交易对象流动性预测方法、装置、设备及存储介质

摘要

本说明书实施例提供了一种交易对象流动性预测方法、装置、设备及存储介质，该方法包括：获取目标交易对象的待处理数据；将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练贝叶斯神经网络模型生成；根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。本说明书实施例可以提高交易对象流动性预测的准确率。

说明书

技术领域

本说明书涉及大数据处理技术领域，尤其是涉及一种交易对象流动性预测方法、装置、设备及存储介质。

背景技术

在工程、气象、金融等众多领域，数据往往以时间序列(即数据是按照时间排序的一组随机变量)的方式呈现。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势。由于数据之间有统计依赖关系，统计学上往往把一个时间序列看作是某随机过程的一次实现。时间序列中数据顺序及数据大小都蕴含着客观世界及其变化的信息，表现着变化的动态过程。时间序列分析的意义在于研究某一时间序列在长期变动过程中所存在的统计规律性(即变化趋势)，以根据变化趋势预测未来的发展。

例如，以金融领域的流动性预测为例，金融时间序列(Financial Time Series，FTS)分析是根据交易对象(例如金融产品等)过去的流动性变化趋势预测其未来的发展。目前FTS分析一般通过传统的线性或非线性机器学习模型(例如LSTM、XGBOOST等)，对交易对象流动性进行建模，然后根据所建的流动性预测模型对交易对象的流动性进行预测。然而，在实现本申请的过程中，本申请的发明人发现：由于金融时间序列充满噪声，基于传统建模方法得到的预测模型难以准确预测出交易对象的流动性。

发明内容

本说明书实施例的目的在于提供一种交易对象流动性预测方法、装置、设备及存储介质，以提高交易对象流动性预测的准确率。

为达到上述目的，一方面，本说明书实施例提供了一种交易对象流动性预测方法，包括：

获取目标交易对象的待处理数据；

将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练贝叶斯神经网络模型生成；

根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。

本说明书一实施例中，所述流动性预测模型集合的预训练步骤包括：

获取目标交易对象的数据集；所述数据集基于目标交易对象指定历史时段内的交易数据和外部关联数据构建；

利用所述数据集中的训练集计算后验分布；所述后验分布用于表示贝叶斯神经网络模型；

从所述后验分布中抽取参数向量，并根据所述参数向量生成流动性预测模型；

利用所述数据集中的测试集测试所述流动性预测模型是否满足预设条件；

当所述流动性预测模型不满足所述预设条件时，根据预设的贝叶斯推断方法更新所述后验分布中的参数向量并迭代计算，直至当前生成的流动性预测模型满足所述预设条件为止。

本说明书一实施例中，所述贝叶斯推断方法包括函数空间斯坦因变分梯度下降算法。

本说明书一实施例中，所述函数空间斯坦因变分梯度下降算法包括：

其中，θ

本说明书一实施例中，所述获取目标交易对象的待处理数据，包括：

获取目标交易对象待处理的交易数据和外部关联数据；

从所述交易数据和外部关联数据中，提取与所述流动性预测模型集合的输入层匹配的特征数据，以作为所述目标交易对象的待处理数据。

本说明书一实施例中，所述贝叶斯神经网络模型为贝叶斯深度学习模型。

本说明书一实施例中，所述目标交易对象包括期限固定的货币类理财交易对象。

另一方面，本说明书实施例还提供了一种交易对象流动性预测装置，包括：

数据获取模块，用于获取目标交易对象的待处理数据；

结果获取模块，用于将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练以后验分布表示的贝叶斯神经网络模型生成；

结果融合模块，用于根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。

另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。

另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。

由以上本说明书实施例提供的技术方案可见，在本说明书的实施例中，由于流动性预测模型集合是通过预训练贝叶斯神经网络模型生成的，流动性预测模型集合中各个流动性预测模型的参数不再是确定的值(例如最优取值)，而是连续随机变量的条件分布；即对于可能性较大的参数赋予较大的预测权重，而对于可能性较小的参数，也赋予它在预测中较小的预测权重(而不是忽略可能性较小的参数)。如此，通过考虑参数的不确定性，可以对预测输出的不确定性有更好的估计，从而提高了交易对象的流动性预测的准确性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了现有技术中基于传统金融时序建模的训练输出示意图；

