基金选取方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种基金选取方法、装置、设备及介质，其方法包括：从预设的基金池中获取基金进行交易的时序数据；基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征；将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅；基于所述预测涨跌幅，进行基金选取。本发明专利技术通过该预测涨跌幅实现基金的选取，基于对每只基金数据进行全连接结构的算法分析，减少了人力成本，并实现对每只基金的深度分析，增强基金推荐的数据客观性，通过算法选取目标基金，降低目标基金的风险性。基金的风险性。基金的风险性。

【技术实现步骤摘要】
基金选取方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基金选取方法、装置、设备及介质。

技术介绍

[0002]随着金融市场的不断发展，期货交易与潜在行业、产业链上下游实现紧密连接，在基金市场中，每只基金几乎都有自己的市场行业风格，如医药板块精选、房地产板块精选、中小盘板块精选、沪深300强等基金在选取的过程中往往由基金经理的强烈主观意向决定，卖方机构通常会采取调查基金经理的过往业绩、分析该基金的风险回报比、最大回撤等指标以及对该基金进行业绩归因等方式筛选符合条件的基金推荐给客户。
[0003]然而，以上述方式进行推荐的基金在很大程度上具有强烈的主观性，且因为基金市场的基金板块多样化，市场上的公募、私募基金数量庞大，若需要对每个板块都进行市场了解和研究，则需耗费大量人力物力，且难以对每一只基金进行详尽分析，因此，在金融市场中的基金与各产业连接紧密，基金种类数量繁多的前提下，通过基金经理的人为主观意向对基金进行选取所确定的目标基金风险性高。

技术实现思路

[0004]本专利技术的主要目的在于提出一种基金选取方法、装置、设备及介质，旨在降低目标基金的风险性。
[0005]为实现上述目的，本专利技术提供一种基金选取方法，所述基金选取方法，包括：
[0006]从预设的基金池中获取基金进行交易的时序数据；
[0007]基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征；
[0008]将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅；
[0009]基于所述预测涨跌幅，进行基金选取。
[0010]优选地，所述基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征的步骤，包括：
[0011]获取所述时序数据中基金的序列长度以及序列特征；
[0012]基于所述长短期记忆神经网络LSTM，在所述序列长度所在的维度中对所述基金的序列特征进行遍历，提取所述基金对应的一维张量特征。
[0013]优选地，在所述获得基金对应的一维张量特征的步骤之后，所述方法还包括：
[0014]将基金池中的所有基金对应的一维张量特征进行张量拼接，获取由所有基金对应的一维张量特征组成的二维张量特征。
[0015]优选地，所述将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅的步骤，包括：
[0016]将所述二维张量特征中的一维张量特征分别输入所述图注意力网络GAT 中的图
节点；
[0017]将所述图节点进行与每只基金间预设关联对应的边连接，确定对应的基金全连接图结构；
[0018]基于所述基金全连接图结构，对基金的涨跌幅进行预测计算，并确定每只基金的预测涨跌幅。
[0019]优选地，所述基于所述基金全连接图结构，对基金的涨跌幅进行预测计算，并确定每只基金的预测涨跌幅的步骤，包括：
[0020]获取所述基金全连接图结构中每个图节点之间的连接关系；
[0021]基于所述连接关系，并根据图节点中对应的一维张量特征对每只基金进行预测计算，确定每只基金的预测涨跌幅。
[0022]优选地，在所述从预设的基金池中获取基金进行交易的时序数据的步骤之前，所述方法还包括：
[0023]获取预设数量的基金在预设时间内的交易数据，其中，所述交易数据至少包括净值、涨跌幅和基准收益数据；
[0024]基于所述交易数据，构建所述基金池，其中，所述基金池根据所述交易数据实时更新。
[0025]优选地，所述基于所述预测涨跌幅，进行基金选取的步骤，包括：
[0026]基于所述预测涨跌幅，将预测涨跌幅对应的基金按照预设顺序进行排列，确定达到预设标准的预测涨跌幅；
[0027]选取所述达到预设标准的预测涨跌幅对应的基金作为目标基金，并将所述目标基金推荐给目标用户。
[0028]此外，为实现上述目的，本专利技术实施例还提出一种基金选取装置，所述基金选取装置包括：
[0029]数据抽取模块，用于从预设的基金池中获取基金进行交易的时序数据；
[0030]特征提取模块，用于基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征；
[0031]预测计算模块，用于将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅；
[0032]基金选取模块，用于基于所述预测涨跌幅，进行基金选取。
[0033]优选地，所述特征提取模块，包括：
[0034]获取所述时序数据中基金的序列长度以及序列特征；
[0035]基于所述长短期记忆神经网络LSTM，在所述序列长度所在的维度中对所述基金的序列特征进行遍历，提取所述基金对应的一维张量特征。
[0036]优选地，所述预测计算模块，包括：
[0037]将所述二维张量特征中的一维张量特征分别输入所述图注意力网络GAT 中的图节点；
[0038]将所述图节点进行与每只基金间预设关联对应的边连接，确定对应的基金全连接图结构；
[0039]基于所述基金全连接图结构，对基金的涨跌幅进行预测计算，并确定每只基金的
预测涨跌幅。
[0040]优选地，所述预测计算模块，还包括：
[0041]获取所述基金全连接图结构中每个图节点之间的连接关系；
[0042]基于所述连接关系，并根据图节点中对应的一维张量特征对每只基金进行预测计算，确定每只基金的预测涨跌幅。
[0043]优选地，所述基金选取模块，包括：
[0044]基于所述预测涨跌幅，将预测涨跌幅对应的基金按照预设顺序进行排列，确定达到预设标准的预测涨跌幅；
[0045]选取所述达到预设标准的预测涨跌幅对应的基金作为目标基金，并将所述目标基金推荐给目标用户。
[0046]此外，为实现上述目的，本专利技术实施例还提出一种设备，所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基金选取程序，所述基金选取程序被所述处理器执行实现如上所述的基金选取方法步骤。
[0047]此外，为实现上述目的，本专利技术还提供一种介质，所述介质为计算机可读存储介质，所述计算机可读存储介质上存储有基金选取程序，所述基金选取程序被处理器执行时实现如上所述的基金选取方法的步骤。
[0048]本专利技术提出一种基金选取方法、装置、设备及介质，所述基金选取方法的步骤包括：从预设的基金池中获取基金进行交易的时序数据；基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征；将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅；基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基金选取方法，其特征在于，所述基金选取方法，包括：从预设的基金池中获取基金进行交易的时序数据；基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征；将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅；基于所述预测涨跌幅，进行基金选取。2.如权利要求1所述的基金选取方法，其特征在于，所述基于预设的长短期记忆神经网络LSTM，对所述时序数据进行特征提取，获得基金对应的一维张量特征的步骤，包括：获取所述时序数据中基金的序列长度以及序列特征；基于所述长短期记忆神经网络LSTM，在所述序列长度所在的维度中对所述基金的序列特征进行遍历，提取所述基金对应的一维张量特征。3.如权利要求1所述的基金选取方法，其特征在于，在所述获得基金对应的一维张量特征的步骤之后，所述方法还包括：将基金池中的所有基金对应的一维张量特征进行张量拼接，获取由所有基金对应的一维张量特征组成的二维张量特征。4.如权利要求3所述的基金选取方法，其特征在于，所述将所述一维张量特征组成的二维张量特征输入预设的图注意力网络GAT，对基金进行预测计算，确定每只基金的预测涨跌幅的步骤，包括：将所述二维张量特征中的一维张量特征分别输入所述图注意力网络GAT中的图节点；将所述图节点进行与每只基金间预设关联对应的边连接，确定对应的基金全连接图结构；基于所述基金全连接图结构，对基金的涨跌幅进行预测计算，并确定每只基金的预测涨跌幅。5.如权利要求4所述的基金选取方法，其特征在于，所述基于所述基金全连接图结构，对基金的涨跌幅进行预测计算，并确定每只基金的预测涨跌幅的步骤，包括：获取所述基金全连接图结构中每个图节点之间的连接关系；...

【专利技术属性】
技术研发人员：白宇豪，李金龙，
申请(专利权)人：招商银行股份有限公司，
类型：发明
国别省市：