一种利率分析方法、装置、系统及介质制造方法及图纸

本发明专利技术公开了一种利率分析方法、装置、系统及介质，方法包括：采集预设时间段内的利率分析数据，所述预设时间段包括若干个时间步长相同的时间区间；根据每个时间区间内的利率分析数据，生成输入向量序列；将所述输入向量序列输入至预先训练完成的时序特征模型中，提取得到单序列时序特征，所述时序特征模型包括LSTM模型和注意力模型；将所述单序列时序特征输入至预先训练完成的决策模型中，得到指定时间内的利率分析结果。通过加入了注意力模型的时序特征模型实现单序列时序特征提取，以体现不同时间的数据对利率分析的重要程度，提取得到更加精准的时序特征，结合决策模型实现客观准确的利率分析，为利率研判提供客观可靠的分析建议。析建议。析建议。

【技术实现步骤摘要】
一种利率分析方法、装置、系统及介质


[0001]本专利技术涉及数据分析
，尤其涉及一种利率分析方法、装置、系统及介质。

技术介绍

[0002]利率是资源提供方制定的关于向资源请求方发放资源的价格条件，现代经济中，利率作为资金的价格，受到经济社会中许多因素的制约，会随着市场以及国际形势的变化而不断变化。
[0003]目前，金融机构在对产品利率进行研判时，通常基于多种影响因素，依赖人工经验衍生特征并进行定性分析，当由于影响因素较多且交叉叠加，个人主观感受和研判能力存在差异，造成判断的主观性和随意性极强，使得利率分析的准确性较低。

技术实现思路

[0004]鉴于上述现有技术的不足，本专利技术的目的在于提供可应用于金融科技或其它相关领域的一种利率分析方法、装置、系统及介质，旨在实现客观准确的利率分析。
[0005]本专利技术的技术方案如下：
[0006]一种利率分析方法，所述方法包括：
[0007]采集预设时间段内的利率分析数据，所述预设时间段包括若干个时间步长相同的时间区间；
[0008]根据每个时间区间内的利率分析数据，生成输入向量序列；
[0009]将所述输入向量序列输入至预先训练完成的时序特征模型中，提取得到单序列时序特征，所述时序特征模型包括LSTM模型和注意力模型；
[0010]将所述单序列时序特征输入至预先训练完成的决策模型中，得到指定时间内的利率分析结果。
[0011]在一个实施例中，所述采集预设时间段内的利率分析数据，具体包括：
[0012]采集预设时间段内的内部交易数据和外部宏观数据。
[0013]在一个实施例中，所述根据每个时间区间内的利率分析数据，生成输入向量序列，包括：
[0014]获取每个时间区间内的利率分析数据，生成对应于每个时间区间的输入向量；
[0015]将全部输入向量按时间顺序进行拼接，得到输入向量序列。
[0016]在一个实施例中，所述将所述输入向量序列输入至预先训练完成的时序特征模型中，提取得到单序列时序特征，包括：
[0017]将每个输入向量按序依次输入至预先训练完成的LSTM模型中，提取得到对应的时序特征向量；
[0018]将全部时序特征向量输入至预先训练完成的注意力模型中，生成每个时序特征向量的注意力得分；
[0019]对每个时序特征向量的注意力得分进行归一化处理，得到归一化权重；
[0020]根据所述归一化权重对每个时序特征向量的注意力得分进行加权求和，得到单序列时序特征。
[0021]在一个实施例中，所述将全部时序特征向量输入至预先训练完成的注意力模型中，生成每个时序特征向量的注意力得分，包括：
[0022]将全部时序特征向量输入至预先训练完成的注意力模型，得到所述全部时序特征向量的注意力分布；
[0023]根据所述注意力分布对相应的时序特征向量进行加权处理，生成每个时序特征向量的注意力得分。
[0024]在一个实施例中，所述对每个时序特征向量的注意力得分进行归一化处理，得到归一化权重，具体包括：
[0025]通过softmax函数对每个时序特征向量的注意力得分进行归一化处理，得到归一化权重。
[0026]在一个实施例中，所述决策模型为catboost模型。
[0027]一种利率分析装置，包括：
[0028]采集模块，用于采集预设时间段内的利率分析数据，所述预设时间段包括若干个时间步长相同的时间区间；
[0029]序列生成模块，用于根据每个时间区间内的利率分析数据，生成输入向量序列；
[0030]时序特征提取模块，用于将所述输入向量序列输入至预先训练完成的时序特征模型中，提取得到单序列时序特征，所述时序特征模型包括LSTM模型和注意力模型；
[0031]利率分析模块，用于将所述单序列时序特征输入至预先训练完成的决策模型中，得到指定时间内的利率分析结果。
[0032]一种利率分析系统，所述系统包括至少一个处理器；以及，
[0033]与所述至少一个处理器通信连接的存储器；其中，
[0034]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述利率分析方法。
[0035]一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的利率分析方法。
[0036]有益效果：本专利技术公开了一种利率分析方法、装置、系统及介质，相比于现有技术，本专利技术实施例通过加入了注意力模型的时序特征模型实现单序列时序特征提取，以体现不同时间的数据对利率分析的重要程度，提取得到更加精准的时序特征，结合决策模型实现客观准确的利率分析，为利率研判提供客观可靠的分析建议。
附图说明
[0037]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0038]图1为本专利技术实施例提供的利率分析方法的一个流程图；
[0039]图2为本专利技术实施例提供的利率分析方法中步骤S200的流程图；
[0040]图3为本专利技术实施例提供的利率分析方法中步骤S300的流程图；
[0041]图4为本专利技术实施例提供的利率分析方法中步骤S302的流程图；
[0042]图5为本专利技术实施例提供的利率分析装置的功能模块示意图；
[0043]图6为本专利技术实施例提供的利率分析系统的硬件结构示意图。
具体实施方式
[0044]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合附图对本专利技术实施例进行介绍。
[0045]请参阅图1，图1为本专利技术提供的利率分析方法一个实施例的流程图。本实施例提供的利率分析方法应用于包括终端设备、网络和服务器构成的系统，其中网络为用于在终端设备和服务器直接提供通信链路的介质，其可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等；终端设备上的操作系统可以包括手持设备操作系统(iPhone operating system，iOS系统)、安卓系统或其他操作系统，终端设备通过网络连接到服务器以实现交互，从而进行接收或发送数据等操作，具体可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式服务器等等。如图1所示，该方法具体包括如下步骤：
[0046]S100、采集预设时间段内的利率分析数据，所述预设时间段包括若干个时间步长相同的时间区间。
[0047]本实施例中，为实现对未来时间的利率分析预测，从历史数据中采集预设时间段内的利率分析数据，且按固定时间步长的时间区间进行数据采集，例如采集历史60个交易日，以每个交易日为时间步长的利率分析数据，预设时间段以及时间步长的长度可根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利率分析方法，其特征在于，包括：采集预设时间段内的利率分析数据，所述预设时间段包括若干个时间步长相同的时间区间；根据每个时间区间内的利率分析数据，生成输入向量序列；将所述输入向量序列输入至预先训练完成的时序特征模型中，提取得到单序列时序特征，所述时序特征模型包括LSTM模型和注意力模型；将所述单序列时序特征输入至预先训练完成的决策模型中，得到指定时间内的利率分析结果。2.根据权利要求1所述的利率分析方法，其特征在于，所述采集预设时间段内的利率分析数据，具体包括：采集预设时间段内的内部交易数据和外部宏观数据。3.根据权利要求1所述的利率分析方法，其特征在于，所述根据每个时间区间内的利率分析数据，生成输入向量序列，包括：获取每个时间区间内的利率分析数据，生成对应于每个时间区间的输入向量；将全部输入向量按时间顺序进行拼接，得到输入向量序列。4.根据权利要求1所述的利率分析方法，其特征在于，所述将所述输入向量序列输入至预先训练完成的时序特征模型中，提取得到单序列时序特征，包括：将每个输入向量按序依次输入至预先训练完成的LSTM模型中，提取得到对应的时序特征向量；将全部时序特征向量输入至预先训练完成的注意力模型中，生成每个时序特征向量的注意力得分；对每个时序特征向量的注意力得分进行归一化处理，得到归一化权重；根据所述归一化权重对每个时序特征向量的注意力得分进行加权求和，得到单序列时序特征。5.根据权利要求4所述的利率分析方法，其特征在于，所述将全部时序特征向量输入至预先训练完成的注意力模型中，生成每个时序特征向量的注意力得分，包括：将全部时序特征向量输入至预先训练完成的注意力模型，得到所述全部时序特征向量的注意力分布；...

【专利技术属性】
技术研发人员：彭莉，田鸥，刘志强，龙梓童，李贝贝，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：