图2示出了本说明书一实施例中基于贝叶斯神经网络建模的训练输出示意图；

图3示出了本说明书一些实施例中基于贝叶斯神经网络的模型预训练流程示意图；

图4示出了本说明书一些实施例中交易对象流动性预测方法的方法流程图；

图5示出了本说明书一些实施例中基于流动性预测模型集合的流动性预测示意图；

图6示出了本说明书一些实施例中交易对象流动性预测装置的结构框图；

图7示出了本说明书一些实施例计算机设备的结构框图。

【附图标记说明】

61、数据获取模块；

62、结果获取模块；

63、结果融合模块；

702、计算机设备；

704、处理器；

706、存储器；

708、驱动机构；

710、输入/输出模块；

712、输入设备；

714、输出设备；

716、呈现设备；

718、图形用户接口；

720、网络接口；

722、通信链路；

724、通信总线。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

本说明书实施例中的交易对象可以是指金融市场上的期限固定的货币类理财交易对(例如，货币类基金、银行货币类理财产品、储蓄类产品等)。这些交易对象对应的交易数据一般为金融时间序列。研究表明，这些交易对象的金融时间序列具有非平稳、非线性、高噪声的特点，且可能会随着季节、噪声和自动校正而不断波动，并且有用信号和噪声之间存在重叠，即金融时间序列存在一定程度的不确定性，从而使得基于传统建模方案得到的预测模型难以准确预测出交易对象的流动性。不仅如此，由于这些交易对象的期限固定且相对较短(例如三个月、六个月、一年、三年、五年等)，对应的金融时间序列的样本数量相对偏少；进而使得基于传统建模方案得到的预测模型容易出现过拟合的问题，从而更加难以准确预测出交易对象的流动性。

应当理解，本说明书实施例中的交易对象并不局限于上述的定义解释，在本说明书其他的实施例中，根据需要交易对象也可以为其他任何合适的商品或服务等。

有鉴于此，为了提高交易对象流动性预测的准确率，本说明书实施例提出了针对上述交易对象流动性预测的新建模方案，并提出了利用新建模方案得到的预测模型预测交易对象流动性的新方案。为便于理解，在描述利用新建模方案得到的预测模型预测交易对象流动性的实施例之前，先对上述的新建模方案进行说明。

本说明书实施例的交易对象流动性建模过程中使用到了贝叶斯神经网络(Bayesian Neural Networks，BNN)技术。在本说明书一些实施例中，本说明书实施例的交易对象流动性建模过程中使用到了贝叶斯神经网络技术的贝叶斯深度学习(BayesianDeep Learning，BDL)技术。为便于理解，以下进行相关技术说明。但是，本领域技术人员可以理解，基于贝叶斯深度学习的交易对象流动性建模仅是本说明书中的示例性举例。在本说明书其他的实施例中，交易对象流动性建模也可以基于其他的贝叶斯神经网络实现，本说明书对此不作唯一限定，具体可以根据需要选择。

本说明书以下实施例中提到的参数或粒子一般是指神经网络(例如贝叶斯神经网络)的网络参数(例如权重和偏值)。而且，在基于贝叶斯神经网络的建模和预测场景下，参数和粒子均是指分布(即连续随机变量的条件分布)而非某个确定的值。

相比传统的深度学习，贝叶斯深度学习技术更符合人类的推理过程：显式表示先验知识与经验观察、计算模型与数据中的不确定性。流动性预测实际上可以作为一个有监督学习问题：训练集用{(x

传统的机器学习方法可以等价为如下的概率建模：

则有

上述目标函数等价于在上述建模下的max

以上的方法属于机器学习中的频率学派。该学派假设，虽然概率建模中的参数值是未知的，但是存在一个真实的参数θ生成了数据集，因此需要推断这个参数的具体取值(例如图1所示)。而贝叶斯学派认为，不能推断出参数θ的真实取值，只能先对它有一个先验的认知，并用观察到的数据集去更新对它的认知。因此，贝叶斯推断得到的结果不是θ的最优取值，而是θ的后验分布(例如图2所示)。因此，贝叶斯学派对于不确定性能有更好的预估。

