Nothing Special   »   [go: up one dir, main page]

CN116957799A - 产品净值的确定方法、装置、计算机设备和存储介质 - Google Patents

产品净值的确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116957799A
CN116957799A CN202310860875.8A CN202310860875A CN116957799A CN 116957799 A CN116957799 A CN 116957799A CN 202310860875 A CN202310860875 A CN 202310860875A CN 116957799 A CN116957799 A CN 116957799A
Authority
CN
China
Prior art keywords
net value
target product
item
target
net
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
Application number
CN202310860875.8A
Other languages
English (en)
Inventor
朱涛
白杰
付诗俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310860875.8A priority Critical patent/CN116957799A/zh
Publication of CN116957799A publication Critical patent/CN116957799A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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"
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Technology Law (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种产品净值的确定方法、装置、计算机设备和存储介质，涉及大数据技术领域，可应用于金融领域或者其他技术领域。所述方法包括：采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据，其中，各设定项包括周期项、趋势项和残差项中的至少两项，通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。采用本方法能够提高产品净值预测的准确性。

Description

产品净值的确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及大数据技术领域，特别是涉及一种产品净值的确定方法、装置、计算机设备和存储介质，可应用于金融领域或者其他技术领域。
背景技术
随着金融产品的不断创新，为了保证用户的收益率，出现了针对金融产品的净值进行预测的产品净值的确定方法，通过将金融产品的历史净值数据输入到经过训练的预测模型中，进而预测出金融产品的净值。
然而，由于金融产品的净值数据中包含了大量信息，目前产品净值的确定方仅采用单一的神经网络，直接根据金融产品的历史净值数据预测金融产品的净值，会造成净值预测的准确性降低，亟需改进。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高产品净值预测准确性的产品净值的确定方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种产品净值的确定方法。所述方法包括：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
在其中一个实施例中，通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，包括：
将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值；对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值。
在其中一个实施例中，对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值，包括：
采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。
在其中一个实施例中，上述方法还包括：
将样本产品在残差项下的样本净值数据分别输入至循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果；根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差；根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差；以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数；以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
在其中一个实施例中，通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，包括：
将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。
在其中一个实施例中，通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，包括：
将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。
在其中一个实施例中，根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值，包括：
将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。
第二方面，本申请还提供了一种产品净值的确定装置。所述装置包括：
数据分解模块，用于采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
第一确定模块，用于通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
第二确定模块，用于根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
