CN108596765A - 一种金融电子资源推荐方法和装置 - Google Patents
一种金融电子资源推荐方法和装置 Download PDFInfo
- Publication number
- CN108596765A CN108596765A CN201810399403.6A CN201810399403A CN108596765A CN 108596765 A CN108596765 A CN 108596765A CN 201810399403 A CN201810399403 A CN 201810399403A CN 108596765 A CN108596765 A CN 108596765A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- development
- sourcing
- wave time
- electronic finance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011161 development Methods 0.000 claims abstract description 119
- 238000012358 sourcing Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012512 characterization method Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 230000000875 corresponding effect Effects 0.000 claims description 56
- 230000002349 favourable effect Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 230000002996 emotional effect Effects 0.000 claims description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009189 diving Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101100510615 Caenorhabditis elegans lag-2 gene Proteins 0.000 description 2
- 244000097202 Rathbunia alamosensis Species 0.000 description 2
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100074187 Caenorhabditis elegans lag-1 gene Proteins 0.000 description 1
- 101100510617 Caenorhabditis elegans sel-8 gene Proteins 0.000 description 1
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种金融电子资源推荐方法和装置，该方法包括：基于目标行业的历史媒体数据，确定表征目标行业发展波动的发展波动时间序列；针对目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；基于发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；针对确定的目标金融电子资源构建趋势预测模型，基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
Description
技术领域
本申请涉及数据分析技术领域，具体而言，涉及一种金融电子资源推荐方法和装置。
背景技术
证券市场是国家经济发展资金流动的基础，证券价格的演化过程是由许多经济个体和经济因素共同参与共同决定的，导致股价波动的模型较为复杂，难以进行有效的预测，进而导致对股票的推荐的准确度低。当前对股票进行推荐的方法主要集中在两类，分别为基于股评的在线股票推荐方法和基于数理分析的股价预测模型。基于股评的在线股票推荐方法不能满足用户个性化股票推荐的需求，例如，用户只针对某一个行业股票感兴趣，仅希望购买该行业的股票，此时基于股评的在线股票推荐方法不能满足这种用户的需求，而采用基于数理分析的股价预测模型进行股票推荐的方法比较复杂，不便于用户理解掌握，应用难度较大。
发明内容
有鉴于此，本申请的目的在于提供一种金融电子资源推荐方法和装置，用于解决现有技术中推荐的金融电子资源准确度低的问题。
第一方面，本申请实施例提供了一种金融电子资源推荐方法，该方法包括：
基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列；
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；
针对确定的目标金融电子资源构建趋势预测模型，并基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；
使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
可选地，基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列，包括：
基于目标行业的历史媒体数据，确定表征所述目标行业在第一预设历史时间段内发展波动的发展波动时间序列；
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列，包括：
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源分别在至少一个第二预设历史时间段内涨跌波动的涨跌波动时间序列；
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源，包括：
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，将符合如下条件的金融电子资源确定为目标金融电子资源：