具体来说，可以对θ定义一个先验分布p

其预测过程是：给定一个测试数据x

p(y|y；x

则可将

尽管精确的贝叶斯推断能带来以上的好处，但式(1)和式(2)中的积分都是难以计算的，因此需要开发出近似的贝叶斯推断方法，以使得对它们的计算成为可能。较好的贝叶斯推断方法能更加准确地近似真实的后验分布，这里更准确的近似，目标是能够更准确地估计出贝叶斯方法的得到的预测分布(即式(2))。在本说明书实施例的交易对象应用场景中，采取了更合理的近似贝叶斯推断方法，能使前述的贝叶斯深度学习技术的优势得以更好体现。

如前所述，贝叶斯推断的过程是计算式(1)和式(2)。可以用近似采样的方法来近似：

θ

如此，关键在于(3)式，也就是如何从后验分布p(θ|y；X)中获得近似的采样。下面将后验分布p(θ|y；X)简写为p(θ)。

在本说明书一些实施例中，可以选择一些传统的贝叶斯推断方法用于交易对象流动性建模中的贝叶斯推断。例如，在本说明书一实施例中，可以采用哈密顿蒙特卡洛(Hamiltonian Monte Carlo，HMC)、斯坦因变分梯度下降(Stein variational gradientdescent，SVGD)等贝叶斯推断算法。

(一)HMC算法

HMC算法是基于梯度的马尔科夫链蒙特卡洛(Markov Chain Monte Carlo，MCMC)算法中最常使用的传统算法之一，它的算法原理是：将采样变量θ(也称为粒子)扩充为二元组(θ,r)，目标分布是p(θ,r)＝p(θ)p(r)，其中

并且需要定期地对r作

(二)SVGD算法

SVGD和HMC在本质上属于两类贝叶斯推断算法，其思想也比HMC要更复杂一些。具体地说，HMC对一组粒子中的每一个粒子都按照相同的微分方程独立地进行演化，各个粒子的取值是彼此独立的；而SVGD则是把一组粒子当作对一个分布的表示，其算法的目的就是要使得该分布越来越接近真实的后验分布，则这组粒子也能趋于对后验分布的一个良好表示。SVGD的优化过程如下：

θ

其中

在本说明书一些实施例中，还可以使用独创的贝叶斯推断方法用于交易对象流动性建模中的贝叶斯推断。该独创的贝叶斯推断方法在本说明书中称为函数空间斯坦因变分梯度下降(简称f-SVGD)。

在实现本申请的过程中，本申请的发明人发现：SVGD算法应用于贝叶斯神经网络(包括BDL)时，针对神经网络过参数化的特点有着较为明显的缺陷。过参数化是指：不同参数的神经网络可能表达了相同或相近的函数。如此，SVGD中虽然要求参数粒子的多样性，却不能保证得到的神经网络函数空间上的多样性，故此也就难以更好地实现贝叶斯神经网络带来的预测精度提升和较准确的不确定性估计。f-SVGD改变传统的贝叶斯神经网络推断方法在参数空间上求后验分布的思路，转而将使用SVGD近似后验分布的过程在函数空间上进行，也就是说每个粒子实际是一个函数。由于函数空间是无限维的，f-SVGD仍然需要用神经网络来表示每个粒子，但是神经网络参数的更新与SVGD明显不同的，具体来说如下式所示：

其中，θ

以下结合附图介绍本说明书实施例的交易对象流动性建模(即流动性预测模型集合的模型预训练过程)。图3中示出了本说明书一些实施例中基于贝叶斯神经网络的模型预训练流程。

本说明书的实施例中，目标交易对象即为流动性预测的目标对象。当确定目标交易对象后，可以基于目标交易对象指定历史时段内的数据构建数据集；其中，所述指定历史时段内的数据包括交易数据和外部关联数据。交易数据可以包括目标交易对象的金融时间序列和交易主体(即客户)相关数据等。外部关联数据是指可能会对交易对象的流动性产生影响的外部相关数据。例如，本说明书一实施例中，外部关联数据可以包括但不限于证券指数(例如沪深300指数等)、利率(例如Shibor利率、竞品利率)。

