一种理财产品的推荐方法、装置、存储介质及设备与流程

1.本技术涉及大数据技术领域，尤其涉及一种理财产品的推荐方法、装置、存储介质及设备。


背景技术：

2.随着数字经济的迅速发展，互联网金融正炙手可热，各种新型理财产品层出不穷，相较于传统渠道的理财产品，信息新型理财产品以其投资便利、收益较高的优势越来越受到投资者的青睐，往往高收益的理财产品会伴随着高风险，因此，给投资者推荐高收益低风险的理财产品显得尤为重要。
3.目前，采用模型的方法对理财产品的收益率、以及风险率进行预测，得到的预测结果推送给用户进行选择，由于采用的是单一模型进行预测，可能会存在预测结果不准确的问题。
4.因此，如何提高预测结果的准确度，成为本领域人员亟需解决的问题。


技术实现要素：

5.本技术提供了一种理财产品的推荐方法、装置、存储介质及设备，目的在于提高预测结果的准确度。
6.为了实现上述目的，本技术提供了以下技术方案：
7.一种理财产品的推荐方法，包括：
8.将各个理财产品的标准收益信息输入至预先构建的组合预测模型中，得到所述组合预测模型输出的各个理财产品的收益率；所述标准收益信息基于各个所述理财产品的收益信息所确定；
9.按照收益率由大到小的顺序，对各个所述理财产品进行排序，得到理财产品序列；所述理财产品序列至少包括各个所述理财产品、以及各个所述理财产品的所述收益率；
10.从所述理财产品序列中选取符合预设条件的所述理财产品，标识为目标理财产品，并将所述目标理财产品发送给用户；所述预设条件为收益率大于预设阈值的所述理财产品。
11.可选的，预先构建组合预测模型的过程，包括：
12.预先获取各个样本收益信息；
13.将各个所述样本收益信息输入至预先训练的第一预测模型中，得到所述第一预测模型输出的第一预测结果；所述第一预测结果至少包括各个预测收益率；
14.将各个所述样本收益信息输入至预先训练的第二预测模型中，得到所述第二预测模型输出的第二预测结果；所述第二预测结果至少包括各个预测收益率；
15.将各个所述样本收益信息输入至预先训练的第三预测模型中，得到所述第三预测模型输出的第三预测结果；所述第三预测结果至少包括各个预测收益率；
16.基于所述第一预测结果、所述第二预测结果、所述第三预测结果以及预设实际值，
确定多个预测差值；
17.基于多个所述预测差值，确定最优权重；
18.基于所述最优权重，构建所述组合预测模型。
19.可选的，所述多个所述预测差值至少包括第一预测差值、第二预测差值、第三预测差值；
20.所述基于所述第一预测结果、所述第二预测结果、所述第三预测结果以及预设实际值，确定多个预测差值，包括：
21.根据第一预测结果、所述预设实际值，计算得到所述第一预测差值；
22.根据第二预测结果、所述预设实际值，计算得到所述第二预测差值；
23.根据第三预测结果、所述预设实际值，计算得到所述第三预测差值。
24.可选的，基于各个所述理财产品的收益信息确定所述标准收益信息的过程，包括：
25.利用网络爬虫从互联网上，采集预设历史时间段内的各个所述理财产品的收益信息；
26.对于每个所述理财产品，将所述理财产品的所述收益信息进行数据清洗，得到各个所述理财产品的有效收益信息；
27.对所述理财产品的所述有效收益信息进行标准化处理，得到所述理财产品的所述标准收益信息。
28.可选的，所述第一预测模型的训练过程，包括：
29.所述第一预测模型基于所述样本收益信息作为输入，并以人工对所述样本收益信息标注的预测收益率作为训练目标，预先训练得到。
30.可选的，所述第二预测模型的训练过程，包括：
31.所述第二预测模型基于所述样本收益信息作为输入，并以人工对所述样本收益信息标注的预测收益率作为训练目标，预先训练得到。
32.可选的，所述第三预测模型的训练过程，包括：
33.所述第三预测模型基于所述样本收益信息作为输入，并以人工对所述样本收益信息标注的预测收益率作为训练目标，预先训练得到。
34.一种理财产品的推荐装置，包括：
35.输入单元，用于将各个理财产品的标准收益信息输入至预先构建的组合预测模型中，得到所述组合预测模型输出的各个理财产品的收益率；所述标准收益信息基于各个所述理财产品的收益信息所确定；
36.排序单元，用于按照收益率由大到小的顺序，对各个所述理财产品进行排序，得到理财产品序列；所述理财产品序列至少包括各个所述理财产品、以及各个所述理财产品的所述收益率；
