在险价值确定方法、装置、设备、介质及产品与流程

1.本发明涉及数据处理技术领域，尤其涉及一种在险价值确定方法、装置、设备、介质及产品。


背景技术：

2.随着大数据时代到来，诸多领域都在通过大数据技术进行业务处理，比如通信、人工智能、金融等领域。而在金融领域中，由于常常需要与数据打交道，对于数据处理技术更为重视和依赖。
3.在险价值(英文全称为：value at risk，英文简称为：var)是金融系统中常用的一个数据指标，工作人员通过该数据指标可以给用户进行相关业务处理，或者用户通过该数据指标进行相关业务处理。
4.目前在确定在险价值这个指标时，一般通过单因子数据和计算模型，而影响在险价值的因子数据种类较多，以单因子数据的方式确定在险价值的准确性较低。


技术实现要素：

5.本发明提供一种在险价值确定方法、装置、设备、介质及产品，用以解决目前以单因子数据的方式确定在险价值的准确性较低的问题。
6.本发明第一方面提供一种在险价值确定方法，包括：
7.获取目标类型数据在预设时间段内的目标数据变化状态；
8.获取多个预设因子数据在预设时间段内的因子数据变化状态；各所述预设因子数据与所述目标类型数据相匹配；
9.根据所述目标数据变化状态、各所述因子数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值；
10.根据各所述预设因子数据对应的在险价值确定目标类型数据对应的在险价值；
11.输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。
12.进一步地，如上所述的方法，所述根据所述目标数据变化状态、各所述因子数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值，包括：
13.根据所述目标数据变化状态和各所述因子数据变化状态确定各所述因子数据变化状态对应的目标次数据变化状态；所述目标次数据变化状态用于表示各预设因子数据变化时引起的目标类型数据变化；
14.根据各所述目标次数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值。
15.进一步地，如上所述的方法，所述根据所述目标数据变化状态和各所述因子数据变化状态确定各所述因子数据变化状态对应的目标次数据变化状态，包括：
16.采用单元线性回归方式，将所述目标数据变化状态作为因变量，各所述因子数据变化状态作为自变量计算得到对应的各回归系数；
17.将各所述回归系数确定为各所述因子数据变化状态对应的目标次数据变化状态。
18.进一步地，如上所述的方法，所述预设时间段由多个次级时间段组成；
19.所述根据各所述目标次数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值，包括：
20.获取与所述在险价值匹配的预设前瞻时间和预设置信度；
21.将各所述目标次数据变化状态按照所述次级时间段划分成多个小数据变化状态；所述多个小数据变化状态与各所述目标次数据变化状态匹配；
22.根据所述预设前瞻时间、预设置信度、各所述多个小数据变化状态和预设在险价值确定算法确定各所述预设因子数据对应的在险价值。
23.进一步地，如上所述的方法，所述根据所述预设前瞻时间、预设置信度、各所述多个小数据变化状态和预设在险价值确定算法确定各所述预设因子数据对应的在险价值，包括：
24.将各所述多个小数据变化状态按照从小到大的顺序排列，并确定各所述多个小数据变化状态的数量；
25.根据所述预设置信度和各所述数量确定对应算法中间参数；
26.将各所述算法中间参数和所述预设前瞻时间输入预设在险价值确定算法，以输出各所述预设因子数据对应的在险价值。
27.进一步地，如上所述的方法，所述预设在险价值确定算法如下：
[0028][0029]
其中，var
t
代表在险价值，r代表算法中间参数，t代表预设前瞻时间。
[0030]
进一步地，如上所述的方法，所述根据各所述预设因子数据对应的在险价值确定目标类型数据对应的在险价值，包括：
[0031]
按照与各所述预设因子数据匹配的预设权值将各所述预设因子数据对应的在险价值进行融合，以确定目标类型数据对应的在险价值。
[0032]
本发明第二方面提供一种在险价值确定装置，包括：
[0033]
目标数据获取模块，用于获取目标类型数据在预设时间段内的目标数据变化状态；
[0034]
