TWI749492B - 投資項目評分方法、推薦方法與系統 - Google Patents
投資項目評分方法、推薦方法與系統 Download PDFInfo
- Publication number
- TWI749492B TWI749492B TW109110114A TW109110114A TWI749492B TW I749492 B TWI749492 B TW I749492B TW 109110114 A TW109110114 A TW 109110114A TW 109110114 A TW109110114 A TW 109110114A TW I749492 B TWI749492 B TW I749492B
- Authority
- TW
- Taiwan
- Prior art keywords
- investment
- scoring
- user
- project
- projects
- Prior art date
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一種針對投資者與相似投資者的關聯性而演算投資項目分數的評分方法、推薦方法與系統,在評分方法中,根據提出投資推薦請求的使用者與其相似的投資者所得出的多個投資項目以及各投資項目相關的多種屬性之間的關聯性形成多個路徑,其中各路徑設有一權重值,所述方法根據多個路徑的連接關係隨機選擇多個演算路徑,還根據這些多個演算路徑個別的權重值計算一分數,經重複上述評分方法,可在多個路徑上隨機選擇不同的多個演算路徑,得出多個分數,再據此提出一投資項目的推薦清單。
Description
本發明涉及一種提供客戶投資項目的方法,特別是一種根據個人關聯性而利用數據分析實現的投資項目評分方法、推薦方法與系統。
一個金融商品投資者會依照各種資訊決定投資標的,有些金融機構會提供自我評估的問卷,經投資者填寫問卷中的各種問題後,再根據問卷結果對投資者進行綜合判斷,以評估出投資者的風險屬性,例如有保守型、穩健型、積極成長型等,之後,理財專員或是通過軟體判斷,根據所評估的風險屬性推薦投資者一些投資標的。
一個理性投資者會在幾個擁有相同預期回報的投資組合中間選擇其中風險最小的一個投資組合;或者,在另一種情況下,如果幾個投資組合擁有相同的投資風險,投資者會選擇預期回報最高的那一個。這樣的投資組合被稱為最佳投資組合(Efficient Portfolio)。
現行推薦投資者的投資組合方法,如一種「馬科維茨效率前沿(Markowitz Efficient Frontier)」,其中表示各種最佳投資組合的集合,而此馬科維茨效率前沿曲線上面的每一個點代表一個最佳投資組合,藉此能推斷投資人最佳投資組合。
說明書公開一種根據使用者與其相似投資者的關聯性提供使用者推薦投資項目的方法,在其中投資項目評分方法中,於一電腦系統中執行一評分演算法,其中先根據使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性形成多個路徑,各路徑設有一權重值,之後依據多個路徑的連接關係隨機選擇多個演算路徑,再根據所選擇的多個演算路徑個別的權重值,計算一分數。如此,經重複評分演算法,可在多個路徑上隨機選擇不同的多個演算路徑,以得出多個分數,所述多個分數分別表示多個投資項目的評分。
優選地,在評分方法中,可根據電腦系統中的資料庫所記載使用者的投資資料以及與使用者相似的其他投資者的投資資料,形成使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性,而所述使用者與其他投資者的相似度包括有相似的背景、相似的喜好與相似的投資行為。
優選地,所述投資行為包含使用者或其他投資者買過的各種投資項目、交易金額與交易時間的其中之一或任意組合;而所述喜好則是由使用者或其他投資者的個人化資料所得出,包含在金融網頁的瀏覽數據、往來產品、客群貼標註記、各類型資產餘額與其基本屬性。
進一步地,在所述評分演算法中,根據使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性所形成的多個路徑建立多個評分節點,評分演算法即自使用者的評分節點開始,在各評分節點上隨機選擇所連接的其他評分節點之一,最後連接到該多個投資項目其中之一所形成的評分節點,其中形成多個演算路徑,將多個演算路徑的多個權重值相加或相乘,以得出分數。
進一步地,可以根據重複評分演算法所得出的多個分數提出一投資項目的推薦清單,推薦清單中的投資項目包括包含股票、基金、期貨、債券、保險、衍生性商品與虛擬貨幣的其中之一或當中的任意組合。
