本申请实施例适用于深度学习技术领域，提供了一种数据处理方法、装置、终端设备及介质，所述方法包括：获取训练数据，训练数据包括多个因子数据；以预设的时间长度作为窗口期，对多个因子数据进行处理，得到训练数据对应的时序因子数据；对多个因子数据进行二阶多项式处理，得到训练数据对应的多项式因子数据；采用因子数据、时序因子数据和多项式因子数据对预设的预测模型进行训练，得到目标预测模型；接收待预测数据，并确定待预测数据中的目标数据；将目标数据输入到目标预测模型中进行预测，得到对应的预测结果。通过上述方法，能够提高预测模型的准确率。高预测模型的准确率。高预测模型的准确率。
【技术实现步骤摘要】
一种数据处理方法、装置、终端设备及介质
[0001]本申请属于深度学习
，特别是涉及一种数据处理方法、装置、终端设备及介质。
技术介绍
[0002]随着证券行业监管力度加大，越来越多的上市公司财务造假、年报造假等虚假陈述事件被披露出来，上市公司虚假陈述往往会造成投资者判断错误，从而形成金融损失。
[0003]但是目前对于由于上市公司虚假陈述导致的投资者损失没有较为科学合理的评估方法，无法准确地评估投资者的损失。
技术实现思路
[0004]有鉴于此，本申请实施例提供了一种数据处理方法、装置、终端设备及介质，采用该方法可以定量地计算投资者因上市公司虚假陈述而产生的投资损失，从而保障投资者的利益。
[0005]本申请实施例的第一方面提供了一种数据处理方法，包括：
[0006]获取训练数据，所述训练数据包括多个因子数据；
[0007]以预设的时间长度作为窗口期，对多个所述因子数据进行处理，得到所述训练数据对应的时序因子数据；
[0008]对多个所述因子数据进行二阶多项式处理，得到所述训练数据对应的多项式因子数据；
[0009]采用所述因子数据、所述时序因子数据和所述多项式因子数据对预设的预测模型进行训练，得到目标预测模型；
[0010]接收待预测数据，并确定所述待预测数据中的目标数据；
[0011]将所述目标数据输入到所述目标预测模型中进行预测，得到对应的预测结果。
[0012]本申请实施例的第二方面提供了一种数据处理装置，其特征在于，包括：
[0013]获取模块，用于获取训练数据，所述训练数据包括多个因子数据；
[0014]时序处理模块，用于以预设的时间长度作为窗口期，对多个所述因子数据进行处理，得到所述训练数据对应的时序因子数据；
[0015]多项式处理模块，用于对多个所述因子数据进行二阶多项式处理，得到所述训练数据对应的多项式因子数据；
[0016]训练模块，用于采用所述因子数据、所述时序因子数据和所述多项式因子数据对预设的预测模型进行训练，得到目标预测模型；
[0017]接收模块，用于接收待预测数据，并确定所述待预测数据中的目标数据；预测模块，用于将所述目标数据输入到所述目标预测模型中进行预测，得到对应的预测结果。
[0018]本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时
实现如上述第一方面所述的方法。
[0019]本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
[0020]本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述第一方面所述的方法。
[0021]与现有技术相比，本申请实施例包括以下优点：
[0022]本申请实施例，可以采用训练数据训练得到对应的预测模型。在进行预测模型的训练过程中，可以基于训练数据本身的因子数据，得到对应的时序因子数据和多项式因子数据，采用因子数据、时序因子数据和多项式因子数据对预测模型进行训练，相当于在训练过程，提高了训练数据的表达能力，能够使得得到的预测模型的准确率更高。在预测模型训练完成之后，根据训练数据和预测模型，可以得到对应的预测结果。本申请实施例时，在计算投资者因为公司虚假陈述而产生的投资损失时，可以根据现有的股票交易数据训练得到股价走势模拟模型；然后根据投资者的股票交易数据和股价走势模拟模型，可以计算在上市公司没有虚假陈述的前提下，投资者应得的收益；对比投资者实际得到的收益和应得的收益，可以得到投资者因为公司虚假陈述而产生的损失。在本申请实施例中，可以对投资者因虚假陈述而产生的损失进行定量的计算，保障了投资者的利益。
附图说明
[0023]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。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获得其他的附图。
[0024]图1是本申请一个实施例的一种数据处理方法的步骤流程示意图；
[0025]图2是本申请一个实施例的一种数据处理装置的示意图；
[0026]图3是本申请一个实施例的一种终端设备的示意图。
具体实施方式
[0027]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0028]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0029]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0030]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0031]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0032]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0033]下面通过具体实施例来说明本申请的技术方案。
[0034]参照图1，示出了本申请实施例提供的一种数据处理方法的步骤流程示意图，具体可以包括如下步骤：
[0035]S101，获取训练数据，所述训练数据包括多个因子数据。
[0036]本申请实施例提供的方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmente本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取训练数据，所述训练数据包括多个因子数据；以预设的时间长度作为窗口期，对所述多个因子数据进行处理，得到所述训练数据对应的时序因子数据；对所述多个因子数据进行二阶多项式处理，得到所述训练数据对应的多项式因子数据；采用所述因子数据、所述时序因子数据和所述多项式因子数据对预设的预测模型进行训练，得到目标预测模型；接收待预测数据，并确定所述待预测数据中的目标数据；将所述目标数据输入到所述目标预测模型中进行预测，得到对应的预测结果。2.如权利要求1所述的方法，其特征在于，所述以预设的时间长度作为窗口期，对所述多个因子数据进行处理，得到所述训练数据对应的时序因子数据，包括：确定所述训练数据在每个窗口期内的因子数据；计算每个所述窗口期内的每种所述因子数据的均值和方差；将每个所述窗口期内每种所述因子数据的均值和方差作为所述时序因子数据。3.如权利要求1或2所述的方法，其特征在于，所述采用所述因子数据、所述时序因子数据和所述多项式因子数据对预设的预测模型进行训练，得到目标预测模型，包括：将所述训练数据划分为多个数据集合；根据所述多个数据集合，确定多个训练组合，每个所述训练组合中包括两个数据集合；分别采用多个所述训练组合对所述预测模型进行训练，得到多个训练后的预测模型；将多个所述训练后的预测模型中误差最小的预测模型作为中间预测模型；采用所述因子数据、所述时序因子数据和所述多项式因子数据对所述中间预测模型进行训练，得到所述目标预测模型。4.如权利要求3所述的方法，其特征在于，所述分别采用多个所述训练组合对所述预测模型进行训练，得到多个训练后的预测模型，包括：针对任一所述训练组合，采用所述训练组合的一个数据集合作为训练集对所述预测模型进行预设次数的训练；采用所述训练组合的另一个数据集合作为测试集，计算每次训练后的所述预测模型的误差。...
【专利技术属性】
技术研发人员：赵洋，包荣鑫，陈龙，田多，
申请(专利权)人：深圳价值在线信息科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。