通过对上述的交易数据和外部关联数据进行特征工程，可以提取出交易对象相关的各种特征数据。例如，在本说明书一实施例中，提取出的特征可以包括时间特征(例如交易时间等)、客户行为特征(例如投资偏好、消费行为、储蓄行为等)和申赎特征(即申赎习惯等)等。这些特征数据不仅覆盖了交易对象的属性特征(例如收益、体量、风险等级等)、交易主体的属性特征(交易行为、资产特点、投资偏好等)，还包含了可能会对交易对象的流动性产生影响的外部关联数据的属性特征，从而可以为后续建模提供了充分全面的数据支持。

根据特征数据可以构建出包含多个特征维度的特征矩阵，从而形成数据集。然后按照设定的划分策略将该数据集进行划分，即可以得到上述的训练集和测试集。

当然，为了提高训练效率并有利于减少训练过程中的过拟合，还可以基于交易对象有关于的常识(common sense)及专业知识(expertise knowledge)构建交易对象的先验分布。其中，先验分布是指交易对象流动性的先验分布。先验分布是指：对未知参数x的先验信息用一个分布形式p(x)来表示，此分布p(x)称为未知参数x的先验分布。因此，先验分布在是抽取样本前通过已知信息(有关的常识和专业知识)的分布，可以理解为对某个原因的经验推断。

例如，张三可以通过步行、骑车，或者开车去距离10公里远的某个地方，假设大家都知道张三是个健身达人，那么张三开车去该地方的可能性就较小，而步行去该地方的可能性比较大，这就是根据我们的常识得到的先验分布。

在得到先验分布的基础上，就可以据此计算后验分布。后验分布是指交易对象流动性的后验分布。在上文已经阐明，在抽取样本前，人们对未知参数的了解可以作为先验分布。则在抽取样本之后，由于样本中一般会包含未知参数的新信息，而这些关于未知参数的新信息可以帮助人们修正抽样之前的先验分布，从而得到先验分布。具体而言，可以根据抽取出的已知样本信息及未知参数的先验分布，计算出未知参数的条件概率分布。因为这个分布是在抽样以后才得到的，故称为后验分布。

还以上述健身达人张三可以通过步行(包括走路和跑步)、骑车，或者开车去距离10公里远的某个地方为例，先验分布为：张三开车去该地方的可能性较小，而步行去该地方的可能性较大。在这个事件中，可以把交通方式(步行、骑车或开车)认为是原因，花费的时间认为是结果。若张三花了一个小时的时间才到达，那么张三很大可能是骑车过去的，当然也有较小可能是跑步过去的，或者有较小开车过去但是堵车很严重。若张三一共用了两个小时的时间才到达，那么大概率可能他是步行过去的。若张三只用了十五分钟就到达，那么张三大概率可能是开车的。

如图3所示，在本说明书实施例的交易对象应用场景中，假设初始的贝叶斯神经网络模型是以θ

从计算出的后验分布中抽取参数向量θ

在此基础上就可以利用测试集中的样本测试所述流动性预测模型(如图3中的虚线框部分所示)是否满足预设条件。即可以对所述流动性预测模型预测出的各个流动性预测性子结果(如图3中的流动性预测性子结果1～流动性预测性子结果n)进行加权平均，从而融合成流动性预测结果。当然，在本说明书的实施例中，流动性预测结果及每个流动性预测性子结果也都是一个分布，而非某个确定的值。此后，可以对流动性预测结果进行相应计算，以根据计算结果确定其是否满足预设条件。其中，预设条件可以包括用于评价模型优劣的一个或多个评价指标的指标值。其中，所述评价指标例如可以包括准确率(Accuracy)、混淆矩阵(Confusion Matrix)、精确率(Precision)、召回率(Recall)等中的任意一种或多种。

