TW201832155A - 基於投資者行為分析衍生之金融商品推薦處理方法 - Google Patents
基於投資者行為分析衍生之金融商品推薦處理方法 Download PDFInfo
- Publication number
- TW201832155A TW201832155A TW106105740A TW106105740A TW201832155A TW 201832155 A TW201832155 A TW 201832155A TW 106105740 A TW106105740 A TW 106105740A TW 106105740 A TW106105740 A TW 106105740A TW 201832155 A TW201832155 A TW 201832155A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- self
- investor
- feature
- financial
- Prior art date
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種基於投資者行為分析衍生之金融商品推薦處理方法,係收集一金融類別中各商品之行情數據與一投資者之一自選記錄數據後儲存於一Hadoop工具平台中;清洗該等行情數據而獲得複數個資料維度;利用一R工具分析該等資料維度間之關聯係數而建立一關聯矩陣後,排除該關聯矩陣中高度正相關之至少一該資料維度,以計算剩餘之該等資料維度而定義出複數個分群與複數個維度特徵;及利用該自選記綠數據比對該等行情數據,以自該等維度特徵中獲得符合該自選記錄數據之複數個自選特徵後,利用該等自選特徵篩選該等行情數據而提供該投資者至少一推薦商品。
Description
本發明係屬於金融標的投資推薦方法之技術領域,特別是關於一種基於投資者行為分析衍生之金融商品推薦處理方法,以透過大數據統計分析的方式自動將一金融類別中複數個商品分組分群後,判斷投資者的投資傾向,使自對應的群組中推薦符合投資者喜好的商品。
隨著社會大眾理財觀念的覺醒,股市、基金、期貨及黃金等投資市場中的流動資金亦隨之快速增加而使交易越趨活躍,同時,為協助投資者精確選擇投資標的而滿足投資者獲取預期報酬的期望,各式金融看盤系統更陸續推陳出新出現於市場上,以提供投資者即時掌握市場動向、進行網路下單及帳單比對等服務功能。目前,金融看盤系統大致可區分為網頁型架構之入口網站或主從式架構之軟體程式,廣泛應用於電腦、手機或個人數位助理中並藉乙太網路、全球行動通訊系統(Global System for Mobile Communications,GSM)、通用封包無線服務技術(General Packet Radio Service,GPRS)或分碼多重進接系統(Code Division Multiple Access,CDMA)電訊連接至遠端之一伺服主機而取得各類投資市場之相關金融資料,且將大量的金融資料整合成財經新聞、產業走勢、指數行情、國際動態及標的成交價等數據後,進一步分析形成單一標的之財務現況、線形力道、價量統計及類組走勢等技術指標,以方便投資者閱讀與理解。
然而,電子看盤系統雖提供大量的數據資料予投資者,不過,由於受過專業投資知識訓練的投資者並不多,使得投資者雖可隨時檢視數據資料,卻仍無法輕易由資料中判斷出準確且有用的投資訊息,有時, 甚至連自己的投資屬性亦搞不清楚而無從挑選適合的投資標的與需求的資料。有感於此,如何使看盤系統具有自動且準確的商品推薦功能,以協助投資者進行有效的投資,即為本發明所亟欲探究之課題。
有鑑於習知技藝之問題,本發明之目的在於提供一種基於投資者行為分析衍生之金融商品推薦處理方法,係供分析一投資者之投資傾向後推薦該投資者符合其喜好之金融商品,以藉此提升金融服務平台之功能性與客戶滿意度。
根據本發明之目的,該基於投資者行為分析衍生之金融商品推薦處理方法係供分析一投資者於一金融類別中之行為傾向,而提供該金融類別中至少一推薦商品予該投資者,其包含下列步驟:收集該金融類別中複數個商品之行情數據與該投資者之一自選記錄數據,並儲存於一Hadoop工具平台中;清洗該等行情數據而獲得複數個資料維度,且利用一R工具分析該等資料維度間之關聯係數而建立一關聯矩陣後,排除該關聯矩陣中高度正相關之至少一該資料維度,並依據剩餘之該等資料維度正規化對應之該等行情數據,並演算該等行情數據之K值,參照該等行情數據之正規化資料與K值使各該資料維度定義出複數個分群;及依據該等分群定義該等行情數據而使各該商品呈現有複數個維度特徵後,利用該自選記綠數據比對該等行情數據,以自該等維度特徵中獲得符合該自選記錄數據之複數個自選特徵後,利用該等自選特徵篩選該等行情數據而取得該推薦商品。
並且,該推薦商品具有完全符合該等自選特徵之該等維度特徵。或者,該等自選特徵分別具有一權重值,以供依該等權重值之高低排序該等自選特徵後篩選該等行情數據,且於篩選不出該推薦商品時,由具最低該權重值之該自選特徵依次向具最高該權重值之該自選特徵調整變換後,篩選該等行情數據,且各該權重值係依據該等自選特徵之重覆率而定,或各該權重值為預設值。
