一种业务数据的推送方法及装置制造方法及图纸

本发明专利技术公开了一种业务数据的推送方法及装置，其中，该业务数据的推送方法包括：获取投资者信息及业务数据；根据投资者信息确定投资者的分类标签；根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签；将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合；从多个业务数据组合选出并推送最优业务数据。通过本发明专利技术的技术方案的实施，能够实现自动推送业务数据，提高业务数据推送效率，可扩展性较高。

A push method and device of business data

【技术实现步骤摘要】
一种业务数据的推送方法及装置
本专利技术涉及数据处理
，尤其涉及一种业务数据的推送方法、装置及可读存储介质。
技术介绍
在金融行业中常常需要对某些业务(如基金、股票等)向投资者进行推荐。目前，主流的业务推荐方法为先按照投资者的主观筛选条件对基金进行筛选，选出符合条件的基金，然后将基金按照不同的特征从风险、收益的角度来进行分类，根据投资者的风险偏好进行推荐。上述的推荐方法中人为操作因素较多，推荐效率较低且准确性不高。有鉴于此，有必要提出对目前金融业务数据的推送方法进行进一步的改进。
技术实现思路
为解决上述至少一技术问题，本专利技术的主要目的是提供一种业务数据的推送方法、装置及可读存储介质。为实现上述目的，本专利技术采用的第一个技术方案为：提供一种业务数据的推送方法，包括：获取投资者信息及业务数据；根据投资者信息确定投资者的分类标签；根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签；将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合；从多个业务数据组合选出并推送最优业务数据。其中，所述从多个业务数据组合选出并推送最优业务数据，包括：对多个业务数据组合进行优化；对优化后的业务数据组合进行回测；若回测结果达到设定阈值，则将业务数据组合作为最优业务数据；若回测结果低于设定阈值，则继续多个业务数据组合进行优化。<br>其中，所述根据投资者信息确定投资者的分类标签，包括：利用隐马尔可夫模型对投资者信息进行分类；以及确定分类后的投资者的分类标签。其中，所述从多个业务数据组合选出并推送最优业务数据，还包括：反馈投资者账户组合记录；以及根据实际投资组合信息更新隐马尔可夫模型。其中，所述从多个业务数据组合选出并推送最优业务数据，还包括：将最优业务数据存储至所有投资者的最优业务组合池中；以及根据业务数据实际所在业务数据组合确定业务的新分类标签。为实现上述目的，本专利技术采用的第二个技术方案为：提供一种业务数据的推送装置，包括：获取模块，用于获取投资者信息及业务数据；第一分类模块，用于根据投资者信息确定投资者的分类标签；第二分类模块，用于根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签；匹配模块，用于将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合；推送模块，用于从多个业务数据组合选出并推送最优业务数据。其中，所述装置还包括回测模块，用于：对多个业务数据组合进行优化；对优化后的业务数据组合进行回测；若回测结果达到设定阈值，则将业务数据组合作为最优业务数据；若回测结果低于设定阈值，则继续多个业务数据组合进行优化。其中，所述第一分类模块，具体用于：利用隐马尔可夫模型对投资者信息进行分类；以及确定分类后的投资者的分类标签。其中，所述装置还包括反馈模块，用于：反馈投资者账户组合记录；以及根据实际投资组合信息更新隐马尔可夫模型。为实现上述目的，本专利技术采用的第三个技术方案为：提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述方法中的步骤。本专利技术的技术方案通过采用先获取投资者信息及业务数据，然后根据投资者信息确定投资者的分类标签，再根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签，而后将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合，最后从多个业务数据组合选出并推送最优业务数据，如此，通过上述方案的实施，能够实现自动推送业务数据，提高业务数据推送效率。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一些实施例，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，还可以根据这些附图示出的结构获得其他的附图。图1为本专利技术第一实施例业务数据的推送方法的方法流程图；图2为本专利技术第二实施例业务数据的推送装置的模块方框图；图3为本专利技术第三实施例提供的一种电子设备的模块方框图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。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的一部分实施例，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，都属于本专利技术保护的范围。需要说明，本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。请参照图1，图1为本专利技术第一实施例业务数据的推送方法的方法流程图。区别于现有技术在金融业务(如基金、股票等)推荐效率较低，且准确率低，无法符合投资者偏好的问题，本专利技术实施例提供了一种业务数据的推送方法，用于对金融业务数据的推送，具体包括如下步骤：步骤S101、获取投资者信息及业务数据。具体的，投资者信息及业务数据均位于底层数据层，均可以通过调查问卷、本地网络爬虫方式，及底层数据提供商获取。对于基金投资者而言，投资者信息包括投资者的账户信息、调查问卷信息及实际基金持仓数据。对应的业务数据为基金业务数据。步骤S102、根据投资者信息确定投资者的分类标签。具体的，将投资者信息通过投资风格评估模型可以确定投资者的分类标签。于本实施例而言，投资风格评估模型为隐马尔可夫模型。进一步的，所述根据投资者信息确定投资者的分类标签，包括：利用隐马尔可夫模型对投资者信息进行分类；以及确定分类后的投资者的分类标签。该分类标签可以为保守型、稳健型、成长型、积极型和激进型等。步骤S103、根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签。本实施例中，业务衍生数据具体为基金衍生数据，具体包括基金的业绩指标数据(如夏普比率、最大回撤等)、基金的业绩归因数据(如基于多因子模型和Brinson模型的归因分析数据等)、基金风格概本文档来自技高网...

【技术保护点】
1.一种业务数据的推送方法，其特征在于，所述业务数据的推送方法包括：/n获取投资者信息及业务数据；/n根据投资者信息确定投资者的分类标签；/n根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签；/n将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合；/n从多个业务数据组合选出并推送最优业务数据。/n

【技术特征摘要】
1.一种业务数据的推送方法，其特征在于，所述业务数据的推送方法包括：
获取投资者信息及业务数据；
根据投资者信息确定投资者的分类标签；
根据业务数据生成业务衍生数据，将业务衍生数据作为输入特征向量输入基于反向传播的神经网络模型，以对业务数据进行分类，得到业务的分类标签；
将投资者的分类标签与业务的分类标签进行匹配确定多个业务数据组合；
从多个业务数据组合选出并推送最优业务数据。


2.如权利要求1所述的业务数据的推送方法，其特征在于，所述从多个业务数据组合选出并推送最优业务数据，包括：
对多个业务数据组合进行优化；
对优化后的业务数据组合进行回测；
若回测结果达到设定阈值，则将业务数据组合作为最优业务数据；
若回测结果低于设定阈值，则继续多个业务数据组合进行优化。


3.如权利要求1所述的业务数据的推送方法，其特征在于，所述根据投资者信息确定投资者的分类标签，包括：
利用隐马尔可夫模型对投资者信息进行分类；以及
确定分类后的投资者的分类标签。


4.如权利要求3所述的业务数据的推送方法，其特征在于，所述从多个业务数据组合选出并推送最优业务数据，还包括：
反馈投资者账户组合记录；以及
根据实际投资组合信息更新隐马尔可夫模型。


5.如权利要求1所述的业务数据的推送方法，其特征在于，所述从多个业务数据组合选出并推送最优业务数据，还包括：
将最优业务数据存储至所有投资者的最优业务组合池中；以及
根据业务数据实际所在业务...

【专利技术属性】
技术研发人员：买浩原，陈旺，
申请(专利权)人：深圳市思迪信息技术股份有限公司，
类型：发明
国别省市：广东;44