在本说明书的实施例中，当所述流动性预测模型满足所述预设条件时，可以将当前获得的流动性预测模型(如图3中的虚线框部分所示)输出，以作为后续实际上线应用的流动性预测模型集合。当所述流动性预测模型不满足所述预设条件时，可以根据预设的贝叶斯推断方法更新所述后验分布中的参数向量并迭代计算，直至当前生成的流动性预测模型满足所述预设条件为止。

在上文中已经阐明，在本说明书实施例的预训练中，可以使用HMC或SVGD等传统的贝叶斯推断方法，也可以使用独创的f-SVGD贝叶斯推断方法。当使用f-SVGD贝叶斯推断方法时，可以解决使用SVGD难以保证得到的贝叶斯神经网络函数空间上的多样性的问题，从而可以更好地实现贝叶斯神经网络带来的预测精度提升和较准确的不确定性估计。

基于上述预训练获得的模型，本说明书提供了交易对象流动性预测方法的实施例，其可以应用于任何合适的计算机设备上。参考图4所示，在本说明书一些实施例中，所述交易对象流动性预测方法可以包括以下步骤：

S401、获取目标交易对象的待处理数据。

S402、将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练贝叶斯神经网络模型生成。

S403、根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。

在本说明书的实施例中，由于流动性预测模型集合是通过预训练贝叶斯神经网络模型生成的，流动性预测模型集合中各个流动性预测模型的参数不再是确定的值(例如最优取值)，而是连续随机变量的条件分布；即对于可能性较大的参数赋予较大的预测权重，而对于可能性较小的参数，也赋予它在预测中较小的预测权重(而不是忽略可能性较小的参数)。如此，通过考虑参数的不确定性，可以对预测输出的不确定性有更好的估计，从而提高了交易对象的流动性预测的准确性。

在本说明书一些实施例中，所述获取目标交易对象的待处理数据可以包括：

(1)、获取目标交易对象待处理的交易数据和外部关联数据。

其中，目标交易对象、交易数据和外部关联数据可以参见上文有关部分的描述，在此不再赘述。

(2)、从所述交易数据和外部关联数据中，提取与所述流动性预测模型集合的输入层匹配的特征数据，以作为所述目标交易对象的待处理数据。

在本说明书一些实施例中，提取与所述流动性预测模型集合的输入层匹配的特征数据是指：提取出的特征数据与预训练时的特征数据匹配。例如，预训练时的特征数据包含a、b、c、d和e这五个维度的特征值；则实际预测时，从所述交易数据和外部关联数据中提取出的数据也应包含a、b、c、d和e这五个维度的特征值。

在本说明书的实施例中，流动性预测模型集合中的每个流动性预测模型的预测权重，可以表示该流动性预测模型在整个流动性预测模型集合中对于预测的重要程度(或贡献量)。在上文已经阐明：对于可能性较大的参数赋予较大的预测权重，而对于可能性较小的参数，也赋予它在预测中较小的预测权重(而不是忽略可能性较小的参数)。此外，还应当指出的是，在本说明书的实施例中，流动性预测模型集合中的每个流动性预测模型的预测权重一般是在预训练模型过程中自动生成的，而非人为指定，如此使得权重的设置更加符合真实情况，从而有利于进一步提高预测准确性。

例如，在如图5所示的实施例中，流动性预测模型集合包含：后验分布1～后验分布m，共m个流动性预测模型。当将相同一批的特征数据分别输入这个m个流动性预测模型中时，可对应对得到m个流动性预测子结果(例如图5中的流动性预测子结果1～流动性预测子结果m)。在此基础上，根据各个流动性预测模型对应的预测权重，可以对这m个流动性预测子结果进行加权平均，从而得到融合后的流动性预测结果。

