TW202349316A - 應用人工智慧的金融證券產品價值模型分析方法及其系統 - Google Patents
應用人工智慧的金融證券產品價值模型分析方法及其系統 Download PDFInfo
- Publication number
- TW202349316A TW202349316A TW111121090A TW111121090A TW202349316A TW 202349316 A TW202349316 A TW 202349316A TW 111121090 A TW111121090 A TW 111121090A TW 111121090 A TW111121090 A TW 111121090A TW 202349316 A TW202349316 A TW 202349316A
- Authority
- TW
- Taiwan
- Prior art keywords
- term
- long
- financial securities
- processor
- short
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 139
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 64
- 230000007774 longterm Effects 0.000 claims abstract description 114
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000010219 correlation analysis Methods 0.000 claims description 23
- 238000013480 data collection Methods 0.000 claims description 20
- 230000001815 facial effect Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 10
- 230000007306 turnover Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 2
- 238000012300 Sequence Analysis Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 230000011664 signaling Effects 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本發明提供一種應用人工智慧的金融證券產品價值模型分析方法及其系統,包含判別步驟、資料採集步驟、分析步驟及策略產生步驟。判別步驟判斷消費者為長期投資型顧客及短期投資型顧客之一者。資料採集步驟取得複數長期交易參數及短期交易資料之一者。分析步驟包含將複數金融證券產品分為複數群體,並計算出對應群體之複數分類條件及各長期交易參數之重要性數值及分析出產品關聯性及購買次序。策略產生步驟依據群體、分類條件、各長期交易參數之重要性數值、產品關聯性及購買次序產生購買策略。藉此,針對不同消費者產生對應的購買策略。
Description
本發明係關於一種應用人工智慧的產品價值模型分析方法及其系統,特別是關於一種應用人工智慧的金融證券產品價值模型分析方法及其系統。
習知的投資預測系統透過各個金融證券產品的歷史資料對金融證券產品未來的漲幅、投資報酬率進行預測。然而多數的投資預測與實際的狀況誤差極大,其預測結果無法受到消費者的信賴。
有鑑於此,開發一種針對特定消費者的投資特性使用不同預測方法進行分析以給予消費者金融證券產品的購買策略的應用人工智慧的金融證券產品價值模型分析方法及其系統遂成相關業者值得研發之目標。
因此,本發明之目的在於提供一種應用人工智慧的金融證券產品價值模型分析方法及其系統,其針對不同消費者的投資特性依據不同的分析步驟分析出對應的購買策略。
依據本發明的方法態樣之一實施方式提供一種應用人工智慧的金融證券產品價值模型分析方法,用以預測一消費者對複數金融證券產品之一購買策略。應用人工智慧的金融證券產品價值模型分析方法包含一判別步驟、一資料採集步驟、一分析步驟及一策略產生步驟。判別步驟係驅動一處理器判斷消費者為一長期投資型顧客及一短期投資型顧客之一者。資料採集步驟係驅動處理器依據長期投資型顧客及短期投資型顧客之此者自一雲端資料庫取得各金融證券產品之複數長期交易參數及一短期交易資料之一者,其中此些長期交易參數及短期交易資料分別對應長期投資型顧客及短期投資型顧客。分析步驟包含一長期策略分析步驟及一短期策略分析步驟。長期策略分析步驟係驅動處理器將此些金融證券產品分為複數群體,並計算出對應此些群體之複數分類條件及各長期交易參數之一重要性數值。短期策略分析步驟係驅動處理器分析出此些金融證券產品之一產品關聯性及一購買次序。策略產生步驟係驅動處理器依據此些群體、此些分類條件、各長期交易參數之重要性數值、產品關聯性及購買次序產生購買策略。當消費者被判斷為長期投資型顧客時,處理器執行長期策略分析步驟;當消費者被判斷為短期投資型顧客時,處理器執行短期策略分析步驟。