該基於投資者行為分析衍生之金融商品推薦處理方法,於收集該自選記錄數據時,更包含下列步驟:收集該投資者之一行為數據並儲存於該Hadoop工具平台中;及依據該行為數據中自選股添加時間驗證該等自選特徵是否定義正確,並且,依據該行為數據中自選股添加記錄比對該推薦商品,以驗證該自選特徵的運算結果是否正確。
其中,該金融類別係為股市,且該推薦商品利用六等之該自選特徵篩選求得,該等自選特徵為一收盤價特徵、一平均振幅特徵、一轉折天數特徵、一成交量特徵、一均張特徵與一本益比特徵。或者,該推薦商品係利用七等之該自選特徵篩選求得,該等自選特徵為一概念股特徵、該收盤價特徵、該平均振幅特徵、該轉折天數特徵、該成交量特徵、該均張特徵與該本益比特徵,且於篩選不出該推薦商品時,移除該概念股特徵,並由具最低該權重值之該自選特徵依次向具最高該權重值之該自選特徵調整變換後篩選該等行情數據。該等行情數據之K值利用NB Cluster演算求得,且該等行情數據之正規化資料利用Log對數演算求得,又該Hadoop工具平台所儲之該等行情數據、該自選記錄數據與該行為數據皆為半結構化資料。
綜上所述,本發明係使伺服平台收集所得之該等行情數據、及該投資者之自選記錄數據與行為數據等原始數據進行清洗後,透過大數據統計分析與機械學習的方式將該等行情數據分門別類,並列出各該商品之維度特徵,同時,分析該自選記錄數據中所含之該等維度特徵而找出該投資者之投資傾向。如此,利用該等自選特徵即可輕易自對應之數據群組中找出符合該投資者喜好之商品,以協助該投資者瞭解自己的投資偏好而逐步調整投資策略,並實現高準確度的推薦意見。
1‧‧‧商品
10‧‧‧資料維度
11‧‧‧維度特徵
12‧‧‧自選特徵
2‧‧‧關聯矩陣
20、21‧‧‧矩陣
S1~S6‧‧‧步驟
第1圖 係為本發明較佳實施例之一實施態樣之流程圖。
第2圖 係為本發明較佳實施例之二實施態樣之流程圖。
第3圖 係為本發明較佳實施例之二實施態樣之關聯矩陣示意圖。
第4圖 係為本發明較佳實施例之二實施態樣之維度特徵示意圖。
為使 貴審查委員能清楚了解本發明之內容,謹以下列說明搭配圖式,敬請參閱。
請參閱第1~4圖,其係分別為本發明較佳實施例之各實施態樣之流程圖、關聯矩陣示意圖及維度特徵示意圖。如圖所示,該基於投資者行為分析衍生之金融商品推薦處理方法係由一大數據平台所支援並常應用於諸如金融網站、電腦版投資軟體或手機版下單程式等之一電子看盤系統上而可包含下列步驟,以供分析一投資者於諸如股市、基金或期貨等之一金融類別中之行為傾向,而提供該金融類別中至少一推薦商品予該投資者。
以該金融類別為一股市為例,首先,該大數據平台於步驟S1中透過該電子看盤系統收集該金融類別中複數個商品1之行情數據與該投資者之一自選記錄數據,並儲存於一Hadoop工具平台中。又,該大數據平台更可於步驟S10中收集該投資者之一行為數據而儲存於該Hadoop工具平台內,且該行為數據可包含該投資者於該電子看盤系統中的登入登出時間、畫面操作紀錄、畫面停留計時與時間序列資料等。
步驟S2,該大數據平台清洗該等行情數據而將原始半結構化數據之該等行情數據、該自選記錄數據與該行為數據等轉為結構化內容,以獲得複數個資料維度10後,利用一R工具分析該等資料維度10間之關聯係數而建立如圖3所示之一關聯矩陣2,且進一步排除該關聯矩陣2中高度正相關之至少一該資料維度10,例如圖3中,最高值與收盤值等該資料維度10間的矩陣20、21即呈現高正相關,故可排除「最高值」或「收盤值」該等資料維度10中之其中一者。
步驟S3,依據剩餘之該等資料維度10正規化對應之該等行情數據,並利用NB Cluster演算該等行情數據之K值與利用Log對數求得 該等行情數據之正規化資料,接著,參照該等行情數據之正規化資料與K值使各該資料維度10定義出複數個分群,例如低價股、中價股、中高價股、高價股、緩震股、鉅量股、散戶股及中本益股等。
並且,於步驟S4中,依據該等分群定義該等行情數據而使各該商品1呈現有複數個維度特徵11後,利用該自選記綠數據比對該等行情數據,以自該等維度特徵11中獲得符合該自選記錄數據之複數個自選特徵12,例如一收盤價、一平均振幅、一轉折天數、一成交量、一均張與一本益比等之六等該自選特徵12,或一概念股、該收盤價、該平均振幅、該轉折天數、該成交量、該均張與該本益比等之七等該自選特徵12。