该金融电子资源在对应第二预设时间段内涨跌波动时间序列与所述发展波动时间序列之间的相关性符合预设相关条件，以及
该对应第二预设时间段相较所述发展波动时间序列对应的第一预设历史时间段滞后。
可选地，采用如下方法对所述发展波动时间序列与各金融电子资源的涨跌波动时间序列进行相关性分析：
针对所述目标行业中的每个金融电子资源，针对该金融电子资源在每个第二预设历史时间段内涨跌波动时间序列，分别确定该涨跌波动时间序列与所述发展波动时间序列之间的相关系数；
其中，所述至少一个第二预设历史时间段相较所述第一预设历史时间段滞后，或者
所述至少一个第二预设历史时间段与所述第一预设历史时间段之间的先后关系包括滞后，以及如下一种或多种：超前、或相同。
可选地，基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列，包括：
采用预设文本解析算法对所述目标行业的历史媒体数据进行解析；
对解析得到的词汇进行正负倾向情感分类，得到表征正倾向的利好词汇以及表征负倾向的利空词汇；
对每个预设单位时间内利好词汇和利空词汇数量进行统计；
根据统计结果确定每个预设单位时间的极性；其中，预设单位时间内利好词汇数量大于利空词汇数量，则对应极性为正，预设单位时间内利好词汇数量小于利空词汇数量，则对应极性为负，预设单位时间内利好词汇数量等于利空词汇数量，则对应极性为中；并
将连续预设数量个预设单位时间对应的极性序列确定为该连续预设数量个预设单位时间对应的发展波动时间序列。
可选地，针对确定的目标金融电子资源构建趋势预测模型，包括：
基于所述发展波动时间序列确定发展波动特征向量；以及
基于目标金融电子资源的历史交易数据确定交易特征向量；
将所述发展波动特征向量以及交易特征向量作为自变量，将目标金融电子资源的涨跌趋势作为因变量，构建目标金融电子资源的趋势预测模型；
其中，所述交易特征向量表征的交易时间序列相较所述发展波动特征向量对应的发展波动时间序列滞后，且滞后量与所述对应第二预设时间段相较所述第一预设历史时间段的滞后量相同。
可选地，使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐，包括：
使用完成训练的趋势预测模型对各目标金融电子资源的发展趋势进行预测，得到各目标金融电子资源的上涨概率预测结果；
根据得到的上涨概率预测结果，对上涨概率由大到小的前预设数量个目标金融电子资源进行推荐。
第二方面，本申请实施例提供了一种金融电子资源推荐装置，该装置包括：
第一确定模块，用于基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列；
第二确定模块，用于针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；
第三确定模块，用于基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；
训练模块，用于针对确定的目标金融电子资源构建趋势预测模型，并基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；
推荐模块，用于使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
可选地，所述第一确定模块具体用于：
基于目标行业的历史媒体数据，确定表征所述目标行业在第一预设历史时间段内发展波动的发展波动时间序列；
所述第二确定模块具体用于：
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源分别在至少一个第二预设历史时间段内涨跌波动的涨跌波动时间序列；
所述第三确定模块具体用于：
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，将符合如下条件的金融电子资源确定为目标金融电子资源：
该金融电子资源在对应第二预设时间段内涨跌波动时间序列与所述发展波动时间序列之间的相关性符合预设相关条件，以及
该对应第二预设时间段相较所述发展波动时间序列对应的第一预设历史时间段滞后。
第三方面，本申请实施例提供了一种计算机设备包括存储器、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计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。
本申请实施例提供的金融电子资源推荐方法，根据目标行业的历史媒体数据确定发展波动时间序列，根据目标行业的各金融电子资源的历史交易数据，确定各金融电子资源的涨跌波动时间序列，进一步对发展波动时间序列与各金融电子资源的涨跌波动时间序列进行相关性分析，确定目标金融电子资源，针对各目标金融电子资源构建趋势预测模型，根据目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练，进而对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。本申请根据从目标行业获取的数据，建立趋势预测模型，对该目标行业的金融电子资源进行推荐，一方面建立趋势预测模型考虑的目标行业的多种影响因素，提高了推荐的金融电子资源的准确度，另一方面，在针对只对某一特定行业感兴趣的用户推荐金融电子资源时，推荐的金融电子资源更容易被用户接受，提高了用户的满意度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种金融电子资源推荐方法的流程示意图；
图2为本申请实施例提供的一种金融电子资源推荐装置的第一种结构示意图；
图3为本申请实施例提供的一种金融电子资源推荐装置的第二种结构示意图；
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种金融电子资源推荐方法，如图1所示，该方法包括以下步骤：
S101，基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列；
这里，目标行业一般为预先设置的行业，例如，通信行业、交通行业、互联网行业等等；历史媒体数据可以为从预设平台获取，预设平台可以是今日头条、网易新闻、新浪新闻、新浪微博等等，历史媒体数据可以包括行业财经新闻、行业股票评论、行业舆论新闻、行业政策新闻等等；发展波动时间序列表征时间和极性之间的对应关系。