37.选取单元，用于从所述理财产品序列中选取符合预设条件的所述理财产品，标识为目标理财产品，并将所述目标理财产品发送给用户；所述预设条件为收益率大于预设阈值的所述理财产品。
38.一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包括存储的程序，其中，所述程序执行所述的理财产品的推荐方法。
39.一种理财产品的推荐设备，包括：处理器、存储器和总线；所述处理器与所述存储
器通过所述总线连接；
40.所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行所述的理财产品的推荐方法。
41.本技术提供的技术方案，将各个理财产品的标准收益信息输入至预先构建的组合预测模型中，得到组合预测模型输出的各个理财产品的收益率，按照收益率由大到小的顺序，对各个理财产品进行排序，得到理财产品序列，从理财产品序列中选取符合预设条件的理财产品，标识为目标理财产品，并将目标理财产品发送给用户，与现有技术相比，通过组合预测模型得到的预测结果，不存在预测结果不准确的问题，因此，提高了预测结果的准确性。
附图说明
42.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的一些实施例，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。
43.图1为本技术实施例提供的一种理财产品的推荐方法的流程图；
44.图2为本技术实施例提供的一种组合预测模型的构建方法的流程图；
45.图3为本技术实施例提供的另一种理财产品的推荐方法的流程图；
46.图4为本技术实施例提供的一种理财产品的推荐装置的架构示意图。
具体实施方式
47.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
48.如图1所示，为本技术实施例提供的一种理财产品的推荐方法的流程图，包括：
49.s101：利用网络爬虫从互联网上，采集预设历史时间段内的各个理财产品的收益信息。
50.其中，理财产品包括但不限于：储蓄、基金、国债、债券、外汇，收益信息至少包括收益率。
51.需要说明的是，利用网络爬虫从互联网上采集预设历史时间段内的各个理财产品的收益信息，为本领域人员公知的常识，这里不再赘述。
52.可选的，可通过数据库采集历史时间段内的各个理财产品的收益信息，其中，数据库预先存储各个理财产品的收益信息。
53.具体的，假设预设历史时间段为一个月，有三种理财产品，分别为：储蓄、基金、国债，利用网络爬虫从互联网上采集一个月内储蓄、基金以及国债的收益率。
54.可选的，预设历史时间段可根据实际情况进行设定，在此不作具体限制。
55.s102：对于每个理财产品，将理财产品的收益信息进行数据清洗，得到各个理财产品的有效收益信息。
56.其中，对理财产品的收益信息进行数据清洗的具体实现过程为：将理财产品的收益信息中的无效数据、重复数据进行删除。
57.s103：对理财产品的有效收益信息进行标准化处理，得到理财产品的标准收益信息。
58.其中，对理财产品的有效收益信息进行标准化处理的具体实现过程为：通过标准化公式进行处理，标准化公式的具体表现形式，如公式(1)所示。
[0059][0060]
在公式(1)中，x
norm
为新数据(即标准收益信息)，x为原数据(即有效收益信息)，x
min
为最小值数据，x
max
最大值数据。
[0061]
需要说明的是，对理财产品的有效收益信息进行标准处理，是为了消除各个数据之间的量纲关系，使得数据具有可比性。
[0062]
s104：将理财产品的标准收益信息输入至组合预测模型中，得到组合预测模型输出的各个理财产品的收益率。
[0063]
其中，组合预测模型的建立方法如图2所示。
[0064]
s105：按照收益率由大到小的顺序，对各个理财产品进行排序，得到理财产品序列。
[0065]
其中，理财产品序列至少包括各个理财产品、以及各个理财产品的收益率。
[0066]
s106：从理财产品序列中筛选出符合预设条件的理财产品，标识为目标理财产品，并将目标理财产品发送给用户。
[0067]
