CN113362115A - 基于机器学习的交易资源分析方法、装置、设备和介质 - Google Patents

基于机器学习的交易资源分析方法、装置、设备和介质 Download PDF

Info

Publication number
CN113362115A
CN113362115A CN202110732054.7A CN202110732054A CN113362115A CN 113362115 A CN113362115 A CN 113362115A CN 202110732054 A CN202110732054 A CN 202110732054A CN 113362115 A CN113362115 A CN 113362115A
Authority
CN
China
Prior art keywords
transaction
market
trading
service
resource
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110732054.7A
Other languages
English (en)
Inventor
江川
罗力力
白育龙
程茜
罗水权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Asset Management Co Ltd
Original Assignee
Ping An Asset Management Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Asset Management Co Ltd filed Critical Ping An Asset Management Co Ltd
Priority to CN202110732054.7A priority Critical patent/CN113362115A/zh
Publication of CN113362115A publication Critical patent/CN113362115A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Technology Law (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及一种基于机器学习的交易资源分析方法、装置、设备和介质。所述方法包括：接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款。获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型。基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果，根据特殊条款交易资源分析结果，生成对应的业务推荐信息。采用本方法根据训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性，保证投资用户的资产安全，以及维护互联网金融市场的稳定。

Description

基于机器学习的交易资源分析方法、装置、设备和介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于机器学习的交易资源分析方法、装置、设备和介质。
背景技术
随着人工智能技术的日益发展，以及互联网金融业务的逐步推广，越来越多用户根据自身实际需求，而选择不同类型的互联网金融业务，比如不选择同类型的债券、投资产品以及理财产品等。而随着债券品类的日趋丰富，投资逐步精细化发展，为保证投资用户的切身利益，以及维护金融市场稳定，对于不同债券品类的利差情况日益重视。
传统上采用的债券利差计算方法，大多基于债券的收益率以及相应的基准收益率进行简单计算，以担保条款为例，可以通过计算担保债券收益率和其基准曲线收益率的差值，得到担保利差，或计算主体未担保债券收益率和主体担保债券收益率的差值，计算得到担保利差，还可以通过计算同期限同评级曲线收益率和担保债券收益率的差值，计算得到担保利差。
但传统的债券利差计算方法的计算方式较为粗糙，未对不同品类的债券进行全面考虑，比如具有特殊条款的利差，或存续债券较少的主体进行考虑，同时计算债券利差时，由于不同主体的存续债券剩余期限各不相同，在寻找参考债券及期限利差调整方面无法进行统一。因此传统的债券利差计算方法，在需要对于不同品类的债券进行利差计算时，无法全面考虑不同债券的实际情况，普适性较低，计算得到债券利差值误差较大，准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低计算得到的债券利差误差值，提升债券利差准确度的基于机器学习的交易资源分析方法、装置、设备和介质。
一种基于机器学习的交易资源分析方法，所述方法包括：
接收资源分析请求，并获取所述资源分析请求携带的待处理的市场交易业务和目标特殊条款；
获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
基于所述交易资源分析模型，对待处理的所述市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
根据所述特殊条款交易资源分析结果，生成对应的业务推荐信息。
在其中一个实施例中，对预设的初始分析模型进行训练得到交易资源分析模型，包括：
获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及所述目标特殊条款对应的第二要素因子；
基于所述第一要素因子和所述第二要素因子，进行要素编码处理，生成对应的建模因子；
获取符合目标特殊条款的市场交易业务对应的初始交易资源；
基于各所述建模因子以及所述初始交易资源，对所述预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
在其中一个实施例中，所述获取符合目标特殊条款的市场交易业务对应的初始交易资源，包括：
提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的所述市场交易业务确定对应的样本交易业务；
获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及与所述样本交易业务对应的无条款交易资源收益率；
根据所述特殊条款交易资源收益率，以及所述无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
在其中一个实施例中，所述基于所述第一要素因子和所述第二要素因子，进行要素编码处理，生成对应的建模因子，包括：