在基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列时，一般是基于目标行业的历史媒体数据，确定表征所述目标行业在第一预设历史时间段内发展波动的发展波动时间序列。其中，第一预设历史时间段可以为1天、连续几天、1星期、1个月、1个季度等，本申请对此不予限制。
基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列，具体包括以下步骤：
采用预设文本解析算法对所述目标行业的历史媒体数据进行解析；
对解析得到的词汇进行正负倾向情感分类，得到表征正倾向的利好词汇以及表征负倾向的利空词汇；
对每个预设单位时间内利好词汇和利空词汇数量进行统计；
根据统计结果确定每个预设单位时间的极性；其中，预设单位时间内利好词汇数量大于利空词汇数量，则对应极性为正，预设单位时间内利好词汇数量小于利空词汇数量，则对应极性为负，预设单位时间内利好词汇数量等于利空词汇数量，则对应极性为中；并
将连续预设数量个预设单位时间对应的极性序列确定为该连续预设数量个预设单位时间对应的发展波动时间序列。
这里，文本解析算法可以是jieba工具包等，采用文本解析算法对历史媒体数据进行解析的过程，现有技术已有详细的介绍，此处不再进行过多说明；正倾向的利好词汇一般为对金融电子资源产生正面影响的利好词汇，负倾向的利空词汇一般为对金融电子资源产生负面影响的利空词汇，利好词汇可以是上涨、利好、超预期、宽容并包、促进发展、必要支撑等，利空词汇可以是下跌、利空、跳水、加大监管、所得税、整改等；预设单位时间一般为一个工作日。
在具体实施中，在得到目标行业的第一预设历史时间段中各预设单位时间的历史媒体数据后，针对第一预设历史时间段中每个预设单位时间，统计利好词汇和利空词汇在该预设单位时间的历史媒体数据中出现的次数，根据统计的次数对利好词汇和利空词汇进行赋值，得到利好词汇向量和利空词汇向量，利好词汇向量中包括各利好词汇的值，利空词汇向量中包括各利空词汇的值，分别计算利好词汇向量中值的和值的平均值Tbullish和利空词汇向量中值的和值的平均值Tberarish，若Tbullish大于Tberarish，则该时间段对应的极性为正(如，1)，若Tbullish小于Tberarish，则该时间段对应的极性为负(如，-1)，若Tbullish等于Tberarish，则该时间段对应的极性为中(如，0)，从第一预设历史时间段中选择连续预设数量个预设单位时间对应的极性序列最终确定为发展波动时间序列。
以通信行业为例进行说明，第一预设时间段包括5个工作日，针对每个工作日，在获取到通信行业在该工作日的大量的财经新闻、政策新闻等等后，统计上涨、利好、预期等利好词汇和下跌、利空、跳水等利空词汇在各新闻中出现的次数，例如，在任意一个工作日中，上涨出现在7条新闻中，利好出现在4条新闻中，预期出现在4条新闻中，下跌出现在10条新闻中，利空出现在7条新闻中，跳水出现在1条新闻中，则得到的利空词汇向量为[7，4,4]利空词汇向量为[10,7,1]，计算利空词汇向量的平均值得到的Tbullish为5，计算利空词汇向量的平均值得到的Tbullish为6，该Tbullish小于Tberarish，对于该任意一个工作日的极性值则为-1,每个工作日的极性计算方式与上述示例相同，不再一一进行介绍。最终可以得到第一预设时间段对应的每个工作日的极性。
S102，针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；
这里，目标行业的各金融电子资源一般为属于该目标行业的股票、证券、基金等，历史交易数据可以为股票数据，股票数据一般包括有股票的收盘价、最高价、最低价、交易量、换手率等；涨跌波动时间序列表征时间和涨跌趋势之间的对应关系。
在针对目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列时，一般是针对目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源分别在至少一个第二预设历史时间段内涨跌波动的涨跌波动时间序列。其中，第二预设历史时间段可以为1天、连续几天、1星期、1个月、1个季度等，本申请对此不予限制。
第二预设历史时间段可以滞后于第一历史时间段，也可以超前于第一历史时间段，也可以与第一历史时间段相同。例如，第一历史时间段为18年4月2号-18年4月6号，滞后的第二预设历史时间段为18年4月9号-18年4月13号，超前的第二预设历史时间段为18年3月26号-18年3月30号，相同的第二预设历史时间段为18年4月2号-18年4月6号，第一预设历史时间段和第二预设历史时段包含的时间天数一般相同，那么，两个预设历史时间段可以存在重叠的部分：超前的历史时间段，其历史时间段起始时间点或者结束时间点相较另一个历史时间段的对应时间点超前；滞后的历史时间段，其历史时间段起始时间点或者结束时间点相较另一个历史时间段的对应时间点滞后。在实际应用中，可根据实际情况确定。
在具体实施中，获取的历史交易数据可以为至少一个第二预设历史时间段的数据，每个第二预设历史时间段包含有多个单位预设时间(这个单位预设时间可以与第一历史时间段中的单位预设时间相同)，针对每个第二预设历史时间段中的每个单位预设时间，根据该单位预设时间的历史交易数据，确定金融电子资源的涨跌趋势，将连续预设数量个预设单位时间对应的涨跌趋势序列确定为涨跌波动时间序列。
例如，第二预设历史时间段包括5个工作日，每个工作日对应有金融电子资源的收盘价、交易量、最高价等，比对当前工作日与前一个工作日的收盘价，若当前工作日的收盘价高于前一个工作日的收盘价的5％，则当前工作日的涨跌趋势一般为5％，若当前工作日的收盘价低于前一个工作日的收盘价5％，则当前工作日的涨跌趋势一般为-5％，若当前工作日的收盘价等于前一个工作日的收盘价，则当前工作日的涨跌趋势为0，每个第二预设历史时间段的每个工作的涨跌趋势的计算方法与上述示例相同，不一一介绍，最终得到表征时间和涨跌趋势之间的对应关系的涨跌波动时间序列。
S103，基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；
这里，目标金融电子资源一般为从目标行业的金融电子资源中筛选出来的。