因子数据获取模块，用于获取多个预设因子数据在预设时间段内的因子数据变化状态；各所述预设因子数据与所述目标类型数据相匹配；
[0035]
第一确定模块，用于根据所述目标数据变化状态、各所述因子数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值；
[0036]
第二确定模块，用于根据各所述预设因子数据对应的在险价值确定目标类型数据对应的在险价值；
[0037]
输出模块，用于输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。
[0038]
进一步地，如上所述的装置，所述第一确定模块具体用于：
[0039]
根据所述目标数据变化状态和各所述因子数据变化状态确定各所述因子数据变化状态对应的目标次数据变化状态；所述目标次数据变化状态用于表示各预设因子数据变化时引起的目标类型数据变化；根据各所述目标次数据变化状态和预设在险价值确定策略
确定各所述预设因子数据对应的在险价值。
[0040]
进一步地，如上所述的装置，所述第一确定模块在根据所述目标数据变化状态和各所述因子数据变化状态确定各所述因子数据变化状态对应的目标次数据变化状态时，具体用于：
[0041]
采用单元线性回归方式，将所述目标数据变化状态作为因变量，各所述因子数据变化状态作为自变量计算得到对应的各回归系数；将各所述回归系数确定为各所述因子数据变化状态对应的目标次数据变化状态。
[0042]
进一步地，如上所述的装置，所述预设时间段由多个次级时间段组成；
[0043]
所述第一确定模块在根据各所述目标次数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值时，具体用于：
[0044]
获取与所述在险价值匹配的预设前瞻时间和预设置信度；将各所述目标次数据变化状态按照所述次级时间段划分成多个小数据变化状态；所述多个小数据变化状态与各所述目标次数据变化状态匹配；根据所述预设前瞻时间、预设置信度、各所述多个小数据变化状态和预设在险价值确定算法确定各所述预设因子数据对应的在险价值。
[0045]
进一步地，如上所述的装置，所述第一确定模块在根据所述预设前瞻时间、预设置信度、各所述多个小数据变化状态和预设在险价值确定算法确定各所述预设因子数据对应的在险价值时，具体用于：
[0046]
将各所述多个小数据变化状态按照从小到大的顺序排列，并确定各所述多个小数据变化状态的数量；根据所述预设置信度和各所述数量确定对应算法中间参数；将各所述算法中间参数和所述预设前瞻时间输入预设在险价值确定算法，以输出各所述预设因子数据对应的在险价值。
[0047]
进一步地，如上所述的装置，所述预设在险价值确定算法如下：
[0048][0049]
其中，var
t
代表在险价值，r代表算法中间参数，t代表预设前瞻时间。
[0050]
进一步地，如上所述的装置，所述第二确定模块具体用于：
[0051]
按照与各所述预设因子数据匹配的预设权值将各所述预设因子数据对应的在险价值进行融合，以确定目标类型数据对应的在险价值。
[0052]
本发明第三方面提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0053]
所述存储器存储计算机执行指令；
[0054]
所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的在险价值确定方法。
[0055]
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的在险价值确定方法。
[0056]
本发明第五方面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第一方面任一项所述的在险价值确定方法。
[0057]
本发明提供的一种在险价值确定方法、装置、设备、介质及产品，该方法包括：获取目标类型数据在预设时间段内的目标数据变化状态；获取多个预设因子数据在预设时间段
内的因子数据变化状态；各所述预设因子数据与所述目标类型数据相匹配；根据所述目标数据变化状态、各所述因子数据变化状态和预设在险价值确定策略确定各所述预设因子数据对应的在险价值；根据各所述预设因子数据对应的在险价值确定目标类型数据对应的在险价值；输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。本发明的在险价值确定方法，通过获取目标类型数据在预设时间段内的目标数据变化状态以及多个预设因子数据在预设时间段内的因子数据变化状态，根据所述目标数据变化状态、各所述因子数据变化状态和预设在险价值确定策略确定出各所述预设因子数据对应的在险价值，然后根据各所述预设因子数据对应的在险价值确定目标类型数据对应的在险价值，从而以结合多因子数据的方式确定出目标类型数据对应的在险价值，提高了确定在险价值的准确性。