藉此,本發明之應用人工智慧的金融證券產品價值模型分析方法根據消費者的投資習性為長期投資或短期投資蒐集對應的交易資料進行分析,並給予消費者對應的購買策略。
前述實施方式之其他實施例如下:前述此些長期交易參數可包含一風險因子、一負債權益比、一淨值報酬率、一股價淨值比、一營收成長率、一市值、一週轉率、一成交量、一股價及一動能因子。
前述實施方式之其他實施例如下:前述長期策略分析步驟可包含一分群步驟、一分類步驟及一驗證步驟。分群步驟係驅動處理器依據一自組織映射圖演算法將此些金融證券產品分為此些群體。此些群體包含一高報酬率群體、一中報酬率群體及一低報酬率群體。分類步驟係驅動處理器依據此些金融證券產品之此些長期交易參數歸納出對應高報酬率群體、中報酬率群體及低報酬率群體之此些分類條件。驗證步驟係驅動處理器依據一深度神經網路模型驗證各長期交易參數之重要性數值。
前述實施方式之其他實施例如下:前述短期策略分析步驟可包含一關聯性分析步驟及一次序分析步驟。關聯性分析步驟係驅動處理器依據一關聯性分析法分析出此些金融證券產品之產品關聯性。次序分析步驟係驅動處理器依據一次序分析模型分析出此些金融證券產品之購買次序。
前述實施方式之其他實施例如下:前述應用人工智慧的金融證券產品價值模型分析方法可更包含一自動撥號步驟、一撥號監測步驟及一消費者辨識步驟。自動撥號步驟係驅動一動態撥號裝置取得一網際網路協定位址,藉以使處理器訊號連接雲端資料庫。撥號監測步驟係驅動處理器之一撥號監測模組監測動態撥號裝置是否可撥號並訊號連接雲端資料庫,當動態撥號裝置無法撥號並連接雲端資料庫時,撥號監測模組驅動動態撥號裝置取得另一網際網路協定位址,以訊號連接雲端資料庫。消費者辨識步驟係驅動一網路攝影裝置擷取消費者之一面部影像,並依據一人臉辨識程序對消費者之面部影像進行辨識。消費者辨識步驟執行於判別步驟之前,自動撥號步驟及撥號監測步驟執行於資料採集步驟之前,動態撥號裝置訊號連接處理器,網路攝影裝置訊號連接處理器。
依據本發明的結構態樣之一實施方式提供一種應用人工智慧的金融證券產品價值模型分析系統,用以預測一消費者對複數金融證券產品之一購買策略。應用人工智慧的金融證券產品價值模型分析系統包含一雲端資料庫及一處理器。雲端資料庫包含各金融證券產品之複數長期交易參數及一短期交易資料。處理器訊號連接雲端資料庫,並經配置以實施包含一判別步驟、一資料採集步驟、一分析步驟及一策略產生步驟。判別步驟係判斷消費者為一長期投資型顧客及一短期投資型顧客之一者。資料採集步驟係依據長期投資型顧客及短期投資型顧客之此者自雲端資料庫取得各金融證券產品之此些長期交易參數及短期交易資料之一者。此些長期交易參數及短期交易資料分別對應長期投資型顧客及短期投資型顧客。分析步驟包含一長期策略分析步驟及一短期策略分析步驟。長期策略分析步驟係將此些金融證券產品分為複數群體,並計算出對應此些群體之複數分類條件及各長期交易參數之一重要性數值。短期策略分析步驟係驅動處理器分析出此些金融證券產品之一產品關聯性及一購買次序。策略產生步驟係依據此些群體、此些分類條件、各長期交易參數之重要性數值、產品關聯性及購買次序產生購買策略。當消費者被判斷為長期投資型顧客時,處理器執行長期策略分析步驟;當消費者被判斷為短期投資型顧客時,處理器執行短期策略分析步驟。
藉此,本發明之應用人工智慧的金融證券產品價值模型分析系統根據消費者的投資習性為長期投資或短期投資蒐集對應的交易資料進行分析,並給予消費者對應的購買策略。
前述實施方式之其他實施例如下:前述應用人工智慧的金融證券產品價值模型分析系統可更包含一動態撥號裝置。動態撥號裝置訊號連接處理器,並用以供處理器取得一網際網路協定位址,以訊號連接雲端資料庫。處理器包含一撥號監測模組。撥號監測模組用以監測動態撥號裝置是否可撥號並訊號連接雲端資料庫。當動態撥號裝置無法撥號並連接雲端資料庫時,撥號監測模組驅動動態撥號裝置取得另一網際網路協定位址,以訊號連接雲端資料庫。
前述實施方式之其他實施例如下:前述此些長期交易參數可包含一風險因子、一負債權益比、一淨值報酬率、一股價淨值比、一營收成長率、一市值、一週轉率、一成交量、一股價及一動能因子。長期策略分析步驟包含一分群步驟、一分類步驟及一驗證步驟。分群步驟係依據一自組織映射圖演算法將此些金融證券產品分為此些群體。此些群體包含一高報酬率群體、一中報酬率群體及一低報酬率群體。分類步驟係依據此些金融證券產品之此些長期交易參數歸納出對應高報酬率群體、中報酬率群體及低報酬率群體之此些分類條件。驗證步驟係依據一深度神經網路模型驗證各長期交易參數之重要性數值。
前述實施方式之其他實施例如下:前述短期策略分析步驟可包含一關聯性分析步驟及一次序分析步驟。關聯性分析步驟係依據一關聯性分析法分析出此些金融證券產品之產品關聯性。次序分析步驟係依據一次序分析模型分析出此些金融證券產品之購買次序。
前述實施方式之其他實施例如下:前述應用人工智慧的金融證券產品價值模型分析系統可更包含一網路攝影裝置。網路攝影裝置訊號連接處理器,網路攝影裝置用以擷取消費者之一面部影像。處理器更經配置以實施一消費者辨識步驟。消費者辨識步驟係依據一人臉辨識程序對消費者之面部影像進行辨識。消費者辨識步驟執行於判別步驟之前。
以下將參照圖式說明本發明之複數個實施例。為明確說明起見,許多實務上的細節將在以下敘述中一併說明。然而,應瞭解到,這些實務上的細節不應用以限制本發明。也就是說,在本發明部分實施例中,這些實務上的細節是非必要的。此外,為簡化圖式起見,一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之;並且重複之元件將可能使用相同的編號表示之。
此外,本文中當某一元件(或單元或模組等)「連接」於另一元件,可指所述元件是直接連接於另一元件,亦可指某一元件是間接連接於另一元件,意即,有其他元件介於所述元件及另一元件之間。而當有明示某一元件是「直接連接」於另一元件時,才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件,而對元件本身並無限制,因此,第一元件亦可改稱為第二元件。且本文中之元件/單元/電路之組合非此領域中之一般周知、常規或習知之組合,不能以元件/單元/電路本身是否為習知,來判定其組合關係是否容易被技術領域中之通常知識者輕易完成。
請參閱第1圖,第1圖係繪示本發明之第一實施例之應用人工智慧的金融證券產品價值模型分析方法S10之流程圖。應用人工智慧的金融證券產品價值模型分析方法S10用以預測一消費者對複數金融證券產品10(見第3圖)之一購買策略。應用人工智慧的金融證券產品價值模型分析方法S10包含一判別步驟S02、一資料採集步驟S04、一分析步驟S06及一策略產生步驟S08。判別步驟S02係驅動一處理器110(見第3圖)判斷消費者為一長期投資型顧客及一短期投資型顧客之一者。資料採集步驟S04係驅動處理器110依據長期投資型顧客及短期投資型顧客之此者自一雲端資料庫120(見第3圖)取得各金融證券產品10之複數長期交易參數121(見第3圖)及一短期交易資料122(見第3圖)之一者。此些長期交易參數121及短期交易資料122分別對應長期投資型顧客及短期投資型顧客。分析步驟S06包含一長期策略分析步驟S06a及一短期策略分析步驟S06b。長期策略分析步驟S06a係驅動處理器110將此些金融證券產品10分為複數群體,並計算出對應此些群體之複數分類條件及各長期交易參數121之一重要性數值。短期策略分析步驟S06b係驅動處理器110分析出此些金融證券產品10之一產品關聯性及一購買次序。策略產生步驟S08係驅動處理器110依據此些群體、此些分類條件、各長期交易參數121之重要性數值、產品關聯性及購買次序產生購買策略。當消費者被判斷為長期投資型顧客時,處理器110執行長期策略分析步驟S06a;當消費者被判斷為短期投資型顧客時,處理器110執行短期策略分析步驟S06b。
詳細地說,判別步驟S02驅動處理器110取得消費者的歷史買賣明細,並根據此消費者先前對同一個金融證券產品10買進及賣出的時間差判斷此消費者為長期投資型顧客或短期投資型顧客,在本實施方式中,當消費者對同一個金融證券產品10買進及賣出的時間差大於等於6個月時,判別步驟S02判斷消費者為長期投資型顧客;當消費者對同一個金融證券產品10買進及賣出的時間差小於6個月時,判別步驟S02判斷消費者為短期投資型顧客,但本發明不以此為限。
具體而言,當消費者被判斷為長期投資型顧客時,資料採集步驟S04係驅動處理器110自雲端資料庫120取得各金融證券產品10的長期交易參數121。長期交易參數121可包含一風險因子β、一負債權益比(Debt/Equity Ratio;D/E)、一淨值報酬率(Return On Equity;ROE)、一股價淨值比(Price-Book Ratio;P/B)、一營收成長率、一市值、一週轉率、一成交量、一股價及一動能因子。對應各金融證券產品10的此些長期交易參數121可如表一所示。產品代碼為對應各金融證券產品10之代碼。當消費者被判斷為短期投資型顧客時,資料採集步驟S04係驅動處理器110自雲端資料庫120取得短期交易資料122。在本實施方式中,短期交易資料122可為五個工作天內的金融證券產品10之成交明細,但本發明不以此為限。
表一
產品代碼 | 1 | 2 | 3 | 4 |
風險因子 | 0.31 | 0.45 | 0.57 | 1.1 |
負債權益比 | 27.09 | 26.62 | 415.4 | 80.79 |
淨值報酬率 | 5.72 | 4.77 | -43.64 | 0.47 |
股價淨值比 | 0.95 | 0.74 | 1.16 | 0.99 |
營收成長率 | 8.56 | 2.74 | 14.65 | -8.01 |
市值 | 22.31 | 132.42 | 10.69 | 248.52 |
週轉率 | 41.56 | 6.53 | 136.19 | 119.42 |
成交量 | 73595 | 26233 | 102144 | 1978608 |
股價 | 12.6 | 32.95 | 14.25 | 15 |
動能因子 | 9.14 | 16.1 | 85.08 | 42.12 |
藉此,本發明之應用人工智慧的金融證券產品價值模型分析方法S10根據消費者的投資習性為長期投資或短期投資蒐集對應的交易資料進行分析,並給予消費者對應的購買策略。以下將透過較詳細的實施例說明長期策略分析步驟S06a及短期策略分析步驟S06b之作動。
請參閱第1圖及第2圖,第2圖係繪示本發明之第二實施例之應用人工智慧的金融證券產品價值模型分析方法S20之流程圖。應用人工智慧的金融證券產品價值模型分析方法S20包含一判別步驟S12、一資料採集步驟S14、一分析步驟S16及一策略產生步驟S18。分析步驟S16包含一長期策略分析步驟S16a及一短期策略分析步驟S16b。在第2圖實施方式中,應用人工智慧的金融證券產品價值模型分析方法S20之判別步驟S12、資料採集步驟S14分別與第1圖之應用人工智慧的金融證券產品價值模型分析方法S10之判別步驟S02、資料採集步驟S04作動相同,不再贅述。特別的是,長期策略分析步驟S16a可包含一分群步驟S161、一分類步驟S162及一驗證步驟S163。短期策略分析步驟S16b可包含一關聯性分析步驟S164及一次序分析步驟S165。
分群步驟S161係驅動處理器110依據一自組織映射圖演算法111(見第3圖)將此些金融證券產品10分為此些群體。此些群體包含一高報酬率群體、一中報酬率群體及一低報酬率群體。具體而言,分群步驟S161利用自組織映射圖演算法111對各金融證券產品10的長期交易參數121進行分析,以將複數金融證券產品10分為三個群體(即高報酬率群體、中報酬率群體及低報酬率群體)。
分類步驟S162係驅動處理器110依據此些金融證券產品10之此些長期交易參數121歸納出對應高報酬率群體、中報酬率群體及低報酬率群體之此些分類條件。分類步驟S162利用決策樹分類(Classification And Regression Tree;CART)規則分別對高報酬率群體、中報酬率群體及低報酬率群體中的金融證券產品10的此些長期交易參數121進行推導,進而得出高報酬率群體、中報酬率群體及低報酬率群體之分類條件。高報酬率群體、中報酬率群體及低報酬率群體之分類條件可如表二所示。舉例來說,當金融證券產品10的長期交易參數121的數值符合分類條件時,則金融證券產品10可直接被預測為高報酬率群體、中報酬率群體或低報酬率群體。其中β代表風險因子;MOM代表動能因子。
表二
分類條件 | 群體 |
0.655<β≤0.872 | 高報酬率群體 |
MOM≤27.7 | 高報酬率群體 |
0.875<β | 中報酬率群體 |
β≤0.872 | 低報酬率群體 |
週轉率≤139.62 | 低報酬率群體 |
驗證步驟S163係驅動處理器110依據一深度神經網路(Deep Neural Network;DNN)模型112(見第3圖)驗證各長期交易參數121之重要性數值。驗證步驟S163利用深度神經網路模型112對高報酬率群體、中報酬率群體及低報酬率群體中的金融證券產品10的此些長期交易參數121進行分析,驗證各金融證券產品10之重要性數值。重要性數值代表各長期交易參數121對分群步驟S161之分群結果之重要性。第2圖實施方式之各長期交易參數121之重要性數值可如表三所示。藉此,本發明之應用人工智慧的金融證券產品價值模型分析方法S20根據金融證券產品10的此些長期交易參數121將金融證券產品10分群,進而針對特定消費者的投資習性給予特定的購買策略。
表三
長期交易參數 | 重要性數值 |
風險因子 | 0.21 |
週轉率 | 0.16 |
動能因子 | 0.15 |
成交量 | 0.12 |
股價 | 0.03 |
P/B值 | 0.03 |
ROE | 0.01 |
報酬率 | 0.01 |
關聯性分析步驟S164係驅動處理器110依據一關聯性分析法113(見第3圖)分析出此些金融證券產品10之產品關聯性。關聯性分析步驟S164透過關聯性分析法113計算各金融證券產品10之間同時被購買的機率。關聯性分析法113之計算結果如表四所示。前項代表前項售出的金融證券產品10;後項代表在前項售出後被售出的金融證券產品10;支援度為後項及前項同時售出的機率;信賴度為在前項售出的情況下,後項亦售出的機率。由表四可知,金融證券產品A與金融證券產品B同時售出的機率為66.67%。
表四
前項 | 後項 | 支援度 | 信賴度 |
A | B | 0.1 | 66.67 |
C | D | 0.065 | 50 |
C | E | 0.066 | 50 |
F | D | 0.066 | 50 |
F | G | 0.066 | 50 |
次序分析步驟S165係驅動處理器110依據一次序分析模型114(見第3圖)分析出此些金融證券產品10之購買次序。次序分析模型114用以分析各金融證券產品10間的購買次序。請參照表五,表五列示金融證券產品A與其他金融證券產品B、C、D及E之間的購買次序,由表五可知,消費者先購買金融證券產品B後再購買金融證券產品A的機率為96.8%;購買金融證券產品C後再購買金融證券產品A的機率為83.3%。
表五
產品代碼 | 信賴度 |
B | 96.8% |
C | 83.3% |
D | 64.7% |
E | 52.94% |
