本发明专利技术公开了一种报价数据的处理方法、装置、存储介质及电子设备。涉及人工智能技术领域。其中，该方法包括：获取缺失信息，其中，缺失信息为目标金融产品缺失的报价数据的相关信息；基于缺失信息，获取第一历史数据，其中，第一历史数据为目标金融产品的历史报价数据；将缺失信息和第一历史数据输入目标模型，输出目标金融产品缺失的报价数据，其中，目标模型为已训练的神经网络模型。本发明专利技术解决了相关技术中评估报价数据时，采用历史平均数据进行推演，准确性低的技术问题。准确性低的技术问题。准确性低的技术问题。
【技术实现步骤摘要】
报价数据的处理方法、装置、存储介质及电子设备
[0001]本专利技术涉及人工智能
，具体而言，涉及一种报价数据的处理方法、装置、存储介质及电子设备。
技术介绍
[0002]目前，在金融机构金融市场业务领域中，金融机构从外部报价商采购获取金融报价数据，用于金融机构金融市场风险的计量工作。外部报价商的数据质量参差不齐，时常会出现缺少当天部分报价信息的情况，导致无法进行当天的资本计量工作。在金融科技领域中，当前较普遍的做法是获取上一日的报价信息作为当天的报价信息，或获取前N日的报价信息做算数平均的方式计算出当天的报价信息。
[0003]但是，相关技术中的处理方式，通过获取上一日报价和获取前N日的报价做算数平均推导当天的报价缺乏一定的理论基础，准确度不高，无法准确的反应当天市场数据的报价。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本专利技术实施例提供了一种报价数据的处理方法、装置、存储介质及电子设备，以至少解决相关技术中评估报价数据时，采用历史平均数据进行推演，准确性低的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种报价数据的处理方法，包括：获取缺失信息，其中，所述缺失信息为目标金融产品缺失的报价数据的相关信息；基于所述缺失信息，获取第一历史数据，其中，所述第一历史数据为所述目标金融产品的历史报价数据；将所述缺失信息和所述第一历史数据输入目标模型，输出所述目标金融产品缺失的报价数据，其中，所述目标模型为已训练的神经网络模型。
[0007]进一步地，所述缺失信息至少包括以下其中之一：报价标识、报价日期、报价期限。
[0008]进一步地，所述目标模型通过以下方式得到：获取第二历史数据，其中，所述第二历史数据至少包括：多种金融产品的历史报价数据,所述多种金融产品包括所述目标金融产品；对所述第二历史数据进行特征处理，得到训练样本；通过所述训练样本对初始神经网络模型进行训练，得到所述目标模型。
[0009]进一步地，对所述第二历史数据进行特征处理，得到训练样本，包括：通过目标编码方式，对所述第二历史数据中的字符进行编码处理，得到数据变量；对所述数据变量进行标准化处理，得到所述训练样本。
[0010]进一步地，对所述数据变量进行标准化处理，得到训练样本，包括：将所述数据变量中的每个数据转化为预设数量级的数据，得到第一数据；基于目标处理方式，对所述第一数据进行处理，得到所述训练样本，其中，所述目标处理方式至少包括以下其中之一：基于第一预设比例对所述第一数据进行扩大处理，基于第二预设比例对所述第一数据进行缩小处理。
[0011]进一步地，通过所述训练样本对初始神经网络模型进行训练，得到所述目标模型，包括：基于第三预设比例，将所述训练样本划分为训练集和验证集；基于所述训练集对所述初始神经网络进行模型训练，并在模型训练过程中调整所述初始神经网络模型的模型参数；在基于所述训练集对所述初始神经网络进行模型训练之后，基于所述验证集计算所述初始神经网络模型的误差率；在所述误差率小于预设阈值的情况下，确定所述初始神经网络模型训练结束，得到所述目标模型。
[0012]进一步地，在将所述缺失信息和所述第一历史数据输入目标模型，输出所述目标金融产品缺失的报价数据之后，包括：将所述目标金融产品缺失的报价数据，添加至关联金融机构各金融产品的报价数据集。
[0013]根据本专利技术实施例的另一方面，还提供了一种报价数据的处理装置，包括：第一获取单元，用于获取缺失信息，其中，所述缺失信息为目标金融产品缺失的报价数据的相关信息；第二获取单元，用于基于所述缺失信息，获取第一历史数据，其中，所述第一历史数据为所述目标金融产品的历史报价数据；第一处理单元，用于将所述缺失信息和所述第一历史数据输入目标模型，输出所述目标金融产品缺失的报价数据，其中，所述目标模型为已训练的神经网络模型。
[0014]进一步地，所述缺失信息至少包括以下其中之一：报价标识、报价日期、报价期限。
[0015]进一步地，所述目标模型通过以下单元得到：第三获取单元，用于获取第二历史数据，其中，所述第二历史数据至少包括：多种金融产品的历史报价数据,所述多种金融产品包括所述目标金融产品；第二处理单元，用于对所述第二历史数据进行特征处理，得到训练样本；训练单元，用于通过所述训练样本对初始神经网络模型进行训练，得到所述目标模型。
[0016]进一步地，第二处理单元包括：编码子单元，用于通过目标编码方式，对所述第二历史数据中的字符进行编码处理，得到数据变量；处理子单元，用于对所述数据变量进行标准化处理，得到所述训练样本。
[0017]进一步地，处理子单元包括：转化模块，用于将所述数据变量中的每个数据转化为预设数量级的数据，得到第一数据；第一处理模块，用于基于目标处理方式，对所述第一数据进行处理，得到所述训练样本，其中，所述目标处理方式至少包括以下其中之一：基于第一预设比例对所述第一数据进行扩大处理，基于第二预设比例对所述第一数据进行缩小处理。
[0018]进一步地，训练单元包括：划分模块，用于基于第三预设比例，将所述训练样本划分为训练集和验证集；第二处理模块，用于基于所述训练集对所述初始神经网络进行模型训练，并在模型训练过程中调整所述初始神经网络模型的模型参数；计算模块，用于在基于所述训练集对所述初始神经网络进行模型训练之后，基于所述验证集计算所述初始神经网络模型的误差率；第三处理模块，用于在所述误差率小于预设阈值的情况下，确定所述初始神经网络模型训练结束，得到所述目标模型。
[0019]进一步地，报价数据的处理装置还包括：添加单元，用于在将所述缺失信息和所述第一历史数据输入目标模型，输出所述目标金融产品缺失的报价数据之后，将所述目标金融产品缺失的报价数据，添加至关联金融机构各金融产品的报价数据集。
[0020]根据本专利技术实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储
器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的报价数据的处理方法。
[0021]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的报价数据的处理方法。
[0022]在本专利技术中，获取缺失信息，其中，缺失信息为目标金融产品缺失的报价数据的相关信息；基于缺失信息，获取第一历史数据，其中，第一历史数据为目标金融产品的历史报价数据；将缺失信息和第一历史数据输入目标模型，输出目标金融产品缺失的报价数据，其中，目标模型为已训练的神经网络模型。进而解决了相关技术中评估报价数据时，采用历史平均数据进行推演，准确性低的技术问题。在本专利技术中，通过目标模型确定缺失的报价数据，避免了相关技术中采用历史报价做算数平均的方式计算缺失的报价数据，准确率低的情况，从而实现了提高计算缺失的报价数据的准确率的技术效果。...
【技术保护点】
【技术特征摘要】
1.一种报价数据的处理方法，其特征在于，包括：获取缺失信息，其中，所述缺失信息为目标金融产品缺失的报价数据的相关信息；基于所述缺失信息，获取第一历史数据，其中，所述第一历史数据为所述目标金融产品的历史报价数据；将所述缺失信息和所述第一历史数据输入目标模型，输出所述目标金融产品缺失的报价数据，其中，所述目标模型为已训练的神经网络模型。2.根据权利要求1所述的处理方法，其特征在于，所述缺失信息至少包括以下其中之一：报价标识、报价日期、报价期限。3.根据权利要求1所述的处理方法，其特征在于，所述目标模型通过以下方式得到：获取第二历史数据，其中，所述第二历史数据至少包括：多种金融产品的历史报价数据,所述多种金融产品包括所述目标金融产品；对所述第二历史数据进行特征处理，得到训练样本；通过所述训练样本对初始神经网络模型进行训练，得到所述目标模型。4.根据权利要求3所述的处理方法，其特征在于，对所述第二历史数据进行特征处理，得到训练样本，包括：通过目标编码方式，对所述第二历史数据中的字符进行编码处理，得到数据变量；对所述数据变量进行标准化处理，得到所述训练样本。5.根据权利要求4所述的处理方法，其特征在于，对所述数据变量进行标准化处理，得到所述训练样本，包括：将所述数据变量中的每个数据转化为预设数量级的数据，得到第一数据；基于目标处理方式，对所述第一数据进行处理，得到所述训练样本，其中，所述目标处理方式至少包括以下其中之一：基于第一预设比例对所述第一数据进行扩大处理，基于第二预设比例对所述第一数据进行缩小处理。6.根据权利要求3所述的处理方法，其特征在于，通过所述训练样本对初始神经网络模型进行训练，得到所述目标...
【专利技术属性】
技术研发人员：詹振国，吴冉，
申请(专利权)人：工银科技有限公司，
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。