CN116756570A - 资源选择模型的训练方法、资源选择方法、装置及设备 - Google Patents
资源选择模型的训练方法、资源选择方法、装置及设备 Download PDFInfo
- Publication number
- CN116756570A CN116756570A CN202310720474.2A CN202310720474A CN116756570A CN 116756570 A CN116756570 A CN 116756570A CN 202310720474 A CN202310720474 A CN 202310720474A CN 116756570 A CN116756570 A CN 116756570A
- Authority
- CN
- China
- Prior art keywords
- resource
- training
- resources
- sequence
- target
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010187 selection method Methods 0.000 title abstract description 20
- 238000012795 verification Methods 0.000 claims description 71
- 238000012163 sequencing technique Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 230000007812 deficiency Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 230000000630 rising effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000001174 ascending effect Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了资源选择模型的训练方法、资源选择方法、装置及设备,可以应用于人工智能技术领域和金融技术领域。该方法包括:获取与多个资源对应的在第i预设时间段内的初始参数集;根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列;针对每个资源序列,在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下,将与资源序列对应的目标参数确定为有效参数;基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源;利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
Description
技术领域
本公开涉及人工智能技术领域和金融技术领域,尤其涉及资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品。
背景技术
随着信息技术的发展,可利用计算机根据历史记录的股票信息对股票的涨跌情况进行预测。股票的预测主要是通过采用建立数学模型的方法评价股票可投资性,在减少了非理性买卖的同时发掘到隐含的买卖时机。现有的计算机在利用数学模型预测股票的可投资性时需要处理大量的数据,而且大量的数据对股票影响力不同,从而在占用大量计算机资源的同时,大量数据还可能对模型的预测准确率造成干扰。
发明内容
鉴于上述问题,本公开提供了资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种资源选择模型的训练方法,包括:获取与多个资源对应的在第i预设时间段内的初始参数集,其中,初始参数集包括多个初始参数,不同的初始参数对不同资源的资源值的影响程度不同。根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列,其中,资源序列至少包括对多个基于预设排序规则排列的资源进行划分得到的第一序列和第二序列,目标参数是基于预设判定规则从初始参数中确定的。针对每个资源序列,在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下,将与资源序列对应的目标参数确定为有效参数。基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源。利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
根据本公开的实施例,根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列,包括:
针对每个初始参数,计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列,其中,暴露-回报相关性序列包括与每个资源对应的暴露-回报相关性,暴露-回报相关性表征初始参数对资源的资源值的影响程度。根据暴露-回报相关性序列的绝对值和标准差,生成初始参数的中间相关性。基于第一预设筛选规则,从多个中间相关性中确定多个目标相关性,并将与每个目标相关性对应的初始参数确定为目标参数。针对每个目标参数,基于预设排序规则对多个资源在目标参数下的参数值进行排序,得到第一排序结果。根据第一排序结果,确定第一序列和第二序列。
根据本公开的实施例,根据第一排序结果,确定第一序列和第二序列,包括:
基于第二预设筛选规则,从第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值。将与每个第一目标参数值对应的资源确定为第一序列中的一个目标资源。将与每个第二目标参数值对应的资源确定为第二序列中的一个目标资源。
根据本公开的实施例,在将与资源序列对应的初始参数确定为有效参数之前,还包括:
计算第一序列获取大于资源预设值的第一目标资源值的第一概率。计算第二序列获取大于资源预设值的第二目标资源值的第二概率。在第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的情况下,将与资源序列对应的初始参数确定为有效参数。
根据本公开的实施例,上述方法还包括:
对多个初始数据中存在的空缺值进行补缺处理,得到多个第一目标数据,其中,初始数据包括资源或训练资源。对多个第一目标数据进行极值替换处理,得到多个第二目标数据。对多个第二目标数据进行归一化处理,得到多个目标数据,以利用目标数据计算影响程度或对初始选择模型进行训练。
根据本公开的实施例,基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源,包括:
基于训练资源在第i+1预设时间段内的资源值,对多个训练资源进行排序,得到第二排序结果。对第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源。
根据本公开的实施例,对第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源,包括:
将第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识。将第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识。将第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。
根据本公开的实施例,上述方法还包括:
针对具有第一标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下,将训练资源的第一标识更新为第三标识,其中,初始资源值表征训练资源在第i+1预设时间段中最后时刻时的资源值。针对具有第二标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值小于初始资源值的情况下,将训练资源的第二标识更新为第三标识。
根据本公开的实施例,初始选择模型包括回归树模型;其中,利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型,包括:
利用回归树模型对多个有效参数和多个具有标识的训练资源进行分类处理,得到分类结果,其中,分类结果包括多个分类子结果,分类子结果包括至少一个有效参数和与有效参数对应的训练资源。根据分类子结果和标签分类结果,得到预测准确率。根据预测准确率迭代地调整回归树模型的模型参数,得到经训练的资源选择模型。
根据本公开的实施例,上述方法还包括:
获取第m预设时间段内的验证资源集,其中,验证资源集包括多个验证资源、多个验证参数和分类验证标签。利用资源选择模型对多个验证资源和多个验证参数进行分类处理,得到验证分类结果。根据验证分类结果和分类验证标签,得到验证准确率。在验证准确率不满足准确性阈值的情况下,根据验证准确率迭代地调整资源选择模型的模型参数,得到调整后的资源选择模型。
本公开的第二方面提供了一种资源选择方法,包括:
获取第i时刻的资源参数和多个待预测资源。将资源参数和多个待预测资源输入资源选择模型,输出预测分类结果,其中,预测分类结果包括资源参数和与资源参数对应的至少一个目标预测资源,目标预测资源表征在第i+1时刻可选择的待预测资源。
本公开的第三方面提供了一种资源选择模型的训练装置,包括:第一获取模块、生成模块、确定模块、标记模块和分类训练模块。
第一获取模块,用于获取与多个资源对应的在第i预设时间段内的初始参数集。生成模块,用于根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列。确定模块,用于针对每个资源序列,在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下,将与资源序列对应的目标参数确定为有效参数。标记模块,用于基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源。分类训练模块,用于利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
根据本公开的实施例,生成模块包括计算子模块、生成子模块、第一确定子模块、第一排序子模块和第二确定子模块。其中,计算子模块,用于针对每个初始参数,计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列,其中,暴露-回报相关性序列包括与每个资源对应的暴露-回报相关性,暴露-回报相关性表征初始参数对资源的资源值的影响程度。生成子模块,用于根据暴露-回报相关性序列的绝对值和标准差,生成初始参数的中间相关性。第一确定子模块,用于基于第一预设筛选规则,从多个中间相关性中确定多个目标相关性,并将与每个目标相关性对应的初始参数确定为目标参数。第一排序子模块,用于针对每个目标参数,基于预设排序规则对多个资源在目标参数下的参数值进行排序,得到第一排序结果。第二确定子模块,用于根据第一排序结果,确定第一序列和第二序列。
根据本公开的实施例,第二确定子模块包括第一确定单元、第二确定单元和第三确定单元。其中,第一确定单元,用于基于第二预设筛选规则,从第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值。第二确定单元,用于将与每个第一目标参数值对应的资源确定为第一序列中的一个目标资源。第三确定单元,用于将与每个第二目标参数值对应的资源确定为第二序列中的一个目标资源。
根据本公开的实施例,上述装置还包括第一计算模块、第二计算模块和第二确定模块。其中,第一计算模块,用于计算第一序列获取大于资源预设值的第一目标资源值的第一概率。第二计算模块,用于计算第二序列获取大于资源预设值的第二目标资源值的第二概率。第二确定模块,用于在第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的情况下,将与资源序列对应的初始参数确定为有效参数。
根据本公开的实施例,上述装置还包括补缺模块、极值替换模块和归一化模块。其中,补缺模块,用于对多个初始数据中存在的空缺值进行补缺处理,得到多个第一目标数据,其中,初始数据包括资源或训练资源。极值替换模块,用于对多个第一目标数据进行极值替换处理,得到多个第二目标数据。归一化模块,用于对多个第二目标数据进行归一化处理,得到多个目标数据,以利用目标数据计算影响程度或对初始选择模型进行训练。
根据本公开的实施例,标记模块包括第二排序子模块和标记子模块。其中,第二排序子模块用于基于训练资源在第i+1预设时间段内的资源值,对多个训练资源进行排序,得到第二排序结果。标记子模块,用于对第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源。
根据本公开的实施例,标记子模块包括第一标记单元、第二标记单元和第三标记单元。其中,第一标记单元,用于将第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识。第二标记单元,用于将第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识。第三标记单元,用于将第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。
根据本公开的实施例,标记子模块还包括第一更新单元、第二更新单元。其中,第一更新单元,用于针对具有第一标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下,将训练资源的第一标识更新为第三标识,其中,初始资源值表征训练资源在第i+1预设时间段中最后时刻时的资源值。第二更新单元,用于针对具有第二标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值小于初始资源值的情况下,将训练资源的第二标识更新为第三标识。
根据本公开的实施例,分类训练模块包括分类子模块、获得子模块和调整子模块。其中,分类子模块,用于利用回归树模型对多个有效参数和多个具有标识的训练资源进行分类处理,得到分类结果,其中,分类结果包括多个分类子结果,分类子结果包括至少一个有效参数和与有效参数对应的训练资源。获得子模块,用于根据分类子结果和标签分类结果,得到预测准确率。调整子模块,用于根据预测准确率迭代地调整回归树模型的模型参数,得到经训练的资源选择模型。
根据本公开的实施例,上述装置还包括第二获取模块、分类模块、获得模块。其中,第二获取模块,用于获取第m预设时间段内的验证资源集,其中,验证资源集包括多个验证资源、多个验证参数和分类验证标签。分类模块,用于利用资源选择模型对多个验证资源和多个验证参数进行分类处理,得到验证分类结果。获得模块,用于根据验证分类结果和分类验证标签,得到验证准确率。调整模块,用于在验证准确率不满足准确性阈值的情况下,根据验证准确率迭代地调整资源选择模型的模型参数,得到调整后的资源选择模型。
本公开的第四方面提供了一种资源选择装置,包括:获取模块和输出模块。
获取模块,用于获取第i时刻的资源参数和多个待预测资源。输出模块,用于将资源参数和多个待预测资源输入资源以及选择模型,输出预测分类结果。
本公开的第五方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第六方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第七方面还提供了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上述方法。
根据本公开提供的资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品,通过第i预设时间段内的初始参数集的每个初始参数对资源值的影响程度,生成对应与目标参数的资源序列,在资源序列中第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限时将该目标参数确定为有效参数,从而将有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。由于通过初始参数对每个资源的影响程度确定目标参数下的资源序列,并将资源序列中的第一序列和第二序列满足条件时将该目标参数确定为有效参数,从而资源选择模型在训练时能够使用对资源的资源值有较大影响的有效参数进行训练,有效避免了将大量未经筛选的初始参数直接用于资源选择模型的训练造成的模型的收敛速度较慢以及准确率较低的问题,节省了计算机的硬件资源,提高了资源预测的准确性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的资源选择模型的训练方法的流程图;
