基于元学习及深度强化学习流动性预测方法和装置制造方法及图纸

本申请涉及一种基于元学习及深度强化学习流动性预测方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括：获取流动性数据指标；对流动性数据指标进行特征提取得到流动性特征；基于流动性特征训练深度强化学习模型对应的元学习模型；在元学习模型训练完成后，通过深度强化学习模型对应的元学习模型进行流动性预测。采用本方法基于流动性特征训练深度强化学习模型对应的元学习模型，这样即使测试数据和实践时会碰到异常情况，也可以获取到异常情况的流动性数据指标以进行元学习模型的训练，这样不需要对深度强化学习模型进行再次训练，提高效率，通过元学习模型以对异常情况进行处理，这样可以应对异常情况，提高预测的准确性和稳定性。测的准确性和稳定性。测的准确性和稳定性。

【技术实现步骤摘要】
基于元学习及深度强化学习流动性预测方法和装置


[0001]本申请涉及人工智能
，特别是涉及一种基于元学习及深度强化学习流动性预测方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]流动性是指银行满足存款人提取现金、到期支付债务和借款人正常贷款的能力，西方商业银行业务经营原则之一。
[0003]传统技术中，通过风险监测模型来对流动性进行研究，例如通过发展能力指标、运行能力指标、获利能力指标、宏观经济指标以及偿债能力指标这五个方面筛选指标构建Logistic模型，并通过Logistic模型来预测流动性等。
[0004]然而，目前的风险监测模型的底层原理根源都是寻找最适合训练数据的模型，以致于应对测试数据和实践时会碰到异常情况，从而导致预测的准确性和稳定性不够。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高预测的准确性和稳定性的基于元学习及深度强化学习流动性预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供一种基于元学习及深度强化学习流动性预测方法，所述方法包括：
[0007]获取流动性数据指标；
[0008]对所述流动性数据指标进行特征提取得到流动性特征；
[0009]基于所述流动性特征训练深度强化学习模型对应的元学习模型；
[0010]在所述元学习模型训练完成后，通过所述深度强化学习模型对应的元学习模型进行流动性预测。
[0011]在其中一个实施例中，所述获取流动性数据指标，包括：
[0012]获取流动性数据以及指标计算逻辑；
[0013]根据所述指标计算逻辑对所述流动性数据进行处理，得到流动性指标。
[0014]在其中一个实施例中，所述对所述流动性数据指标进行特征提取得到流动性特征，包括：
[0015]对所述流动性指标进行清洗处理，所述清洗处理包括对所述流动性指标进行序列逻辑拆解和/或对所述流动性指标进行差分处理；
[0016]对清洗后的所述流动性指标进行特征提取得到流动性特征。
[0017]在其中一个实施例中，对所述流动性数据指标进行特征提取得到流动性特征，包括以下至少一种：
[0018]对所述流动性数据指标进行日期校正得到流动性特征；或
[0019]对所述流动性数据指标进行水平划分、趋势计算以及关联性计算中的至少一个，
得到流动性特征。
[0020]在其中一个实施例中，所述基于所述流动性特征训练深度强化学习模型对应的元学习模型，包括：
[0021]对所述流动性特征进行特征筛选；
[0022]将筛选得到的流动性特征进行分段；
[0023]基于分段后的流动性特征以及标准模型，训练深度强化学习模型对应的元学习模型。
[0024]在其中一个实施例中，所述基于分段后的流动性特征以及标准模型，训练深度强化学习模型对应的元学习模型，包括：
[0025]分别基于分段后的流动性特征以及标准模型，训练深度强化学习模型对应的各元学习模型；
[0026]基于所述流动性指标对各元学习模型进行筛选，确定对应所述流动性指标的元学习模型。
[0027]第二方面，本申请还提供一种基于元学习及深度强化学习流动性预测装置，所述装置包括：
[0028]流动性数据指标获取模块，用于获取流动性数据指标；
[0029]特征提取模块，用于对所述流动性数据指标进行特征提取得到流动性特征；
[0030]元学习模型训练模块，用于基于所述流动性特征训练深度强化学习模型对应的元学习模型；
[0031]预测模块，用于在所述元学习模型训练完成后，通过所述深度强化学习模型对应的元学习模型进行流动性预测。
[0032]第三方面，本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的任意一个实施例中的方法的步骤。
[0033]第四方面，本申请还提供一种计算机可读存储介质，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的任意一个实施例中的方法的步骤。
[0034]第五方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
[0035]上述基于元学习及深度强化学习流动性预测方法、装置、计算机设备、存储介质和计算机程序产品，获取流动性数据指标；对所述流动性数据指标进行特征提取得到流动性特征；基于所述流动性特征训练深度强化学习模型对应的元学习模型，这样即使测试数据和实践时会碰到异常情况，也可以获取到异常情况的流动性数据指标以进行元学习模型的训练，这样不需要对深度强化学习模型进行再次训练，提高效率，且通过元学习模型以对异常情况进行处理，这样可以应对异常情况，提高预测的准确性和稳定性。
附图说明
[0036]图1为一个实施例中基于元学习及深度强化学习流动性方法的应用环境图；
[0037]图2为一个实施例中基于元学习及深度强化学习流动性方法的流程示意图；
[0038]图3为一个实施例中基于MAML算法和深度强化学习的智能体快速适应算法的流程
示意图；
[0039]图4为一个实施例中基于元学习及深度强化学习流动性装置的结构框图；
[0040]图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0041]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0042]本申请实施例提供的基于元学习及深度强化学习流动性预测方法，可以应用于如图1所示的应用环境中。其中，第一服务器102通过网络与第二服务器104进行通信。数据存储系统可以存储第一服务器102以及第二服务器104需要处理的数据。数据存储系统可以集成在第一服务器102和/或第二服务器104上，也可以放在云上或其他网络服务器上。
[0043]其中，第二服务器104可以从各个第一服务器102获取到流动性数据，并基于流动性数据计算得到流动性数据指标，从而对流动性数据指标进行特征提取得到流动性特征；基于流动性特征训练深度强化学习模型对应的元学习模型；在元学习模型训练完成后，通过深度强化学习模型对应的元学习模型进行流动性预测。这样即使测试数据和实践时会碰到异常情况，也可以获取到异常情况的流动性数据指标以进行元学习模型的训练，这样不需要对深度强化学习模型进行再次训练，提高效率，且通过元学习模型以对异常情况进行处理，这样可以应对异常情况，提高预测的准确性和稳定性。
[0044]其中，第一服务器102以及第二服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0045]在一个实施例中，如图2所示，提供了一种基于元学习及深度强化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习及深度强化学习流动性预测方法，其特征在于，所述方法包括：获取流动性数据指标；对所述流动性数据指标进行特征提取得到流动性特征；基于所述流动性特征训练深度强化学习模型对应的元学习模型；在所述元学习模型训练完成后，通过所述深度强化学习模型对应的元学习模型进行流动性预测。2.根据权利要求1所述的方法，其特征在于，所述获取流动性数据指标，包括：获取流动性数据以及指标计算逻辑；根据所述指标计算逻辑对所述流动性数据进行处理，得到流动性指标。3.根据权利要求2所述的方法，其特征在于，所述对所述流动性数据指标进行特征提取得到流动性特征，包括：对所述流动性指标进行清洗处理，所述清洗处理包括对所述流动性指标进行序列逻辑拆解和/或对所述流动性指标进行差分处理；对清洗后的所述流动性指标进行特征提取得到流动性特征。4.根据权利要求1至3任意一项所述的方法，其特征在于，对所述流动性数据指标进行特征提取得到流动性特征，包括以下至少一种：对所述流动性数据指标进行日期校正得到流动性特征；或对所述流动性数据指标进行水平划分、趋势计算以及关联性计算中的至少一个，得到流动性特征。5.根据权利要求4所述的方法，其特征在于，所述基于所述流动性特征训练深度强化学习模型对应的元学习模型，包括：对所述流动性特征进行特征筛选；将筛选得到的流动性特征进行分段；基于分段后的...

【专利技术属性】
技术研发人员：杨相一，勾朝臣，朱凯，
申请(专利权)人：上海浦东发展银行股份有限公司，
类型：发明
国别省市：