从所述第一要素因子和所述第二要素因子，确定出连续变量因子和分类变量因子；
基于所述分类变量因子进行要素编码处理，将各所述分类变量因子转换成数值变量因子；
基于所述连续变量因子进行标准化处理，生成对应的离散数据因子；
基于所述数值变量因子以及离散数据因子进行归一化处理，生成对应的建模因子。
在其中一个实施例中，生成与所述样本交易业务对应的无条款交易资源收益率的方式，包括：
获取同评级同行业收益率曲线以及所述样本交易业务的收益率；
根据所述同评级同行业收益率曲线，对所述样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值；
将所述调整后的样本交易业务的收益率均值，确定为所述样本交易业务对应的无条款交易资源收益率。
在其中一个实施例中，所述提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的所述市场交易业务确定对应的样本交易业务，包括：
提取符合目标特殊条款的市场交易业务；
根据符合目标特殊条款的所述市场交易业务，查找存在相同主体存续的公开发行交易业务；
将存在相同主体存续的所述公开发行业务，确定为对应的样本交易业务。
一种基于机器学习的交易资源分析装置，所述装置包括：
待处理的市场交易业务获取模块，用于接收资源分析请求，并获取所述资源分析请求携带的待处理的市场交易业务和目标特殊条款；
交易资源分析模型获取模块，用于获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
特殊条款交易资源分析结果生成模块，用于基于训练好的交易资源分析模型，对待处理的所述市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
业务推荐信息生成模块，用于根据所述特殊条款交易资源分析结果，生成对应的业务推荐信息。
在其中一个实施例中，所述装置还包括：
要素因子获取模块，用于获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及所述目标特殊条款对应的第二要素因子；
建模因子生成模块，用于基于所述第一要素因子和所述第二要素因子，进行要素编码处理，生成对应的建模因子；
初始交易资源获取模块，用于获取符合目标特殊条款的市场交易业务对应的初始交易资源；
交易资源分析模型生成模块，用于基于各所述建模因子以及所述初始交易资源，对所述预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收资源分析请求，并获取所述资源分析请求携带的待处理的市场交易业务和目标特殊条款；
获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
基于所述交易资源分析模型，对待处理的所述市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
根据所述特殊条款交易资源分析结果，生成对应的业务推荐信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
接收资源分析请求，并获取所述资源分析请求携带的待处理的市场交易业务和目标特殊条款；
获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
基于所述交易资源分析模型，对待处理的所述市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
根据所述特殊条款交易资源分析结果，生成对应的业务推荐信息。
上述基于机器学习的交易资源分析方法、装置、计算机设备和存储介质中，通过接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款，通过获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型，并基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果，进而根据特殊条款交易资源分析结果，生成对应的业务推荐信息。由于无需人工寻找合适的参考债券或期限利差调整等方面分数据，结合机器学习模型的良好性能，根据训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性，并根据准确度高的资源分析结果进一步生成相应的业务推荐信息，以为投资用户提供准确的推荐业务，进而保证投资用户的资产安全，以及维护互联网金融市场的稳定。
附图说明
图1为一个实施例中基于机器学习的交易资源分析方法的应用环境图；
图2为一个实施例中基于机器学习的交易资源分析方法的流程示意图；
图3为一个实施例中生成对预设的初始分析模型进行训练得到交易资源分析模型的流程示意图；
图4为一个实施例中交易资源分析模型的训练过程示意图；
图5为另一个实施例中基于机器学习的交易资源分析方法的流程示意图；
图6为一个实施例中基于机器学习的交易资源分析装置的结构框图；
图7为另一个实施例中基于机器学习的交易资源分析装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于机器学***板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于机器学习的交易资源分析方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款。
具体地，通过接收用户基于终端发送的资源分析请求，并解析资源分析请求，获取该资源分析请求携带的待处理的市场交易任务，其中，待处理的市场交易业务可以是不同债券类型的市场债券，其中，不同债券类型的市场债券可以包括：企业债、公司债、中期票据、短融、超短融以及定向工具等。
其中，接收资源分析请求并获取资源分析请求携带的待处理的市场交易任务后，进一步获取预设的目标特殊条款。待处理的市场交易业务可以是不同债券类型的市场债券，目标特殊条款可以是和不同债券类型的市场债券对应的特殊条款，比如非公开、担保以及永续等。
步骤S204，获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型。
具体地，根据符合目标特殊条款的市场交易业务的建模因子以及对应的初始交易资源，对预设的初始分析模型进行训练，可得到训练好的交易资源分析模型。