根據投資項目評分系統的實施例,系統包括一電腦系統,其中依照功能可運行有推薦伺服器、分析伺服器與模型伺服器,電腦系統設有一處理器,以執行所述投資項目評分方法。在此方法中,先由推薦伺服器接收使用者提出的投資推薦請求,之後可自資料庫取得使用者的投資資料,得出與使用者相似的其他投資者的投資資料,以形成使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性。
於分析伺服器中,可根據使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性形成多個路徑,其中各路徑設有一權重值。
於模型伺服器中,依據多個路徑的連接關係隨機選擇多個演算路徑,根據所選擇的該多個演算路徑個別的權重值,可計算一分數,並重複評分演算法後,可在多個路徑上隨機選擇不同的多個演算路徑,之後得出多個分數,多個分數即分別表示多個投資項目的評分。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
以下是通過特定的具體實施例來說明本發明的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的保護範圍。
應當可以理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號,但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一信號與另一信號。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
說明書公開一種可以根據相似投資人的投資行為的關聯性而利用數據分析實現的投資項目評分方法、推薦方法與一投資項目評分系統,其中目的之一是可以使用相似使用者的偏好,並且在顧客可接受的風險屬性下推薦使用者熟悉可接受且會有興趣購買的多個有順序性的投資商品,也能提供新戶或沒有投資經驗的顧客合適的金融標的。
有別於現行的投資組合推薦方法,所提出的投資項目評分方法與推薦方法主要是先找出與客戶投資行為相似的其他投資者,並得出與此客戶相同偏好的其他投資者的投資標的,接著進行投資屬性資料分析,依照一定的相似度建立關聯此客戶的投資屬性資料,包括多個投資項目以及與各投資項目相關的多種屬性,形成演算法需要的節點,每個節點之間根據關聯性賦予權重值,能通過數學演算法在所得出的多個節點之間隨機遊走(或依照特定規則,如遊走路徑不能重複、限制遊走節點數量),綜合演算出多個投資項目的分數,這個結果成為提供客戶投資推薦的組合。
圖1顯示投資項目評分與推薦方法實施例流程圖,所述投資項目評分與推薦方法主要是運行於一電腦系統中,以電腦系統的處理器執行一評分演算法,可以讓銀行、證券公司等機構依據使用者(如銀行客戶)提出的投資推薦請求提供推薦清單。
在此方法中,如步驟S101,運行於電腦系統的軟體程序可以根據客戶特徵查詢資料庫,經比對資料庫數據後,可得出與使用者相似的其他投資者,包括有相似的背景、相似的喜好與相似的投資行為。此資料庫記載各種投資者(包括提出請求的使用者)的投資資料,包括各種投資的歷史數據,其中記載的投資行為包含使用者或其他投資者買過的各種投資項目、交易金額與交易時間的其中之一或任意組合。資料庫同樣也記載了有關各投資者的喜好,這些喜好資料可由使用者或其他投資者的個人化資料所得出,包含在金融網頁的瀏覽數據、往來產品、客群貼標註記、各類型資產餘額與其基本屬性等。
如此,如步驟S103,所述方法將根據提出投資推薦請求的使用者的投資資料,以及與此使用者相似的其他投資者的投資資料,得出關聯的投資項目以及屬性,並形成此使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性。
在步驟S105中,在電腦系統中,根據使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性形成多個路徑,這些路徑表示使用者、投資項目與屬性是基於客戶與投資項目與其屬性的關聯性所建立的連結關係,而使用者、投資項目與相關屬性都形成投資項目評分方法中演算法所需要的評分節點。且如步驟S107,將根據使用者與各種投資項目與屬性的關聯性設定每個路徑的權重值,因此得出節點之間連結關係的個人化權重值。
在步驟S109中,所執行的評分演算法可依據評分節點之間的多個路徑的連接關係隨機選擇多個演算路徑,再根據所選擇的多個演算路徑個別的權重值,計算一分數,分數的計算是要呈現出每個投資項目針對提出投資推薦請求的使用者的指數,可依據權重值設定的規則提出算法,例如可以將這些演算路徑上的權重相加得出,或是相乘得出。如此,可演算出客戶與不同投資項目的評分。