在本说明书一些实施例中，所述流动性预测模型集合的预训练步骤包括：

获取目标交易对象的数据集；所述数据集基于目标交易对象指定历史时段内的交易数据和外部关联数据构建；

利用所述数据集中的训练集计算后验分布；所述后验分布用于表示贝叶斯神经网络模型；

从所述后验分布中抽取参数向量，并根据所述参数向量生成流动性预测模型；

利用所述数据集中的测试集测试所述流动性预测模型是否满足预设条件；

当所述流动性预测模型不满足所述预设条件时，根据预设的贝叶斯推断方法更新所述后验分布中的参数向量并迭代计算，直至当前生成的流动性预测模型满足所述预设条件为止。

在本说明书一些实施例中，所述贝叶斯推断方法包括函数空间斯坦因变分梯度下降算法。

在本说明书一些实施例中，所述函数空间斯坦因变分梯度下降算法包括：

其中，θ

在本说明书一些实施例中，所述获取目标交易对象的待处理数据，包括：

获取目标交易对象待处理的交易数据和外部关联数据；

从所述交易数据和外部关联数据中，提取与所述流动性预测模型集合的输入层匹配的特征数据，以作为所述目标交易对象的待处理数据。

在本说明书一些实施例中，所述贝叶斯神经网络模型为贝叶斯深度学习模型。

在本说明书一些实施例中，所述目标交易对象包括期限固定的货币类理财交易对象。

虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

与上述的交易对象流动性预测方法对应，本说明书提供了交易对象流动性预测装置的实施例，参考图6所示，在本说明书一些实施例中，所述交易对象流动性预测装置可以包括：

数据获取模块61，可以用于获取目标交易对象的待处理数据；

结果获取模块62，可以用于将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练以后验分布表示的贝叶斯神经网络模型生成；

结果融合模块63，可以用于根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。

在本说明书一些实施例中，所述流动性预测模型集合的预训练步骤包括：

获取目标交易对象的数据集；所述数据集基于目标交易对象指定历史时段内的交易数据和外部关联数据构建；

利用所述数据集中的训练集计算后验分布；所述后验分布用于表示贝叶斯神经网络模型；

从所述后验分布中抽取参数向量，并根据所述参数向量生成流动性预测模型；

利用所述数据集中的测试集测试所述流动性预测模型是否满足预设条件；

当所述流动性预测模型不满足所述预设条件时，根据预设的贝叶斯推断方法更新所述后验分布中的参数向量并迭代计算，直至当前生成的流动性预测模型满足所述预设条件为止。

在本说明书一些实施例中，所述贝叶斯推断方法包括函数空间斯坦因变分梯度下降算法。

在本说明书一些实施例中，所述函数空间斯坦因变分梯度下降算法包括：

其中，θ

在本说明书一些实施例中，所述获取目标交易对象的待处理数据，包括：

获取目标交易对象待处理的交易数据和外部关联数据；

从所述交易数据和外部关联数据中，提取与所述流动性预测模型集合的输入层匹配的特征数据，以作为所述目标交易对象的待处理数据。

在本说明书一些实施例中，所述贝叶斯神经网络模型为贝叶斯深度学习模型。

在本说明书一些实施例中，所述目标交易对象包括期限固定的货币类理财交易对象。

在本说明书的实施例中，由于流动性预测模型集合是通过预训练贝叶斯神经网络模型生成的，流动性预测模型集合中各个流动性预测模型的参数不再是确定的值(例如最优取值)，而是连续随机变量的条件分布；即对于可能性较大的参数赋予较大的预测权重，而对于可能性较小的参数，也赋予它在预测中较小的预测权重(而不是忽略可能性较小的参数)。如此，通过考虑参数的不确定性，可以对预测输出的不确定性有更好的估计，从而提高了交易对象的流动性预测的准确性。不仅如此，在本说明书的实施例中，还可以基于交易对象有关于的常识(common sense)及专业知识(expertise knowledge)构建交易对象的先验分布，以作为初始的后验分布，用于表示初始的贝叶斯神经网络模型，如此，还提高了训练效率并有利于减少训练过程中的过拟合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本说明书的实施例还提供一种计算机设备。如图7所示，在本说明书一些实施例中，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器706上并可在处理器704上运行的计算机程序，所述计算机程序被所述处理器704运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。

计算机设备702还可以包括输入/输出模块710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(GUI)。在其他实施例中，还可以不包括输入/输出模块710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。

通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。

本申请是参照本说明书一些实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器，使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理器上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算机设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。