进一步地，可通过获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子，并基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子。通过获取符合目标特殊条款的市场交易业务对应的初始交易资源，进而基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
其中，预设的初始分析模型可以是xgboost模型，通过分层随机抽样的方式将全体样本分成对应的训练集和测试集，举例来说，可从全体样本取70％为训练集，30％为测试集，根据训练集对模型进行训练，将上述选取出来的各建模因子按贡献度排名，选取前预设个数的建模因子进行模型训练和调参，进而保证模型的稳定性。其中，全体样本表示符合该特殊条款的全体市场债券，具体可按照特殊条款来分类，比如按照非公开、担保以及永续等条款进行分类。
步骤S206，基于训练好的交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果。
具体地，通过获取待处理的市场交易业务对应的目标特殊条款，并进一步获取该些待处理的市场交易业务的第一要素因子，和目标特殊条款对应的第二要素因子，并将待处理的市场交易业务的第一要素因子，和目标特殊条款对应的第二要素因子，作为训练好的交易资源分析模型的输入数据。即将待处理的市场交易业务的第一要素因子和目标特殊条款对应的第二要素因子，输入至训练好的交易资源分析模型中，通过训练好的交易资源分析模型进行估值分析，生成对应的特殊条款交易资源分析结果。
在本实施例中，待处理的市场交易业务可以是不同债券类型的市场债券，特殊条款交易资源分析结果可以是特殊条款债券利差分析结果。具体来说，可以通过训练好的交易资源分析模型，对待处理的市场债券进行估值分析，生成对应市场债券的特殊条款债券利差分析结果。
其中，待处理的市场交易业务的第一要素因子，可以包括基本要素因子和市场要素因子，基本要素因子包括但不限于期限，发行规模，品种，付息频率，企业性质以及交易场所等，而符合目标特殊条款的市场交易业务对应的市场要素因子包括货币市场、权益市场、一级发行数据以及二级成交情况。
进一步地，特殊条款可以包括非公开、担保以及永续，而不同的债券类型包括的特殊条款不一致，由于不同债券类型的市场债券包括的特殊条款不一致，可根据需要进行利差分析的目标特殊条款，确定出包含相应目标特殊条款的市场债券。
步骤S208，根据特殊条款交易资源分析结果，生成对应的业务推荐信息。
具体地，根据特殊交易资源分析结果，得到包含目标特殊条款的各市场交易业务，即包含目标特殊条款的不同债券类型的市场债券的特殊条款债券利差分析结果，进而可确定包含目标特殊条款的市场债券的预期收益情况。而根据包含目标特殊条款的市场债券的预期收益情况，可生成相应债券类型的市场债券的推荐信息，其中推荐信息包括和预期收益情况达到预设收益阈值对应的业务推荐结果，以及和预期收益情况未达到预设收益阈值对应的业务剔除结果。
其中，通过将业务推荐信息发送至触发资源分析请求的用户所在终端，可使得用户可根据业务推荐信息确定是否需要购买或投资相应债券类型的市场债券，可选择更符合需求的市场债券类型，以减少资产损失。
上述基于机器学习的交易资源分析方法中，通过接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款，通过获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型，并基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果，进而根据特殊条款交易资源分析结果，生成对应的业务推荐信息。由于无需人工寻找合适的参考债券或期限利差调整等方面分数据，结合机器学习模型的良好性能，根据训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性，并根据准确度高的资源分析结果进一步生成相应的业务推荐信息，以为投资用户提供准确的推荐业务，进而保证投资用户的资产安全，以及维护互联网金融市场的稳定。
在一个实施例中，如图3所示，对预设的初始分析模型进行训练得到交易资源分析模型的步骤，具体包括：
步骤S302，获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子。
具体地，本实施例中，待处理的市场交易业务可以是不同债券类型的市场债券，不同债券类型的市场债券可以包括：企业债、公司债、中期票据、短融、超短融以及定向工具等，而特殊条款可以包括非公开、担保以及永续等不同条款类型。
其中，待处理的市场交易业务的第一要素因子，可以包括基本要素因子和市场要素因子，基本要素因子包括但不限于期限，发行规模，品种，付息频率，企业性质以及交易场所等，而符合目标特殊条款的市场交易业务对应的市场要素因子包括货币市场、权益市场、一级发行数据以及二级成交情况。
进一步地，对于非公开、担保和永续三种不同的特殊条款，需进一步新增各自独有的因子，例如担保条款的中担保人信息、担保方式等，永续条款中的行权周期、利率调整机制等，均属于目标特殊条款对应的第二要素因子。
步骤S304，基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子。
具体地，通过从第一要素因子和第二要素因子，确定出连续变量因子和分类变量因子，并基于分类变量因子进行要素编码处理，将各分类变量因子转换成数值变量因子，以及基于连续变量因子进行标准化处理，生成对应的离散数据因子，进而基于数值变量因子以及离散数据因子进行归一化处理，可生成对应的建模因子。
其中，针对连续变量因子进行标准化处理，对于数据跨度大的连续变量因子使用分桶处理转化成离散数据，其中，还包括针对异常值进行处理，比如对数据集的空值以中位数进行填充。
同样地，针对分类变量因子进行要素编码处理，举例来说，可以是对分类变量因子进行one-hot编码处理，将各分类变量因子转换成数值变量因子。
进一步地，通过对处理后的数据进行归一化，将有量纲的数据变换为无量纲数据，消除量纲的不同对预设的初始分析模型的影响。即基于数值变量因子以及离散数据因子进行归一化处理，将数值变量因子以及离散数据因子中的量纲数据转换成无量纲数据，可进一步地生成对应的建模因子。
在一个实施例中，one-hot编码处理用于实现分类变量因子转化为数值变量因子，以企业的行业进行举例：如果该公司是房地产行业，对应会产生“是房地产行业”->1,“不是房地产行业”->0，通过将分类变量因子等非数字变量因子转化为数值变量因子，使得到的训练后的交易资源分析模型能够识别更多的要素因子。
步骤S306，获取符合目标特殊条款的市场交易业务对应的初始交易资源。