接著,可以重複以上描述的評分演算法,每次演算都在多個路徑上隨機選擇不同的多個演算路徑,之後得出多個分數,多個分數分別表示多個投資項目的評分,因此經過排序,如步驟S111,可產生推薦投資清單。
圖2顯示實現投資項目評分與推薦方法的系統實施例示意圖。
圖中顯示在系統端以電腦系統實現多種功能,可以分別以不同的軟體或硬體伺服器實現,以處理器執行相關方法流程。根據實施例,根據功能,系統端的電腦系統可設有推薦伺服器21、分析伺服器22以及模型伺服器23,並可設有記載投資者的個人基本資料、投資資料與喜好資料的資料庫24。
使用者可以操作終端裝置201中的軟體程式,通過網路20,提出一投資推薦請求,這個請求可帶有用戶端識別碼,例如使用者取得服務前應該通過註冊得到唯一代碼,或可以身分證字號、網頁瀏覽記錄(如Cookie)之其中之一作為識別使用者身份的依據。
在系統端,即由推薦伺服器21接收使用者提出的投資推薦請求。推薦伺服器21可自資料庫24取得使用者的投資資料,得出與使用者相似的其他投資者的投資資料,以形成使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性。舉例來說,推薦伺服器21自資料庫24取得使用者在過去一期間內已投資或曾查詢(依照網頁瀏覽記錄)之投資項目,並可依據此投資項目查詢其他投資者的投資資料,取得其他投資者相關的資料,同樣也包括歷史投資資料等。
之後,在分析伺服器22中,可根據使用者與其週邊資訊,包括具有投資關聯性的人的投資行為,進行分析,得出使用者與各種投資項目與其屬性的連結關係,也就是能根據所得出的使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性形成多個路徑,每個路徑表示一個連結關係,各路徑設有經過分析的個人化權重值,使得可在模型伺服器23中,依據多個路徑的連接關係隨機選擇多個演算路徑,根據所選擇的該多個演算路徑個別的權重值,計算分數。同樣地,經重複執行評分演算法,隨機選擇不同的多個演算路徑,之後得出多個分數,這些分數分別表示多個投資項目的評分。
值得一提的是,在所述分析伺服器22中,可針對相似使用者的其他投資者的各種投資項目清單分析現行投資行為,並將使用者過去成交投資標的(可表示使用者喜好)設定不同權重與個人化、投資商品資料,進行圖分析,送進模型伺服器23。在模型伺服器23中,可參考圖3顯示圖分析的示意圖,經過評分演算法隨機選擇其中演算路徑,可產生每一使用者對於各種投資項目(如金融商品)的喜好分數,最後則依據喜好分數由高至低排序,提供投資推薦清單。
其中可以簡訊、電子郵件、推播信息等方式通知使用者演算產生的投資推薦清單,投資推薦清單可以記載了各種演算法得出適合使用者屬性的投資項目排行。
在一實施例中,因為關聯於使用者的各種變數很多,所得出相似的投資者與相關投資項目可為變動值,得出的評分節點之間的演算路徑上的權重值也會隨著變動,因此,實現所述投資項目評分與推薦方法的投資項目評分系統可以設定為定時提供使用者投資推薦清單,其他還可即時向使用者播送風險等級、投資理財項目、系統每天更新運算推薦商品。
圖3顯示利用圖分析方法演算投資項目分數的實施例圖,此例顯示系統端的電腦系統中模型伺服器執行的圖分析的示意圖,當中顯示有多個依照使用者30與其相似投資者關聯性得出的各種評分節點32,評分節點32由使用者、投資項目與相關屬性組成。在實際應用中,所述投資項目包括包含股票、基金、期貨、債券、保險、衍生性商品與虛擬貨幣的其中之一或當中的任意組合。
此例中,以圖像表示的評分節點包括:使用者30,根據分析得出多種與使用者30相關的商品,如項目一P1、項目二P2以及項目三P3,以及分析得出與各樣商品相關的屬性如淨值(C1、C2、C3)、風險(T1、T2、T3)以及關聯的市場(M1、M2)。根據實施範例,所述各評分節點32所表示的意思包括:淨值C1可表示具有成長5%以上、淨值C2可表示成長10%以上,以及淨值C3可表示成長不到5%;各種風險等級如風險T1可表示為積極型、風險T2可表示為成長型,以及風險T3可表示為穩健保守型;市場M1如美國,以及市場M2如中國,分別也可表示為美元與人民幣等幣別。
圖中也顯示出,於分析伺服器中,根據使用者30、多個投資項目與各投資項目相關的多種屬性之間的關聯性所形成的多個路徑建立多個評分節點32,多個評分節點32之間依據關聯性建立有演算法會隨機遊走演算的路徑,其中各路徑設有一權重值。
更者,評分節點32中的每個節點之間具有一個路徑,每個路徑設有個人化的權重值,在所述的投資項目評分方法,其中各路徑的權重值愈高,表示使用者與投資項目或相關的屬性的關聯性愈高,其中與使用者直接相關的投資項目或其屬性的權重值較高,僅與使用者相似的其他投資者相關的投資項目或其屬性的權重值較低。