图3示意性示出了根据本公开实施例的生成与每个目标参数对应的资源序列的流程图;
图4示意性示出了根据本公开实施例的资源选择方法的流程图;
图5示意性示出了根据本公开实施例的月度优势股选择准确率;
图6示意性示出了根据本公开实施例的周度优势股选择准确率;
图7示意性示出了根据本公开实施例的回测分析图;
图8示意性示出了根据本公开实施例的资源选择模型的训练装置的结构框图;
图9示意性示出了根据本公开实施例的资源选择装置的结构框图;以及
图10示意性示出了根据本公开实施例的适于实现资源选择模型的训练方法或资源选择方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
在本公开的技术方案中,所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
股票的预测主要是通过采用建立数学模型的方法评价股票可投资性,在减少了非理性买卖的同时发掘到隐含的买卖时机,为投资人带来另一个建立投资组合的思路。现有的数学模型需要处理大量与金融相关的参数数据,而且大量与金融相关的参数数据对股票影响力不同,从而在占用大量计算资源的同时还使得模型的预测准确率低。
有鉴于此,本公开的实施例提供了一种资源选择模型的训练方法,包括:获取与多个资源对应的在第i预设时间段内的初始参数集,其中,初始参数集包括多个初始参数,不同的初始参数对不同资源的资源值的影响程度不同。根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列,其中,资源序列至少包括对多个基于预设排序规则排列的资源进行划分得到的第一序列和第二序列,目标参数是基于预设判定规则从初始参数中确定的。针对每个资源序列,在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下,将与资源序列对应的目标参数确定为有效参数。基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源;利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
图1示意性示出了根据本公开实施例的资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如股票预测类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的资源选择模型的训练方法或资源选择方法一般可以由服务器105执行。相应地,本公开实施例所提供的资源选择模型的训练装置或资源选择装置一般可以设置于服务器105中。本公开实施例所提供的资源选择模型的训练方法或资源选择方法方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的资源选择模型的训练装置或资源选择装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图4对公开实施例的资源选择模型的训练方法进行详细描述。
图2示意性示出了根据本公开实施例的资源选择模型的训练方法的流程图。
如图2所示,该实施例的资源选择模型的训练方法包括操作S210~操作S250。
在操作S210,获取与多个资源对应的在第i预设时间段内的初始参数集。
在操作S220,根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列。
在操作S230,针对每个资源序列,在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下,将与资源序列对应的目标参数确定为有效参数。
在操作S240,基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源。
在操作S250,利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
根据本公开的实施例,通过第一终端设备输入训练指令,以使得服务器响应于该训练指令,从而调用接口从数据库中获取初始参数集,利用处理器依据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列。
根据本公开的实施例,处理器依据操作S230从多个目标参数中确定有效参数。将有效参数存储至存储器中,也可以将上述有效参数通过可视化设备向工作人员进行展示。
根据本公开的实施例,利用处理器基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源。将已标记的训练资源和未标记的训练资源存储至存储器中。
根据本公开的实施例,将多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
根据本公开的实施例,初始参数集包括多个初始参数,不同的初始参数对不同资源的资源值的影响程度不同。初始参数可以是影响资源的资源值的因子。
根据本公开的实施例,上述资源例如可以是资产设备,网点数量,用户流量等。以资源是网点数量为例,初始参数可以是影响网点数量的各种参数。资源值可以是网点效益值。例如,初始参数可以是人流量、交通拥堵时长、预定范围人口数、可到达该网点的交通方式数目、配套设施、治安环境、租金成本等。
具体地,例如,资源可以包括3种候选网点数量,分别是甲候选网点数量、乙候选网点数量和丁候选网点数量,甲候选网点数量可以是3个,分别是A地、B地和C地。乙候选网点数量可以是2个,分别是A地和C地。丁候选网点数量可以是1个,包括的是B地。初始参数可以是人流量、交通拥堵时长、预定范围人口数、租金成本。其中,若通过预设判定规则确定租金成本是目标参数的情况下,租金成本对甲甲候选网点数量的重要性是80%,对乙候选网点数量的重要性是60%,对丁候选网点数量的重要性是10%,生成目标参数完播率的资源序列可以按照对甲候选网点数量、乙候选网点数量和丁候选网点数量的顺序排列,并依次计入序列中;也可将各候选网点数量所对应的重要性进行标记并计入序列中,可以表示为(80%,60%,10%)。
根据每个目标参数对应的资源序列,可以将资源序列依据网点效益值进行降序排列,其中预设排序规则是网点效益值进行降序排列。将该资源序列划分得到第一序列和第二序列。第一序列可以是网点效益值最多的候选网点数量,第二序列可以是网点效益值最少的候选网点数量。第一目标资源值可以是第一序列的网点效益值,可以表示为V1;第二目标资源值可以是第二序列的网点效益值,可以表示为V2。本公开的资源总值下限可以是最低候选网点数量的网点效益值,可表示为Vmin,有效参数应使在V1大于Vmin,并且V2小于Vmin。
假设第i+1预设时间段内可以是2022年6月份时间段内,根据2022年6月份候选网点数量的数据进行标注后,得到具有标识的训练资源。再利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。
例如,资源可以是金融领域的股票,此时初始参数可以是影响股票股价的各种因子,例如,账面市值比、现金流量市值比、市盈率、市净率、市销率、资产回报率、EBITDA、市值、简单收益率、DIF、DEA、MACD、VOL5、VOL10、动量、情绪指数。
其中,账面市值比(BM)=股东权益/公司市值=(每股净资产x流通股数)/(流通股数x每股股价)=每股净资产/每股股价=市净率的倒数。现金流量市值比=过去12个月的净经营现金流/股票市值=过去12个月的净经营现金流/(流通股数×每股股价)。市盈率=∑(收盘价×发行数量)/∑(每股收益×发行数量)。市净率=(股票在指定交易日期的收盘价*截至当日公司总股本)/(归属母公司股东的权益MRQ-其他权益工具)。
市销率=(股票在指定交易日期的收盘价×截至当日公司总股本)/营业总收入。资产回报率=税后净利润/总资产。一般企业的EBITDA=(营业总收入-营业税金及附加)-(营业成本+利息支出+手续费及佣金支出+销售费用+管理费用+研发费用+资产减值损失)+(固定资产折旧、油气资产折耗、生产性生物资产折旧)+无形资产摊销+长期待摊费用摊销;银行业的EBITDA=(营业总收入-营业税金及附加)-(营业成本+管理费用+资产减值损失)+(固定资产折旧、油气资产折耗、生产性生物资产折旧+无形资产摊销+长期待摊费用摊销)。
DIF=快的指数移动平均线(EMA12)-慢的指数移动平均线(EMA26)。DEA=DIF的9日移动平均;MACD=DIF-DEA。VOL5是5日换手率的均值;VOL10是10日换手率的均值。动量=滞后21个交易日的过去504个交易日股票超额对数收益率的指数加权之和。其中指数权重半衰期为126个交易日。停牌股票收益率为0,上市之前收益率为nan。情绪指数是指每只股票名称或代码在互联网中的每日搜索指数。
根据本公开的实施例,资源序列至少包括对多个基于预设排序规则排列的资源进行划分得到的第一序列和第二序列,目标参数是基于预设判定规则从初始参数中确定的。
例如,基于预设排序规则可以是阈值设置,高于第一阈值的资源值对应的资源可以是第一序列,低于第二阈值的资源值对应的资源可以是第二序列。基于预设排序规则还可以是资源值降序排列中前10个资源为第一序列,最后10个资源为第一序列。基于预设排序规则并不限制于资源值设置,也可以是相关性设置,也可以是其他预设排序规则的特征数值设置。特征数值可以是反映影响资源程度的特征。
例如,预设判定规则可以是将初始参数影响资源的资源值的相关性或重要性的数值进行降序排序,可以设定前50个为目标参数。预设判定规则可依据资源数值与初始参数的关系进行调整设置,并不局限于相关性或重要性,目标参数数目也不局限于50个。例如,资源可以是5个股票,分别是A股票、B股票、C股票、D股票和E股票,初始参数可以是市销率、市值、账面市值比。其中若通过预设判定规则确定市销率是目标参数的情况下,市销率对A股票影响程度为70%、对B股票影响程度为20%、对C股票影响程度为10%、对影响程度为D股票为80%和对影响程度E股票为50%,生成目标参数市销率的资源序列可以按照对A股票、B股票、C股票、D股票和E股票的顺序排列,依次计入序列中;也可将各股票所对应的影响程度计入序列中,可以表示为(70%,20%,10%,80%,50%)。
根据本公开的实施例,从资源序列中满足第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的条件的资源序列,将满足条件的资源序列所对应的目标参数确定为有效参数。
例如,第一序列可以是赢家组合,第二序列可以是输家组合。第一目标资源值可以是赢家组合的超额收益率,第二目标资源值可以是输家组合的超额收益率。超额收益率就是组合收益率减去以沪深三百指数为基准的市场收益率:
Ari=ri-rm (1)
其中,Ari表示序列的超额收益率,ri表示序列的组合收益率,rm表示以沪深三百指数为基准的市场收益率。
假设MinReturn表示最小收益,即本公开的资源总值下限,有Ar1、Ar2分别表示第一序列、第二序列的超额收益率。有效参数应使Ar1满足公式(2)与Ar2与满足公式(3)。
Ar1>MinReturn (2)
Ar2<MinReturn (3)
计算超额收益率可以选用其他基准的市场收益率。
根据本公开的实施例,标识可以是二分类标识,也可以是多分类标识。
根据本公开的实施例,初始选择模型对多个有效参数和多个具有标识的训练资源进行分类训练,得到经训练的资源选择模型。
根据本公开的实施例,通过第i预设时间段内的初始参数集的每个初始参数对资源值的影响程度,生成对应与目标参数的资源序列,在资源序列中第一序列的第一目标资源值大于资源总值下限且所述第二序列的第二目标资源值小于所述资源总值下限时将该目标参数确定为有效参数,从而将有效参数和多个所述具有标识的训练资源对初始选择模型进行分类训练,得到经训练的所述资源选择模型。由于通过初始参数对每个资源的影响程度确定目标参数下的资源序列,并将资源序列中的第一序列和第二序列满足条件时将该目标参数确定为有效参数,从而资源选择模型在训练时能够使用对资源的资源值有较大影响的有效参数进行训练,有效避免了将大量未经筛选的初始参数直接用于资源选择模型的训练造成的模型的收敛速度较慢以及准确率较低的问题。
图3示意性示出了根据本公开实施例的生成与每个目标参数对应的资源序列的流程图。
如图3所示,根据每个所述初始参数对每个所述资源的资源值的影响程度,生成与每个目标参数对应的资源序列,包括操作S310~操作S340。
在操作S310,针对每个初始参数,计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列。
在操作S320,根据暴露-回报相关性序列的绝对值和标准差,生成初始参数的中间相关性。
在操作S330,基于第一预设筛选规则,从多个中间相关性中确定多个目标相关性,并将与每个目标相关性对应的初始参数确定为目标参数。
在操作S340,针对每个目标参数,基于预设排序规则对多个资源在目标参数下的参数值进行排序,得到第一排序结果。根据第一排序结果,确定第一序列和第二序列。
根据本公开的实施例,暴露-回报相关性序列包括与每个资源对应的暴露-回报相关性,暴露-回报相关性表征初始参数对资源的资源值的影响程度。例如,资源可以是股票,暴露-回报相关性可以是IC,IC是每一个时间界面银子暴露和当前回报的相关性。中间相关性可以是ICRC,ICRC是IC序列的绝对值除以IC序列的标准差。ICRC的绝对值越大,初始参数的有效性越强。考虑到不同初始参数对资源数值影响的不同,计算IC时可选用因子的一次方值和二次方值,保留一次方值和二次方值中相关系数绝对值最大。
例如,第一预设筛选规则可以是计算出某一时间某一初始参数的IC序列后,计算该初始参数对应的ICIR。对所有的初始参数的ICIR进行排序,取前50个初始参数为目标参数。
例如,针对50个目标参数,资源共有100种股票,目标参数下的参数值可以是收益率、市盈率指标等。预设排序规则可以是将目标参数下的参数值降序排列,得到每个目标参数下多个资源的第一排序结果。根据第一排序结果,可以取前每个目标参数下前10个股票为第一序列,可以取每个目标参数下最后10个股票为第二序列。其中,第一序列可以表示赢家组合,第二序列可以表示输家组合。赢家组合明显跑赢市场,即第一序列的第一目标资源值大于资源总值下限,输家组合明显跑输市场,即第二序列的第二目标资源值小于资源总值下限。
根据本公开的实施例,通过计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列,根据暴露-回报相关性序列的绝对值和标准差生成初始参数的中间相关性,最后依据第一预设筛选规则得到目标参数。通过中间相关性得到有效的目标参数,可减少模型训练的冗余数据量,提升训练速度,提高预测准确性。
根据本公开的实施例,根据第一排序结果,确定第一序列和第二序列,包括:
基于第二预设筛选规则,从第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值。将与每个第一目标参数值对应的资源确定为第一序列中的一个目标资源。将与每个第二目标参数值对应的资源确定为第二序列中的一个目标资源。
例如,第二预设筛选规则可以是依据据第一排序结果,将目标参数的资源进行等份分组,将目标参数值最大的一组确定为多个第一目标参数值;将目标参数值最小的一组确定为多个第二目标参数值。
例如,假设50个目标参数,每个目标参数下有100种股票,目标参数下的参数值可以是市盈率指标。根据第一排序结果,将目标参数的股票依次序划分为10等份,可以取每个目标参数下前10个股票的市盈率指标为第一目标参数值,可以取每个目标参数下后10个股票的市盈率指标为第二目标参数值。将每个目标参数下前10个股票确定为第一序列中的目标资源。将每个目标参数下后10个股票确定为第二序列中的目标资源。
根据本公开的实施例,基于第二预设筛选规则得到目标资源,目标资源能够使目标参数的有效性更加明显,可提高模型训练速度。
根据本公开的实施例,在将与资源序列对应的初始参数确定为有效参数之前,还包括:
计算第一序列获取大于资源预设值的第一目标资源值的第一概率。计算第二序列获取大于资源预设值的第二目标资源值的第二概率。在第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的情况下,将与资源序列对应的初始参数确定为有效参数。
例如,预设值可以设置为以沪深三百指数为基准的市场收益率,第一序列的资源值可以是组合收益率,第一目标资源值可以是第一序列的超额收益率。第二序列的资源值可以是组合收益率,第二目标资源值可以是第一序列的超额收益率。第一目标资源值与第二目标资源值计算方法如公式(1)所示。