具体地，通过提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的市场交易业务确定对应的样本交易业务，并获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及与样本交易业务对应的无条款交易资源收益率。进而可根据特殊条款交易资源收益率，以及无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
在本实施例中，市场交易业务可以是不同债券类型的市场债券，样本交易业务可以是样本债券，通过提取符合目标特殊条款的市场债券，并根据符合目标特殊条款的市场债券，查找到存在相同主体存续的公开发行债券，并将相同主体存续的公开发行债券确定为对应的样本债券，即确定为对应的样本交易业务。
进一步地，在本实施例中，特殊条款交易资源收益率可以是获取符合目标特殊条款的市场债券的特殊条款债券收益率，而无条款交易资源收益率可以是样本债券对应的无条款债券收益率。
具体来说，根据特殊条款交易资源收益率，以及无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源，即表示为可通过获取符合目标特殊条款的市场债券的特殊条款债券收益率，并根据符合目标特殊条款的市场债券的特殊条款债券收益率，以及与样本债券对应的无条款债券收益率进行计算，计算得到特殊条款债券收益率和与样本债券对应的无条款债券收益率的差值，得到符合目标特殊条款的市场债券的特殊条款债券利差，即得到符合目标特殊条款的市场交易业务对应的初始交易资源。
在一个实施例中，生成与样本交易业务对应的无条款交易资源收益率的方式，包括：
获取同评级同行业收益率曲线以及样本交易业务的收益率；
根据同评级同行业收益率曲线，对样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值；
将调整后的样本交易业务的收益率均值，确定为样本交易业务对应的无条款交易资源收益率。
具体地，通过获取同评级同行业收益率曲线以及样本交易业务的收益率，由于在被定价债券所在的收益率曲线上，由于样本债券和被定价券剩余期限不同，所以存在一定的利差，在最后定价时需要调整，即可根据同评级同行业收益率曲线对样本交易业务的收益率进行调整。
进一步地，据同评级同行业收益率曲线对样本交易业务的收益率进行调整，可得到调整后的样本交易业务的收益率均值，将调整后的样本交易业务的收益率均值确定为样本交易业务对应的无条款交易资源收益率。
在一个实施例中，提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的市场交易业务确定对应的样本交易业务，包括：
提取符合目标特殊条款的市场交易业务；
根据符合目标特殊条款的市场交易业务，查找存在相同主体存续的公开发行交易业务；
将存在相同主体存续的公开发行业务，确定为对应的样本交易业务。
具体地，本实施例中，市场交易业务为不同债券类型的市场债券，而公开发行业务则可以是公开发行债券。而通过查找和符合目标特殊条款的市场交易业务存在相同主体存续的公开发行交易业务，可以理解为通过提取符合目标特殊条款的市场债券，并根据符合目标特殊条款的市场债券，查找存在相同主体存续的公开发行债券，进而将存在相同主体存续的公开发行债券确定为对应的样本债券。
步骤S308，基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
具体地，通过将各建模因子作为输入，将初始交易资源作为输出，对预设的初始分析模型进行训练，得到训练好的交易资源分析模型。
在本实施例中，初始交易资源可以是目标特殊条款的市场债券的特殊条款债券利差，建模因子可以包括但不限于期限、发行规模、品种、付息频率、企业性质、交易场所、货币市场、权益市场、一级发行数据以及二级成交情况等，还可以包括担保条款的中担保人信息、担保方式等，永续条款中的行权周期、利率调整机制等。
在一个实施例中，预设的初始分析模型可以是xgboost模型，通过分层随机抽样的方式将全体样本分成对应的训练集和测试集，举例来说，可从全体样本取70％为训练集，30％为测试集，根据训练集对模型进行训练，将上述选取出来的各建模因子按贡献度排名，选取前预设个数的建模因子进行模型训练和调参，进而保证模型的稳定性。比如，
其中，全体样本表示符合该特殊条款的全体市场债券，具体可按照特殊条款来分类，比如按照非公开、担保以及永续等条款进行分类。
其中，模型调整的参数主要包括：(1)n_estimators:总共迭代的次数，即决策树的个数，调参备选范围[10,20,30,40,50,100,120]；(2)max_depth:决策树的深度，值越大，树越复杂，调参备选范围[2,3,4,5,6]；(3)gamma:惩罚项系数，指定节点***所需的最小损失函数下降值，调参备选范围[0.001,0.01,0.1,0.2]。
在一个实施例中，K-fold交叉验证的具体过程包括：
将训练集分为K份，每次取其中一份作为验证集，剩余K-1份作为测试集，交叉验证重复K次。需要优化的每个参数均进行一轮交叉验证，并且通过交叉验证评分法获取平均得分，分数最高的参数即为最优参数的取值，获取所有的最优参数。其中，交叉验证可在一定程度上减小过拟合。
其中，对全体样本进行分类以及对预设的初始分析模型进行训练的过程，即交易资源分析模型的训练过程，如图4所示，参照图4可知，通过将全体样本进行等分类，分为预设份的样本集，比如将全体样本D分为10个样本集，包括D1至D10，进一步将D1至D9均作为训练集，将D10作为测试集，进行交叉验证，得到对应的第一测试结果。
同样地，可将D1至D8，以及D10作为训练集，将D9作为测试集，进行交叉验证，可得到相应的第二测试结果，以此类推，最终直至将D2至D10作为训练集，而将D1作为测试集，得到相应的第十测试结果。
进一步地，通过取第一测试结果、第二测试测试结果、……、第十测试结果的平均值，得到平均测试结果，基于平均测试结果从第一测试结果至第十测试结果中，确定出高于平均测试结果的分数值最大的测试结果。进一步高于平均测试结果的分数值最大的测试结果对应的参数取值，确定为最优参数的取值，以完成模型的调参过程。
在一个实施例中，交易资源分析模型通过将输入因子进行特殊处理成符合模型要求的格式，即均为数字合适，模型均可以识别，极大的提高的模型的通用性，对于被定价债券，输入其相关的因子，可以直接应用得到分析结果。
其中，模型通过大量样本及其因子的训练，获得较为理想的结果，当样本较少时，模型效果则会变弱，可以通过增加因子数量训练，进行一定的改善，达到更好的模型分析效果。训练好的交易资源模型通过市场扫描大部分信用债，覆盖了三种特殊条款的各种情况，在已知特殊条款债券的情况下，即使没有合适的参考样本债券计算特殊条款利差，训练好的模型也能根据特殊条款债券的因子分析得到对应的利差。