執行其中評分演算法時,可透過演算來學習節點與節點之間的權重關係。演算開始時,可自使用者30的節點開始,採隨機游走的方式,根據規則(例如限定步數、相同屬性(如淨值、風險與市場)並不會直接相連等),在各評分節點32上隨機選擇所連接的其他評分節點之一,最後連接到多個投資項目(P1、P2、P3)其中之一所形成的節點,其中形成多個演算路徑,將多個演算路徑的多個權重值相加或相乘,得出分數。此例顯示評分演算法連結了淨值C1、市場M1、淨值C2、風險T2、淨值C3、風險T1,最終連結到項目二P2,形成圖示的演算路徑305。
同理地,可以重複上述評分演算法,依據多個路徑的連接關係隨機選擇多個演算路徑,根據所選擇的該多個演算路徑個別的權重值,計算多個項目對應的多個分數,多個分數也就表示多個投資項目的評分,經排序後形成提供給使用者的投資推薦清單。
其中權重計算函式可參考圖4所示的實施例圖。圖式顯示為主體h、關係r與客體t以向量(包括方向與值)表示的關係,主體h表示如使用者,客體r表示投資項目,而關係r表示使用者與投資項目的關係為購買、賣出等。當系統取得使用者(主體h)與其他具有相似的背景、相似的喜好與相似的投資行為的投資者後,可以根據各自投資行為得出多種投資項目(客體t),包括使用者或其他投資者買過的各種投資項目、交易金額與交易時間的其中之一或任意組合。可以通過學習(如機器學習、大數據分析)得出主體h與客體t的關係強度(關係r),藉此得出如圖3示意表示在各個節點連線上的權重值,也就可以計算出推薦給使用者的各種投資項目的分數。
圖5繼續顯示投資項目評分與推薦方法另一實施例流程圖。
當系統接收使用者(如銀行客戶)提出投資推薦請求(步驟S501),並取得客戶特徵(步驟S503),所述特徵如使用者過去的投資行為產生的數據,在實際運行時,系統提出的模型伺服器會得出客戶過去的投資行為(每檔理財商品的交易金額占比)及參考過去購買同一類型理財商品的顧客其投資行為、理財商品基本資料(幣別、風險等級、所屬市場)、理財商品的動態表現(淨值變化、熱銷排名)、網路瀏覽點擊、本行往來產品、客群貼標註記、各類型資產餘額、顧客基本資料等資料進行圖形特徵的分析,如此可得出與此客戶具有投資關聯性的其他投資者(步驟S505),並得出關聯的投資項目與屬性(步驟S507)以及基於關聯性建立評分節點以及決定節點之間的權重值(步驟S509)。
可同時參考圖3顯示經過圖的評分演算法示意圖,上述從使用者個人資訊與其相似投資者得出的投資項目與屬性形成了如圖3的多個評分節點32,每個評分節點依照關聯性,彼此可以有一個連結關係,形成各種路徑,每個路徑上賦予個人化的權重值,中間各種投資項目與屬性形成的評分節點32外,最終也是要連結到多個投資項目P1、P2與P3。執行評分演算法時,從使用者30出發,演算法隨機遊走選擇所連結的評分節點32,演算過程中形成此圖例示意表示的一個演算路徑305,再將演算路徑305上經過的多個路徑上的權重值加總或是以特定算法得出分數,成為某個投資項目P1、P2或P3的分數。
在流程中,透過模型進行運算,根據設定條件隨機連線評分節點以計算投資項目評分,也就是計算出每一顧客對於每一理財商品的喜好分數(步驟S511),經重複評分演算法演算所得出的多個分數,最後則依據喜好分數由高至低排序作為當次推薦商品的順序,提供投資推薦清單(步驟S513)。
綜上所述,根據以上實施例的描述,所提出的投資項目評分方法為針對投資者與相似投資者的關聯性而演算投資項目分數,進而能根據評分結果提供推薦的投資清單,並包括實現這些方法的系統,而所提出的方法並不採用習知的馬科維茨效率前沿曲線推斷出最佳投資組合,而是依據與使用者(如銀行客戶)相似的其他投資者分析得出各種投資項目,經過演算法得出推薦此使用者熟悉可接受且會有興趣購買的多個有順序性的投資項目。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
201:終端裝置
20:網路
21:推薦伺服器
22:分析伺服器
23:模型伺服器
24:資料庫
h:主體
r:關係
t:客體
32:評分節點
C1, C2, C3:淨值
M1, M2:市場
T1, T2, T3:風險
P1:項目一
P2:項目二
P3:項目三
30:使用者
305:演算路徑
步驟S101~S111投資項目評分與推薦流程
步驟S501~S513投資項目評分與推薦流程
圖1顯示投資項目評分與推薦方法實施例流程圖之一;
圖2顯示實現投資項目評分與推薦方法的系統實施例示意圖;
圖3顯示利用圖分析方法演算投資項目分數的實施例圖;