其中，预设条件为：收益率大于预设阈值的理财产品。
[0068]
可选的，预设阈值可根据实际情况进行设定，在此不做具体限制。
[0069]
综上所述，将各个理财产品的标准收益信息输入至组合预测模型中，得到组合预测模型输出的各个理财产品的收益率，按照收益率由大到小的顺序，对各个理财产品进行排序，得到收益率序列，从收益率序列中筛选出符合预设条件的理财产品，并将理财产品发送给用户，与现有技术相比，通过组合预测模型得到的预测结果，不存在预测结果不准确的问题，因此，提高了预测结果的准确性。
[0070]
如图2所示，为本技术实施例提供的一种组合预测模型的构建方法的流程图，包括：
[0071]
s201：预先获取各个样本收益信息。
[0072]
s202：将各个样本收益信息输入至第一预测模型中，得到第一预测模型输出的第一预测结果。
[0073]
其中，第一预测结果至少包括各个预测收益率。
[0074]
需要说明的是，第一预测模型基于样本收益信息作为输入，并以人工对样本收益信息标注的预测收益率作为训练目标，预先训练得到，具体的，第一预测模型可以是arima模型。
[0075]
s203：将各个样本收益信息输入至第二预测模型中，得到第二预测模型输出的第二预测结果。
[0076]
其中，第二预测结果至少包括各个预测收益率。
[0077]
需要说明的是，第二预测模型基于样本收益信息作为输入，并以人工对样本收益信息标注的预测收益率作为训练目标，预先训练得到，具体的，第二预测模型为var模型。
[0078]
s204：将各个样本收益信息输入至第三预测模型中，得到第三预测模型输出的第三预测结果。
[0079]
其中，第三预测结果至少包括各个预测收益率。
[0080]
需要说明的是，第三预测模型基于样本收益信息作为输入，并以人工对样本收益信息标注的预测收益信息作为训练目标，预先训练得到，具体的，第三预测模型为神经网络模型。
[0081]
s205：根据第一预测结果、预设实际值，计算得到第一预测差值。
[0082]
其中，根据预设实际值、第一预测结果，计算得到第一预测误差值的具体实现过程为：利用误差计算公式进行计算，误差计算公式的具体表现形式，如公式(1)所示。
[0083]eit
＝x
t-x
it
ꢀꢀ
(1)
[0084]
在公式(1)中，e
it
为预测误差值，x
t
为第t期实际值，x
it
为第i种预测方法的预测。
[0085]
可选的，预设实际值可根据实际情况进行设定，在此不做具体限制。
[0086]
s206：根据第二预测结果、预设实际值，计算得到第二预测差值。
[0087]
其中，根据第二预测结果、预设实际值，计算得到第二预测值的具体实现过程为：利用误差计算公式进行计算。
[0088]
s207：根据第三预测结果、预设实际值，计算得到第三预测差值。
[0089]
其中，根据第三预测结果、预设实际值，计算得到第三预测值的具体实现过程为：利用误差计算公式进行计算。
[0090]
s208：基于第一预测差值、第二预测差值、以及第三预测差值，构建预测差值集合。
[0091]
s209：根据预测差值集合，确定最优权重。
[0092]
其中，根据预测误差值，确定最优权重的具体实现过程为：利用向量计算公式进行计算，向量计算公式的具体表现形式，如公式(2)所示。
[0093][0094]
在公式(2)中，为误差值平方和，en为诱导有序误差矩阵，wn为最优向量，rn＝(1,1,...,1)
t
为分量全为1的n维向量，为权重的约束条件。
[0095]
s210：基于最优权重，构建组合预测模型。
[0096]
其中，组合预测模型的具体表现形式，如公式(3)所示。
[0097][0098]
在公式(3)中，为组合预测值。
[0099]
综上所述，利用本技术实施例所示方案，可以得到组合预测模型。
[0100]
如图3所示，为本技术实施例提供的另一种理财产品的推荐方法的流程图，包括：
[0101]
s301：将各个理财产品的标准收益信息输入至预先构建的组合预测模型中，得到组合预测模型输出的各个理财产品的收益率。
[0102]
其中，标准收益信息基于各个理财产品的收益信息所确定。
[0103]
s302：按照收益率由大到小的顺序，对各个理财产品进行排序，得到理财产品序列。
[0104]
其中，理财产品序列至少包括各个理财产品、以及各个理财产品的收益率。