附图说明
[0058]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0059]
图1为可以实现本发明实施例的在险价值确定方法的场景图；
[0060]
图2为本发明第一实施例提供的在险价值确定方法的流程示意图；
[0061]
图3为本发明第二实施例提供的在险价值确定方法的流程示意图；
[0062]
图4为本发明第二实施例提供的在险价值确定方法的步骤204的详细流程示意图；
[0063]
图5为本发明第三实施例提供的在险价值确定装置的结构示意图；
[0064]
图6为本发明第四实施例提供的电子设备的结构示意图。
[0065]
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
[0066]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0067]
本发明实施例的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0068]
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
[0069]
为了清楚理解本技术的技术方案，首先对现有技术的方案进行详细介绍。在险价值是金融系统中常用的一个数据指标，在险价值一般有两个要素，置信度和前瞻时间，比如置信度为百分之95，前瞻时间为5天，则表示目标数据在5天内百分之95的可能性变化程度不会超过在险价值。目前在确定在险价值这个指标时，一般通过单因子数据和计算模型，而影响在险价值的因子数据种类较多，以单因子数据的方式确定在险价值的准确性较低。
[0070]
所以针对现有技术中以单因子数据的方式确定在险价值的准确性较低的问题，发
明人在研究中发现，为了解决该问题，可以结合多种因子数据来确定在险价值，提高确定在险价值的准确性。
[0071]
具体的，首先获取目标类型数据在预设时间段内的目标数据变化状态以及多个预设因子数据在预设时间段内的因子数据变化状态，根据目标数据变化状态、各因子数据变化状态和预设在险价值确定策略确定出各预设因子数据对应的在险价值，然后根据各预设因子数据对应的在险价值确定目标类型数据对应的在险价值，从而以结合多因子数据的方式确定出目标类型数据对应的在险价值，提高了确定在险价值的准确性。
[0072]
发明人基于上述的创造性发现，提出了本技术的技术方案。
[0073]
下面对本发明实施例提供的在险价值确定方法的应用场景进行介绍。如图1所示，其中，1为第一电子设备，2为第二电子设备，3为用户终端。本发明实施例提供的在险价值确定方法对应的应用场景的网络架构中包括：第一电子设备1、第二电子设备2和用户终端3。第二电子设备2存储有包括目标类型数据在内的各类型数据、目标数据变化状态、预设因子数据以及因子数据变化状态。第二电子设备2中存储的数据可以是工作人员输入的，也可以是从金融系统中采集的。终端设备3可以为计算机、手机等电子设备。
[0074]
当需要确定在险价值时，第一电子设备1从第二电子设备2处获取目标类型数据在预设时间段内的目标数据变化状态以及多个预设因子数据在预设时间段内的因子数据变化状态。然后第一电子设备1根据目标数据变化状态、各因子数据变化状态和预设在险价值确定策略确定出各预设因子数据对应的在险价值。同时，第一电子设备1根据各预设因子数据对应的在险价值确定目标类型数据对应的在险价值，并将在险价值输出至用户终端3，以使用户可以通过用户终端3查看该在险价值。用户在查看在险价值后，可以以该在险价值为参考进行相关业务处理。从而以结合多因子数据的方式确定出目标类型数据对应的在险价值，提高了确定在险价值的准确性。
[0075]
下面结合说明书附图对本发明实施例进行介绍。
[0076]
图2为本发明第一实施例提供的在险价值确定方法的流程示意图，如图2所示，本实施例中，本发明实施例的执行主体为在险价值确定装置，该在险价值确定装置可以集成在电子设备中。则本实施例提供的在险价值确定方法包括以下几个步骤：
[0077]
步骤s101，获取目标类型数据在预设时间段内的目标数据变化状态。
[0078]
本实施例中，目标类型数据可以是金融系统中某一类别的数据，比如金融产品数据。预设时间段可以根据实际需求进行设置，比如设置为一个月、一周等。目标数据变化状态指目标类型数据在预设时间段内的数据变化情况，比如目标类型数据在一周内，呈持续增长、间断增长、上下浮动等。
[0079]
步骤s102，获取多个预设因子数据在预设时间段内的因子数据变化状态。各预设因子数据与目标类型数据相匹配。
[0080]
本实施例中，因子数据可以预先通过工作人员输入其中，比如利用匹配的算法将非定量数据如地区、类别等数据转化为因子数据，也可以预先通过各类人工智能与机器学习方法定时探索因子，并进行跟踪分析，从而转化为因子数据。
[0081]
预设因子数据可以为地区因子、类别因子、业务因子、动量因子等。
[0082]
因子数据变化状态为在预设时间段内，预设因子数据的变化情况，比如预设因子数据在一周内，呈持续增长、间断增长、上下浮动等。
[0083]
获取的各预设因子数据与目标类型数据相匹配，预设因子数据可以预先存储在数据库中，并建立与目标类型数据之间的匹配关系。
[0084]
匹配关系可以首先获取因子数据库中所有因子数据的因子数据变化状态，再获取目标类型数据的目标数据变化状态，将目标数据变化状态作为因变量y，各个因子数据变化状态作为自变量x，进行多元线性回归，计算回归系数，从而比较不同的因子数据组合下，哪一种组合对目标类型数据影响更大，更适合该目标类型数据。
[0085]
例如，因子数据库中有3种因子数据a、b、c，通过不同的组合，可以组成不同的因子数据组合：a、b、c、ab、bc、ac、abc。分别获取目标数据变化状态(记为y)和各因子数据变化状态(xa，xb，xc)。用y对不同因子数据组合后的数据变化状态做线性回归，分别计算出系数，然后通过预设模型确定匹配度最高的因子组合，作为该目标类型数据匹配的因子数据。
[0086]
在确定出匹配的因子数据后，也可以将其中的每个因子数据分配权值，从而为后续根据多因子数据确定目标类型数据对应的在险价值提供基础。
[0087]
步骤s103，根据目标数据变化状态、各因子数据变化状态和预设在险价值确定策略确定各预设因子数据对应的在险价值。
[0088]
本实施例中，预设在险价值确定策略可以根据实际需求进行设置，比如可以将目标数据变化状态、各因子数据变化状态分成若干等时间的次级数据变化状态，从而通过次级数据变化状态来确定在险价值。
[0089]
步骤s104，根据各预设因子数据对应的在险价值确定目标类型数据对应的在险价值。
[0090]
本实施例中，可以根据各预设因子数据的权值，对各预设因子数据对应的在险价值进行融合从而确定目标类型数据对应的在险价值。也可以通过其他方式，比如设置在险价值的融合算法来进行融合。
[0091]
步骤s105，输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。
[0092]
本实施例中，将目标类型数据对应的在险价值输出至用户终端，可以使用户可以查看该在险价值，从而根据该在险价值进行后续操作。比如金融产品的在险价值，用户可以根据该在险价值来决定后续业务处理的流程和操作。
[0093]
本发明实施例提供的一种在险价值确定方法，该方法包括：获取目标类型数据在预设时间段内的目标数据变化状态。获取多个预设因子数据在预设时间段内的因子数据变化状态。各预设因子数据与目标类型数据相匹配。根据目标数据变化状态、各因子数据变化状态和预设在险价值确定策略确定各预设因子数据对应的在险价值。根据各预设因子数据对应的在险价值确定目标类型数据对应的在险价值。输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。
[0094]
同时，也可以设置预警阈值，在在险价值超过预警阈值时，提醒用户。
[0095]
本发明的在险价值确定方法，通过获取目标类型数据在预设时间段内的目标数据变化状态以及多个预设因子数据在预设时间段内的因子数据变化状态，根据目标数据变化状态、各因子数据变化状态和预设在险价值确定策略确定出各预设因子数据对应的在险价值，然后根据各预设因子数据对应的在险价值确定目标类型数据对应的在险价值，从而以结合多因子数据的方式确定出目标类型数据对应的在险价值，提高了确定在险价值的准确性。
[0096]