圖4示意表示權重計算函式實施例圖;
圖5顯示投資項目評分與推薦方法實施例流程圖之二。
S101根據客戶特徵得出相似投資者
S103得出關聯的投資項目以及屬性
S105基於客戶與投資項目與其屬性的關聯性建立連結關係
S107得出連結關係的個人化權重值
S109演算客戶與不同投資項目的評分
S111產生推薦投資清單
Claims (13)
- 一種投資項目評分方法,包括:於一電腦系統中,以一處理器執行一評分演算法,根據一使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性形成多個路徑,其中各路徑設有一權重值,其中,設定該權重值的依據是,與該使用者直接相關的投資項目或直接相關的各投資項目的屬性的各路徑的權重值較高,表示該使用者與該投資項目或相關的屬性的關聯性較高;僅與該使用者相似的其他投資者相關的投資項目或僅相似的各投資項目的屬性的各路徑的權重值較低,表示該使用者與該投資項目或相關的屬性的關聯性較低;依據該多個路徑的連接關係隨機選擇多個演算路徑,根據所選擇的該多個演算路徑個別的權重值,計算一分數;以及重複該評分演算法,在該多個路徑上隨機選擇不同的多個演算路徑,之後得出多個分數,該多個分數分別表示多個投資項目的評分。
- 如請求項1所述的投資項目評分方法,其中,根據該電腦系統中的一資料庫所記載該使用者的投資資料以及與該使用者相似的其他投資者的投資資料,形成該使用者、該多個投資項目與各投資項目相關的該多種屬性之間的關聯性。
- 如請求項2所述的投資項目評分方法,其中與該使用者相似的其他投資者包括有相似的背景、相似的喜好與相似的投資行為。
- 如請求項3所述的投資項目評分方法,其中該投資行為包含該使用者或其他投資者買過的各種投資項目、交易金額與交易時間的其中之一或任意組合。
- 如請求項3所述的投資項目評分方法,其中該喜好由該使用 者或其他投資者的個人化資料所得出,包含在金融網頁的瀏覽數據、往來產品、客群貼標註記、各類型資產餘額與其基本屬性。
- 如請求項1至5中任一項所述的投資項目評分方法,其中,於該評分演算法中,根據該使用者、該多個投資項目與各投資項目相關的該多種屬性之間的關聯性所形成的該多個路徑建立多個評分節點,該評分演算法自該使用者的評分節點開始,在各評分節點上隨機選擇所連接的其他評分節點之一,最後連接到該多個投資項目其中之一所形成的評分節點,其中形成該多個演算路徑,將該多個演算路徑的多個權重值相加或相乘,得出該分數。
- 一種依據如請求項1所述的投資項目評分方法所得出的多個分數所提出的投資項目推薦方法,包括:根據重複該評分演算法所得出的該多個分數,提出一投資項目的推薦清單。
- 如請求項7所述的投資項目推薦方法,其中該投資項目包括包含股票、基金、期貨、債券、保險、衍生性商品與虛擬貨幣的其中之一或當中的任意組合。
- 一種投資項目評分系統,包括:一電腦系統,其中運行一推薦伺服器、一分析伺服器與一模型伺服器,設有一處理器,執行一評分演算法,包括:由該推薦伺服器接收一使用者提出的一投資推薦請求;自一資料庫取得該使用者的投資資料,得出與該使用者相似的其他投資者的投資資料,以形成該使用者、多個投資項目與各投資項目相關的多種屬性之間的關聯性;於該分析伺服器中,根據該使用者、該多個投資項目與各投資項目相關的該多種屬性之間的關聯性形成多個路徑,其中各路徑設有一權重值,其中,設定該權重值的 依據是,與該使用者直接相關的投資項目或直接相關的各投資項目的屬性的各路徑的權重值較高,表示該使用者與該投資項目或相關的屬性的關聯性較高;僅與該使用者相似的其他投資者相關的投資項目或僅相似的各投資項目的屬性的各路徑的權重值較低,表示該使用者與該投資項目或相關的屬性的關聯性較低;於該模型伺服器中,依據該多個路徑的連接關係隨機選擇多個演算路徑,根據所選擇的該多個演算路徑個別的權重值,計算一分數;以及重複該評分演算法,在該多個路徑上隨機選擇不同的多個演算路徑,之後得出多個分數,該多個分數分別表示多個投資項目的評分。
- 如請求項9所述的投資項目評分系統,其中與該使用者相似的其他投資者包括有相似的背景、相似的喜好與相似的投資行為。
- 如請求項10所述的投資項目評分系統,其中該投資行為包含該使用者或其他投資者買過的各種投資項目、交易金額與交易時間的其中之一或任意組合。
- 如請求項10所述的投資項目評分系統,其中該喜好由該使用者或其他投資者的個人化資料所得出,包含在金融網頁的瀏覽數據、往來產品、客群貼標註記、各類型資產餘額與其基本屬性。
- 如請求項9至12中任一項所述的投資項目評分系統,其中,於該評分演算法中,根據該使用者、該多個投資項目與各投資項目相關的該多種屬性之間的關聯性所形成的該多個路徑建立多個評分節點,該評分演算法自該使用者的評分節點開始,在各評分節點上隨機選擇所連接的其他評分節點之一, 最後連接到該多個投資項目其中之一所形成的評分節點,其中形成該多個演算路徑,將該多個演算路徑的多個權重值相加或相乘,得出該分數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110114A TWI749492B (zh) | 2020-03-26 | 2020-03-26 | 投資項目評分方法、推薦方法與系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110114A TWI749492B (zh) | 2020-03-26 | 2020-03-26 | 投資項目評分方法、推薦方法與系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202137118A TW202137118A (zh) | 2021-10-01 |
TWI749492B true TWI749492B (zh) | 2021-12-11 |
Family
ID=79601061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109110114A TWI749492B (zh) | 2020-03-26 | 2020-03-26 | 投資項目評分方法、推薦方法與系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI749492B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770629A (zh) * | 2008-12-31 | 2010-07-07 | 杨冠平 | 基于期货投资者自身历史交易数据的诊断***和方法 |
TW201913516A (zh) * | 2017-08-28 | 2019-04-01 | 楊少銘 | 一種金融商品自動化投資分析決策系統及方法 |
US20190197626A1 (en) * | 2006-12-22 | 2019-06-27 | Peter J. JOHANSSON | Computer-implemented method for portfolio construction and indexation of securities under a noisy market hypothesis |
TW201933197A (zh) * | 2018-01-18 | 2019-08-16 | 中國信託商業銀行股份有限公司 | 智能理財方法 |
-
2020
- 2020-03-26 TW TW109110114A patent/TWI749492B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197626A1 (en) * | 2006-12-22 | 2019-06-27 | Peter J. JOHANSSON | Computer-implemented method for portfolio construction and indexation of securities under a noisy market hypothesis |
CN101770629A (zh) * | 2008-12-31 | 2010-07-07 | 杨冠平 | 基于期货投资者自身历史交易数据的诊断***和方法 |
TW201913516A (zh) * | 2017-08-28 | 2019-04-01 | 楊少銘 | 一種金融商品自動化投資分析決策系統及方法 |
TW201933197A (zh) * | 2018-01-18 | 2019-08-16 | 中國信託商業銀行股份有限公司 | 智能理財方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202137118A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Greenwald et al. | Value investing: from Graham to Buffett and beyond | |
Wang et al. | Copycats vs. original mobile apps: A machine learning copycat-detection method and empirical analysis | |
Ayedh et al. | Malaysian Muslim investors’ behaviour towards the blockchain-based Bitcoin cryptocurrency market | |
Jiménez et al. | The mediation of trust in country-of-origin effects across countries | |
Tsang et al. | Detecting online auction shilling frauds using supervised learning | |
US20080301060A1 (en) | Method for valuation and sale of private equity to accredited investors by means of a ranked, algorithmic, due diligence process | |
Rambocas et al. | Brand equity in Caribbean financial services: the moderating role of service providers | |
KR20230089513A (ko) | 인공지능에 기반한 투자유치 플랫폼 시스템 | |
Farooqi et al. | Effectiveness of Data mining in Banking Industry: An empirical study | |
Xuefeng et al. | Predicting the final prices of online auction items | |
TWM597468U (zh) | 投資項目評分系統 | |
Bookstaber et al. | Modeling a heterogeneous world | |
Hudson et al. | Factors influencing probability and frequency of participation in merger and partnership activity in agricultural cooperatives | |
Ma | Early backers' social and geographic influences on the success of crowdfunding | |
TWM613536U (zh) | 對於基金商品的投資風險評分系統 | |
US7401039B1 (en) | Analytical tools for a community of investors having investment portfolios | |
TWI749492B (zh) | 投資項目評分方法、推薦方法與系統 | |
KR102000519B1 (ko) | 유사 성향 고객의 투자 패턴을 이용한 주식 종목 추천 방법 및 이를 이용한 시스템 | |
Pater et al. | Segmenting users of an online store using data mining techniques | |
Tkachuk et al. | Identifying Substitute and Complementary Products for Assortment Optimization with Cleora Embeddings | |
Sfenrianto et al. | User Perspective on External Value Creation Factors in Indonesia e-Commerce | |
Kubota et al. | Content-based stock recommendation using smartphone data | |
Zhang et al. | The scoring matrix generation method and recommendation algorithm in P2P lending | |
Keerthana et al. | An Effective Approach to Cluster Customers with a Product Recommendation System | |
JP6902311B1 (ja) | 抽出システム、抽出方法および、抽出プログラム |