CN115330547A

CN115330547A - 理财产品风险评估模型的训练方法、评估方法及相关设备

Info

Publication number: CN115330547A
Application number: CN202210949331.4A
Authority: CN
Inventors: 瞿学新; 陈涛; 翟文博
Original assignee: Ping An Bank Co Ltd
Current assignee: Ping An Bank Co Ltd
Priority date: 2022-08-09
Filing date: 2022-08-09
Publication date: 2022-11-11

Abstract

本申请公开了一种理财产品风险评估模型的训练方法、评估方法及相关设备，该理财产品风险评估模型用于理财产品投资策略的风险评估，该训练方法包括：获取理财产品投资策略样本；提取理财产品投资策略样本的特征，得到理财产品投资策略的产品特征集；获取产品特征集中各产品特征的目标产品特征权重；根据目标产品特征权重筛选产品特征，得到目标产品特征子集；根据目标产品特征子集训练理财产品风险评估模型，得到训练好的理财产品风险评估模型。本申请实施例在保证训练好的理财产品风险评估模型的评估效果的情况下，还能够尽量减少理财产品风险评估的计算量。

Description

理财产品风险评估模型的训练方法、评估方法及相关设备

技术领域

本申请涉及计算机技术领域，具体涉及一种理财产品风险评估模型的训练方法、评估方法及相关设备。

背景技术

理财产品投资策略中可能包括多个理财产品，每个理财产品的信息较为庞杂，理财产品投资策略的信息可能就更为复杂。

为了保证训练好的理财产品风险评估模型的评估效果，往往会综合大量的理财产品相关信息训练理财产品风险评估模型，然而，这样会导致训练理财产品风险评估模型的计算量大。

发明内容

本申请实施例提供一种理财产品风险评估模型的训练方法、评估方法及相关设备，能够兼顾理财产品风险评估模型的评估效果和训练的计算量，即，在保证训练好的理财产品风险评估模型的评估效果的情况下，还能够尽量减少理财产品风险评估训练的计算量。

一方面，本申请提供一种理财产品风险评估模型的训练方法，理财产品风险评估模型用于理财产品投资策略的风险评估，该训练方法包括：

获取理财产品投资策略样本；

提取理财产品投资策略样本的特征，得到理财产品投资策略的产品特征集；

获取产品特征集中各产品特征的目标产品特征权重；

根据目标产品特征权重筛选产品特征，得到目标产品特征子集；

根据目标产品特征子集训练理财产品风险评估模型，得到训练好的理财产品风险评估模型。

第二方面，本申请提供一种理财产品风险评估方法，包括：

获取理财产品投资策略；

将理财产品投资策略输入预设的理财产品风险评估模型，得到理财产品投资策略的风险评估值，理财产品风险评估模型为通过第一方面的训练方法的训练完成的理财产品风险评估模型。

另一方面，本申请提供一种理财产品风险评估模型的训练装置，理财产品风险评估模型用于理财产品投资策略的风险评估，该训练装置包括：

样本获取模块，用于获取理财产品投资策略样本；

产品特征提取模块，用于提取理财产品投资策略样本的产品特征，得到产品特征集；

子集获取模块，用于获取产品特征集中各产品特征的目标产品特征权重，根据目标产品特征权重筛选产品特征，得到目标产品特征子集；

模型训练模块，用于根据目标产品特征子集训练理财产品风险评估模型，得到训练好的理财产品风险评估模型。

另一方面，本申请还提供一种计算机设备，计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现第一方面中的理财产品风险评估模型的训练方法，或者，实现第二方面中的理财产品风险评估方法。

第五方面，本申请还提供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进行加载，以执行第一方面的理财产品风险评估模型的训练方法中的步骤，或者，执行第二方面的理财产品风险评估方法的步骤。

本申请实施例将目标产品特征子集输入风险评估模型，而不是将提取出的理财产品的全部特征输入理财产品风险评估模型，使得理财产品风险评估模型只用处理较少的特征，不仅能够大大降低理财产品风险评估模型训练的计算量，还能避免理财产品风险评估模型出现过拟合的情况，另外，目标特征子集根据特征权重筛选，从而能够选取到对理财产品风险评估模型来说收益更大的产品特征，使得训练出来的模型更加准确，能够取得更好的评估效果。即，本申请实施例在保证训练好的理财产品风险评估模型的评估效果的情况下，还能够尽量减少理财产品风险评估的计算量。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。