當消費者被判斷為長期型投資顧客時,策略產生步驟S18依據分群步驟S161、分類步驟S162及驗證步驟S163計算出的此些群體、此些分類條件及對應各長期交易參數121之重要性數值產生購買策略。舉例來說,策略產生步驟S18可將消費者先前購買的金融證券產品10之長期交易參數121套入分類條件,根據前述金融證券產品10的分類條件判斷消費者的投資習性為購買高風險高報酬率的金融證券產品10或低風險低報酬率的金融證券產品10,進而向消費者推薦與前述金融證券產品10屬於同一群體的金融證券產品10。
當消費者被判斷為短期型投資顧客時,策略產生步驟S18依據關聯性分析步驟S164及次序分析步驟S165計算出的產品關聯性及購買次序產生購買策略。具體而言,當關聯性分析步驟S164及次序分析步驟S165分析出的產品關聯性較高及購買次序機率較高的金融證券產品10為相同產業類型的金融證券產品10,策略產生步驟S18向短期型投資顧客推薦前述產業類型的金融證券產品10,但本發明不以此為限。
請配合參閱第1圖、第2圖及第3圖,第3圖係繪示本發明之第三實施例之應用人工智慧的金融證券產品價值模型分析系統100之方塊示意圖。應用人工智慧的金融證券產品價值模型分析系統100用以預測一消費者對複數金融證券產品10之一購買策略。應用人工智慧的金融證券產品價值模型分析系統100包含一處理器110及一雲端資料庫120。雲端資料庫120包含各金融證券產品10之複數長期交易參數121及一短期交易資料122。處理器110訊號連接雲端資料庫120,並經配置以實施應用人工智慧的金融證券產品價值模型分析方法S10、S20。具體而言,處理器110可為中央處理器(Central Processing Unit;CPU)、虛擬專用伺服器(Virtual Private Server;VPS)或其他電子運算裝置,雲端資料庫120可為記憶體或其他儲存裝置,本發明不以此為限。
請參閱第4圖及第5圖,第4圖係繪示本發明之第四實施例之應用人工智慧的金融證券產品價值模型分析系統100a之方塊示意圖;第5圖係繪示本發明之第五實施例之應用人工智慧的金融證券產品價值模型分析方法S30之流程圖。應用人工智慧的金融證券產品價值模型分析系統100a包含處理器110a及雲端資料庫120。在第4圖實施方式中,應用人工智慧的金融證券產品價值模型分析系統100a之雲端資料庫120與第3圖實施方式之應用人工智慧的金融證券產品價值模型分析系統100之雲端資料庫120作動相同,不再贅述。特別的是,應用人工智慧的金融證券產品價值模型分析系統100a可更包含一網路攝影裝置130及一動態撥號裝置140。處理器110a可包含一撥號監測模組116。處理器110a經配置以實施應用人工智慧的金融證券產品價值模型分析方法S30。
應用人工智慧的金融證券產品價值模型分析方法S30包含一判別步驟S22、一資料採集步驟S25、一分析步驟S26及一策略產生步驟S28。分析步驟S26包含一長期策略分析步驟S26a及一短期策略分析步驟S26b。長期策略分析步驟S26a可包含一分群步驟S261、一分類步驟S262及一驗證步驟S263。短期策略分析步驟S26b可包含一關聯性分析步驟S264及一次序分析步驟S265。在第5圖實施方式中,應用人工智慧的金融證券產品價值模型分析方法S30之判別步驟S22、資料採集步驟S25、分析步驟S26、策略產生步驟S28、長期策略分析步驟S26a、短期策略分析步驟S26b、分群步驟S261、分類步驟S262、驗證步驟S263、關聯性分析步驟S264及一次序分析步驟S265分別與第2圖實施方式之應用人工智慧的金融證券產品價值模型分析方法S20之判別步驟S12、資料採集步驟S14、分析步驟S16、策略產生步驟S18、長期策略分析步驟S16a、短期策略分析步驟S16b、分群步驟S161、分類步驟S162、驗證步驟S163、關聯性分析步驟S164及次序分析步驟S165作動相同,不再贅述。特別的是,應用人工智慧的金融證券產品價值模型分析方法S30可更包含一消費者辨識步驟S21、一自動撥號步驟S23及一撥號監測步驟S24。消費者辨識步驟S21執行於判別步驟S22之前,自動撥號步驟S23及撥號監測步驟S24執行於資料採集步驟S25之前。
網路攝影裝置130訊號連接處理器110a,網路攝影裝置130用以擷取消費者之一面部影像。處理器110a更經配置以實施消費者辨識步驟S21。消費者辨識步驟S21係驅動網路攝影裝置130擷取消費者之一面部影像,並依據一人臉辨識程序115對消費者之面部影像進行辨識。具體而言,消費者辨識步驟S21驅動網路攝影裝置130擷取消費者之面部影像後,驅動處理器110a透過一人工智慧演算法擷取面部影像中的特徵值,並與已記錄於雲端資料庫120中的其他面部影像的特徵值進行比對,辨識當前的消費者身分。
動態撥號裝置140訊號連接處理器110a,並用以執行自動撥號步驟S23。自動撥號步驟S23係驅動動態撥號裝置140取得一網際網路協定(Internet Protocol;IP)位址,藉以使處理器110a訊號連接雲端資料庫120。
撥號監測步驟S24係驅動撥號監測模組116監測動態撥號裝置140是否可撥號並訊號連接雲端資料庫120,當動態撥號裝置140無法撥號並連接雲端資料庫120時,撥號監測模組116驅動動態撥號裝置140取得另一網際網路協定位址,以訊號連接雲端資料庫120。