[0105]
s303：从理财产品序列中选取符合预设条件的理财产品，标识为目标理财产品，并将目标理财产品发送给用户。
[0106]
其中，预设条件为收益率大于预设阈值的理财产品。
[0107]
综上所述，将各个理财产品的标准收益信息输入至组合预测模型中，得到组合预测模型输出的各个理财产品的收益率，按照收益率由大到小的顺序，对各个理财产品进行排序，得到收益率序列，从收益率序列中筛选出符合预设条件的理财产品，并将理财产品发送给用户，与现有技术相比，通过组合预测模型得到的预测结果，不存在预测结果不准确的问题，因此，提高了预测结果的准确性。
[0108]
需要说明的是，本发明提供的理财产品的推荐方法可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、网络安全领域、芯片领域、虚拟现实领域、增强现实领域、全息技术领域、量子计算领域、量子通信领域、量子测量领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的理财产品的推荐方法的应用领域进行限定。
[0109]
本发明提供的理财产品的推荐方法可用于金融领域或其他领域，例如，可用于金融领域中的交易应用场景。其他领域为除金融领域之外的任意领域，例如，大数据领域。上述仅为示例，并不对本发明提供的理财产品的推荐方法的应用领域进行限定。
[0110]
如图4所示，为本技术实施例提供的一种理财产品的推荐装置架构示意图，包括：
[0111]
输入单元100，用于将各个理财产品的标准收益信息输入至预先构建的组合预测模型中，得到组合预测模型输出的各个理财产品的收益率；标准收益信息基于各个理财产品的收益信息所确定。
[0112]
输入单元100具体用于：预先获取各个样本收益信息；将各个样本收益信息输入至预先训练的第一预测模型中，得到第一预测模型输出的第一预测结果；第一预测结果至少包括各个预测收益率；将各个样本收益信息输入至预先训练的第二预测模型中，得到第二预测模型输出的第二预测结果；第二预测结果至少包括各个预测收益率；将各个样本收益信息输入至预先训练的第三预测模型中，得到第三预测模型输出的第三预测结果；第三预测结果至少包括各个预测收益率；基于第一预测结果、第二预测结果、第三预测结果以及预设实际值，确定多个预测差值；基于多个预测差值，确定最优权重；基于最优权重，构建组合预测模型。
[0113]
输入单元100具体用于：根据第一预测结果、预设实际值，计算得到第一预测差值；根据第二预测结果、预设实际值，计算得到第二预测差值；根据第三预测结果、预设实际值，计算得到第三预测差值。
[0114]
输入单元100具体用于：利用网络爬虫从互联网上，采集预设历史时间段内的各个
理财产品的收益信息；对于每个理财产品，将理财产品的收益信息进行数据清洗，得到各个理财产品的有效收益信息；对理财产品的有效收益信息进行标准化处理，得到理财产品的标准收益信息。
[0115]
输入单元100具体用于：第一预测模型基于样本收益信息作为输入，并以人工对样本收益信息标注的预测收益率作为训练目标，预先训练得到。
[0116]
输入单元100具体用于：第二预测模型基于样本收益信息作为输入，并以人工对样本收益信息标注的预测收益率作为训练目标，预先训练得到。
[0117]
输入单元100具体用于：第三预测模型基于样本收益信息作为输入，并以人工对样本收益信息标注的预测收益率作为训练目标，预先训练得到。
[0118]
排序单元200，用于按照收益率由大到小的顺序，对各个理财产品进行排序，得到理财产品序列；理财产品序列至少包括各个理财产品、以及各个理财产品的收益率。
[0119]
选取单元300，用于从理财产品序列中选取符合预设条件的理财产品，标识为目标理财产品，并将目标理财产品发送给用户；预设条件为收益率大于预设阈值的理财产品。
[0120]
综上所述，将各个理财产品的标准收益信息输入至组合预测模型中，得到组合预测模型输出的各个理财产品的收益率，按照收益率由大到小的顺序，对各个理财产品进行排序，得到收益率序列，从收益率序列中筛选出符合预设条件的理财产品，并将理财产品发送给用户，与现有技术相比，通过组合预测模型得到的预测结果，不存在预测结果不准确的问题，因此，提高了预测结果的准确性。