图1是本申请实施例提供的理财产品风险评估模型的训练***的场景示意图；

图2是本申请实施例中提供的理财产品风险评估模型的训练方法的一个实施例流程示意图；

图3是本申请实施例中步骤203的一个实施例流程示意图；

图4是本申请实施例中步骤302的一个实施例流程示意图；

图5是本申请实施例中提供的理财产品风险评估方法的一个实施例流程示意图；

图6是本申请实施例中提供的理财产品风险评估模型的训练装置的一个实施例结构示意图；

图7是本申请实施例中提供的计算机设备的一个实施例结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术产品特征的数量。由此，限定有“第一”、“第二”的产品特征可以明示或者隐含地包括一个或者更多个所述产品特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和产品特征的最广范围相一致。

需要说明的是，本申请实施例方法由于是在计算机设备如服务器中执行，各计算机设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。

本申请实施例提供一种理财产品风险评估模型的训练方法、装置、计算机设备及存储介质，以下分别进行详细说明。

请参阅图1，图1为本申请实施例所提供的理财产品风险评估模型的训练***的场景示意图，该理财产品风险评估模型的训练***可以包括计算机设备100，计算机设备100中集成有理财产品风险评估模型的训练装置，如图1中的计算机设备。

本申请实施例中计算机设备100主要用于获取理财产品投资策略样本；

获取产品特征集中各产品特征的目标产品特征权重；

本申请实施例中，该计算机设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该理财产品风险评估模型的训练***还可以包括一个或多个其他服务，具体此处不作限定。

另外，如图1所示，该理财产品风险评估模型的训练***还可以包括存储器200，用于存储数据，如理财产品投资策略样本等。

需要说明的是，图1所示的理财产品风险评估模型的训练***的场景示意图仅仅是一个示例，本申请实施例描述的理财产品风险评估模型的训练***以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着理财产品风险评估模型的训练***的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

首先，本申请实施例中提供一种理财产品风险评估模型的训练方法，该理财产品风险评估模型的训练方法的执行主体为理财产品风险评估模型的训练装置，该理财产品风险评估模型的训练装置应用于计算机设备，该理财产品风险评估模型的训练方法包括：

获取理财产品投资策略样本；

获取产品特征集中各产品特征的目标产品特征权重；

本申请实施例将目标产品特征子集输入风险评估模型，而不是将提取出的理财产品的全部特征输入理财产品风险评估模型，使得理财产品风险评估模型只用处理较少的特征，不仅能够大大降低理财产品风险评估模型训练的计算量，还能避免理财产品风险评估模型出现过拟合的情况。

另外，目标特征子集根据特征权重筛选，从而能够选取到对理财产品风险评估模型来说收益更大的产品特征，使得训练出来的模型更加准确，能够取得更好的评估效果。

即，本申请实施例在保证训练好的理财产品风险评估模型的评估效果的情况下，还能够尽量减少理财产品风险评估的计算量。

下面对本申请实施例的理财产品风险评估模型的训练方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

如图2所示，为本申请实施例中理财产品风险评估模型的训练方法的一个实施例流程示意图，该理财产品风险评估模型用于，该理财产品风险评估模型的训练方法包括：

步骤201，获取理财产品投资策略样本。

理财产品投资策略包括：至少一个理财产品信息。

在一些实施例中，在理财产品投资策略中包括多个理财产品信息的情况下，理财产品投资策略中还可包括每个理财产品的投资金额份额。本申请实施例能够使得机器学习模型能够结合投资的金额份额进行评估，使得风险评估更加全面，有针对性。