具體而言,資料採集步驟S25是由處理器110a驅動一爬蟲程式蒐集雲端資料庫120中的複數金融證券產品10的長期交易參數121及短期交易資料122。然而,當爬蟲程式多次透過同一網際網路協定位址訊號連接雲端資料庫120並抓取資料時,雲端資料庫120可能會阻擋前述網際網路協定位址訊號連接到雲端資料庫120。因此,本發明之應用人工智慧的金融證券產品價值模型分析系統100a透過撥號監測模組116持續監測動態撥號裝置140的撥號狀態,在動態撥號裝置140撥號失敗時產生另一網際網路協定位址,並驅動動態撥號裝置140改為透過另一網際網路協定位址撥號。
藉此,本發明之應用人工智慧的金融證券產品價值模型分析系統100a透過撥號監測模組116確保處理器110a穩定的採集雲端資料庫120中對應各金融證券產品10的長期交易參數121及短期交易資料122,以進行後續的購買策略分析。
由上述實施方式可知,本發明具有下列優點,其一,根據消費者的投資習性為長期投資或短期投資蒐集對應的交易資料進行分析,並給予消費者對應的購買策略;其二,根據金融證券產品的此些長期交易參數將金融證券產品分群,進而針對特定消費者的投資習性給予特定的購買策略;其三,透過撥號監測模組確保處理器穩定的採集雲端資料庫中對應各金融證券產品的長期交易參數及短期交易資料,以進行後續的購買策略分析。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,100a:應用人工智慧的金融證券產品價值模型分析系統
10:金融證券產品
110,110a:處理器
111:自組織映射圖演算法
112:深度神經網路模型
113:關聯性分析法
114:次序分析模型
115:人臉辨識程序
116:撥號監測模組
120:雲端資料庫
121:長期交易參數
122:短期交易資料
130:網路攝影裝置
140:動態撥號裝置
S10,S20,S30:應用人工智慧的金融證券產品價值模型分析方法
S02,S12,S22:判別步驟
S04,S14,S25:資料採集步驟
S06,S16,S26:分析步驟
S06a,S16a,S26a:長期策略分析步驟
S06b,S16b,S26b:短期策略分析步驟
S161,S261:分群步驟
S162,S262:分類步驟
S163,S263:驗證步驟
S164,S264:關聯性分析步驟
S165,S265:次序分析步驟
S08,S18,S28:策略產生步驟
S21:消費者辨識步驟
S23:自動撥號步驟
S24:撥號監測步驟
第1圖係繪示本發明之第一實施例之應用人工智慧的金融證券產品價值模型分析方法之流程圖;
第2圖係繪示本發明之第二實施例之應用人工智慧的金融證券產品價值模型分析方法之流程圖;
第3圖係繪示本發明之第三實施例之應用人工智慧的金融證券產品價值模型分析系統之方塊示意圖;
第4圖係繪示本發明之第四實施例之應用人工智慧的金融證券產品價值模型分析系統之方塊示意圖;及
第5圖係繪示本發明之第五實施例之應用人工智慧的金融證券產品價值模型分析方法之流程圖。
S10:應用人工智慧的金融證券產品價值模型分析方法
S02:判別步驟
S04:資料採集步驟
S06:分析步驟
S06a:長期策略分析步驟
S06b:短期策略分析步驟
S08:策略產生步驟
Claims (10)
- 一種應用人工智慧的金融證券產品價值模型分析方法,用以預測一消費者對複數金融證券產品之一購買策略,該應用人工智慧的金融證券產品價值模型分析方法包含: 一判別步驟,係驅動一處理器判斷該消費者為一長期投資型顧客及一短期投資型顧客之一者; 一資料採集步驟,係驅動該處理器依據該長期投資型顧客及該短期投資型顧客之該者自一雲端資料庫取得各該金融證券產品之複數長期交易參數及一短期交易資料之一者,其中該些長期交易參數及該短期交易資料分別對應該長期投資型顧客及該短期投資型顧客; 一分析步驟,包含: 一長期策略分析步驟,係驅動該處理器將該些金融證券產品分為複數群體,並計算出對應該些群體之複數分類條件及各該長期交易參數之一重要性數值;及 一短期策略分析步驟,係驅動該處理器分析出該些金融證券產品之一產品關聯性及一購買次序;以及 一策略產生步驟,係驅動該處理器依據該些群體、該些分類條件、各該長期交易參數之該重要性數值、該產品關聯性及該購買次序產生該購買策略; 其中,當該消費者被判斷為該長期投資型顧客時,該處理器執行該長期策略分析步驟;當該消費者被判斷為該短期投資型顧客時,該處理器執行該短期策略分析步驟。
- 如請求項1所述之應用人工智慧的金融證券產品價值模型分析方法,其中該些長期交易參數包含一風險因子、一負債權益比、一淨值報酬率、一股價淨值比、一營收成長率、一市值、一週轉率、一成交量、一股價及一動能因子。
- 如請求項1所述之應用人工智慧的金融證券產品價值模型分析方法,其中該長期策略分析步驟包含: 一分群步驟,係驅動該處理器依據一自組織映射圖演算法將該些金融證券產品分為該些群體,其中該些群體包含一高報酬率群體、一中報酬率群體及一低報酬率群體; 一分類步驟,係驅動該處理器依據該些金融證券產品之該些長期交易參數歸納出對應該高報酬率群體、該中報酬率群體及該低報酬率群體之該些分類條件;及 一驗證步驟,係驅動該處理器依據一深度神經網路模型驗證各該長期交易參數之該重要性數值。