本实施例中，通过获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子，基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子。通过获取符合目标特殊条款的市场交易业务对应的初始交易资源，进而基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。由于无需人工寻找合适的参考债券或期限利差调整等方面分数据，通过直接将第一要素因子、第二要素因子结合机器学习模型的良好性能，预设的初始分析模型进行训练，生成训练好的交易资源分析模型，通过训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性。
在一个实施例中，如图5所示，提供了一种基于机器学习的交易资源分析方法，具体包括：
1)获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子。
2)从第一要素因子和第二要素因子，确定出连续变量因子和分类变量因子。
3)基于分类变量因子进行要素编码处理，将各分类变量因子转换成数值变量因子。
4)基于连续变量因子进行标准化处理，生成对应的离散数据因子。
5)基于数值变量因子以及离散数据因子进行归一化处理，生成对应的建模因子。
6)提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的市场交易业务，查找存在相同主体存续的公开发行交易业务。
7)将存在相同主体存续的公开发行业务，确定为对应的样本交易业务。
8)获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及同评级同行业收益率曲线以及样本交易业务的收益率。
9)根据同评级同行业收益率曲线，对样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值。
10)将调整后的样本交易业务的收益率均值，确定为样本交易业务对应的无条款交易资源收益率。
11)根据特殊条款交易资源收益率，以及无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
12)基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
13)接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款。
14)基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果。
15)根据特殊条款交易资源分析结果，生成对应的业务推荐信息。
上述于机器学习的交易资源分析方法中，通过接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款，通过获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型，并基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果，进而根据特殊条款交易资源分析结果，生成对应的业务推荐信息。由于无需人工寻找合适的参考债券或期限利差调整等方面分数据，结合机器学习模型的良好性能，根据训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性，并根据准确度高的资源分析结果进一步生成相应的业务推荐信息，以为投资用户提供准确的推荐业务，进而保证投资用户的资产安全，以及维护互联网金融市场的稳定。
应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于机器学习的交易资源分析装置，包括：待处理的市场交易业务获取模块602、交易资源分析模型获取模块604、特殊条款交易资源分析结果生成模块606以及业务推荐信息生成模块608，其中：
待处理的市场交易业务获取模块602，用于接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款。
交易资源分析模型获取模块604，用于获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型。
特殊条款交易资源分析结果生成模块606，用于基于训练好的交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果。
业务推荐信息生成模块608，用于根据特殊条款交易资源分析结果，生成对应的业务推荐信息。
上述于机器学习的交易资源分析装置中，通过接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款，通过获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型，并基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果，进而根据特殊条款交易资源分析结果，生成对应的业务推荐信息。由于无需人工寻找合适的参考债券或期限利差调整等方面分数据，结合机器学习模型的良好性能，根据训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性，并根据准确度高的资源分析结果进一步生成相应的业务推荐信息，以为投资用户提供准确的推荐业务，进而保证投资用户的资产安全，以及维护互联网金融市场的稳定。
在一个实施例中，如图7所示，提供了一种基于机器学习的交易资源分析装置，还包括：要素因子获取模块702、建模因子生成模块704、初始交易资源获取模块706以及交易资源分析模型生成模块708，其中：
要素因子获取模块702，用于获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子。
建模因子生成模块704，用于基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子。
初始交易资源获取模块706，用于获取符合目标特殊条款的市场交易业务对应的初始交易资源。
交易资源分析模型生成模块708，用于基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