图3为本发明第二实施例提供的在险价值确定方法的流程示意图，如图3所示，本实施例提供的在险价值确定方法，是在本发明上一实施例提供的在险价值确定方法的基础上，进行了进一步的细化。则本实施例提供的在险价值确定方法包括以下步骤。
[0097]
步骤s201，获取目标类型数据在预设时间段内的目标数据变化状态。
[0098]
本实施例中，步骤201的实现方式与本发明上一实施例中的步骤101的实现方式类似，在此不再一一赘述。
[0099]
同时，目标类型数据也可以进一步细分，按照不同层次来确定不同层次数据的在险价值。在获取目标类型数据在预设时间段内的目标数据变化状态之前，可以预先设置因子数据数据库、因子数据校验流程等。
[0100]
因子数据校验流程主要用于校验新采集或新配置的因子数据的有效性。所有因子数据配置好后都需要进行标准化处理，标准化的方式可以进行配置(如中位数平均法、3σ法等)。有效/无效状态是指进过因子数据分析后得出该因子数据是否有使用价值。检验因子数据有效性的方法大体思路是检测因子数据变化状态和目标数据变化状态是否存在相关性。相关性越高，则有效性越好。
[0101]
步骤s202，获取多个预设因子数据在预设时间段内的因子数据变化状态。各预设因子数据与目标类型数据相匹配。
[0102]
本实施例中，步骤202的实现方式与本发明上一实施例中的步骤102的实现方式类似，在此不再一一赘述。
[0103]
步骤s203，根据目标数据变化状态和各因子数据变化状态确定各因子数据变化状态对应的目标次数据变化状态。目标次数据变化状态用于表示各预设因子数据变化时引起的目标类型数据变化。
[0104]
本实施例中，目标次数据变化状态主要表示各预设因子数据变化时引起的目标类型数据变化，比如因子数据a在变化时，能影响目标类型数据b的变化，这个关联关系可以通过目标数据变化状态和各因子数据变化状态来确定。如果在目标类型数据是金融产品，则目标次数据变化状态可以指因子收益率。
[0105]
具体的，可以采用单元线性回归方式，将目标数据变化状态作为因变量，各因子数据变化状态作为自变量计算得到对应的各回归系数。
[0106]
将各回归系数确定为各因子数据变化状态对应的目标次数据变化状态。
[0107]
通过单元线性回归方式，可以更效率的确定出各因子数据变化状态对应的目标次数据变化状态。
[0108]
步骤s204，根据各目标次数据变化状态和预设在险价值确定策略确定各预设因子数据对应的在险价值。
[0109]
本实施例中，由于各目标次数据变化状态可以表示各预设因子数据变化时引起的目标类型数据变化，因而，可以通过预设在险价值确定策略确定各预设因子数据对应的在险价值。
[0110]
需要说明的是，预设时间段由多个次级时间段组成。因而，如图4所示，步骤204可以具体为：
[0111]
步骤s2041，获取与在险价值匹配的预设前瞻时间和预设置信度。
[0112]
前瞻时间和置信度是在险价值对应的重要参数，前瞻时间比如设置为5天的话，意
思是未来5天内的在险价值，置信度表示概率，比如再将置信度设置为百分之95，则代表未来5天内由百分之95的可能性在险价值为多少。
[0113]
步骤s2042，将各目标次数据变化状态按照次级时间段划分成多个小数据变化状态多个小数据变化状态与各目标次数据变化状态匹配。
[0114]
由于预设时间段一般比较长，可以将预设时间段划分为多个次级时间段，比如预设时间段为一周的话，次级时间段可以设置为一天。那么各目标次数据变化状态可以划分为7个小数据变化状态，每个小数据变化状态分别是某一天内的。
[0115]
步骤s2043，根据预设前瞻时间、预设置信度、各多个小数据变化状态和预设在险价值确定算法确定各预设因子数据对应的在险价值。
[0116]
本实施例中，预设在险价值确定算法可以包括两种，第一种如下：
[0117][0118]
其中，var
t
代表在险价值，σ代表多个小数据变化状态之间的标准差，t代表预设前瞻时间，z
α
代表置信度α在标准正太分布中对应的变量z值。
[0119]
第二种预设在险价值确定算法是通过采用历史模拟法来确定，具体流程和算法如下：
[0120]
将各多个小数据变化状态按照从小到大的顺序排列，并确定各多个小数据变化状态的数量。
[0121]
根据预设置信度和各数量确定对应算法中间参数。
[0122]
将各算法中间参数和预设前瞻时间输入预设在险价值确定算法，以输出各预设因子数据对应的在险价值。
[0123]
采用的预设在险价值确定算法如下：
[0124][0125]
其中，var
t
代表在险价值，r代表算法中间参数，t代表预设前瞻时间。
[0126]
本实施例中，根据预设置信度和各数量确定对应算法中间参数具体为：
[0127]
计算1与预设置信度之间的差值，并将该差值与各数量的乘积确定为算法中间参数。同时，本实施例通过采用历史模拟法，确定出的预设因子数据对应的在险价值准确性更高。
[0128]
同时，确定在险价值的具体流程如下：
[0129]
首先确定具体因子数据，例如因子数据a、因子数据b和因子数据c。
[0130]
然后通过足够长时间的目标类型数据以及因子数据变化样板来分别获取目标次数据变化状态，例如样本天数100天：a1，a2，
…
，a100。b1，b2，
…
，b100。c1，c2，
…
，c100。
[0131]
计算因子数据的t日var(在险价值)，首先从标准正态分布表查出置信度α对应的标准正太分布变量z值，记为z
α
。
[0132]
以金融产品为例，目标类型数据为金融产品数据，目标次数据变化状态可以为因子收益率。
[0133]
一、历史模拟法
[0134]
方式1：每日收益率的方式：从小到大对目标次数据变化状态进行序列排序，取z
α
(取整)位置上的目标次数据变化状态，即为该因子1日var，再乘以得到t日var。
[0135]
方式2：t日收益率的方式：将因子每日收益率转换为t日收益率，具体方法为：
[0136]
t日收益率＝(1 r1)*(1 r2)*...*(1 r
t
)-1；
[0137]
其中，r
1-r
t
分别指第一天日收益率-低t天日收益率。
[0138]
例如在100天样本天数中，第一天的两日收益率＝(1 第一天日收益率)*(1 第二天日收益率)-1，第二天的两日收益率＝(1 第二天日收益率)*(1 第三天日收益率)-1，以此类推可以获得99个2日收益率。
[0139]
再将t日因子收益率从小到大排序，取z
α
(取整)位置上的收益率，即为该因子t日var值。
[0140]
二、参数法
[0141]
方式1：计算因子每日收益率的标准差σ，σ乘以z
α
得到该因子1日var，再乘以得到t日var。
[0142]
方式2：将因子每日收益率转换为t日收益率，再计算因子t日收益率的标准差σ
t
，σ
t
乘以z
α
得到该因子t日var。
[0143]
步骤s205，按照与各预设因子数据匹配的预设权值将各预设因子数据对应的在险价值进行融合，以确定目标类型数据对应的在险价值。
[0144]
本实施例中，由于多因子数据对目标类型数据变化的影响不同，可以按照预设权值将各预设因子数据对应的在险价值进行融合。
[0145]
步骤s206，输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。
[0146]
本实施例中，步骤206的实现方式与本发明上一实施例中的步骤105的实现方式类似，在此不再一一赘述。
[0147]
图5为本发明第三实施例提供的在险价值确定装置的结构示意图，如图5所示，本实施例中，该在险价值确定装置300包括：
[0148]
目标数据获取模块301，用于获取目标类型数据在预设时间段内的目标数据变化状态。
[0149]
因子数据获取模块302，用于获取多个预设因子数据在预设时间段内的因子数据变化状态。各预设因子数据与目标类型数据相匹配。
[0150]
第一确定模块303，用于根据目标数据变化状态、各因子数据变化状态和预设在险价值确定策略确定各预设因子数据对应的在险价值。
[0151]
第二确定模块304，用于根据各预设因子数据对应的在险价值确定目标类型数据对应的在险价值。
[0152]
输出模块305，用于输出目标类型数据对应的在险价值至用户终端，以使用户进行查看。
[0153]
本实施例提供的在险价值确定装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果与图2所示方法实施例类似，在此不再一一赘述。
[0154]
本发明提供的在险价值确定装置在上一实施例提供的在险价值确定装置的基础上，对在险价值确定装置进行了进一步的细化。
[0155]
可选的，本实施例中，第一确定模块303具体用于：
[0156]
根据目标数据变化状态和各因子数据变化状态确定各因子数据变化状态对应的目标次数据变化状态。目标次数据变化状态用于表示各预设因子数据变化时引起的目标类
型数据变化。根据各目标次数据变化状态和预设在险价值确定策略确定各预设因子数据对应的在险价值。
[0157]