例如，某理财产品投资策略中包括理财产品A，理财产品B，理财产品A的投资金额份额为30％，理财产品B投资金额份额为70％。

步骤202，提取理财产品投资策略样本的特征，得到理财产品投资策略的产品特征集。

步骤203，获取产品特征集中各产品特征的目标产品特征权重。

其中，目标特征权重可根据实际需求设置。

在一些实施例中，可获取各产品特征的重要性，将重要性作为目标产品特征权重。

在另一些实施例中，首先，可计算各产品特征之间的相似度，将相似度不小于预设阈值的产品特征划分为同类别的产品特征，得到多个类别的产品特征，例如：存在产品特征A、B、C、D、和E，预设阈值为95％，产品特征A、B、C之间的相似度阈值都不小于95％，则理财产品A、B、C为同类别的产品特征，可记作第一类别，产品特征D、E之间的相似度阈值都不小于95％，则D、E为同类别的产品特征，可记作第二类别；

然后，根据各类别的产品特征的个数确定各类别的类别特征权重，其中，同一类别的产品特征数越多，该类别的类别特征权重越大，例如，第一类别的产品特征数为3，第二类别的产品特征数为2，第一类别的类别特征权重大于第二类别的类别特征权重；

最后，根据类别特征权重确定各产品特征的目标特征权重。例如，可在同类别的产品特征中选择一个产品特征，将类别特征权重作为选取的产品特征的目标特征权重，将该类别中除选取的产品特征之外的产品特征设一个预制值，预制值低于任何一个类别的类别产品特征，如预制值可为0。

示例性的，第一类别中，选取产品特征A，并将第一类别的类别特征权重作为产品特征A的产品特征权重，产品特征B、C的产品特征权重都设为预设值，如0。

本实施例基于相似度对产品特征进行分类，并确定目标产品特征权重，可便于后续在选择产品特征时，对相似的产品特征进行去重。

在另一些实施例中，可通过皮尔逊相关系数、卡方检验、互信息检验以及递归特征消除法等方法确定目标特征权重并进行特征筛选。

然而，上述列举的特征筛选方法中，仅考虑单一产品特征，忽视了产品特征组合带来的效果增益，而且，通过穷举法进行产品特征的筛选，会导致产品特征筛选开销大。

鉴于此，本申请提供另一中目标产品特征权重的获取方法，即步骤203可参考图3所示，包括：

步骤301，确定产品特征集中各产品特征的当前产品特征权重。

在第一次执行步骤301时，各产品特征的当前产品权重可以为预先设置的产品特征权重，可为产品特征的重要性，但不限于此。当产品特征权重为产品特征的重要性时，可以更快实现理财产品风险评估模型的收敛。

在第一次执行步骤301时，产品特征j的当前产品权重w_j也可设置为m/n，其中，m为设置的候选产品特征子集中产品特征的个数，n为产品特征集中产品特征的个数。

在再次执行步骤301时，即在步骤305确定不满足预设的迭代结束条件之后执行步骤301时，可将步骤304中得到更新后的产品特征权重作为当前产品特征权重。

本实施例可将步骤301的执行次数称为迭代次数，将迭代次数记作i，本轮也可称为第i轮迭代，当前产品特征权重即为本轮迭代中使用的产品特征权重。

步骤302，根据预设的子集筛选算法和各产品特征的当前产品特征权重，得到当前的候选产品特征子集。子集筛选算法可以根据需求确定。

在一些实施例中，可参考图4所示，步骤302可以包括：

步骤3021，确定产品特征在迭代中被选入候选产品特征子集的次数。

可设置集合round＝{l₁，l₂，…，l_n}，该集合中存储各产品特征在迭代中被选入候选特征子集的次数。其中，产品特征j在迭代中被选入候选特征子集的次数可记作round_j，且round_j＝l_j。

步骤3022，根据次数和产品特征的当前产品特征权重，得到产品特征被选入当前的候选产品特征子集的概率。本实施例中考虑被筛选入次候选产品特征子集的次数，能够提高低特征权重被选中的概率。

示例性，可参考如下公式：

其中，p′_j为产品特征j被选入当前的候选产品特征子集的未进行归一化处理的概率，round_j为产品特征j在迭代中被选入候选特征子集的次数，r为设置的迭代总次数，n为产品特征集中产品特征的个数，w_j为产品特征j的当前产品权重。