步驟S5,利用該等自選特徵12篩選該等行情數據而取得該推薦商品(圖未示),且於一實施態樣中,該大數據平台可採用具完全符合該等自選特徵12之該等維度特徵11之該推薦商品。或者,各該自選特徵12具有一權重值,且各該權重值可依據該等自選特徵12之重覆率而定,或各該權重值為預設值,以使該大數據平台依該權重值之高低順序篩選該等行情數據,例如,當對應該權重值由左至右降冪之該等自選特徵12之維度特徵11為:蘋果概念、中價、中震、高頻轉折、高量、散戶、中本益比時,若利用上述該等自選特徵12篩選不出該推薦商品,該大數據平台則由具最低該權重值之該自選特徵12向具最高該權重值之該自選特徵12次序調整變換,亦即,將具最低該權重值之該自選特徵12中維度特徵11「中本益比」往上調整成「高本益比」,再利用調整後該等自選特徵12中維度特徵11:蘋果概念、中價、中震、高頻轉折、高量、散戶、高本益比再次進行該等行情數據的篩選。若依然無結果,則再具最次低該權重值之該自選特徵12中維度特徵11「散戶」往上調整成「中實」等等,以此類推,以利用調整後該等自選特徵12中維度特徵11篩選該等行情數據而取得該推薦商品。甚或,先移除該自選特徵12「概念股」中維度特徵11「蘋果概念」後,再循前述由具最低該權重值之該自選特徵12向具最高之該權重值 之該自選特徵12次序調整變換對應之該維度特徵11後篩選該等行情數據。順帶一提的是,各該維度特徵11的調整方式並不限定,可向上或向下調整,亦可隨平台的預設值調整。
接著,步驟S6,依據該行為數據中一自選股添加時間驗證該等自選特徵12是否定義正確,並且,依據該行為數據中一自選股添加記錄比對該推薦商品,以驗證該自選特徵12的運算結果是否正確。
以上所述僅為舉例性之較佳實施例,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
Claims (9)
- 一種基於投資者行為分析衍生之金融商品推薦處理方法,係供分析一投資者於一金融類別中之行為傾向,而提供該金融類別中至少一推薦商品予該投資者,其包含下列步驟:收集該金融類別中複數個商品之行情數據與該投資者之一自選記錄數據,並儲存於一Hadoop工具平台中;清洗該等行情數據而獲得複數個資料維度,且利用一R工具分析該等資料維度間之關聯係數而建立一關聯矩陣後,排除該關聯矩陣中高度正相關之至少一該資料維度,並依據剩餘之該等資料維度正規化對應之該等行情數據,並演算該等行情數據之K值,參照該等行情數據之正規化資料與K值使各該資料維度定義出複數個分群;及依據該等分群定義該等行情數據而使各該商品呈現有複數個維度特徵後,利用該自選記綠數據比對該等行情數據,以自該等維度特徵中獲得符合該自選記錄數據之複數個自選特徵後,利用該等自選特徵篩選該等行情數據而取得該推薦商品。
- 如申請專利範圍第1項所述之基於投資者行為分析衍生之金融商品推薦處理方法,其中該推薦商品係具有完全符合該等自選特徵之該等維度特徵。
- 如申請專利範圍第1項所述之基於投資者行為分析衍生之金融商品推薦處理方法,其中該等自選特徵分別具有一權重值,以供依該等權重值之高低排序該等自選特徵後篩選該等行情數據,且於篩選不出該推薦商品時,由具最低該權重值之該自選特徵依次向具最高該權重值之該自選特徵調整變換後,篩選該等行情數據,且各該權重值係依據該等自選特徵之重覆率而定,或各該權重值為預設值。
- 如申請專利範圍第2、3項中任一項所述之基於投資者行為分析衍生之金融商品推薦處理方法,於收集該自選記錄數據時,更包含下列步驟:收集該投資者之一行為數據並儲存於該Hadoop工具平台中;及 依據該行為數據中自選股添加時間驗證該等自選特徵是否定義正確。
- 如申請專利範圍第4項所述之基於投資者行為分析衍生之金融商品推薦處理方法,更包含下列步驟:依據該行為數據中自選股添加記錄比對該推薦商品,以驗證該自選特徵的運算結果是否正確。
- 如申請專利範圍第5項所述之基於投資者行為分析衍生之金融商品推薦處理方法,其中該金融類別係為股市,且該推薦商品利用六等之該自選特徵篩選求得,該等自選特徵為一收盤價特徵、一平均振幅特徵、一轉折天數特徵、一成交量特徵、一均張特徵與一本益比特徵。
- 如申請專利範圍第6項所述之基於投資者行為分析衍生之金融商品推薦處理方法,其中該推薦商品係利用七等之該自選特徵篩選求得,該等自選特徵為一概念股特徵、該收盤價特徵、該平均振幅特徵、該轉折天數特徵、該成交量特徵、該均張特徵與該本益比特徵,且於篩選不出該推薦商品時,移除該概念股特徵,並由具最低該權重值之該自選特徵依次向具最高該權重值之該自選特徵調整變換後篩選該等行情數據。
- 如申請專利範圍第7項所述之基於投資者行為分析衍生之金融商品推薦處理方法,其中該等行情數據之K值係利用NB Cluster演算求得,且該等行情數據之正規化資料利用Log對數演算求得。
- 如申請專利範圍第8項所述之基於投資者行為分析衍生之金融商品推薦處理方法,其中該Hadoop工具平台所儲之該等行情數據、該自選記錄數據與該行為數據皆為半結構化資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106105740A TW201832155A (zh) | 2017-02-21 | 2017-02-21 | 基於投資者行為分析衍生之金融商品推薦處理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106105740A TW201832155A (zh) | 2017-02-21 | 2017-02-21 | 基於投資者行為分析衍生之金融商品推薦處理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201832155A true TW201832155A (zh) | 2018-09-01 |
Family
ID=64426203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106105740A TW201832155A (zh) | 2017-02-21 | 2017-02-21 | 基於投資者行為分析衍生之金融商品推薦處理方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW201832155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570254A (zh) * | 2019-09-12 | 2019-12-13 | 名创优品(横琴)企业管理有限公司 | 一种基于人脸识别数据的商品结构控制方法及系统 |
-
2017
- 2017-02-21 TW TW106105740A patent/TW201832155A/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570254A (zh) * | 2019-09-12 | 2019-12-13 | 名创优品(横琴)企业管理有限公司 | 一种基于人脸识别数据的商品结构控制方法及系统 |
CN110570254B (zh) * | 2019-09-12 | 2023-04-07 | 创优数字科技(广东)有限公司 | 一种基于人脸识别数据的商品结构控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
US20210264448A1 (en) | Privacy preserving ai derived simulated world | |
KR101868729B1 (ko) | 리소스조합 처리방법, 장치, 설비 및 컴퓨터 저장매체 | |
CN107437227A (zh) | 股票投资分析装置与方法 | |
CN111833113A (zh) | 基于大数据的产品推荐方法、装置、设备及存储介质 | |
US20230186213A1 (en) | Systems and methods for identifying, quantifying, and mitigating risk | |
CN110930218A (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
CN107180044A (zh) | 识别互联网用户性别方法和系统 | |
US20210397956A1 (en) | Activity level measurement using deep learning and machine learning | |
US11348146B2 (en) | Item-specific value optimization tool | |
US7783547B1 (en) | System and method for determining hedge strategy stock market forecasts | |
TW201832155A (zh) | 基於投資者行為分析衍生之金融商品推薦處理方法 | |
CN116542747A (zh) | 产品推荐方法、装置、存储介质及电子设备 | |
CN114971787A (zh) | 信息推荐方法、装置、系统及推荐服务器 | |
CN114493361A (zh) | 一种商品推荐算法的有效性评估方法和装置 | |
CN113034264A (zh) | 客户流失预警模型的建立方法、装置、终端设备及介质 | |
CN109960777B (zh) | 物品评论个性化推荐方法、系统、电子设备及存储介质 | |
TWI769385B (zh) | 金融商品之潛在購買客群篩選方法及其系統 | |
US20230394581A1 (en) | Analysis method and analysis system of financial securities product value model based on artificial intelligence and computer readable recording medium | |
CN112529708B (zh) | 一种客户识别方法及装置、电子设备 | |
Guterstam et al. | Exploring a personal property pricing method in insurance context using multiple regression analysis | |
CN117033782A (zh) | 理财产品的筛选方法、装置及电子设备 | |
CN116976995A (zh) | 多目标推荐的处理方法及装置 |