可选的，本实施例中，第一确定模块303在根据目标数据变化状态和各因子数据变化状态确定各因子数据变化状态对应的目标次数据变化状态时，具体用于：
[0158]
采用单元线性回归方式，将目标数据变化状态作为因变量，各因子数据变化状态作为自变量计算得到对应的各回归系数。将各回归系数确定为各因子数据变化状态对应的目标次数据变化状态。
[0159]
可选的，本实施例中，预设时间段由多个次级时间段组成。
[0160]
第一确定模块303在根据各目标次数据变化状态和预设在险价值确定策略确定各预设因子数据对应的在险价值时，具体用于：
[0161]
获取与在险价值匹配的预设前瞻时间和预设置信度。将各目标次数据变化状态按照次级时间段划分成多个小数据变化状态。多个小数据变化状态与各目标次数据变化状态匹配。根据预设前瞻时间、预设置信度、各多个小数据变化状态和预设在险价值确定算法确定各预设因子数据对应的在险价值。
[0162]
可选的，本实施例中，第一确定模块303在根据预设前瞻时间、预设置信度、各多个小数据变化状态和预设在险价值确定算法确定各预设因子数据对应的在险价值时，具体用于：
[0163]
将各多个小数据变化状态按照从小到大的顺序排列，并确定各多个小数据变化状态的数量。根据预设置信度和各数量确定对应算法中间参数。将各算法中间参数和预设前瞻时间输入预设在险价值确定算法，以输出各预设因子数据对应的在险价值。
[0164]
可选的，本实施例中，预设在险价值确定算法如下：
[0165][0166]
其中，var
t
代表在险价值，r代表算法中间参数，t代表预设前瞻时间。
[0167]
可选的，本实施例中，第二确定模块304具体用于：
[0168]
按照与各预设因子数据匹配的预设权值将各预设因子数据对应的在险价值进行融合，以确定目标类型数据对应的在险价值。
[0169]
本实施例提供的在险价值确定装置可以执行图2-图4所示方法实施例的技术方案，其实现原理和技术效果与图2-图4所示方法实施例类似，在此不再一一赘述。
[0170]
根据本发明的实施例，本发明还提供了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。
[0171]
如图6所示，图6是本发明第四实施例提供的电子设备的结构示意图。电子设备旨在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、刀片式服务器、大型计算机、和其它适合的计算机。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。
[0172]
如图6所示，该电子设备包括：处理器401、存储器402。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理。
[0173]
存储器402即为本发明所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本发明所提供的在险价值确定
方法。本发明的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本发明所提供的在险价值确定方法。
[0174]
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本发明实施例中的在险价值确定方法对应的程序指令/模块(例如，附图5所示的目标数据获取模块301、因子数据获取模块302、第一确定模块303、第二确定模块304和输出模块305)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的在险价值确定方法。
[0175]
同时，本实施例还提供一种计算机产品，当该计算机产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例的在险价值确定方法。
[0176]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明实施例的其它实施方案。本发明旨在涵盖本发明实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明实施例的一般性原理并包括本发明实施例未公开的本技术领域中的公知常识或惯用技术手段。
[0177]
应当理解的是，本发明实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明实施例的范围仅由所附的权利要求书来限制。