假设MinProb表示获得最小收益的概率,即资源总值下限概率,有Ar1、Ar2分别表示第一序列、第二序列的超额收益率,Ar1、Ar2分别为第一目标资源值、第二目标资源值。有效参数应使Ar1满足公式(4)与Ar2满足公式(5),其中P是概率。
P{Ar1>0}>MinProb (4)
P{ Ar2<0}>MinProb (5)
根据本公开的实施例,通过筛选能使第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的初始参数确定为有效参数,降低大量初始参数对模型训练的干扰,使用基于有效参数训练的模型在预测时的预测准确率更高。
根据本公开的实施例,上述方法还包括:
对多个初始数据中存在的空缺值进行补缺处理,得到多个第一目标数据,其中,初始数据包括资源或训练资源。对多个第一目标数据进行极值替换处理,得到多个第二目标数据。对多个第二目标数据进行归一化处理,得到多个目标数据,以利用目标数据计算影响程度或对初始选择模型进行训练。
例如,多个初始数据中存在空缺值,可采用不删除空值的数据,而用行业均值进行填充,从而得到多个第一目标值。行业均值可以是股票所述行业的均值。
根据本公开的实施例,数据的标准化或归一化对极值有较强的敏感性,因此对极值进行替换处理。极值替换处理可以是缩尾处理,即将数据中超出指定百分位数值的数据使用该指定百分位数保留的临近数值替换。
例如,以95%为分界点,超出这个分界点的部分就使用该百分位点的数值进行替换。1~100中,以95%为分界点,那么1~4替换成5、96~100替换成95,从而得到多个第二目标数据属于[5,95]的区间值。
根据本公开的实施例,对多个第二目标数据进行归一化处理,即将数据通过min-max标准化统一映射到[0,1]区间上。
其中,xi是第i个第二目标数据,xmin是多个第二目标数据中最小值,xmax是序列中最大值,x0是归一化处理后的第i个目标数据。
归一化处理不改变数据之间的相对距离,更适用于该场景下的随机森林模型。考虑到每一序列的数据最大最小值均不同,不能同时标准化,可以滚动地对每一个序列的数据分别进行标准化。
根据本公开的实施例,通过对初始数据进行补缺处理、极值替换处理和归一化处理,从而得到目标数据,提升模型训练的速度。
根据本公开的实施例,基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源,包括:
基于训练资源在第i+1预设时间段内的资源值,对多个训练资源进行排序,得到第二排序结果。对第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源。
例如,预设标识规则可以是将1000个资源按照资源值降序排列,得到第二排序结果,依据第二排序结果确定各资源的标识信息。再将1000个训练资源进行标记处理,就得到具有标识信息的1000个训练资源。
根据本公开的实施例,基于预设标识规则对训练资源进行标记,利于模型训练中训练资源高表现。
根据本公开的实施例,对第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源,包括:
将第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识。将第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识。将第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。
例如,预设标识规则可以是将1000个训练资源按照资源值降序排列,得到第二排序结果。第一数值可以取排序第150的资源值,第二数值可以取排序第850的资源值。即取前150个训练资源标记为第一标识,第一标识可以是1;取最后150个训练资源标记为第二标识,第二标识可以是-1;将第二排序结果中序号为150至850之间的多个训练资源的标识标记为第三标识,第三标识可以是0。
例如,训练资源可以是股票,资源值可以是简单收益率。股票的简单收益率计算公式:
其中,CurrentPrice是股票当前的收盘格,LastPrice是股票上一期的收盘价,SimpleReturn是股票简单收益率。简单收益率描述的是股票在这段时间的净回报率。
预设标识规则可以是将股票按照下月简单收益率进行升序排序,取前150支和后150支,分别标记为-1和1,剩余的标记为0。
根据本公开的实施例,通过对不同的数值的训练资源进行标识,使模型训练中训练资源高表现,可提高模型训练的准确度。
根据本公开的实施例,上述方法还包括:
针对具有第一标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下,将训练资源的第一标识更新为第三标识,其中,初始资源值表征训练资源在第i+1预设时间段中最后时刻时的资源值。针对具有第二标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值小于初始资源值的情况下,将训练资源的第二标识更新为第三标识。
例如,训练资源可以是股票,预设标识规则可以是将股票按照下月简单收益率进行升序排序,取前150支和后150支,分别标记为-1和1,剩余的标记为0。第一标识可以是-1,第二标识可以是1,第三标识可以是0。资源平均值可以是股票价格均值。
例如,对于月度数据来说,初始资源值可以是本月最后一天和上月最后一天的股票收盘价;对于周度数据来说,初始资源值可以是本周最后一天和上周最后一天的股票收盘价。
例如,计算本月和本周日度股票收盘价平均值,以此判断在下一时期内,股票价格走势。若股票价格均值高于该时期开始,说明这一时期内,股票价格有所上升,反之则说明股票价格下跌。
例如,第一标识为-1的股票中下月价格平均值大于本月收盘价的股票的第一标识-1更新为第三标识0。第二标识为1的股票中下月价格平均值小于本月收盘价的第二标识1更新为第三标识0。如此标记,可以使得不同资源中各个参数之间差别更显著,训练模型所得的特征有效参数明显。同时,也不会将下月价格下跌明显的股票识别为上涨,将下月价格上涨的股票识别为下跌。
根据本公开的实施例,通过判断预设时间段内得资源平均值是否大于初始资源值,从而进行标识更新处理,可减小训练资源标识分类得错误率,凸显模型训练中有效参数的作用。
根据本公开的实施例,初始选择模型包括回归树模型;其中,利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型,包括:
利用回归树模型对多个有效参数和多个具有标识的训练资源进行分类处理,得到分类结果,其中,分类结果包括多个分类子结果,分类子结果包括至少一个有效参数和与有效参数对应的训练资源。根据分类子结果和标签分类结果,得到预测准确率。根据预测准确率迭代地调整回归树模型的模型参数,得到经训练的资源选择模型。
例如,假设现在是2015年1月31日,采用用2014年12月31日的训练资源,根据2015年1月的数据进行标注后,带入回归树模型训练。再将2015年1月31日的训练资源的资源值带入回归树模型预测,可得到在下个月各个资源上涨的概率。各个资源按上涨概率进行降序排序,取前150支股票作为月度优势资源。
例如,得到月度优势股后,可以从周度数据选出包含在当月优势资源的数据,再进行去极值替换处理、归一化处理和标注等。同月度优势资源的算法,将周度数据带入回归树模型,使用前一周的资源数据以及标注进行训练,再代入当周的资源数据,得到下一周资源上涨的概率,取概率大小前10且概率大于70%的资源进行投资。
例如,根据预测准确率迭代地调整回归树模型的模型参数,模型参数可以是最优切分参数、随机切分参数等,从而得到经训练的资源选择模型。
根据本公开的实施例,通过训练回归树模型,依据预测的准确率迭代地调整回归树模型地参数,提高训练模型的预测准确度。
根据本公开的实施例,上述方法还包括:
获取第m预设时间段内的验证资源集,其中,验证资源集包括多个验证资源、多个验证参数和分类验证标签。利用资源选择模型对多个验证资源和多个验证参数进行分类处理,得到验证分类结果。根据验证分类结果和分类验证标签,得到验证准确率。在验证准确率不满足准确性阈值的情况下,根据验证准确率迭代地调整资源选择模型的模型参数,得到调整后的资源选择模型。
例如,获取的验证资源集是前三月的股票数据集,股票数据集中验证资源可以是各股票的收益率、股票价格等数据,验证参数可以是影响股票数值的资产回报率、账面市值、市值简单收益率等因子,分类验证标签可以是各股票所具有的标识。资源选择模型可以是回归树模型,也可以是深度学习模型、支持向量机模型等。
例如,准确性阈值可以设置为95%,在验证准确率不满足准确性阈值95%的情况下,根据资源选择模型得到的验证准确率跌代地调整资源选择模型的模型参数,得到调整后的资源选择模型。
根据本公开的实施例,通过设置在准确率不满足准确性阈值地情况下进行调整模型参数,可及时进行模型调参,利于训练好的资源选择模型,进而提高准确率。
图4示意性示出了根据本公开实施例的资源选择方法的流程图。
如图4所示,该实施例的资源选择方法,包括操作S410~操作S420。
在操作S410,获取第i时刻的资源参数和多个待预测资源。
在操作S420,将资源参数和多个待预测资源输入资源选择模型,输出预测分类结果。
根据本公开的实施例,预测分类结果包括资源参数和与资源参数对应的至少一个目标预测资源,目标预测资源表征在第i+1时刻可选择的待预测资源。
根据本公开的实施例,资源参数可以是上文确定的有效参数,待预测资源可以是下个月份的有效参数所对应的资源。将有效参数和下个月份的有效参数所对应的资源输入资源选择模型,输出预测分类结果。
根据本公开的实施例,资源选择方法可根据资源参数和多个待预测资源输入至资源选择模型,从而得到资源参数和目标预测资源,便于资源选择,提高效率。
例如,假设是2022年6月30日,采用2022年5月31日的训练资源。训练资源可以是2022年5月31日的网点数量。根据2022年6月的数据进行标注后,带入回归树模型训练。再将2022年6月30日的训练资源的资源值带入回归树模型预测,可得到在下个月的各网点数量的效益值增长概率。各个网点数量按照网点效益值增长的概率进行降序排列,取前3个网点数量作为优势资源。
例如,通过将滚动数据输入资源选择模型进行训练和预测,可得到在下个月上涨概率高的股票。假设现在是2015年1月31日,用2014年12月31日的有效参数数值。将2015年1月的股票进行标记处理,得到月度训练资源。将月度训练资源输入至资源选择模型进行训练,再将2015年1月31日的有效参数输入模型预测可得到在下个月各个股票上涨的概率。各个股票按上涨概率进行降序排序,可以取前150支股票作为月度优势股。图5示意性示出了根据本公开实施例的月度优势股准确率,得到2015年1月30日至2021年11月30中每个月的准确率大部分高于60%,最低也大于50%,模型训练效果良好。
例如,得到月度优势股后,从周度的股票和初始参数中筛选出包含在当月优势股的有效参数和有效参数对应的股票,得到周度训练资源。同月度优势股将周度数据训练资源输入至资源选择模型,使用前一周的有效参数以及标注进行训练,得到下一周股票上涨的概率,可以取概率大小前10且概率大于70%的股票进行投资。如图6示意性示出了根据本公开实施例的周度优势股准确率,得到2015年1月30日至2021年11月30中每个周的准确率。从周度选股中,整体上看准确率大多高于50%,模型是有效的。
例如,如图7所示,回测的策略收益率为875.65%,策略年化收益率为39.81%,远超同期股市总体的回报率。从大盘整体趋势上看,模型在市场行情下跌的情况下,可以有效避免选出下跌幅度大的股票,而在市场行情平稳以及上升的态势中,可以选出上涨幅度更大的股票,为模型提供超额收益。
利用本公开的资源选择方法确定的第i+1时刻可选择的待预测资源,基于此待预测资源对其进行分析,可以得到如表1所示的参数结果,从参数结果来看,模型的性能都较为优秀。
表1
基于上述资源选择模型的训练方法,本公开还提供了一种资源选择模型的训练装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的资源选择模型的训练装置的结构框图。
如图8所示,该实施例的资源选择模型的训练装置800包括第一获取模块810、生成模块820确定模块830、标记模块840和分类训练模块850。
第一获取模块810用于获取与多个资源对应的在第i预设时间段内的初始参数集。在一实施例中,第一获取模块810可以用于执行前文描述的操作S210,在此不再赘述。
生成模块820用于用于根据每个初始参数对每个资源的资源值的影响程度,生成与每个目标参数对应的资源序列。在一实施例中,生成模块820可以用于执行前文描述的操作S220,在此不再赘述。
确定模块830用于针对每个资源序列,在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下,将与资源序列对应的目标参数确定为有效参数。在一实施例中,确定模块830可以用于执行前文描述的操作S230,在此不再赘述。
标记模块840用于基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源。在一实施例中,标记模块840可以用于执行前文描述的操作S240,在此不再赘述。
分类训练模块850用于利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练,得到经训练的资源选择模型。在一实施例中,分类训练模块850可以用于执行前文描述的操作S250,在此不再赘述。
根据本公开的实施例,生成模块820包括计算子模块、生成子模块、第一确定子模块、第一排序子模块和第二确定子模块。其中,计算子模块,用于针对每个初始参数,计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列,其中,暴露-回报相关性序列包括与每个资源对应的暴露-回报相关性,暴露-回报相关性表征初始参数对资源的资源值的影响程度。生成子模块,用于根据暴露-回报相关性序列的绝对值和标准差,生成初始参数的中间相关性。第一确定子模块,用于基于第一预设筛选规则,从多个中间相关性中确定多个目标相关性,并将与每个目标相关性对应的初始参数确定为目标参数。第一排序子模块,用于针对每个目标参数,基于预设排序规则对多个资源在目标参数下的参数值进行排序,得到第一排序结果。第二确定子模块,用于根据第一排序结果,确定第一序列和第二序列。
根据本公开的实施例,第二确定子模块包括第一确定单元、第二确定单元和第三确定单元。其中,第一确定单元,用于基于第二预设筛选规则,从第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值。第二确定单元,用于将与每个第一目标参数值对应的资源确定为第一序列中的一个目标资源。第三确定单元,用于将与每个第二目标参数值对应的资源确定为第二序列中的一个目标资源。
根据本公开的实施例,上述训练装置800还包括第一计算模块、第二计算模块和第二确定模块。其中,第一计算模块,用于计算第一序列获取大于资源预设值的第一目标资源值的第一概率。第二计算模块,用于计算第二序列获取大于资源预设值的第二目标资源值的第二概率。第二确定模块,用于在第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的情况下,将与资源序列对应的初始参数确定为有效参数。
根据本公开的实施例,上述训练装置800还包括补缺模块、极值替换模块和归一化模块。其中,补缺模块,用于对多个初始数据中存在的空缺值进行补缺处理,得到多个第一目标数据,其中,初始数据包括资源或训练资源。极值替换模块,用于对多个第一目标数据进行极值替换处理,得到多个第二目标数据。归一化模块,用于对多个第二目标数据进行归一化处理,得到多个目标数据,以利用目标数据计算影响程度或对初始选择模型进行训练。
根据本公开的实施例,标记模块840包括第二排序子模块和标记子模块。其中,第二排序子模块用于基于训练资源在第i+1预设时间段内的资源值,对多个训练资源进行排序,得到第二排序结果。标记子模块,用于对第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源。
根据本公开的实施例,标记子模块包括第一标记单元、第二标记单元和第三标记单元。其中,第一标记单元,用于将第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识。第二标记单元,用于将第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识。第三标记单元,用于将第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。
根据本公开的实施例,标记子模块还包括第一更新单元、第二更新单元。其中,第一更新单元,用于针对具有第一标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下,将训练资源的第一标识更新为第三标识,其中,初始资源值表征训练资源在第i+1预设时间段中最后时刻时的资源值。第二更新单元,用于针对具有第二标识的训练资源,在训练资源在第i+2预设时间段内的资源平均值小于初始资源值的情况下,将训练资源的第二标识更新为第三标识。
根据本公开的实施例,分类训练模块850包括分类子模块、获得子模块和调整子模块。其中,分类子模块,用于利用回归树模型对多个有效参数和多个具有标识的训练资源进行分类处理,得到分类结果,其中,分类结果包括多个分类子结果,分类子结果包括至少一个有效参数和与有效参数对应的训练资源。获得子模块,用于根据分类子结果和标签分类结果,得到预测准确率。调整子模块,用于根据预测准确率迭代地调整回归树模型的模型参数,得到经训练的资源选择模型。
根据本公开的实施例,上述训练装置800还包括第二获取模块、分类模块、获得模块。其中,第二获取模块,用于获取第m预设时间段内的验证资源集,其中,验证资源集包括多个验证资源、多个验证参数和分类验证标签。分类模块,用于利用资源选择模型对多个验证资源和多个验证参数进行分类处理,得到验证分类结果。获得模块,用于根据验证分类结果和分类验证标签,得到验证准确率。调整模块,用于在验证准确率不满足准确性阈值的情况下,根据验证准确率迭代地调整资源选择模型的模型参数,得到调整后的资源选择模型。
根据本公开的实施例,第一获取模块810、生成模块820确定模块830、标记模块840和分类训练模块850中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块810、生成模块820确定模块830、标记模块840和分类训练模块850中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块810、生成模块820确定模块830、标记模块840和分类训练模块850中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
基于上述资源选择方法,本公开还提供了一种资源选择装置。以下将结合图9对该装置进行详细描述。
图9示意性示出了根据本公开实施例的资源选择模型的训练装置的结构框图。
如图9所示,该实施例的资源选择模型的训练装置900包括获取模块910和输出模块920。
获取模块910用于获取第i时刻的资源参数和多个待预测资源。在一实施例中,第一获取模块910可以用于执行前文描述的操作S410,在此不再赘述。
输出模块920,用于将资源参数和多个待预测资源输入资源以及选择模型,输出预测分类结果。在一实施例中,输出模块920可以用于执行前文描述的操作S420,在此不再赘述。
根据本公开的实施例,获取模块910和输出模块920中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块910和输出模块920中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块910和输出模块920中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于实现资源选择模型的训练方法、资源选择方法的电子设备的方框图。
如图10所示,根据本公开实施例的电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中,存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至输入/输出(I/O)接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至输入/输出(I/O)接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机***中运行时,该程序代码用于使计算机***实现本公开实施例所提供的资源选择模型的训练方法及/或资源选择方法。
在该计算机程序被处理器1001执行时执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1009被下载和安装,和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (16)
1.一种资源选择模型的训练方法,包括:
获取与多个资源对应的在第i预设时间段内的初始参数集,其中,所述初始参数集包括多个初始参数,不同的初始参数对不同资源的资源值的影响程度不同;
根据每个所述初始参数对每个所述资源的资源值的影响程度,生成与每个目标参数对应的资源序列,其中,所述资源序列至少包括对多个基于预设排序规则排列的所述资源进行划分得到的第一序列和第二序列,所述目标参数是基于预设判定规则从所述初始参数中确定的;
针对每个所述资源序列,在所述第一序列的第一目标资源值大于资源总值下限且所述第二序列的第二目标资源值小于所述资源总值下限的情况下,将与所述资源序列对应的目标参数确定为有效参数;
基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源;
利用多个所述有效参数和多个所述具有标识的训练资源对初始选择模型进行分类训练,得到经训练的所述资源选择模型。
2.根据权利要求1所述的方法,其中,根据每个所述初始参数对每个所述资源的资源值的影响程度,生成与每个目标参数对应的资源序列,包括:
针对每个所述初始参数,计算所述初始参数在所述预设时间段内对所有资源的暴露-回报相关性序列,其中,所述暴露-回报相关性序列包括与每个所述资源对应的暴露-回报相关性,所述暴露-回报相关性表征所述初始参数对所述资源的资源值的影响程度;
根据所述暴露-回报相关性序列的绝对值和标准差,生成所述初始参数的中间相关性;
基于第一预设筛选规则,从多个所述中间相关性中确定多个目标相关性,并将与每个所述目标相关性对应的初始参数确定为所述目标参数;
针对每个所述目标参数,基于所述预设排序规则对多个资源在所述目标参数下的参数值进行排序,得到第一排序结果;
根据所述第一排序结果,确定所述第一序列和所述第二序列。
3.根据权利要求2所述的方法,其中,根据所述第一排序结果,确定所述第一序列和所述第二序列,包括:
基于第二预设筛选规则,从所述第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值;
将与每个所述第一目标参数值对应的资源确定为所述第一序列中的一个目标资源;
将与每个所述第二目标参数值对应的资源确定为所述第二序列中的一个目标资源。
4.根据权利要求1所述的方法,其中,在将与所述资源序列对应的初始参数确定为有效参数之前,还包括:
计算所述第一序列获取大于资源预设值的第一目标资源值的第一概率;
计算所述第二序列获取大于资源预设值的第二目标资源值的第二概率;
在所述第一概率大于资源总值下限概率且所述第二概率大于所述资源总值下限概率的情况下,将与所述资源序列对应的初始参数确定为有效参数。
5.根据权利要求1所述的方法,还包括:
对多个所述初始数据中存在的空缺值进行补缺处理,得到多个第一目标数据,其中,所述初始数据包括所述资源或所述训练资源;
对多个所述第一目标数据进行极值替换处理,得到多个第二目标数据;
对多个所述第二目标数据进行归一化处理,得到多个目标数据,以利用所述目标数据计算所述影响程度或对所述初始选择模型进行训练。
6.根据权利要求1所述的方法,其中,基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源,包括:
基于训练资源在第i+1预设时间段内的资源值,对多个所述训练资源进行排序,得到第二排序结果;
对所述第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源。
7.根据权利要求6所述的方法,其中,对所述第二排序结果中的多个训练资源进行标记处理,得到多个具有标识的训练资源,包括:
将所述第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识;
将所述第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识;