在得到未进行归一化处理的概率之后，可对未进行归一化的概率进行归一化处理，可参见以下公式：

其中，p_j为进行归一化处理后的概率，即为产品特征被选入当前的候选产品特征子集的概率，本申请实施例进行归一化处理，是为了使得各产品特征的概率总和为1。

得到产品特征集中各产品特征的概率，即得到p₁，p₂，……，p_n之后，即可执行步骤3023。

步骤3023，根据产品特征集中各产品特征的概率，抽取预设个数的产品特征加入当前的候选产品特征子集。

具体地，基于每个产品特征的概率，随机抽取m个产品特征，作为候选产品特征子集中的元素，其中，m可根据需求设置。

在每轮迭代中确定候选产品特征子集的元素后，会对round进行更新，例如，若产品特征j在候选产品特征子集中，则l_j自增1，若产品特征j不在候选产品特征子集中，则l_j不变。

其中，当前的候选产品特征子集可记作H＝{h1，h2，……，hm}。

步骤303，通过预设的子集评估算法评估候选产品特征子集，得到候选产品特征子集的评估分值。

具体地，子集评估算法可为：交叉验证评估算法但不限于此。候选特征子集的评估分值可记作score。

步骤304，根据评估分值更新产品特征集中各产品特征的当前产品特征权重，得到更新后的产品特征权重。

在一些实施例中，确定用于进行产品特征权重更新的第一权重更新算法，和第二权重更新算法；

若所述产品特征为候选产品特征子集中的元素，则根据所述第一权重更新算法和所述候选产品特征子集的评估分值，得到更新后的产品特征权重。

具体地，根据第一权重更新算法，得到更新后的产品特征权重，包括：

获取当前的候选产品特征子集的评估分值score与上一轮候选产品特征子集的评估分值pre_score的比值；

将所述比值与所述产品特征的当前产品特征权重w_j相乘，得到更新后的产品特征权重w′_j；

具体地，可参考下述公式：

w′_j＝w_j*(score/pre_score),j∈H。

若所述产品特征不为候选产品特征子集中的元素，则根据所述第二权重更新算法更新所述产品特征的产品特征权重。

其中，根据第二权重更新算法更新产品特征的产品特征权重，包括：

首先，计算未选入当前的候选产品特征子集的各产品特征的平均产品特征权重average。

其次，根据当前产品特征权重与所述平均产品特征权重，得到更新后的产品特征权重。

具体地，根据当前产品特征权重与所述平均产品特征权重的差值，确定更新后的产品特征权重w′_j，公式如下：

本申请实施例针对产品特征是否被选入候选产品特征子集，通过不同算法进行产品特征权重的更新，使得更新后的产品特征权重更加准确。

步骤305，判断是否满足预设的迭代结束条件。若不满足预设的迭代结束条件，执行步骤301；若满足预设的迭代结束条件，执行步骤306。

迭代结束条件可根据需求设置，例如，可将迭代结束条件设置为迭代次数到达r次。

步骤306，将更新后的产品特征权重作为目标产品特征权重。

相较于通过单一产品特征或者穷举法更新产品特征权重进行特征筛选，本申请实施例选取候选产品特征子集，对候选产品特征子集进行评估，进而进行参数更新，能够结合产品特征组合带来的效果增益，使得目标产品特征权重更加准确。

确定目标产品特征权重之后，可执行步骤204。

步骤204，根据目标产品特征权重筛选产品特征，得到目标产品特征子集。

在一些实施例中，可设置目标产品特征子集中的产品特征的个数X，选取目标产品特征权重最大的前X个产品特征作为目标产品特征子集中的元素。

在另一些实施例中，可设置权重阈值，将不小于权重阈值的目标产品特征权重对应的产品特征作为目标产品特征子集中的元素。

在另一些实施例中，根据所述目标产品特征权重从大到小的顺序选择Q个产品特征加入目标产品特征子集，其中，所述Q个产品特征的目标产品特征权重总和与产品特征集中的各产品特征的目标产品特征权重总和的比值不小于预设比值。

例如：根据产品特征权重对产品特征降序排序，并筛选出权重总和占比大于预设比值ε的前Q个特征，得到目标产品特征子集。

Q取值满足下述公式：

其中，n为产品特征权重的个数，预设比值ε可以取值80％，也可以为其他，可以根据需求设置。

步骤205，根据目标产品特征子集训练理财产品风险评估模型，得到训练好的理财产品风险评估模型。

即将目标产品特征子集输入理财产品风险评估模型进行训练，得到训练好的理财产品评估模型。

相较于将单一理财产品的风险叠加，以确定理财产品投资策略的风险，本申请实施例使用上述机器学习的方式训练理财产品风险评估模型，能够使得理财产品风险评估模型不仅能够学习到理财产品策略中每个理财产品的风险，还能学习到每个理财产品之间的相互关系对风险的影响，从而后续通过训练好的理财产品风险评估模型进行理财产品策略风险评估时，评估的风险更加准确。

本申请实施例还提供一种理财产品风险评估方法，可参考图5所示，包括：

步骤501，获取理财产品投资策略；

步骤502，将理财产品投资策略输入预设的理财产品风险评估模型，得到理财产品投资策略的风险评估值。

其中，理财产品风险评估模型为上述实施例中的训练完成的理财产品风险评估模型。

本申请实施例还提供一种理财产品风险评估模型的训练装置，可参照图6所示，包括：

样本获取模块601，用于获取理财产品投资策略样本；

产品特征提取模块602，用于提取所述理财产品投资策略样本的产品特征，得到产品特征集；

子集获取模块603，用于获取所述产品特征集中各产品特征的目标产品特征权重，根据所述目标产品特征权重筛选产品特征，得到目标产品特征子集；

模型训练模块604，用于根据所述目标产品特征子集训练所述理财产品风险评估模型，得到训练好的理财产品风险评估模型。

在本申请一些实施方案中，子集获取模块603中获取所述产品特征集中各产品特征的目标产品特征权重，进一步包括：

确定所述产品特征集中各产品特征的当前产品特征权重；

根据预设的子集筛选算法和所述各产品特征的当前产品特征权重，得到当前的候选产品特征子集；

通过预设的子集评估算法评估所述候选产品特征子集，得到所述候选产品特征子集的评估分值；

根据所述评估分值更新所述产品特征集中各产品特征的当前产品特征权重，得到更新后的产品特征权重；

若当前不满足预设的迭代结束条件，则将所述更新后的产品特征权重确定为下一次迭代中的当前产品特征权重，并重新进入根据预设的子集筛选算法和所述各产品特征的当前产品特征权重，得到当前的候选产品特征子集的步骤，直至满足预设的迭代结束条件，得到目标产品特征权重。

在本申请一些实施方案中，子集获取模块603中根据预设的子集筛选算法和所述各产品特征的当前产品特征权重，得到当前的候选产品特征子集，进一步包括：

确定所述产品特征在迭代中被选入候选产品特征子集的次数；

根据所述次数和所述产品特征的当前产品特征权重，得到所述产品特征被选入当前的候选产品特征子集的概率；

根据所述产品特征集中各产品特征的概率，抽取预设个数的产品特征加入当前的候选产品特征子集。

在本申请一些实施方案中，子集获取模块603中根据所述评估分值更新所述产品特征集中各产品特征的当前产品特征权重，得到更新后的产品特征权重，进一步包括：

确定用于进行产品特征权重更新的第一权重更新算法，和第二权重更新算法；

若所述产品特征为候选产品特征子集中的元素，则根据所述第一权重更新算法和所述候选产品特征子集的评估分值，得到更新后的产品特征权重；

在本申请一些实施方案中，子集获取模块603中根据所述第一权重更新算法和所述候选产品特征子集的评估分值，得到更新后的产品特征权重，进一步包括：

获取当前的候选产品特征子集的评估分值与上一轮候选产品特征子集的评估分值的比值；将所述比值与所述产品特征的当前产品特征权重相乘，得到更新后的产品特征权重；

子集获取模块603中根据所述第二权重更新算法更新所述产品特征的产品特征权重，进一步包括：

计算未选入当前的候选产品特征子集的各产品特征的平均产品特征权重；根据当前产品特征权重与所述平均产品特征权重，得到更新后的产品特征权重。

在本申请一些实施方案中，子集获取模块603中根据所述目标产品特征权重筛选产品特征，得到目标产品特征子集，进一步包括：

根据所述目标产品特征权重从大到小的顺序选择Q个产品特征加入目标产品特征子集，其中，所述Q个产品特征的目标产品特征权重总和与产品特征集中的各产品特征的目标产品特征权重总和的比值不小于预设比值。

本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种理财产品风险评估模型的训练装置，所述计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述理财产品风险评估模型的训练方法实施例中任一实施例中所述的理财产品风险评估模型的训练方法中的步骤。

本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种理财产品风险评估模型的训练装置。如图7所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：

该计算机设备可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器701是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。

存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器702还可以包括存储器控制器，以提供处理器701对存储器702的访问。

计算机设备还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理***与处理器701逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该计算机设备还可包括输入单元704，该输入单元704可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器701会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能，如下：

获取理财产品投资策略样本；

获取产品特征集中各产品特征的目标产品特征权重；

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种理财产品风险评估模型的训练方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：

获取理财产品投资策略样本；

获取产品特征集中各产品特征的目标产品特征权重；

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。

具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种理财产品风险评估模型的训练方法、风险评估方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种理财产品风险评估模型的训练方法，其特征在于，所述理财产品风险评估模型用于理财产品投资策略的风险评估，所述训练方法包括：

获取理财产品投资策略样本；

提取所述理财产品投资策略样本的特征，得到理财产品投资策略的产品特征集；

获取所述产品特征集中各产品特征的目标产品特征权重；

根据所述目标产品特征权重筛选产品特征，得到目标产品特征子集；

根据所述目标产品特征子集训练所述理财产品风险评估模型，得到训练好的理财产品风险评估模型。

2.根据权利要求1所述的理财产品风险评估模型的训练方法，其特征在于，所述获取所述产品特征集中各产品特征的目标产品特征权重，包括：

确定所述产品特征集中各产品特征的当前产品特征权重；

3.根据权利要求2所述的理财产品风险评估模型的训练方法，其特征在于，所述根据预设的子集筛选算法和所述各产品特征的当前产品特征权重，得到当前的候选产品特征子集，包括：

4.根据权利要求2所述的理财产品风险评估模型的训练方法，其特征在于，所述根据所述评估分值更新所述产品特征集中各产品特征的当前产品特征权重，得到更新后的产品特征权重，包括：

5.根据权利要求4所述的理财产品风险评估模型的训练方法，其特征在于，所述根据所述第一权重更新算法和所述候选产品特征子集的评估分值，得到更新后的产品特征权重，包括：

获取当前的候选产品特征子集的评估分值与上一轮候选产品特征子集的评估分值的比值；

将所述比值与所述产品特征的当前产品特征权重相乘，得到更新后的产品特征权重；

所述根据所述第二权重更新算法更新所述产品特征的产品特征权重，包括：

计算未选入当前的候选产品特征子集的各产品特征的平均产品特征权重；

根据当前产品特征权重与所述平均产品特征权重，得到更新后的产品特征权重。

6.根据权利要求1至5中任一项所述的理财产品风险评估模型的训练方法，其特征在于，所述根据所述目标产品特征权重筛选产品特征，得到目标产品特征子集，包括：

7.一种理财产品风险评估方法，其特征在于，包括：

获取理财产品投资策略；

将所述理财产品投资策略输入预设的理财产品风险评估模型，得到所述理财产品投资策略的风险评估值，所述理财产品风险评估模型为如权利要求1至6中任一项所述的训练完成的理财产品风险评估模型。

8.一种理财产品风险评估模型的训练装置，其特征在于，所述理财产品风险评估模型用于理财产品投资策略的风险评估，所述训练装置包括：

样本获取模块，用于获取理财产品投资策略样本；

产品特征提取模块，用于提取所述理财产品投资策略样本的产品特征，得到产品特征集；

子集获取模块，用于获取所述产品特征集中各产品特征的目标产品特征权重，根据所述目标产品特征权重筛选产品特征，得到目标产品特征子集；

模型训练模块，用于根据所述目标产品特征子集训练所述理财产品风险评估模型，得到训练好的理财产品风险评估模型。

9.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至6中任一项所述的理财产品风险评估模型的训练方法，或者如权利要求7所述的风险评估方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至6任一项所述的理财产品风险评估模型的训练方法中的步骤，或者执行如权利要求7所述的风险评估方法的步骤。