第三方面，本申请还提供了一种计算机设备。所述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以下步骤：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
第四方面，本申请还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，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以下步骤：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
上述产品净值的确定方法、装置、计算机设备和存储介质，通过采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，即从多个维度对净值数据序列进行深度挖掘，得到目标产品在各设定项下的目标净值数据，为后续产品净值的预测准确性提供了条件；随后，通过所引入的各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，进而确定目标产品在未来时段的产品净值。相比于直接将净值数据输入到净值预测网络中进行净值预测而言，本申请实施例，通过引入多个净值预测网络，从多个数据维度对净值数据序列进行净值预测，提高了对未来时段产品净值预测的准确性。
附图说明
图1为一个实施例中产品净值的确定方法的应用环境图；
图2为一个实施例中产品净值的确定方法的流程示意图；
图3为一个实施例中确定预测净值的流程示意图；
图4为一个实施例中确定融合权重的流程示意图；
图5为另一个实施例中产品净值的确定方法的流程示意图；
图6为一个实施例中产品净值的确定装置的结构框图；
图7为另一个实施例中产品净值的确定装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
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。
本申请实施例提供的产品净值的确定方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如，目标产品在历史时段的净值数据序列等。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。例如，服务器104采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据，通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，进而根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值；进一步的，服务器104将目标产品在未来时段的产品净值发送到终端102上进行可视化展示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和物联网设备等。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。
随着金融产品的不断创新，为了保证用户的收益率，出现了针对金融产品的净值进行预测的产品净值的确定方法，通过将金融产品的历史净值数据输入到经过训练的预测模型中，进而预测出金融产品的净值。
然而，由于金融产品的净值数据中包含了大量信息，目前产品净值的确定方仅采用单一的神经网络，直接根据金融产品的历史净值数据预测金融产品的净值，会造成净值预测的准确性降低。
基于此，在一个实施例中，如图2所示，提供了一种产品净值的确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S201，采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据。
其中，时间序列分解法(Seasonal and Trend decomposition using Loess，简称STL)指的是对时序数据序列进行分解的方法，可以将时序数据序列分解为多种不同项的数据；目标产品指的是金融机构下的任一净值类金融产品；历史时段指的是预先设定的当前时刻之前的一段时间，例如，当前时刻之前的3天。
净值数据序列指的是由目标产品在历史时段内各历史时刻的净值数据按照时间顺序构成的数据序列；各设定项包括周期项、趋势项和残差项中的至少两项。
进一步的，周期项下的目标净值数据能够表示净值数据序列的周期规律；趋势项下的目标净值数据能够表示净值数据序列的趋势规律；残差项下的目标净值数据能够表示净值数据序列的噪声。
可选的，可以根据目标产品的标识获取历史时段内目标产品的净值数据序列；随后，采用时间序列分解法对净值数据序列进行分解得到周期项、趋势项和残差项中的至少两项下的目标净值数据。
可以理解的是，由于净值数据序列中包含了大量的数据信息，若直接根据净值数据序列进行预测，容易出现预测结果不准确的问题，而采用时间序列分解法通过对净值数据序列进行深度挖掘，能够将净值数据序列分解成周期项下的目标净值数据、趋势项下的目标净值数据，以及残差项下的目标净值数据，进而避免出现预测结果不准确的问题。
S202，通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值。
其中，净值预测网络指的是经过训练的神经网络，用于确定目标产品在未来时段内各设定项下的预测净值；未来时段指的是预先设定的当前时刻之后的一段时间，例如，未来时段可以是未来3天内，或未来一周内；预测净值指的是净值预测网络输出的数据。
可以理解的是，由于各设定项下目标净值数据的数据特征不同，采用同一净值预测网络对各设定项下目标净值数据进行预测，会出现预测结果准确性较低的情况，因此，为了保证预测结果的准确性，可以根据各设定项下的目标净值数据的数据特征，为各设定项配置相同或不同的净值预测网络。
进一步的，可以采用各设定项下的样本净值数据，对各设定项对应的初始净值预测网络进行训练，并在初始净值预测网络输出结果的准确性达到一定程度的时候停止训练，进而得到各设定项对应的净值预测网络。
示例性的，可以将样本净值数据中的70％作为训练样本，10％作为验证样本，20％作为测试样本。针对周期项或趋势项对应的净值预测网络，可以使用Keras库建立初始净值预测网络，并设定净值预测网络的输入节点，其中，隐层节点个数设为10，输出节点设为1；随后，在隐藏层可以使用Relu(x)＝max(x,0)作为激活函数，使用随机优化方法(AdaptiveMoment Estimation，简称Adam)进行求解，进而得到周期项或趋势项对应的净值预测网络。
相应的，针对残差项对应的净值预测网络，可以预先设置初始净值预测网络的输入节点，其中，隐层节点个数设为256，输出节点设为1；随后，在隐藏层可以使用Relu(x)＝max(x,0)作为激活函数，使用随机优化方法进行求解，进而得到残差项对应的净值预测网络。
可选的，将各设定项下的目标净值数据分别输入到各设定项对应的净值预测网络中，由各设定项对应的净值预测网络根据输入的目标净值数据以及净值预测网络的网络参数，输出各设定项下的预测净值，即确定目标产品在未来时段内各设定项下的预测净值。
S203，根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
其中，产品净值指的是预测得到的目标产品的净值数据。
可选的，在确定目标产品在未来时段内各设定项下的预测净值后，由于各设定项下的预测净值是通过分解后得到的不同目标净值数据确定的，且各设定项下的目标净值数据构成了初始的净值数据序列，因此，可以将目标产品在未来时段内各设定项下的预测净值进行相加融合，并将计算结果作为目标产品在未来时段的产品净值。
示例性，可以将目标产品在未来时段内各设定项下的预测净值输入到经过训练的数据融合网络中，由数据融合网络根据预测净值，以及数据融合网络的网络参数，输出目标产品在未来时段的产品净值。
例如，可以获取目标产品在一个月前至当前时刻内的净值数据序列A，并采用时间序列分解法对净值数据序列A分解为周期项下的目标净值数据A1、趋势项下的目标净值数据A2和残差项下的目标净值数据A3，将周期项下的目标净值数据A1输入到周期项对应的净值预测网络S1，得到周期项下的预测净值T1；将趋势项下的目标净值数据A2输入到趋势项对应的净值预测网络S2，得到趋势项下的预测净值T2；将残差项下的目标净值数据A3输入到残差项对应的净值预测网络S3，得到残差项下的预测净值T3。
进一步的，将预测净值T1、预测净值T2和预测净值T3，同时输入到数据融合网络中，由数据融合网络根据预测净值T1、预测净值T2和预测净值T3，以及数据融合网络的参数，输出未来3天目标产品的产品净值T。
在一个可实施方式中，可以将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。例如，将预测净值T1、预测净值T2和预测净值T3三者之和，作为产品净值T。
进一步的，在确定目标产品在未来时段的产品净值后，可以根据目标产品预设的展示模板，以及产品净值，自动生成可视化界面，便于用户直观的观测目标产品在未来时段的产品净值。
上述产品净值的确定方法中，通过采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，即从多个维度对净值数据序列进行深度挖掘，得到目标产品在各设定项下的目标净值数据，为后续产品净值的预测准确性提供了条件；随后，通过所引入的各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值，进而确定目标产品在未来时段的产品净值。相比于直接将净值数据输入到净值预测网络中进行净值预测而言，本申请实施例，通过引入多个净值预测网络，从多个数据维度对净值数据序列进行净值预测，提高了对未来时段产品净值预测的准确性。
为了保证目标产品在未来时段内残差项下预测净值的准确性，在上述实施例的基础上，在本实施例中，提供了一种确定预测净值的可选方式，如图3所示，具体包括以下步骤：
S301，将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值。
其中，第一净值指的是循环神经网络根据目标净值数据输出的预测数据；第二净值指的是决策树网络根据目标净值数据输出的预测数据。
可以理解的是，由于残差项下的目标净值数据为净值数据序列中的噪声数据，较为复杂，而循环神经网络能够更好的捕捉时序序列中间隔较大数据之间的依赖关系，决策树网络有较高的效率和预测准确率，因此，可以同时采用循环神经网络和决策树网络对残差项下的目标净值数据进行处理。
示例性的，可以采用循环神经网络(Gate Recurrent Unit网络，简称GRU网络)，以及决策树网络(Gradient Boosting Decision Tree，GBDT)中的XGboost网络对残差项下的目标净值数据进行处理。
可选的，可以将残差项下的目标净值数据分别输入到循环神经网络，以及决策树网络中，由循环神经网络根据残差项下的目标净值数据，以及循环神经网络的网络参数，输出目标产品在未来时段内第一净值；由决策树网络根据残差项下的目标净值数据，以及决策树网络的网络参数，输出目标产品在未来时段内第二净值。
S302，对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值。
可选的，可以将第一净值和第二净值直接输入到经过训练的残差融合网络中，由残差融合网络根据第一净值和第二净值，以及残差融合网络的网络参数，输出目标产品在未来时段内残差项下的预测净值。
或者，采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。其中，融合权重指的是第一净值和第二净值进行融合时的权重值。
可选的，可以根据第一净值和第二净值的重要程度，提前设置循环神经网络对应的融合权重和决策树网络对应的融合权重。进一步的，将循环神经网络对应的融合权重与第一净值相乘，将决策树网络对应的融合权重与第二净值相乘，随后，将两者的乘积之和作为目标产品在未来时段内残差项下的预测净值。
在本实施例中，引入循环神经网络和决策树网络，采用循环神经网络和决策树网络同时对残差项下的目标净值数据进行处理，保证了残差项下预测净值的准确性。
为了进一步的提高残差项下预测净值的准确性，在上述实施例的基础上，在本实施例中，提供了一种确定融合权重的可选方式，如图4所示，具体包括以下步骤：
S401，将样本产品在残差项下的样本净值数据分别输入循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果。
其中，样本净值数据指的是采用时间序列分解法对样本产品在历史时段的样本净值数据序列进行分解后得到的，样本产品在残差项下的净值数据；第一预测结果指的是循环神经网络根据样本净值数据输出的预测数据；第二预测结果指的是决策树网络根据样本净值数据输出的预测数据。
可选的，可以将样本产品在残差项下的样本净值数据分别输入循环神经网络和决策树网络，由循环神经网络根据样本净值数据，以及循环神经网络的网络参数，输出第一预测结果；由决策树网络根据样本净值数据，以及决策树网络的网络参数，输出第二预测结果。
S402，根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差。
其中，第一估计方差用于表征第一预测结果与样本净值数据之间的差异程度。
由于样本净值数据是由样本净值数据序列分解得到的，因此，样本净值数据也是由多个时刻下的净值数据构成的。可选的，可以将每一时刻下的样本净值数据和第一预测结果代入公式(1)，即可得到第一估计方差。
其中，i为网络序号，pi为估计方差；t为时刻，取值为1,2,3…,n；表示t时刻下的预测结果；/>表示t时刻下的样本净值数据。进一步的，在计算第一估计方差时，可以将i＝1代入到公式(1)，此时，p1表示第一估计方差。
S403，根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差。
其中，第二估计方差用于表征第二预测结果与样本净值数据之间的差异程度。
可选的，继续参见公式(1)，可以将每一时刻下的样本净值数据和第二预测结果代入公式(1)，得到第二估计方差。即i＝2时，p2表示第二估计方差。
S404，以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数。
可选的，如公式(2)和(3)所示，可以根据循环神经网络对应的融合权重和决策树网络对应的融合权重，以及第一估计方差和第二估计方差，构建目标函数，即协方差函数。
其中，p-1表示循环神经网络和决策树网络的协方差；m为网络数量，在本实施例中m＝2；ωi表示融合权重，进一步的，ω1为循环神经网络对应的融合权重，ω2为决策树网络对应的融合权重，且循环神经网络对应的融合权重和决策树网络对应的融合权重之和为1；表示网络的协方差，为估计方差的倒数，进一步的，/>为第一估计方差的倒数，即循环神经网络协方差，/>为第二估计方差的倒数，即决策树网络协方差。
S405，以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
可选的，如公式(4)所示，由于协方差最小时意味着预测结果与神经网络稳定效果保持平衡，因此，可以以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，进而计算得到循环神经网络对应的融合权重和决策树网络对应的融合权重。其中，表示t时刻下的样本净值数据对应的真实融合结果。
在本实施例中，引入目标函数，通过求解目标函数确定循环神经网络对应的融合权重和决策树网络对应的融合权重，提高了融合权重的准确性，进而提高残差项下预测净值的准确性。
在上述实施例的基础上，在本实施例中，由于周期项下的净值数据具有明显的数据特征，因此，可以将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。其中，第一反向传播神经网络指的是周期项对应的净值预测网络。
可选的，可以将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，由第一反向传播神经网络根据目标产品在周期项下的净值数据，以及第一反向传播神经网络的网络参数，输出目标产品在未来时段内周期项下的预测净值。
相应的，可以将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。其中，第二反向传播神经网络指的是趋势项对应的净值预测网络。
可选的，可以将目标产品在趋势项下的净值数据，输入至趋势项对应的第二反向传播神经网络，由第二反向传播神经网络根据目标产品在趋势项下的净值数据，以及第二反向传播神经网络的网络参数，输出目标产品在未来时段内趋势项下的预测净值。
需要说明的是，第一反向传播神经网络和第二反向传播神经网络的网络结构相同，但第一反向传播神经网络的网络参数和第二反向传播神经网络的网络参数不同。
在本实施例中，引入第一反向传播神经网络和第二反向传播神经网络，通过第一反向传播神经网络和第二反向传播神经网络分别确定周期项和趋势项下的预测净值，能够提高预测净值的准确性。
图5为另一个实施例中产品净值的确定方法的流程示意图，在上述实施例的基础上，本实施例提供了一种产品净值的确定方法的可选实例。结合图5，具体实现过程如下：
S501，采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据。
其中，各设定项包括周期项、趋势项和残差项中的至少两项。
S502，将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值。
S503，采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。
可选的，将样本产品在残差项下的样本净值数据分别输入至循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果；根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差；根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差；以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数；以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
S504，将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。
S505，将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。
S506，将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。
上述S501-S506的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品净值的确定方法的产品净值的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品净值的确定装置实施例中的具体限定可以参见上文中对于产品净值的确定方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种产品净值的确定装置1，包括：数据分解模块10、第一确定模块20和第二确定模块30，其中：
数据分解模块10，用于采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
第一确定模块20，用于通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
第二确定模块30，用于根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
在一个实施例中，如图7所示，第一确定模块20包括：
第一净值确定单元21，用于将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值；
融合单元22，用于对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，融合单元22具体用于：
采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，产品净值的确定装置1还包括参数确定模块，其中，参数确定模块具体用于：
将样本产品在残差项下的样本净值数据分别输入至循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果；根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差；根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差；以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数；以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
在一个实施例中，第一确定模块20还包括：
第二净值确定单元23，用于将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。
第三净值确定单元24，用于将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。
在一个实施例中，第二确定模块30还用于：
将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。
上述产品净值的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储净值数据序列等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品净值的确定方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
在一个实施例中，处理器执行计算机程序中通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的逻辑时，具体实现以下步骤：
将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值；对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，处理器执行计算机程序中对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值的逻辑时，具体实现以下步骤：
采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，处理器执行计算机程序中的逻辑时，具体实现以下步骤：
将样本产品在残差项下的样本净值数据分别输入至循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果；根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差；根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差；以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数；以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
在一个实施例中，处理器执行计算机程序中通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的逻辑时，具体实现以下步骤：
将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。
在一个实施例中，处理器执行计算机程序中通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的逻辑时，具体实现以下步骤：
将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。
在一个实施例中，处理器执行计算机程序中根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值的逻辑时，具体实现以下步骤：
将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
在一个实施例中，计算机程序中通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的这一代码逻辑被处理器执行时，具体实现以下步骤：
将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值；对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，计算机程序中对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值的这一代码逻辑被处理器执行时，具体实现以下步骤：
采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，计算机程序中的代码逻辑被处理器执行时，具体实现以下步骤：
将样本产品在残差项下的样本净值数据分别输入至循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果；根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差；根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差；以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数；以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
在一个实施例中，计算机程序中通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的这一代码逻辑被处理器执行时，具体实现以下步骤：
将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。
在一个实施例中，计算机程序中通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的这一代码逻辑被处理器执行时，具体实现以下步骤：
将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。
在一个实施例中，计算机程序中根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值的这一代码逻辑被处理器执行时，具体实现以下步骤：
将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。
在一个实施例中，提供了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以下步骤：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值；
根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值。
在一个实施例中，计算机程序被处理器执行通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的操作时，具体实现以下步骤：
将目标产品在残差项下的目标净值数据，分别输入至残差项对应的循环神经网络和决策树网络，得到目标产品在未来时段内残差项下的第一净值和第二净值；对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，计算机程序被处理器执行对第一净值和第二净值进行融合，得到目标产品在未来时段内残差项下的预测净值的操作时，具体实现以下步骤：
采用循环神经网络对应的融合权重和决策树网络对应的融合权重，对第一净值和第二净值进行加权融合，得到目标产品在未来时段内残差项下的预测净值。
在一个实施例中，计算机程序被处理器执行时，具体实现以下步骤：
将样本产品在残差项下的样本净值数据分别输入至循环神经网络和决策树网络，得到循环神经网络输出的第一预测结果和决策树网络输出的第二预测结果；根据样本净值数据和第一预测结果，确定循环神经网络的第一估计方差；根据样本净值数据和第二预测结果，确定决策树网络的第二估计方差；以循环神经网络对应的融合权重和决策树网络对应的融合权重为变量，根据第一估计方差和第二估计方差，构建目标函数；以目标函数的函数值最小为目标，根据样本净值数据对应的真实融合结果、第一预测结果和第一预测结果，对目标函数进行求解，得到循环神经网络对应的融合权重和决策树网络对应的融合权重。
在一个实施例中，计算机程序被处理器执行通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的操作时，具体实现以下步骤：
将目标产品在周期项下的净值数据，输入至周期项对应的第一反向传播神经网络，得到目标产品在未来时段内周期项下的预测净值。
在一个实施例中，计算机程序被处理器执行通过各设定项对应的净值预测网络，根据目标产品在各设定项下的目标净值数据，确定目标产品在未来时段内各设定项下的预测净值的操作时，具体实现以下步骤：
将目标产品在趋势项下的目标净值数据，输入至趋势项对应的第二反向传播神经网络，得到目标产品在未来时段内趋势项下的预测净值。
在一个实施例中，计算机程序被处理器执行根据目标产品在未来时段内各设定项下的预测净值，确定目标产品在未来时段的产品净值的操作时，具体实现以下步骤：
将目标产品在未来时段内各设定项下的预测净值之和，确定为目标产品在未来时段的产品净值。
需要说明的是，本申请所涉及的数据(包括但不限于用于净值数据序列等)，均为经用户授权或者经过各方充分授权的数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种产品净值的确定方法，其特征在于，所述方法包括：
采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到所述目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
通过各设定项对应的净值预测网络，根据所述目标产品在各设定项下的目标净值数据，确定所述目标产品在未来时段内各设定项下的预测净值；
根据所述目标产品在未来时段内各设定项下的预测净值，确定所述目标产品在所述未来时段的产品净值。
2.根据权利要求1所述的方法，其特征在于，所述通过各设定项对应的净值预测网络，根据所述目标产品在各设定项下的目标净值数据，确定所述目标产品在未来时段内各设定项下的预测净值，包括：
将所述目标产品在残差项下的目标净值数据，分别输入至所述残差项对应的循环神经网络和决策树网络，得到所述目标产品在未来时段内残差项下的第一净值和第二净值；
对所述第一净值和所述第二净值进行融合，得到所述目标产品在未来时段内残差项下的预测净值。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一净值和所述第二净值进行融合，得到所述目标产品在未来时段内残差项下的预测净值，包括：
采用所述循环神经网络对应的融合权重和所述决策树网络对应的融合权重，对所述第一净值和所述第二净值进行加权融合，得到所述目标产品在未来时段内残差项下的预测净值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将样本产品在残差项下的样本净值数据分别输入至所述循环神经网络和所述决策树网络，得到所述循环神经网络输出的第一预测结果和所述决策树网络输出的第二预测结果；
根据所述样本净值数据和所述第一预测结果，确定所述循环神经网络的第一估计方差；
根据所述样本净值数据和所述第二预测结果，确定所述决策树网络的第二估计方差；
以所述循环神经网络对应的融合权重和所述决策树网络对应的融合权重为变量，根据所述第一估计方差和所述第二估计方差，构建目标函数；
以所述目标函数的函数值最小为目标，根据所述样本净值数据对应的真实融合结果、所述第一预测结果和所述第一预测结果，对所述目标函数进行求解，得到所述循环神经网络对应的融合权重和所述决策树网络对应的融合权重。
5.根据权利要求1所述的方法，其特征在于，所述通过各设定项对应的净值预测网络，根据所述目标产品在各设定项下的目标净值数据，确定所述目标产品在未来时段内各设定项下的预测净值，包括：
将所述目标产品在周期项下的净值数据，输入至所述周期项对应的第一反向传播神经网络，得到所述目标产品在未来时段内周期项下的预测净值。
6.根据权利要求1所述的方法，其特征在于，所述通过各设定项对应的净值预测网络，根据所述目标产品在各设定项下的目标净值数据，确定所述目标产品在未来时段内各设定项下的预测净值，包括：
将所述目标产品在趋势项下的目标净值数据，输入至所述趋势项对应的第二反向传播神经网络，得到所述目标产品在未来时段内趋势项下的预测净值。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标产品在未来时段内各设定项下的预测净值，确定所述目标产品在所述未来时段的产品净值，包括：
将所述目标产品在未来时段内各设定项下的预测净值之和，确定为所述目标产品在所述未来时段的产品净值。
8.一种产品净值的确定装置，其特征在于，所述装置包括：
数据分解模块，用于采用时间序列分解法，对目标产品在历史时段的净值数据序列进行分解，得到所述目标产品在各设定项下的目标净值数据；其中，各设定项包括周期项、趋势项和残差项中的至少两项；
第一确定模块，用于通过各设定项对应的净值预测网络，根据所述目标产品在各设定项下的目标净值数据，确定所述目标产品在未来时段内各设定项下的预测净值；
第二确定模块，用于根据所述目标产品在未来时段内各设定项下的预测净值，确定所述目标产品在所述未来时段的产品净值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其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执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310860875.8A 2023-07-13 2023-07-13 产品净值的确定方法、装置、计算机设备和存储介质 Pending CN116957799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310860875.8A CN116957799A (zh) 2023-07-13 2023-07-13 产品净值的确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310860875.8A CN116957799A (zh) 2023-07-13 2023-07-13 产品净值的确定方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116957799A true CN116957799A (zh) 2023-10-27

Family

ID=88461334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310860875.8A Pending CN116957799A (zh) 2023-07-13 2023-07-13 产品净值的确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116957799A (zh)

Similar Documents

Publication Publication Date Title
Gubaev et al. Accelerating high-throughput searches for new alloys with active learning of interatomic potentials
Biloš et al. Neural flows: Efficient alternative to neural ODEs
US10977737B2 (en) Training gradient boosted decision trees with progressive maximum depth for parsimony and interpretability
EP3446260B1 (en) Memory-efficient backpropagation through time
Chorin et al. Discrete approach to stochastic parametrization and dimension reduction in nonlinear dynamics
WO2019114344A1 (zh) 一种基于图结构模型的异常账号防控方法、装置以及设备
JP2022548654A (ja) 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト
JP2015166962A (ja) 情報処理装置、学習方法、及び、プログラム
CN110543935B (zh) 处理交互序列数据的方法及装置
CN109313720A (zh) 具有稀疏访问的外部存储器的增强神经网络
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
Kovalchuk et al. A conceptual approach to complex model management with generalized modelling patterns and evolutionary identification
Sherlock et al. Bayesian inference for hybrid discrete-continuous stochastic kinetic models
Cenci et al. Assessing the predictability of nonlinear dynamics under smooth parameter changes
CN113011501B (zh) 基于图卷积神经网络进行台风水位预测的方法及装置
CN117909517A (zh) 知识图谱补全方法、装置、设备、存储介质和程序产品
CN116957799A (zh) 产品净值的确定方法、装置、计算机设备和存储介质
CN113490955A (zh) 用于产生金字塔层的架构的系统和方法
Bédard Hierarchical models and tuning of random walk Metropolis algorithms
WO2021043893A1 (en) Antisymmetric neural networks
Picchini Likelihood-free stochastic approximation EM for inference in complex models
Mari et al. Occam’s razor, machine learning and stochastic modeling of complex systems: the case of the Italian energy market
Chaveesuk et al. Dual Kriging: an exploratory use in economic metamodeling
CN119477504A (zh) 事务量预测方法、装置、计算机设备和存储介质
CN110110214A (zh) 基于双向加权值及用户行为的动态推荐及加噪方法

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