上述基于机器学习的交易资源分析装置中，通过获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子，基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子。通过获取符合目标特殊条款的市场交易业务对应的初始交易资源，进而基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。由于无需人工寻找合适的参考债券或期限利差调整等方面分数据，通过直接将第一要素因子、第二要素因子结合机器学习模型的良好性能，预设的初始分析模型进行训练，生成训练好的交易资源分析模型，通过训练好的交易资源分析模型即可自动计算得到特殊条款交易资源分析结果，提高相应分析结果的准确性。
在一个实施例中，初始交易资源获取模块还用于：
提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的市场交易业务确定对应的样本交易业务；获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及与样本交易业务对应的无条款交易资源收益率；根据特殊条款交易资源收益率，以及无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
在一个实施例中，建模因子生成模块还用于：
从第一要素因子和第二要素因子，确定出连续变量因子和分类变量因子；基于分类变量因子进行要素编码处理，将各分类变量因子转换成数值变量因子；基于连续变量因子进行标准化处理，生成对应的离散数据因子；基于数值变量因子以及离散数据因子进行归一化处理，生成对应的建模因子。
在一个实施例中，初始交易资源获取模块还用于：
获取同评级同行业收益率曲线以及样本交易业务的收益率；根据同评级同行业收益率曲线，对样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值；将调整后的样本交易业务的收益率均值，确定为样本交易业务对应的无条款交易资源收益率。
在一个实施例中，初始交易资源获取模块还用于：
提取符合目标特殊条款的市场交易业务；根据符合目标特殊条款的市场交易业务，查找存在相同主体存续的公开发行交易业务；将存在相同主体存续的公开发行业务，确定为对应的样本交易业务。
关于基于机器学习的交易资源分析装置的具体限定可以参见上文中对于基于机器学习的交易资源分析方法的限定，在此不再赘述。上述基于机器学习的交易资源分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理的市场交易业务、训练好的交易资源分析模型、建模因子、初始交易资源以及特殊条款交易资源分析结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器学习的交易资源分析方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款；
获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
根据特殊条款交易资源分析结果，生成对应的业务推荐信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子；
基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子；
获取符合目标特殊条款的市场交易业务对应的初始交易资源；
基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的市场交易业务确定对应的样本交易业务；
获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及与样本交易业务对应的无条款交易资源收益率；
根据特殊条款交易资源收益率，以及无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从第一要素因子和第二要素因子，确定出连续变量因子和分类变量因子；
基于分类变量因子进行要素编码处理，将各分类变量因子转换成数值变量因子；
基于连续变量因子进行标准化处理，生成对应的离散数据因子；
基于数值变量因子以及离散数据因子进行归一化处理，生成对应的建模因子。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取同评级同行业收益率曲线以及样本交易业务的收益率；
根据同评级同行业收益率曲线，对样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值；
将调整后的样本交易业务的收益率均值，确定为样本交易业务对应的无条款交易资源收益率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
提取符合目标特殊条款的市场交易业务；
根据符合目标特殊条款的市场交易业务，查找存在相同主体存续的公开发行交易业务；
将存在相同主体存续的公开发行业务，确定为对应的样本交易业务。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收资源分析请求，并获取资源分析请求携带的待处理的市场交易业务和目标特殊条款；
获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
基于交易资源分析模型，对待处理的市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
根据特殊条款交易资源分析结果，生成对应的业务推荐信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及目标特殊条款对应的第二要素因子；
基于第一要素因子和第二要素因子，进行要素编码处理，生成对应的建模因子；
获取符合目标特殊条款的市场交易业务对应的初始交易资源；
基于各建模因子以及初始交易资源，对预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的市场交易业务确定对应的样本交易业务；
获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及与样本交易业务对应的无条款交易资源收益率；
根据特殊条款交易资源收益率，以及无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从第一要素因子和第二要素因子，确定出连续变量因子和分类变量因子；
基于分类变量因子进行要素编码处理，将各分类变量因子转换成数值变量因子；
基于连续变量因子进行标准化处理，生成对应的离散数据因子；
基于数值变量因子以及离散数据因子进行归一化处理，生成对应的建模因子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取同评级同行业收益率曲线以及样本交易业务的收益率；