- 如請求項1所述之應用人工智慧的金融證券產品價值模型分析方法,其中該短期策略分析步驟包含: 一關聯性分析步驟,係驅動該處理器依據一關聯性分析法分析出該些金融證券產品之該產品關聯性;及 一次序分析步驟,係驅動該處理器依據一次序分析模型分析出該些金融證券產品之該購買次序。
- 如請求項1所述之應用人工智慧的金融證券產品價值模型分析方法,更包含: 一自動撥號步驟,係驅動一動態撥號裝置取得一網際網路協定位址,藉以使該處理器訊號連接該雲端資料庫; 一撥號監測步驟,係驅動該處理器之一撥號監測模組監測該動態撥號裝置是否可撥號並訊號連接該雲端資料庫,當該動態撥號裝置無法撥號並連接該雲端資料庫時,該撥號監測模組驅動該動態撥號裝置取得另一網際網路協定位址,以訊號連接該雲端資料庫;及 一消費者辨識步驟,係驅動一網路攝影裝置擷取該消費者之一面部影像,並依據一人臉辨識程序對該消費者之該面部影像進行辨識; 其中,該消費者辨識步驟執行於該判別步驟之前,該自動撥號步驟及該撥號監測步驟執行於該資料採集步驟之前,該動態撥號裝置訊號連接該處理器,該網路攝影裝置訊號連接該處理器。
- 一種應用人工智慧的金融證券產品價值模型分析系統,用以預測一消費者對複數金融證券產品之一購買策略,該應用人工智慧的金融證券產品價值模型分析系統包含: 一雲端資料庫,包含各該金融證券產品之複數長期交易參數及一短期交易資料;以及 一處理器,訊號連接該雲端資料庫,並經配置以實施包含以下步驟之操作: 一判別步驟,係判斷該消費者為一長期投資型顧客及一短期投資型顧客之一者; 一資料採集步驟,係依據該長期投資型顧客及該短期投資型顧客之該者自該雲端資料庫取得各該金融證券產品之該些長期交易參數及該短期交易資料之一者,其中該些長期交易參數及該短期交易資料分別對應該長期投資型顧客及該短期投資型顧客; 一分析步驟,包含: 一長期策略分析步驟,係將該些金融證券產品分為複數群體,並計算出對應該些群體之複數分類條件及各該長期交易參數之一重要性數值;及 一短期策略分析步驟,係驅動該處理器分析出該些金融證券產品之一產品關聯性及一購買次序;及 一策略產生步驟,係依據該些群體、該些分類條件、各該長期交易參數之該重要性數值、該產品關聯性及該購買次序產生該購買策略; 其中,當該消費者被判斷為該長期投資型顧客時,該處理器執行該長期策略分析步驟;當該消費者被判斷為該短期投資型顧客時,該處理器執行該短期策略分析步驟。
- 如請求項6所述之應用人工智慧的金融證券產品價值模型分析系統,更包含: 一動態撥號裝置,訊號連接該處理器,並用以供該處理器取得一網際網路協定位址,以訊號連接該雲端資料庫; 該處理器包含: 一撥號監測模組,用以監測該動態撥號裝置是否可撥號並訊號連接該雲端資料庫,其中當該動態撥號裝置無法撥號並連接該雲端資料庫時,該撥號監測模組驅動該動態撥號裝置取得另一網際網路協定位址,以訊號連接該雲端資料庫。
- 如請求項6所述之應用人工智慧的金融證券產品價值模型分析系統,其中該些長期交易參數包含一風險因子、一負債權益比、一淨值報酬率、一股價淨值比、一營收成長率、一市值、一週轉率、一成交量、一股價及一動能因子,該長期策略分析步驟包含: 一分群步驟,係依據一自組織映射圖演算法將該些金融證券產品分為該些群體,其中該些群體包含一高報酬率群體、一中報酬率群體及一低報酬率群體; 一分類步驟,係依據該些金融證券產品之該些長期交易參數歸納出對應該高報酬率群體、該中報酬率群體及該低報酬率群體之該些分類條件;及 一驗證步驟,係依據一深度神經網路模型驗證各該長期交易參數之該重要性數值。
- 如請求項6所述之應用人工智慧的金融證券產品價值模型分析系統,其中該短期策略分析步驟包含: 一關聯性分析步驟,係依據一關聯性分析法分析出該些金融證券產品之該產品關聯性;及 一次序分析步驟,係依據一次序分析模型分析出該些金融證券產品之該購買次序。
- 如請求項6所述之應用人工智慧的金融證券產品價值模型分析系統,更包含: 一網路攝影裝置,訊號連接該處理器,該網路攝影裝置用以擷取該消費者之一面部影像; 其中,該處理器更經配置以實施: 一消費者辨識步驟,係依據一人臉辨識程序對該消費者之該面部影像進行辨識; 其中,該消費者辨識步驟執行於該判別步驟之前。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111121090A TW202349316A (zh) | 2022-06-07 | 2022-06-07 | 應用人工智慧的金融證券產品價值模型分析方法及其系統 |
US18/058,275 US20230394581A1 (en) | 2022-06-07 | 2022-11-23 | Analysis method and analysis system of financial securities product value model based on artificial intelligence and computer readable recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111121090A TW202349316A (zh) | 2022-06-07 | 2022-06-07 | 應用人工智慧的金融證券產品價值模型分析方法及其系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202349316A true TW202349316A (zh) | 2023-12-16 |
