【技术实现步骤摘要】
本专利技术涉及多维度数据聚类，具体涉及一种基于人工智能投资研究的投资优化方法。
技术介绍
1、在进行投资优研究分析的过程中，可以利用人工智能算法构建专家模型，用于多维度投资历史大数据分析，生成最适合的资产配置方案和投资建议，帮助投资者实现个性化的投资组合优化。但其投资优化方法的高效性与准确性往往取决于对于多维度投资历史大数据的精准、及时处理，以应对多变的投资环境，因此如何提高多维度历史投资大数据分析效率与多维度数据关联关系是需要解决的重要问题。
2、层次聚类可以揭示出不同历史投资数据之间的关联和潜在规律，能够更好的对多维数据依据不同的数据关联特征进行更针对性的分类处理，而在利用分裂层次聚类算法对获取的投资多维度历史大数据进行数据特征划分的过程中，仅根据多维历史投资数据的分布特征进行划分时，没有考虑到多维度之间关联关系的影响，使得表征特征的数据点在聚类簇中的分布过于集中，具体表现为在分裂层次聚类树上的分支比重过大，并且根据分裂层次聚类算法的优先划分完整性，对于具有较大数据量的多维历史投资数据而言，将产生大量的计算冗余，这些将导致得到聚类划分结果的效率较低且分类的合理准确度较低，进而难以实现根据多维度历史投资数据对投资优化策略的精准高效分析。
技术实现思路
1、为了解决现有技术中得到聚类划分结果的效率较低且分类的合理准确度较低，进而难以实现根据多维度历史投资数据对投资优化策略的精准高效分析的技术问题，本专利技术的目的在于提供一种基于人工智能投资研究的投资优化方法，所采用的技
2、本专利技术提供了一种基于人工智能投资研究的投资优化方法，所述方法包括：
3、获取每个采样周期中两种以上的历史投资数据；
4、根据每种历史投资数据在每个采样周期下的数据分布情况，获得分布方向和每个分布方向对应的分布特征值；根据所有种类历史投资数据在所有采样周期下的分布方向构建多维坐标系，并将分布特征值映射至多维坐标系中获得特征点；在多维坐标系中，根据每种历史投资数据中特征点与其他特征点之间的分布相关程度，获得每种历史投资数据的相关显著度；
5、在对多维坐标系中特征点进行分裂层次聚类划分过程中，获得当前划分层的每个初始聚类簇；在当前划分层的每个初始聚类簇中，根据每两种历史投资数据在多维坐标系中的特征点的分布重合情况，以及每两种历史投资数据之间相关显著度的差异情况，获得每个初始聚类簇的划分影响指标；根据每个初始聚类簇到当前划分层为止的聚类分布情况，以及对应初始聚类簇的划分影响指标，获得每个初始聚类簇的划分必要性；
6、当存在初始聚类簇的划分必要性满足预设划分条件时，对满足预设划分条件的初始聚类簇进行下一划分层的聚类划分；直到当前划分层不存在满足预设划分条件的初始聚类簇时，停止分裂层次聚类划分获得最终划分结果；根据最终划分结果进行投资研究分析。
7、进一步地，所述根据每种历史投资数据在每个采样周期下的数据分布情况，获得分布方向和每个分布方向对应的分布特征值，包括：
8、对于任意一种历史投资数据，将该历史投资数据在每个采样周期中的数据值映射至时序二维坐标系中获取时序数据点，时序二维坐标系的横轴表示采样周期中的时刻，纵轴表示数据值；
9、通过主成分分析法对该历史投资数据在每个采样周期下的时序数据点进行分析，获得主成分方向以及对应的特征值；将每个主成分方向作为分布方向，将每个主成分方向对应的特征值进行归一化处理，获得每个分布方向对应的分布特征值。
10、进一步地，所述相关显著度的获取方法包括：
11、对于任意一种历史投资数据，依次将该历史投资数据对应的每个特征点作为目标点；在多维坐标系中，计算目标点与每个其他特征点之间的距离，获得目标点的分布差异；将目标点所有分布差异的平均值，作为目标点的关联指标；
12、计算该历史投资数据对应的所有特征点的关联指标的标准差，获得该历史投资数据的相关显著度。
13、进一步地，所述划分影响指标的获取方法包括：
14、对于当前划分层中的任意一个初始聚类簇，将该初始聚类簇中每个特征点对应的每种历史投资数据的种类，作为该初始聚类簇的聚类种类；将该初始聚类簇中的聚类种类两两组合，获得该初始聚类簇的类型组合；每个类型组合中的两个聚类种类不相同；
15、将多维坐标系中的坐标轴两两组合为坐标系，获得组合二维坐标系；每个组合二维坐标系中的两个坐标轴均不相同；依次将每个组合二维坐标系作为目标组合坐标系；
16、依次将该初始聚类簇中的每个类型组合作为参考组，根据参考组中每个聚类种类在目标组合坐标系中的特征点分布情况，获得参考组中每个聚类种类在目标组合坐标系下的分布面积；
17、计算参考组中两个聚类种类在目标组合坐标系下对应的分布面积的相交情况，获得参考组在目标组合坐标系下的面积分布指标；计算参考组在所有二维组合坐标系下的面积分布指标的均值，获得参考组的空间分布指标；将参考组中两个聚类种类对应的相关显著度的差异作为参考组的相关显著指标；
18、根据参考组的空间分布指标和相关显著指标获得参考组的分布特征指标；空间分布指标与分布特征指标呈正相关，相关显著指标与分布特征指标呈负相关；
19、将该初始聚类簇中所有类型组合的分布特征指标的累加值，作为该初始聚类簇的划分影响指标。
20、进一步地，所述分布面积的获取方法包括：
21、将参考组中每个聚类种类在该初始聚类簇中的特征点投影到目标组合坐标系中，获得参考组中每个聚类种类在目标组合坐标系中的投影点；
22、对目标组合坐标系中每个聚类种类对应的投影点进行凸包检测，获得参考组中每个聚类种类在目标组合坐标系下的分布面积。
23、进一步地，所述面积分布指标的获取方法包括：
24、当参考组中两个聚类种类在目标组合坐标系下对应的分布面积存在交集时，将参考组中两个聚类种类在目标组合坐标系下对应的分布面积的交集，作为参考组的相交面积；计算参考组中两个聚类种类在目标组合坐标系下对应的分布面积的并集，获得参考组的总和面积；将参考组的相交面积和总和面积的比值，作为参考组在目标组合坐标系下的面积分布指标；
25、当参考组中两个聚类种类在目标组合坐标系下对应的分布面积不存在交集时，将参考组在目标组合坐标系下的面积分布指标设置为零。
26、进一步地，所述划分必要性的获取方法包括：
27、在划分至当前划分层为止时，统计所有划分层的总数量，获得获得当前划分层的层次数量；
28、统计当前划分层的每个初始聚类簇中特征点的数量，获得每个初始聚类簇的节点数量；统计当前划分层前每个停止划分的聚类簇中特征点的数量，获得每个停止划分的聚类簇的簇内数量；将所有节点数量和所有簇内数量的平均值，作为当前划分层的数量均值；
29、对于当前划分层中的任意一个初始聚类簇，将该初始聚类簇的节点数量与数量均值的差值作本文档来自技高网...
【技术保护点】
1.一种基于人工智能投资研究的投资优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述根据每种历史投资数据在每个采样周期下的数据分布情况，获得分布方向和每个分布方向对应的分布特征值，包括：
3.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述相关显著度的获取方法包括：
4.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述划分影响指标的获取方法包括：
5.根据权利要求4所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述分布面积的获取方法包括：
6.根据权利要求4所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述面积分布指标的获取方法包括：
7.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述划分必要性的获取方法包括：
8.根据权利要求7所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述根据该初始聚类簇的偏差程度的大小情况，获得该初
9.根据权利要求7所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述预设划分条件为划分必要性大于或等于预设分类阈值。
10.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述根据所有种类历史投资数据在所有采样周期下的分布方向构建多维坐标系，并将分布特征值映射至多维坐标系中获得特征点，包括：
...【技术特征摘要】
1.一种基于人工智能投资研究的投资优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述根据每种历史投资数据在每个采样周期下的数据分布情况，获得分布方向和每个分布方向对应的分布特征值，包括：
3.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述相关显著度的获取方法包括：
4.根据权利要求1所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述划分影响指标的获取方法包括：
5.根据权利要求4所述一种基于人工智能投资研究的投资优化方法，其特征在于，所述分布面积的获取方法包括：
6.根据权利要求4所述一种基于人工智能投资研究的投资优化...
【专利技术属性】
技术研发人员：李臻，王春阳，张晨玺，
申请(专利权)人：泰安北航科技园信息科技有限公司，
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。