在基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源时，一般是基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，将符合如下条件的金融电子资源确定为目标金融电子资源：
该金融电子资源在对应第二预设时间段内涨跌波动时间序列与所述发展波动时间序列之间的相关性符合预设相关条件，以及
该对应第二预设时间段相较所述发展波动时间序列对应的第一预设历史时间段滞后。
在对发展波动时间序列与各金融电子资源的涨跌波动时间序列进行相关性分析时，采用如下方法对所述发展波动时间序列与各金融电子资源的涨跌波动时间序列进行相关性分析：
针对各金融电子资源中的每个金融电子资源，针对该金融电子资源在每个第二预设历史时间段内涨跌波动时间序列，分别确定该涨跌波动时间序列与所述发展波动时间序列之间的相关系数；这里，第二预设历史时间段相较第一预设历史时间段可以滞后、超前、或相同。
这里，预设相关条件可以为金融电子资源在对应第二预设时间段内涨跌波动时间序列与发展波动时间序列之间的相关性大于设定的相关度阈值，本申请对此不予限制。
在具体实施中，得到目标行业的发展波动时间序列P为第一预设历史时间段的，针对目标行业中每个金融电子资源，得到多个第二预设历史时间段的涨跌波动时间序列集S，S集包括多个序列，S集中的第一预设数目个涨跌波动时间序列的时间超前于第一预设历史时间段，第二预设数目个涨跌波动时间序列的时间滞后于第一预设历史时间段，一个涨跌波动时间序列的时间与第一预设历史时间段相同，通过相关系数计算公式分别计算各个涨跌波动时间序列与发展波动时间序列之间的相关性，将相关性的绝对值最大，且第二预设历史时间段滞后于第一预设历史时间段对应的金融电子资源确定为目标金融电子资源。其中，相关性计算公式可以参考下述公式。
相关性r计算公式如下：
其中，r为发展波动时间序列与涨跌波动时间序列之间的相关性，xi为发展波动时间序列中的第i个极性值，yi为涨跌波动时间序列中的第i个涨跌趋势值，N为发展波动时间序列或涨跌波动时间序列中值的数目，一般为正整数。
以目标行业的一个金融电子资源与目标行业之间的相关性为例进行说明，目标行业的P序列对应的第一预设历史时间段为时间序列中的第6天到第10天，与第一预设历史时间段相同的S0对应的第二历史时间段为时间序列中的第6天到第10天，超前第一预设历史时间段的S1、S2、S3分别对应的第二预设历史时间段可以为时间序列中的第5天到第9天、第4天到第8天、第3天到第7天，滞后第一预设历史时间段的S4、S5、S6分别对应的第二预设历史时间段可以为时间序列中的第7天到第11天、第8天到第12天、第9天到第13天，分别计算P序列与S0、S1、S2、S3、S4、S5、S6之间的相关性，得到r0、超前1天的r1、超前2天的r2、超前3天的r3、滞后1天的r4、滞后2天的r5、滞后3天的r6，从中选择绝对值最大的相关性，若绝对值最大的相关性滞后2天，此时，可以确定该金融电子资源为目标金融电子资源，若绝对值最大的相关性超前2天或者为r0，则此类金融电子资源被舍弃。
S104，针对确定的目标金融电子资源构建趋势预测模型，并基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；
这里，构建的趋势预测模型可以是逻辑回归模型、神经网络模型等，本申请对此不予限制。
针对确定的目标金融电子资源构建趋势预测模型时，包括以下步骤：
基于所述发展波动时间序列确定发展波动特征向量；以及
基于目标金融电子资源的历史交易数据确定交易特征向量；
将所述发展波动特征向量以及交易特征向量作为自变量，将目标金融电子资源的涨跌趋势作为因变量，构建目标金融电子资源的趋势预测模型；
其中，所述交易特征向量表征的交易时间序列相较所述发展波动特征向量对应的发展波动时间序列滞后，且滞后量与所述对应第二预设时间段相较所述第一预设历史时间段的滞后量相同。
在具体实施中，针对每个目标金融电子资源，将发展波动特征向量以及交易特征向量作为自变量，将目标金融电子资源的涨跌趋势作为因变量，构建至少两个预设模型并进行训练，将至少两个预设模型的预测结果作为自变量，将目标金融电子资源的涨跌趋势作为因变量，构建融合模型并进行训练。其中，预设模型包括逻辑回归模型、神经网络模型等。
对预设模型进行融合处理，最终得到趋势预测模型，能够得到更好的预测优度，增加金融电子资源趋势预测的准确度。模型融合有下述两种方法：
方法一：模型堆积(Model stacking)，对各预设模型的预测结果投票，采用少数服从多数的原则，通常将几个预设模型的预测结果加权求平均，权值与模型预测优度成正比，与模型的不确定性成反比。
方法二：模型集成(Model ensemble)，将各个预设模型的预测结果作为输出值，训练一个新的分类器，然后，利用训练的分类器的预测结果作为趋势预测模型的最终预测结果。
在构建至少两个预设模型并进行训练时，基于历史媒体数据，确定发展波动特征向量中的值，基于历史交易数据，确定交易特征向量中的值以及涨跌趋势的值，针对每个预设模型，将发展波动特征向量中的值和交易特征向量中的值作为自变量的值，将对应的涨跌趋势的值作为因变量的值，对该预设模型进行训练，得到完成训练的至少两个预设模型。
若两个预设模型分别为逻辑回归预测模型和神经网络预测模型时，将确定的发展波动特征向量的值和交易特征向量的值作为自变量的值，将涨跌趋势的值作为因变量的值，分别输入逻辑回归预测模型和神经网络预测模型进行训练，得到完成训练的逻辑回归预测模型和神经网络预测模型。采用逻辑回归预测模型进行训练的过程现有技术已有详细的介绍，不再进行过多说明，逻辑回归预测模型的原理如下：
多元线性模型为：h(x)＝a0+a1x1+a2x2+…+anxn
其中，h(x)为多元线性模型的因变量，a0、a1、……an为自变量的权重，x1、x2、……xn为多元线性模型的自变量。
使用多元线性模型来对物品进行分类，预先设定阀值，然后将所有因变量h(x)大于阀值的样本分为一类，其他的分为另一类。但这种方式存在一个问题，由于h(x)的值是任意大小的，阀值的选择是一件困难的事情，为了便于阀值的选择，对其进行归一化处理。
设阀值为：t，则
其中，ha(x)为利用多元线性模型预测结果；
假设：
a0＝a0-t，aTx＝a0+a1x1+…+anxn
在此使用S型(sigmoid)函数对其进行归一化。
此时，若使用平方最小误差函数来估算参数，由于归一化后的函数为非凸函数，故而不能使用梯度下降法来找到其最小值。但使用极大似然估计的方法估计模型参数。
由于是二分类，可以假设：