根据同评级同行业收益率曲线，对样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值；
将调整后的样本交易业务的收益率均值，确定为样本交易业务对应的无条款交易资源收益率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
提取符合目标特殊条款的市场交易业务；
根据符合目标特殊条款的市场交易业务，查找存在相同主体存续的公开发行交易业务；
将存在相同主体存续的公开发行业务，确定为对应的样本交易业务。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于机器学习的交易资源分析方法，其特征在于，所述方法包括：
接收资源分析请求，并获取所述资源分析请求携带的待处理的市场交易业务和目标特殊条款；
获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
基于所述交易资源分析模型，对待处理的所述市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
根据所述特殊条款交易资源分析结果，生成对应的业务推荐信息。
2.根据权利要求1所述的方法，其特征在于，对预设的初始分析模型进行训练得到交易资源分析模型，包括：
获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及所述目标特殊条款对应的第二要素因子；
基于所述第一要素因子和所述第二要素因子，进行要素编码处理，生成对应的建模因子；
获取符合目标特殊条款的市场交易业务对应的初始交易资源；
基于各所述建模因子以及所述初始交易资源，对所述预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
3.根据权利要求2所述的方法，其特征在于，所述获取符合目标特殊条款的市场交易业务对应的初始交易资源，包括：
提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的所述市场交易业务确定对应的样本交易业务；
获取目标特殊条款的市场交易业务的特殊条款交易资源收益率，以及与所述样本交易业务对应的无条款交易资源收益率；
根据所述特殊条款交易资源收益率，以及所述无条款交易资源收益率，确定符合目标特殊条款的市场交易业务对应的初始交易资源。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第一要素因子和所述第二要素因子，进行要素编码处理，生成对应的建模因子，包括：
从所述第一要素因子和所述第二要素因子，确定出连续变量因子和分类变量因子；
基于所述分类变量因子进行要素编码处理，将各所述分类变量因子转换成数值变量因子；
基于所述连续变量因子进行标准化处理，生成对应的离散数据因子；
基于所述数值变量因子以及离散数据因子进行归一化处理，生成对应的建模因子。
5.根据权利要求3所述的方法，其特征在于，生成与所述样本交易业务对应的无条款交易资源收益率的方式，包括：
获取同评级同行业收益率曲线以及所述样本交易业务的收益率；
根据所述同评级同行业收益率曲线，对所述样本交易业务的收益率进行调整，生成调整后的样本交易业务的收益率均值；
将所述调整后的样本交易业务的收益率均值，确定为所述样本交易业务对应的无条款交易资源收益率。
6.根据权利要求3所述的方法，其特征在于，所述提取符合目标特殊条款的市场交易业务，并根据符合目标特殊条款的所述市场交易业务确定对应的样本交易业务，包括：
提取符合目标特殊条款的市场交易业务；
根据符合目标特殊条款的所述市场交易业务，查找存在相同主体存续的公开发行交易业务；
将存在相同主体存续的所述公开发行业务，确定为对应的样本交易业务。
7.一种基于机器学习的交易资源分析装置，其特征在于，所述装置包括：
待处理的市场交易业务获取模块，用于接收资源分析请求，并获取所述资源分析请求携带的待处理的市场交易业务和目标特殊条款；
交易资源分析模型获取模块，用于获取根据符合目标特殊条款的市场交易业务对应的建模因子，以及对应的初始交易资源，对预设的初始分析模型进行训练得到的交易资源分析模型；
特殊条款交易资源分析结果生成模块，用于基于训练好的交易资源分析模型，对待处理的所述市场交易业务进行估值分析，生成对应的特殊条款交易资源分析结果；
业务推荐信息生成模块，用于根据所述特殊条款交易资源分析结果，生成对应的业务推荐信息。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
要素因子获取模块，用于获取符合目标特殊条款的市场交易业务对应的第一要素因子，以及所述目标特殊条款对应的第二要素因子；
建模因子生成模块，用于基于所述第一要素因子和所述第二要素因子，进行要素编码处理，生成对应的建模因子；
初始交易资源获取模块，用于获取符合目标特殊条款的市场交易业务对应的初始交易资源；
交易资源分析模型生成模块，用于基于各所述建模因子以及所述初始交易资源，对所述预设的初始分析模型进行训练，生成训练好的交易资源分析模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110732054.7A 2021-06-29 2021-06-29 基于机器学习的交易资源分析方法、装置、设备和介质 Pending CN113362115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110732054.7A CN113362115A (zh) 2021-06-29 2021-06-29 基于机器学习的交易资源分析方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110732054.7A CN113362115A (zh) 2021-06-29 2021-06-29 基于机器学习的交易资源分析方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN113362115A true CN113362115A (zh) 2021-09-07

Family