[0121]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述本技术提供的理财产品的推荐方法。
[0122]
本技术还提供了一种理财产品的推荐设备，包括：处理器、存储器和总线。处理器与存储器通过总线连接，存储器用于存储程序，处理器用于运行程序，其中，程序运行时执行上述本技术提供的理财产品的推荐方法，包括如下步骤：
[0123]
将各个理财产品的标准收益信息输入至预先构建的组合预测模型中，得到所述组合预测模型输出的各个理财产品的收益率；所述标准收益信息基于各个所述理财产品的收益信息所确定；
[0124]
按照收益率由大到小的顺序，对各个所述理财产品进行排序，得到理财产品序列；所述理财产品序列至少包括各个所述理财产品、以及各个所述理财产品的所述收益率；
[0125]
从所述理财产品序列中选取符合预设条件的所述理财产品，标识为目标理财产品，并将所述目标理财产品发送给用户；所述预设条件为收益率大于预设阈值的所述理财产品。
[0126]
可选的，预先构建组合预测模型的过程，包括：
[0127]
预先获取各个样本收益信息；
[0128]
将各个所述样本收益信息输入至预先训练的第一预测模型中，得到所述第一预测模型输出的第一预测结果；所述第一预测结果至少包括各个预测收益率；
[0129]
将各个所述样本收益信息输入至预先训练的第二预测模型中，得到所述第二预测模型输出的第二预测结果；所述第二预测结果至少包括各个预测收益率；
[0130]
将各个所述样本收益信息输入至预先训练的第三预测模型中，得到所述第三预测模型输出的第三预测结果；所述第三预测结果至少包括各个预测收益率；
[0131]
基于所述第一预测结果、所述第二预测结果、所述第三预测结果以及预设实际值，确定多个预测差值；
[0132]
基于多个所述预测差值，确定最优权重；
[0133]
基于所述最优权重，构建所述组合预测模型。
[0134]
可选的，所述多个所述预测差值至少包括第一预测差值、第二预测差值、第三预测差值；
[0135]
所述基于所述第一预测结果、所述第二预测结果、所述第三预测结果以及预设实际值，确定多个预测差值，包括：
[0136]
根据第一预测结果、所述预设实际值，计算得到所述第一预测差值；
[0137]
根据第二预测结果、所述预设实际值，计算得到所述第二预测差值；
[0138]
根据第三预测结果、所述预设实际值，计算得到所述第三预测差值。
[0139]
可选的，基于各个所述理财产品的收益信息确定所述标准收益信息的过程，包括：
[0140]
利用网络爬虫从互联网上，采集预设历史时间段内的各个所述理财产品的收益信息；
[0141]
对于每个所述理财产品，将所述理财产品的所述收益信息进行数据清洗，得到各个所述理财产品的有效收益信息；
[0142]
对所述理财产品的所述有效收益信息进行标准化处理，得到所述理财产品的所述标准收益信息。
[0143]
可选的，所述第一预测模型的训练过程，包括：
[0144]
所述第一预测模型基于所述样本收益信息作为输入，并以人工对所述样本收益信息标注的预测收益率作为训练目标，预先训练得到。
[0145]
可选的，所述第二预测模型的训练过程，包括：
[0146]
所述第二预测模型基于所述样本收益信息作为输入，并以人工对所述样本收益信息标注的预测收益率作为训练目标，预先训练得到。
[0147]
可选的，所述第三预测模型的训练过程，包括：
[0148]
所述第三预测模型基于所述样本收益信息作为输入，并以人工对所述样本收益信息标注的预测收益率作为训练目标，预先训练得到。
[0149]
本技术实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本技术实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0150]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0151]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术
将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。