一种人工智能评估金融产品特征的系统技术方案

本发明专利技术公开了一种人工智能评估金融产品特征的系统，包括：数据采集模块，用于：采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据作为测试样本，金融产品的特征信息包括该金融产品的价格和/或行为；模型训练模块，用于：获取初始的深度学习模型，并利用训练样本对深度学习模型进行训练，得到具有预测功能的深度学习模型；数据预测模块，用于：将测试样本作为深度学习模型的输入，得到深度学习模型输出的金融产品在预测时刻的预测特征信息。通过这种方式实现金融产品价格和/或行为的预测，提高了预测准确度。

【技术实现步骤摘要】
一种人工智能评估金融产品特征的系统
本专利技术涉及深度学习
，更具体地说，涉及一种人工智能评估金融产品特征的系统。
技术介绍
金融产品指资金融通过程的各种载体，它包括货币、黄金、外汇、有价证券等。就是说，这些金融产品就是金融市场的买卖对象，供求双方通过市场竞争原则形成金融产品价格，如利率或收益率，最终完成交易，达到融通资金的目的。如果能够实现对某一时刻金融产品的价格或行为等信息的预测，对于金融行业具有重大的意义。现有技术中一般是由专业人员通过其专业知识和经验实现金融产品的价格或行为等信息预测的，但是这种方式容易受专业人员的主观影响，准确度较低。综上所述，如何提供一种预测准确度较高的金融产品的价格或行为预测方案，是目前本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种人工智能评估金融产品特征的系统，能够提高金融产品的价格或行为预测的准确度。为了实现上述目的，本专利技术提供如下技术方案：一种人工智能评估金融产品特征的系统，包括：数据采集模块，用于：采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据作为测试样本，所述金融产品的特征信息包括该金融产品的价格和/或行为；模型训练模块，用于：获取初始的深度学习模型，并利用所述训练样本对所述深度学习模型进行训练，得到具有预测功能的深度学习模型；数据预测模块，用于：将所述测试样本作为所述深度学习模型的输入，得到所述深度学习模型输出的所述金融产品在预测时刻的预测特征信息。优选的，还包括：模型选取模块，用于：获取外界输入的模型选取指令，并确定与所述模型选取指令对应的模型结构及模型参数；超参预置模块，用于：确定与所述模型结构对应的超参数，并基于预设方式选取出每个超参数的值，得到包括有所述模型结构、模型参数及超参数的初始的深度学习模型。优选的，所述超参设置模块包括：超参设置单元，用于利用仿真判断法选取每个超参数的值。优选的，所述模型训练模块包括：模型训练单元，用于：获取外界输入的架构选取指令，确定与该架构选取指令对应的程序架构，基于初始的深度学习模型生成与所述程序架构对应的程序代码，并利用所述程序代码基于所述训练样本对初始的深度学习模型进行训练。优选的，所述模型训练模块还包括：程序优化单元，用于：基于所述训练样本获取所述深度学习模型的准确度及预测速度，判断所述准确度及预测速度是否均达到预设要求，如果是，则确定所述深度学习模型的训练完成，如果否，则调整所述程序代码，并指示所述模型训练单元执行利用所述程序代码训练深度学习模型的步骤，直至所述深度学习模型的准确度及预测速度达到预设要求为止。优选的，还包括：数据预处理模块，用于：分别对所述训练样本及所述测试样本进行去重操作及去噪操作，并将所述训练样本及所述测试样本存放至统一的数据存储器中。优选的，还包括：数据结构化模块，用于：将所述训练样本及所述测试样本中具有相同含义的数据转换为统一的字符，将转换完成的训练样本及测试样本结构化为具有统一格式的数据，并对结构化后的训练样本及测试样本进行质量检测，如果检测所得结果符合预期结果，则确定数据采集成功，否则，则指示所述数据采集模块重新采集数据。优选的，所述数据预测模块包括：数据转化单元，用于：将所述预测特征信息转化为外界设置的结构。优选的，还包括：辅助决策模块，用于：将所述数据预测模块得到的预测特征信息按照预设输出方式进行整理，并对整理所得结果进行展示。优选的，所述辅助决策模块还包括：反馈收集单元，用于：接收外界输入的所述金融产品在所述预测时刻的实际特征信息，并利用所述实际特征信息及对应测试样本对所述深度学习模型进行增量学习，以利用进行增量学习后的深度学习模型实现特征信息预测。本专利技术提供的一种人工智能评估金融产品特征的系统，包括：数据采集模块，用于：采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据作为测试样本，所述金融产品的特征信息包括该金融产品的价格和/或行为；模型训练模块，用于：获取初始的深度学习模型，并利用所述训练样本对所述深度学习模型进行训练，得到具有预测功能的深度学习模型；数据预测模块，用于：将所述测试样本作为所述深度学习模型的输入，得到所述深度学习模型输出的所述金融产品在预测时刻的预测特征信息。本专利技术实施例提供的技术方案中，通过采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，并利用样本信息训练得到深度学习模型，进而利用深度学习模型基于采集的预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据，对金融产品在预测时刻的特征信息进行预测，得到对应的预测特性信息，而特征信息包括产品的行为和/或价格；从而通过这种人工智能的方式实现金融产品在某时刻价格和/或行为的预测，避免了现有技术中由专业人员实现上述预测时由于主观影响造成的准确度较低的情况出现，从而达到提高了金融产品特征的预测准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种人工智能评估金融产品特征的系统的第一种结构示意图；图2为本专利技术实施例提供的一种人工智能评估金融产品特征的系统的第二种结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，其示出了本专利技术实施例提供的一种人工智能评估金融产品特征的系统的结构示意图，可以包括：数据采集模块11，用于：采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据作为测试样本，金融产品的特征信息包括该金融产品的价格和/或行为；模型训练模块12，用于：获取初始的深度学习模型，并利用训练样本对深度学习模型进行训练，得到具有预测功能的深度学习模型；数据预测模块13，用于：将测试样本作为深度学习模型的输入，得到深度学习模型输出的金融产品在预测时刻的预测特征信息。训练样本为历史上已经确定的数据，预设时刻为历史上某一时刻，而预测时刻为需要对金融产品的特征信息进行预测的时刻，预设时刻及预测时刻均可以根据实际需要进行确定。采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据、及采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据具体可以是采集对应的预设时刻或预测时刻之前根据实际需要设定的预设时间段内的数据。从而通过训练样本实现深度学习模型的训练，以利用训练得到的深度学习模型预测预测时刻金融产品的特性信息。其本文档来自技高网...

【技术保护点】
1.一种人工智能评估金融产品特征的系统，其特征在于，包括：数据采集模块，用于：采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据作为测试样本，所述金融产品的特征信息包括该金融产品的价格和/或行为；模型训练模块，用于：获取初始的深度学习模型，并利用所述训练样本对所述深度学习模型进行训练，得到具有预测功能的深度学习模型；数据预测模块，用于：将所述测试样本作为所述深度学习模型的输入，得到所述深度学习模型输出的所述金融产品在预测时刻的预测特征信息。

【技术特征摘要】
1.一种人工智能评估金融产品特征的系统，其特征在于，包括：数据采集模块，用于：采集预设时刻之前对金融产品在预设时刻的特征信息具有影响的数据及金融产品在预设时刻的特征信息作为训练样本，采集预测时刻之前对金融产品在预测时刻的特征信息具有影响的数据作为测试样本，所述金融产品的特征信息包括该金融产品的价格和/或行为；模型训练模块，用于：获取初始的深度学习模型，并利用所述训练样本对所述深度学习模型进行训练，得到具有预测功能的深度学习模型；数据预测模块，用于：将所述测试样本作为所述深度学习模型的输入，得到所述深度学习模型输出的所述金融产品在预测时刻的预测特征信息。2.根据权利要求1所述的系统，其特征在于，还包括：模型选取模块，用于：获取外界输入的模型选取指令，并确定与所述模型选取指令对应的模型结构及模型参数；超参预置模块，用于：确定与所述模型结构对应的超参数，并基于预设方式选取出每个超参数的值，得到包括有所述模型结构、模型参数及超参数的初始的深度学习模型。3.根据权利要求2所述的系统，其特征在于，所述超参设置模块包括：超参设置单元，用于利用仿真判断法选取每个超参数的值。4.根据权利要求2所述的系统，其特征在于，所述模型训练模块包括：模型训练单元，用于：获取外界输入的架构选取指令，确定与该架构选取指令对应的程序架构，基于初始的深度学习模型生成与所述程序架构对应的程序代码，并利用所述程序代码基于所述训练样本对初始的深度学习模型进行训练。5.根据权利要求4所述的系统，其特征在于，所述模型训练模块还包括：程序优化单元，用于：基于所述训练样...

【专利技术属性】
技术研发人员：王晓勇，
申请(专利权)人：郑州云海信息技术有限公司，
类型：发明
国别省市：河南,41