将所述第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。
8.根据权利要求7所述的方法,还包括:
针对具有第一标识的训练资源,在所述训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下,将所述训练资源的第一标识更新为第三标识,其中,所述初始资源值表征所述训练资源在第i+1预设时间段中最后时刻时的资源值;
针对具有第二标识的训练资源,在所述训练资源在第i+2预设时间段内的资源平均值小于所述初始资源值的情况下,将所述训练资源的第二标识更新为第三标识。
9.根据权利要求1所述的方法,所述初始选择模型包括回归树模型;其中,利用多个所述有效参数和多个所述具有标识的训练资源对初始选择模型进行分类训练,得到经训练的所述资源选择模型,包括:
利用所述回归树模型对多个所述有效参数和多个所述具有标识的训练资源进行分类处理,得到分类结果,其中,所述分类结果包括多个分类子结果,所述分类子结果包括至少一个有效参数和与所述有效参数对应的所述训练资源;
根据所述分类子结果和标签分类结果,得到预测准确率;
根据所述预测准确率迭代地调整所述回归树模型的模型参数,得到经训练的所述资源选择模型。
10.根据权利要求1所述的方法,还包括:
获取第m预设时间段内的验证资源集,其中,所述验证资源集包括多个验证资源、多个验证参数和分类验证标签;
利用所述资源选择模型对多个所述验证资源和多个所述验证参数进行分类处理,得到验证分类结果;
根据所述验证分类结果和所述分类验证标签,得到验证准确率;
在所述验证准确率不满足准确性阈值的情况下,根据所述验证准确率迭代地调整所述资源选择模型的模型参数,得到调整后的所述资源选择模型。
11.一种资源选择方法,包括:
获取第i时刻的资源参数和多个待预测资源;
将所述资源参数和多个所述待预测资源输入资源选择模型,输出预测分类结果,其中,所述预测分类结果包括所述资源参数和与所述资源参数对应的至少一个目标预测资源,所述目标预测资源表征在第i+1时刻可选择的待预测资源;
其中,所述资源选择模型是基于权利要求1至10任一项所述的方法训练的。
12.一种资源选择模型的训练装置,包括:
第一获取模块,用于获取与多个资源对应的在第i预设时间段内的初始参数集;
生成模块,用于根据每个所述初始参数对每个所述资源的资源值的影响程度,生成与每个目标参数对应的资源序列;
确定模块,用于针对每个所述资源序列,在所述第一序列的第一目标资源值大于资源总值下限且所述第二序列的第二目标资源值小于所述资源总值下限的情况下,将与所述资源序列对应的目标参数确定为有效参数;
标记模块,用于基于预设标识规则,对第i+1预设时间段内的多个训练资源进行标记处理,得到多个具有标识的训练资源;以及
分类训练模块,用于利用多个所述有效参数和多个所述具有标识的训练资源对初始选择模型进行分类训练,得到经训练的所述资源选择模型。
13.一种资源选择装置,包括:
获取模块,用于获取第i时刻的资源参数和多个待预测资源;以及
输出模块,用于将所述资源参数和多个所述待预测资源输入资源选择模型,输出预测分类结果;
其中,所述资源选择模型是基于权利要求1至10任一项所述的方法训练的。
14.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~11中任一项所述的方法。
15.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~11中任一项所述的方法。
16.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720474.2A CN116756570A (zh) | 2023-06-16 | 2023-06-16 | 资源选择模型的训练方法、资源选择方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720474.2A CN116756570A (zh) | 2023-06-16 | 2023-06-16 | 资源选择模型的训练方法、资源选择方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756570A true CN116756570A (zh) | 2023-09-15 |
Family
ID=87950956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310720474.2A Pending CN116756570A (zh) | 2023-06-16 | 2023-06-16 | 资源选择模型的训练方法、资源选择方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756570A (zh) |
-
2023
- 2023-06-16 CN CN202310720474.2A patent/CN116756570A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190156426A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
CN109859052B (zh) | 一种投资策略的智能推荐方法、装置、存储介质和服务器 | |
RU2341821C2 (ru) | Устройство оценки технологий, программа оценки технологий и способ оценки технологий | |
CN109583966A (zh) | 一种高价值客户识别方法、***、设备及存储介质 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN112734559A (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN113742492A (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
Tran et al. | A contractor's classification of owner payment practices | |
CN112966189A (zh) | 一种基金产品推荐*** | |
WO2019144035A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CA3169417A1 (en) | Method of and system for appraising risk | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN113191681A (zh) | 网点选址方法、装置、电子设备及可读存储介质 | |
CN113962567A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
US20160284026A1 (en) | Investment advisor system and method | |
CN116756570A (zh) | 资源选择模型的训练方法、资源选择方法、装置及设备 | |
US20200286104A1 (en) | Platform for In-Memory Analysis of Network Data Applied to Profitability Modeling with Current Market Information | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 | |
Tan et al. | Investment recommendation with total capital value maximization in online P2P lending | |
KR102666173B1 (ko) | 금융 소비자 맞춤형 공시 분석 정보 제공 장치 및 방법 |
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 |