Family
ID=88976861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111121090A TW202349316A (zh) | 2022-06-07 | 2022-06-07 | 應用人工智慧的金融證券產品價值模型分析方法及其系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230394581A1 (zh) |
TW (1) | TW202349316A (zh) |
-
2022
- 2022-06-07 TW TW111121090A patent/TW202349316A/zh unknown
- 2022-11-23 US US18/058,275 patent/US20230394581A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230394581A1 (en) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190130407A1 (en) | Real-time cross-channel fraud protection | |
TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
US20210264448A1 (en) | Privacy preserving ai derived simulated world | |
JP2012504289A (ja) | オンラインビジネストランザクションデータを使用するローンアクセスの評価 | |
EP0968480A2 (en) | Intelligent agent with negotiation capability and method of negotiation therewith | |
US20090112752A1 (en) | Distributed Scoring of Data Transactions | |
US20140379310A1 (en) | Methods and Systems for Evaluating Predictive Models | |
US20220351207A1 (en) | System and method for optimization of fraud detection model | |
CN111028050A (zh) | 一种基于数据驱动的异常投标行为检测评估方法及系统 | |
CN110544131A (zh) | 一种数据驱动的电商用户购买行为预测方法 | |
Kumar et al. | Credit score prediction system using deep learning and k-means algorithms | |
CN117151882B (zh) | 一种基于多品种电力交易的风险评估方法及系统 | |
CN108985755B (zh) | 一种账号状态识别方法、装置及服务器 | |
Paul et al. | Artificial intelligence in predictive analysis of insurance and banking | |
Mukherjee et al. | Detection of defaulters in P2P lending platforms using unsupervised learning | |
KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
CN107480703A (zh) | 交易故障检测方法及装置 | |
TW202145105A (zh) | 客戶分群服務客製化行銷方法及系統 | |
TW202349316A (zh) | 應用人工智慧的金融證券產品價值模型分析方法及其系統 | |
KR102000519B1 (ko) | 유사 성향 고객의 투자 패턴을 이용한 주식 종목 추천 방법 및 이를 이용한 시스템 | |
CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
CN114255377A (zh) | 一种智能货柜的差异商品检测分类方法 | |
CN113744024A (zh) | 一种商家匹配方法、装置、计算机设备及存储介质 | |
TWI769385B (zh) | 金融商品之潛在購買客群篩選方法及其系統 | |
US20230120747A1 (en) | Grey market orders detection |