ID=77537311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110732054.7A Pending CN113362115A (zh) 2021-06-29 2021-06-29 基于机器学习的交易资源分析方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113362115A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549996A (zh) * 2018-04-26 2018-09-18 上海普兰金融服务有限公司 一种债券业绩分析方法
CN109598606A (zh) * 2018-12-04 2019-04-09 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备
CN109885695A (zh) * 2019-01-28 2019-06-14 平安科技（深圳）有限公司 资产建议生成方法、装置、计算机设备和存储介质
CN109886809A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 交易数据智能分析方法、电子装置及计算机可读存储介质
CN109961368A (zh) * 2019-03-18 2019-07-02 京东数字科技控股有限公司 基于机器学习的数据处理方法及装置
CN111105311A (zh) * 2019-12-19 2020-05-05 第一创业证券股份有限公司 债券主体的动态信用评级方法及装置
CN111161080A (zh) * 2019-12-10 2020-05-15 中国建设银行股份有限公司 信息处理方法和装置
CN111340236A (zh) * 2020-03-03 2020-06-26 中债金融估值中心有限公司 一种基于债券估值数据与集成机器学习的债券违约预测方法
CN111383091A (zh) * 2020-02-21 2020-07-07 中国建设银行股份有限公司 一种资产证券化定价方法和装置
CN112991043A (zh) * 2021-03-02 2021-06-18 北京同邦卓益科技有限公司 债项评级数据的处理方法和装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549996A (zh) * 2018-04-26 2018-09-18 上海普兰金融服务有限公司 一种债券业绩分析方法
CN109598606A (zh) * 2018-12-04 2019-04-09 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备
CN109886809A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 交易数据智能分析方法、电子装置及计算机可读存储介质
CN109885695A (zh) * 2019-01-28 2019-06-14 平安科技（深圳）有限公司 资产建议生成方法、装置、计算机设备和存储介质
CN109961368A (zh) * 2019-03-18 2019-07-02 京东数字科技控股有限公司 基于机器学习的数据处理方法及装置
CN111161080A (zh) * 2019-12-10 2020-05-15 中国建设银行股份有限公司 信息处理方法和装置
CN111105311A (zh) * 2019-12-19 2020-05-05 第一创业证券股份有限公司 债券主体的动态信用评级方法及装置
CN111383091A (zh) * 2020-02-21 2020-07-07 中国建设银行股份有限公司 一种资产证券化定价方法和装置
CN111340236A (zh) * 2020-03-03 2020-06-26 中债金融估值中心有限公司 一种基于债券估值数据与集成机器学习的债券违约预测方法
CN112991043A (zh) * 2021-03-02 2021-06-18 北京同邦卓益科技有限公司 债项评级数据的处理方法和装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN109165840B (zh) 风险预测处理方法、装置、计算机设备和介质
CN108876133B (zh) 基于业务信息的风险评估处理方法、装置、服务器和介质
CN111369342A (zh) 基于机器学习的贷款审批方法、装置、设备和存储介质
CN111681091B (zh) 基于时间域信息的金融风险预测方法、装置及存储介质
CN109063921B (zh) 客户风险预警的优化处理方法、装置、计算机设备和介质
CN111160737A (zh) 一种资源分配方案的适配方法及相关设备
CN112950347B (zh) 资源数据处理的优化方法及装置、存储介质、终端
CN113887214A (zh) 基于人工智能的意愿推测方法、及其相关设备
CN117575773A (zh) 业务数据的确定方法、装置、计算机设备、存储介质
CN116681519A (zh) 违约预测方法、装置、电子设备、介质和程序产品
CN116821759A (zh) 类别标签的识别预测方法、装置和处理器及电子设备
CN115759283A (zh) 一种模型解释方法、装置、电子设备以及存储介质
CN113362115A (zh) 基于机器学习的交易资源分析方法、装置、设备和介质
Rösch et al. Estimating credit contagion in a standard factor model
CN114881761A (zh) 相似样本的确定方法与授信额度的确定方法
CN115860889A (zh) 一种基于人工智能的金融贷款大数据管理方法及***
CN114170000A (zh) ***用户风险类别识别方法、装置、计算机设备和介质
CN113222767A (zh) 指数化证券组合的数据处理方法及装置
CN111429257A (zh) 一种交易监控方法和装置
Sabkha et al. Forecasting sovereign CDS volatility: A comparison of univariate GARCH-class models
CN113313587A (zh) 基于人工智能的信用风险分析方法、装置、设备和介质
CN117994017A (zh) 构建零***风险预测模型的方法和线上信贷业务Scoredelta模型
CN116862645A (zh) 一种信用风险评估方法、装置、设备及介质
CN114565460A (zh) 一种基于延迟转化预测模型的信息推送方法及相关设备
CN118037418A (zh) 一种信用风险预测方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination