定所述目标交易的估值结果。
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中任一项所述的估值方法。
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中任一项所述的估值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649386.4A CN117764696A (zh) | 2023-12-04 | 2023-12-04 | 一种估值方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649386.4A CN117764696A (zh) | 2023-12-04 | 2023-12-04 | 一种估值方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764696A true CN117764696A (zh) | 2024-03-26 |
Family
ID=90322838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649386.4A Pending CN117764696A (zh) | 2023-12-04 | 2023-12-04 | 一种估值方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764696A (zh) |
-
2023
- 2023-12-04 CN CN202311649386.4A patent/CN117764696A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633511B (zh) | 用于计算量子配分函数的方法、相关装置及程序产品 | |
Bennedsen | A rough multi-factor model of electricity spot prices | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN117764696A (zh) | 一种估值方法、装置、电子设备及存储介质 | |
US20140012621A1 (en) | Risk management device | |
CN114240599A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
CN113129127A (zh) | 预警方法和装置 | |
CN108804640B (zh) | 基于最大化iv的数据分组方法、装置、储存介质及设备 | |
CN113989004B (zh) | 一种资源分配方法、装置、电子设备和可读存储介质 | |
CN117648999B (zh) | 联邦学习回归模型损失函数评估方法、装置及电子设备 | |
CN113379056B (zh) | 量子态数据处理方法、装置、电子设备及存储介质 | |
CN114638687A (zh) | 利率预测方法、装置、电子设备和存储介质 | |
CN116974621A (zh) | 一种参数配置方法、装置及设备 | |
CN116167519A (zh) | 一种监测量预测方法、装置、设备及介质 | |
CN116029818A (zh) | 在险价值确定方法、装置、设备及存储介质 | |
CN116167851A (zh) | 风险压力的确定方法、装置、设备、存储介质及程序产品 | |
CN115511470A (zh) | 评价指标数据生成方法、装置、电子设备和存储介质 | |
CN115526403A (zh) | 一种金融数据的预测方法、系统、设备、存储介质及产品 | |
CN117591567A (zh) | 一种资产信息分析方法及装置 | |
CN116956066A (zh) | 资源评估方法、装置、电子设备以及存储介质 | |
CN117892877A (zh) | 手机银行用户行为预测方法、装置、设备和介质 | |
CN116912004A (zh) | 推荐信息生成方法、装置、设备、介质、程序产品及平台 | |
CN117236718A (zh) | 一种电网规划确定方法、装置、电子设备及介质 | |
CN114186842A (zh) | 资源估值方法、装置、设备以及存储介质 |
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 |