p(y＝1|xi)＝ha(xi)，p(y＝0|xi)＝1-ha(xi)
其中，P(y＝1|xi)为预测结果为1的概率；
ha(xi)为
所以似然函数为：
其中，h(xi)为
m为正整数；
对数似然函数L(a)：
对L(a)求极大值，得到a的估计值。
在预设模型为神经网络模型时，针对多个神经网络模型，分别执行如下训练操作，其中，多个神经网络具有不同的神经网络层数：
将发展波动特征向量中的值和交易特征向量中的值作为自变量的值，将对应的涨跌趋势的值作为因变量的值，对当前神经网络模型进行训练，得到用于衡量模型预测准确性的预设指标的指标值；
将指标值最高的神经网络模型作为最终确定的神经网络预测模型
神经网络的层数可以设置为最多10层，从一层开始，每增加一层对应一个神经网络模型，将发展波动特征向量中的值和交易特征向量中的值作为自变量的值，将涨跌趋势的值作为因变量的值，分别输入上述神经网络模型进行训练，得到各神经网络模型参数，以及衡量模型预测准确性的指标值，如，该指标值可以为柯尔莫哥洛夫-斯米诺夫检验(Kolmogorov-Smirnov test，KS)校验值、接收者操作特征曲线下方的面积(Area underCurve of receiver operating characteristic curve，AUC)指标值。在实际应用中，可以同时得到KS校验值和AUC指标值。
指标值越大表征模型预测的准确性越高，因此，将最高的指标值对应的神经网络模型作为最终确定的神经网络预测模型，如，神经网络层数为9时，对应的指标值最大，该神经网络层数9对应的神经网络模型为最终的神经网络预测模型。其中，最高的指标值可以是KS校验值，也可以是AUC指标值，本申请对此不予限制。
延续步骤S103中的示例，同样针对目标行业的一个目标金融电子资源为例进行说明，若该目标金融电子资源对应的相关系数为滞后2天，在构建至少两个预设模型时以及进行模型融合时，交易特征向量表征的交易时间序列相较所述发展波动特征向量对应的发展波动时间序列滞后2天。对于不同的目标金融电子资源可能对应有不同的滞后量，在具体实施中，应以当前目标金融电子资源的滞后量为准进行计算，具体过程可参考上述示例，本申请不针对每个目标金融电子资源进行一一说明。
例如，以一个目标金融电子资源为例进行说明，两个预设模型分别为逻辑回归预测模型和神经网络预测模型，将第一预设历史时间段对应的发展波动特征向量的值和第二预设历史时间段(如，滞后第一预设历史时间段的滞后量为2)对应的交易特征向量的值作为自变量的值，将第二预设历史时间段的涨跌趋势的值作为因变量的值，分别输入逻辑回归预测模型得到第一预测结果，输入最终确定的神经网络预测模型得到第二预测结果。
进一步，将第一预测结果和第二预测结果作为自变量的值，将第二历史时间段的涨跌趋势的值作为因变量的值，输入构建的融合模型进行训练，最终得到趋势预测模型，以便用户使用该趋势预测模型对金融电子资源的上涨趋势进行预测。
S105，使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
在使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐时，包括以下步骤：
使用完成训练的趋势预测模型对各目标金融电子资源的发展趋势进行预测，得到各目标金融电子资源的上涨概率预测结果；
根据得到的上涨概率预测结果，对上涨概率由大到小的前预设数量个目标金融电子资源进行推荐。
在具体实施中，针对目标行业中的各个目标金融电子资源，基于该目标金融电子资源的发展波动时间序列确定发展波动特征向量中的值，基于该目标金融电子资源的历史交易数据确定交易特征向量中的值，将发展波动特征向量中的值和交易特征向量中的值作为自变量的值，输入到该目标金融电子资源对应的趋势预测模型中，得到该目标金融电子资源的上涨概率，可以将大于设定概率阈值的上涨概率对应的目标金融电子资源作为推荐对象，也可以将上涨概率按照由大到小的顺序进行排序，将前预设数量个目标金融电子资源作为推荐对象。
本申请实施例提供了一种金融电子资源推荐装置，如图2所示，该装置包括：
第一确定模块21，用于基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列；
第二确定模块22，用于针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；
第三确定模块23，用于基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；
训练模块24，用于针对确定的目标金融电子资源构建趋势预测模型，并基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；
推荐模块25，用于使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
可选地，所述第一确定模块21具体用于：
基于目标行业的历史媒体数据，确定表征所述目标行业在第一预设历史时间段内发展波动的发展波动时间序列；
所述第二确定模块22具体用于：
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源分别在至少一个第二预设历史时间段内涨跌波动的涨跌波动时间序列；
所述第三确定模块23具体用于：
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，将符合如下条件的金融电子资源确定为目标金融电子资源：
该金融电子资源在对应第二预设时间段内涨跌波动时间序列与所述发展波动时间序列之间的相关性符合预设相关条件，以及
该对应第二预设时间段相较所述发展波动时间序列对应的第一预设历史时间段滞后。
可选地，第一确定模块21具体用于：
采用预设文本解析算法对所述目标行业的历史媒体数据进行解析；
对解析得到的词汇进行正负倾向情感分类，得到表征正倾向的利好词汇以及表征负倾向的利空词汇；
对每个预设单位时间内利好词汇和利空词汇数量进行统计；
根据统计结果确定每个预设单位时间的极性；其中，预设单位时间内利好词汇数量大于利空词汇数量，则对应极性为正，否则为负；并
将连续预设数量个预设单位时间对应的极性序列确定为该连续预设数量个预设单位时间对应的发展波动时间序列。
可选地，所述训练模块24具体用于：
基于所述发展波动时间序列确定发展波动特征向量；以及
基于目标金融电子资源的历史交易数据确定交易特征向量；
将所述发展波动特征向量以及交易特征向量作为自变量，将目标金融电子资源的涨跌趋势作为因变量，构建目标金融电子资源的趋势预测模型；
其中，所述交易特征向量表征的交易时间序列相较所述发展波动特征向量对应的发展波动时间序列滞后，且滞后量与所述对应第二预设时间段相较所述第一预设历史时间段的滞后量相同。
可选地，推荐模块25具体用于：
使用完成训练的趋势预测模型对各目标金融电子资源的发展趋势进行预测，得到各目标金融电子资源的上涨概率预测结果；
根据得到的上涨概率预测结果，对上涨概率由大到小的前预设数量个目标金融电子资源进行推荐。
本申请实施例提供了一种金融电子资源推荐装置，如图3所示，该装置与图2中的装置相比，还包括分析模块26，分析模块26用于：
针对所述目标行业中的每个金融电子资源，针对该金融电子资源在每个第二预设历史时间段内涨跌波动时间序列，分别确定该涨跌波动时间序列与所述发展波动时间序列之间的相关系数；
其中，所述至少一个第二预设历史时间段相较所述第一预设历史时间段滞后，或者
所述至少一个第二预设历史时间段与所述第一预设历史时间段之间的先后关系包括滞后，以及如下一种或多种：超前、或相同。
对应于图1中的金融电子资源推荐方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述金融电子资源推荐方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述金融电子资源推荐方法，解决了现有技术中推荐的金融电子资源准确度低，本申请根据从目标行业获取的数据，建立趋势预测模型，对该目标行业的金融电子资源进行推荐，一方面建立趋势预测模型考虑的目标行业的多种影响因素，提高了推荐的金融电子资源的准确度，另一方面，在针对只对某一特定行业感兴趣的用户推荐金融电子资源时，推荐的金融电子资源更容易被用户接受，提高了用户的满意度。
对应于图1中的金融电子资源推荐方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述金融电子资源推荐方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述金融电子资源推荐方法，解决了现有技术中推荐的金融电子资源准确度低，本申请根据从目标行业获取的数据，建立趋势预测模型，对该目标行业的金融电子资源进行推荐，一方面建立趋势预测模型考虑的目标行业的多种影响因素，提高了推荐的金融电子资源的准确度，另一方面，在针对只对某一特定行业感兴趣的用户推荐金融电子资源时，推荐的金融电子资源更容易被用户接受，提高了用户的满意度。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种金融电子资源推荐方法，其特征在于，该方法包括：
基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列；
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；
针对确定的目标金融电子资源构建趋势预测模型，并基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；
使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
2.如权利要求1所述的方法，其特征在于，基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列，包括：
基于目标行业的历史媒体数据，确定表征所述目标行业在第一预设历史时间段内发展波动的发展波动时间序列；
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列，包括：
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源分别在至少一个第二预设历史时间段内涨跌波动的涨跌波动时间序列；
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源，包括：
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，将符合如下条件的金融电子资源确定为目标金融电子资源：
该金融电子资源在对应第二预设时间段内涨跌波动时间序列与所述发展波动时间序列之间的相关性符合预设相关条件，以及
该对应第二预设时间段相较所述发展波动时间序列对应的第一预设历史时间段滞后。
3.如权利要求2所述的方法，其特征在于，采用如下方法对所述发展波动时间序列与各金融电子资源的涨跌波动时间序列进行相关性分析：
针对所述目标行业中的每个金融电子资源，针对该金融电子资源在每个第二预设历史时间段内涨跌波动时间序列，分别确定该涨跌波动时间序列与所述发展波动时间序列之间的相关系数；
其中，所述至少一个第二预设历史时间段相较所述第一预设历史时间段滞后，或者
所述至少一个第二预设历史时间段与所述第一预设历史时间段之间的先后关系包括滞后，以及如下一种或多种：超前、或相同。
4.如权利要求1-3任一项所述的方法，其特征在于，基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列，包括：
采用预设文本解析算法对所述目标行业的历史媒体数据进行解析；
对解析得到的词汇进行正负倾向情感分类，得到表征正倾向的利好词汇以及表征负倾向的利空词汇；
对每个预设单位时间内利好词汇和利空词汇数量进行统计；
根据统计结果确定每个预设单位时间的极性；其中，预设单位时间内利好词汇数量大于利空词汇数量，则对应极性为正，预设单位时间内利好词汇数量小于利空词汇数量，则对应极性为负，预设单位时间内利好词汇数量等于利空词汇数量，则对应极性为中；并
将连续预设数量个预设单位时间对应的极性序列确定为该连续预设数量个预设单位时间对应的发展波动时间序列。
5.如权利要求2所述的方法，其特征在于，针对确定的目标金融电子资源构建趋势预测模型，包括：
基于所述发展波动时间序列确定发展波动特征向量；以及
基于目标金融电子资源的历史交易数据确定交易特征向量；
将所述发展波动特征向量以及交易特征向量作为自变量，将目标金融电子资源的涨跌趋势作为因变量，构建目标金融电子资源的趋势预测模型；
其中，所述交易特征向量表征的交易时间序列相较所述发展波动特征向量对应的发展波动时间序列滞后，且滞后量与所述对应第二预设时间段相较所述第一预设历史时间段的滞后量相同。
6.如权利要求1-3任一项所述的方法，其特征在于，使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐，包括：
使用完成训练的趋势预测模型对各目标金融电子资源的发展趋势进行预测，得到各目标金融电子资源的上涨概率预测结果；
根据得到的上涨概率预测结果，对上涨概率由大到小的前预设数量个目标金融电子资源进行推荐。
7.一种金融电子资源推荐装置，其特征在于，该装置包括：
第一确定模块，用于基于目标行业的历史媒体数据，确定表征所述目标行业发展波动的发展波动时间序列；
第二确定模块，用于针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源涨跌波动的涨跌波动时间序列；
第三确定模块，用于基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，确定目标金融电子资源；
训练模块，用于针对确定的目标金融电子资源构建趋势预测模型，并基于目标金融电子资源所属目标行业的历史媒体数据，以及目标金融电子资源的历史交易数据，对趋势预测模型进行训练；
推荐模块，用于使用完成训练的趋势预测模型对目标金融电子资源的发展趋势进行预测，并根据预测结果对目标金融电子资源进行推荐。
8.如权利要求7所述的装置，其特征在于，所述第一确定模块具体用于：
基于目标行业的历史媒体数据，确定表征所述目标行业在第一预设历史时间段内发展波动的发展波动时间序列；
所述第二确定模块具体用于：
针对所述目标行业的各金融电子资源，基于该金融电子资源的历史交易数据，确定表征该金融电子资源分别在至少一个第二预设历史时间段内涨跌波动的涨跌波动时间序列；
所述第三确定模块具体用于：
基于所述发展波动时间序列与各金融电子资源的涨跌波动时间序列之间的相关性分析结果，将符合如下条件的金融电子资源确定为目标金融电子资源：
该金融电子资源在对应第二预设时间段内涨跌波动时间序列与所述发展波动时间序列之间的相关性符合预设相关条件，以及
该对应第二预设时间段相较所述发展波动时间序列对应的第一预设历史时间段滞后。
9.一种计算机设备包括存储器、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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810399403.6A CN108596765A (zh) | 2018-04-28 | 2018-04-28 | 一种金融电子资源推荐方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810399403.6A CN108596765A (zh) | 2018-04-28 | 2018-04-28 | 一种金融电子资源推荐方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596765A true CN108596765A (zh) | 2018-09-28 |
Family
ID=63610781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810399403.6A Pending CN108596765A (zh) | 2018-04-28 | 2018-04-28 | 一种金融电子资源推荐方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596765A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技（深圳）有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
| CN110443374A (zh) * | 2019-08-14 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 一种资源信息处理方法、装置及设备 |
| CN111210353A (zh) * | 2020-01-08 | 2020-05-29 | 高盈量化云科技（深圳）有限公司 | 一种智能触发和通知的方法 |
| CN112749005A (zh) * | 2020-07-10 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 资源数据处理方法、装置、计算机设备和存储介质 |
| CN114820191A (zh) * | 2022-05-10 | 2022-07-29 | 中科柏诚科技（北京）股份有限公司 | 人工智能股票系统应用方法 |
| CN119539534A (zh) * | 2024-11-14 | 2025-02-28 | 江西省工程咨询中心有限公司 | 用于中小企业数字化改造的方案推荐方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226554A (zh) * | 2012-12-14 | 2013-07-31 | 西藏同信证券有限责任公司 | 基于新闻数据的股票自动匹配分类方法和系统 |
| CN106022522A (zh) * | 2016-05-20 | 2016-10-12 | 南京大学 | 一种基于互联网公开的大数据预测股票的方法及系统 |
| US20170018033A1 (en) * | 2015-07-15 | 2017-01-19 | Foundation Of Soongsil University Industry Cooperation | Stock fluctuatiion prediction method and server |
-
2018
- 2018-04-28 CN CN201810399403.6A patent/CN108596765A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226554A (zh) * | 2012-12-14 | 2013-07-31 | 西藏同信证券有限责任公司 | 基于新闻数据的股票自动匹配分类方法和系统 |
| US20170018033A1 (en) * | 2015-07-15 | 2017-01-19 | Foundation Of Soongsil University Industry Cooperation | Stock fluctuatiion prediction method and server |
| CN106022522A (zh) * | 2016-05-20 | 2016-10-12 | 南京大学 | 一种基于互联网公开的大数据预测股票的方法及系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523342A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技（深圳）有限公司 | 服务策略生成方法及装置、电子设备、存储介质 |
| CN110443374A (zh) * | 2019-08-14 | 2019-11-12 | 腾讯科技（深圳）有限公司 | 一种资源信息处理方法、装置及设备 |
| CN111210353A (zh) * | 2020-01-08 | 2020-05-29 | 高盈量化云科技（深圳）有限公司 | 一种智能触发和通知的方法 |
| CN112749005A (zh) * | 2020-07-10 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 资源数据处理方法、装置、计算机设备和存储介质 |
| CN112749005B (zh) * | 2020-07-10 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 资源数据处理方法、装置、计算机设备和存储介质 |
| CN114820191A (zh) * | 2022-05-10 | 2022-07-29 | 中科柏诚科技（北京）股份有限公司 | 人工智能股票系统应用方法 |
| CN119539534A (zh) * | 2024-11-14 | 2025-02-28 | 江西省工程咨询中心有限公司 | 用于中小企业数字化改造的方案推荐方法和系统 |
| CN119539534B (zh) * | 2024-11-14 | 2025-05-13 | 江西省工程咨询中心有限公司 | 用于中小企业数字化改造的方案推荐方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
| US11676087B2 (en) | Systems and methods for vulnerability assessment and remedy identification | |
| Castro et al. | Opinion dynamics-based group recommender systems | |
| CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
| CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
| CN107436866A (zh) | 理财产品的推荐方法及装置 | |
| CN109766454A (zh) | 一种投资者分类方法、装置、设备及介质 | |
| CN106504015A (zh) | 一种结合bp神经网络的企业领域供应商推荐方法 | |
| CN108182634A (zh) | 一种借贷预测模型的训练方法、借贷预测方法和装置 | |
| CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
| CN108596393A (zh) | 一种金融电子资源预测模型的训练方法和装置 | |
| CN107679987A (zh) | 资产配置策略获取方法、装置、计算机设备和存储介质 | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
| CN111951051A (zh) | 一种为客户推荐产品的方法、装置和系统 | |
| CN113191681A (zh) | 网点选址方法、装置、电子设备及可读存储介质 | |
| Sarantitis et al. | A network analysis of the United Kingdom’s Consumer Price Index | |
| US20240323140A1 (en) | Resource allocation dashboard and optimization generator | |
| CN102163304A (zh) | 带有优化的域间信息质量评定的协作联网的方法和系统 | |
| CN116805257A (zh) | 一种基于电商大数据的用户兴趣分析方法 | |
| CN108710994A (zh) | 基于舆情因子的投资选股方法、装置及存储介质 | |
| KR102018838B1 (ko) | 전자입찰참여를 위한 빅데이터 가중이동평균법 기반 입찰정보 분석 서비스 제공 방법 | |
| CN111831892A (zh) | 信息推荐方法、信息推荐装置、服务器及存储介质 | |
| CN117422314B (zh) | 一种基于大数据分析的企业数据评估方法及设备 | |
| CN109460778A (zh) | 活动评估方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 101-8, 1st floor, building 31, area 1, 188 South Fourth Ring Road West, Fengtai District, Beijing Applicant after: Guoxin Youyi Data Co., Ltd Address before: 100070, No. 188, building 31, headquarters square, South Fourth Ring Road West, Fengtai District, Beijing Applicant before: SIC YOUE DATA Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |