数据处理方法、装置、设备、存储介质及程序产品与流程

摘要: 本技术涉及金融科技与人工智能领域,尤其涉及一种数据处理方法、装置、设备、存储介质及程序产品。背景技术:1、在现代金融市场中,面临日益复杂的投资环境和快速变化的市...
数据处理方法、装置、设备、存储介质及程序产品与流程

本技术涉及金融科技与人工智能领域,尤其涉及一种数据处理方法、装置、设备、存储介质及程序产品。

背景技术:

1、在现代金融市场中,面临日益复杂的投资环境和快速变化的市场动态。用户需依赖专业的投资建议来优化资产配置、控制风险并提升收益。而,传统的人工投资顾问服务存在成本高、服务门槛高、响应速度慢等问题,难以满足用户对个性化、实时化和低成本投资决策的需求。

2、目前,现有策略生成工具虽能在一定程度上降低服务成本、提升服务效率,但由于金融时序数据具有高度非线性和时序依赖性,传统统计模型(如均值-方差模型)难以捕捉复杂模式,使得对金融市场数据的处理结果不准确,导致策略预测准确性不足;此外,未引入非结构化文本数据,使得生成的策略对市场变化的响应滞后。

3、因此,亟需一种高效、准确的数据处理方案,以提高策略生成的准确性。

技术实现思路

1、本技术提供一种数据处理方法、装置、设备、存储介质及程序产品,用以解决现有策略生成方案中对金融时序数据的处理效果不佳,以及未引入非结构化文本数据,使得生成的策略准确性和实时性不足的技术问题。

2、第一方面,本技术提供一种数据处理方法,包括:

3、获取金融时序数据和非结构化文本数据;

4、对金融时序数据和非结构化文本数据进行特征提取,得到特征矩阵;特征矩阵包括以下至少一种:交易时序特征、用户行为特征、文本向量特征以及资产变动特征;

5、将特征矩阵输入预测模型,得到第一预测分数以及第一分数变化率;基于第一预测分数、第一分数变化率以及用户行为特征,生成资产配置策略;预测模型由长短期记忆网络层、卷积神经网络层、注意力机制层构成。

6、在一种可能的实施方式中,对金融时序数据和非结构化文本数据进行特征提取,得到特征矩阵,包括:

7、对金融时序数据进行标准化处理,得到标准化金融时序数据;

8、对非结构化文本数据进行语义向量化处理,得到向量文本;

9、利用特征工程,对标准化金融时序数据与向量文本进行特征提取,得到特征矩阵。

10、在一种可能的实施方式中,将特征矩阵输入预测模型,得到第一预测分数以及第一分数变化率,包括:

11、将交易时序特征与资产变动特征输入长短期记忆网络层进行时间序列分析,得到交易与资产变动之间的关联信息;

12、将文本向量特征输入卷积神经网络层进行语义分析,得到语义特征;

13、将语义特征与关联信息输入注意力机制层,得到语义特征对应的第一权重值和关联信息对应的第二权重值;

14、将第一权重值、第二权重值以及特征矩阵输入预测层,得到第一预测分数以及第一分数变化率。

15、在一种可能的实施方式中,方法还包括:

16、获取历史特征矩阵以及对应的真实资产配置策略;

17、基于历史特征矩阵和真实资产配置策略,对深度神经网络模型进行训练,得到预测模型。

18、在一种可能的实施方式中,基于历史特征矩阵和真实资产配置策略,对深度神经网络模型进行训练,得到预测模型,包括:

19、将历史特征矩阵输入深度神经网络,得到第二预测分数以及第二分数变化率;基于第二预测分数、第二分数变化率以及历史用户行为特征,生成候选资产配置策略;

20、对候选资产配置策略和真实资产配置策略进行相似度计算,得到相似度值;

21、若相似度值大于预设相似度阈值,则训练得到预测模型。

22、在一种可能的实施方式中,方法还包括:

23、基于金融时序数据,确定真实分数变化率;基于真实分数变化率以及预设的变化倍率,确定分数变化率阈值;分数变化率阈值用于结合仓位控制策略,在用户基于资产配置策略进行资产配置时,对资产变动进行风险管控。

24、第二方面,本技术提供一种数据处理装置,包括:

25、获取模块,获取金融时序数据和非结构化文本数据;

26、提取模块,用于对金融时序数据和非结构化文本数据进行特征提取,得到特征矩阵;特征矩阵包括以下至少一种:交易时序特征、用户行为特征、文本向量特征以及资产变动特征;

27、生成模块,用于将特征矩阵输入预测模型,得到第一预测分数以及第一分数变化率;基于第一预测分数、第一分数变化率以及用户行为特征,生成资产配置策略;预测模型由长短期记忆网络层、卷积神经网络层、注意力机制层构成。

28、在一种可能的实施方式中,提取模块还用于:

29、对金融时序数据进行标准化处理,得到标准化金融时序数据;

30、对非结构化文本数据进行语义向量化处理,得到向量文本;

31、利用特征工程,对标准化金融时序数据与向量文本进行特征提取,得到特征矩阵。

32、在一种可能的实施方式中,生成模块还用于:

33、将交易时序特征与资产变动特征输入长短期记忆网络层进行时间序列分析,得到交易与资产变动之间的关联信息;

34、将文本向量特征输入卷积神经网络层进行语义分析,得到语义特征;

35、将语义特征与关联信息输入注意力机制层,得到语义特征对应的第一权重值和关联信息对应的第二权重值;

36、将第一权重值、第二权重值以及特征矩阵输入预测层,得到第一预测分数以及第一分数变化率。

37、在一种可能的实施方式中,数据处理装置还包括处理模块,处理模块用于:

38、获取历史特征矩阵以及对应的真实资产配置策略;

39、基于历史特征矩阵和真实资产配置策略,对深度神经网络模型进行训练,得到预测模型。

40、在一种可能的实施方式中,处理模块还用于:

41、将历史特征矩阵输入深度神经网络,得到第二预测分数以及第二分数变化率;基于第二预测分数、第二分数变化率以及历史用户行为特征,生成候选资产配置策略;

42、对候选资产配置策略和真实资产配置策略进行相似度计算,得到相似度值;

43、若相似度值大于预设相似度阈值,则训练得到预测模型。

44、在一种可能的实施方式中,处理模块还用于:

45、基于金融时序数据,确定真实分数变化率;基于真实分数变化率以及预设的变化倍率,确定分数变化率阈值;分数变化率阈值用于结合仓位控制策略,在用户基于资产配置策略进行资产配置时,对资产变动进行风险管控。

46、第三方面,本技术实施例提供一种电子设备,包括:存储器,处理器;

47、存储器存储计算机执行指令;

48、处理器执行存储器存储的计算机执行指令,使得处理器执行如上第一方面和/或第一方面各种可能的实施方式。

49、第四方面,本技术实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

50、第五方面,本技术实施例提供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如上第一方面和/或第一方面各种可能的实施方式。

51、本技术提供的数据处理方法、装置、设备、存储介质及程序产品,通过获取金融时序数据和非结构化文本数据;对金融时序数据和非结构化文本数据进行特征提取,得到特征矩阵;将特征矩阵输入预测模型,得到第一预测分数以及第一分数变化率;基于第一预测分数、第一分数变化率以及用户行为特征,生成资产配置策略。本技术通过对金融时序数据和非结构化文本进行特征处理,得到特征矩阵,避免单一数据源导致的预测结果不准确和实时性不足的问题;利用包含长短期记忆网络层、卷积神经网络层和注意力机制层的预测模型,解决了现有预测方案中传统模型难以捕捉长周期依赖关系的问题,提高了预测结果的准确性。