基金风险等级预测方法及装置

摘要

本发明提供了一种基金风险等级预测方法及装置，该方法包括：获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将多条资讯整合成一条预测周期对应的总资讯；将总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。基于基金类别的资讯，对基金风险等级进行预测，由于基金类别的资讯都是业内专业人士对未来形式的一些预测或者是能够影响基金行情变动的重要新闻，从而能够准确地对基金产品未来风险等级进行预测，为用户提供有价值的信息参照，改善用户体验，进而提升手机银行的用户服务。本发明用于人工智能领域。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基金风险等级预测方法及装置。

背景技术

目前，手机银行的很大一部分用户在手机银行交易基金时，对基金产品无法预知未来风险等级，导致用户在进行基金交易时，没有任何有价值的信息参照，比较迷茫，用户体验感差，长期下去，也容易导致手机银行的用户流失。

发明内容

本发明实施例提供一种基金风险等级预测方法，用以对基金产品未来风险等级进行预测，改善用户体验，该方法包括：

获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将所述多条资讯整合成一条预测周期对应的总资讯；

将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；所述基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；

根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。

具体实施例中，按照如下方法预先建立所述基金风险等级预测模型：

获取多个历史预测周期对应的总资讯和每个历史预测周期对应的待预测基金的跌涨幅数据；

根据每个历史预测周期对应的待预测基金的跌涨幅数据，为每个历史预测周期对应的总资讯确定风险等级标签；

以每个历史预测周期对应的总资讯的风险等级标签为输出，以每个历史预测周期对应的总资讯为输入，建立基金风险等级预测模型。

具体实施过程中，预先建立所述基金风险等级预测模型的过程，还包括：

对每个历史预测周期对应的总资讯进行数据清洗，对清洗后的每个历史预测周期对应的总资讯进行数据特征提取，得到每个历史预测周期对应的总资讯对应的数据特征；

以每个历史预测周期对应的总资讯的风险等级标签为输出，以每个历史预测周期对应的总资讯为输入，建立基金风险等级预测模型，包括：

利用支持向量机SVM分类算法，对每个历史预测周期对应的总资讯对应的数据特征进行分类，训练得到基金风险等级预测模型。

具体实施例中，对每个历史预测周期对应的总资讯进行数据清洗，包括：

对每个历史预测周期对应的总资讯进行文本分词和去停用词，得到每个历史预测周期对应的总资讯的分词。

具体实施过程中，对清洗后的每个历史预测周期对应的总资讯进行数据特征提取，得到每个历史预测周期对应的总资讯对应的数据特征，包括：

利用TF-IDF函数，确定每个历史预测周期对应的总资讯的每个分词的权值；

根据每个历史预测周期对应的总资讯的每个分词的权值和信息增益函数，得到初始数据特征；

利用主成分分析法，对初始数据特征进行降维，得到每个历史预测周期对应的总资讯对应的数据特征。

本发明实施例还提供一种基金风险等级预测装置，用以对基金产品未来风险等级进行预测，改善用户体验，该装置包括：

资讯整合模块，用于获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将所述多条资讯整合成一条预测周期对应的总资讯；

风险等级预测模块，用于将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；所述基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；

风险提醒模块，用于根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。

本发明具体实施例提供的基金风险等级预测装置，还包括：模型预建立模块，用于：

按照如下方法预先建立所述基金风险等级预测模型：

获取多个历史预测周期对应的总资讯和每个历史预测周期对应的待预测基金的跌涨幅数据；

根据每个历史预测周期对应的待预测基金的跌涨幅数据，为每个历史预测周期对应的总资讯确定风险等级标签；

以每个历史预测周期对应的总资讯的风险等级标签为输出，以每个历史预测周期对应的总资讯为输入，建立基金风险等级预测模型。

具体实施过程中，所述模型预建立模块，还用于：

对每个历史预测周期对应的总资讯进行数据清洗，对清洗后的每个历史预测周期对应的总资讯进行数据特征提取，得到每个历史预测周期对应的总资讯对应的数据特征；

所述模型预建立模块，具体用于：

利用支持向量机SVM分类算法，对每个历史预测周期对应的总资讯对应的数据特征进行分类，训练得到基金风险等级预测模型。

具体实施例中，所述模型预建立模块，具体用于：

对每个历史预测周期对应的总资讯进行文本分词和去停用词，得到每个历史预测周期对应的总资讯的分词。

具体实施过程中，所述模型预建立模块，具体用于：

利用TF-IDF函数，确定每个历史预测周期对应的总资讯的每个分词的权值；

根据每个历史预测周期对应的总资讯的每个分词的权值和信息增益函数，得到初始数据特征；

利用主成分分析法，对初始数据特征进行降维，得到每个历史预测周期对应的总资讯对应的数据特征。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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基金风险等级预测方法。

本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基金风险等级预测方法的计算机程序。

本发明实施例中，通过获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将多条资讯整合成一条预测周期对应的总资讯；将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；其中，基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。基于基金类别的资讯，对基金风险等级进行预测，由于基金类别的资讯都是业内专业人士对未来形式的一些预测或者是能够影响基金行情变动的重要新闻，从而能够准确地对基金产品未来风险等级进行预测，为用户提供有价值的信息参照，改善用户体验，进而提升手机银行的用户服务。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基金风险等级预测方法的示意图。

图2为本发明具体实施例中预先建立基金风险等级预测模型的过程示意图。

图3为本发明另一具体实施例中预先建立基金风险等级预测模型的过程示意图。

图4为本发明具体实施例中步骤301的实现方法示意图。

图5为本发明具体应用中某手机银行APP的基金分类资讯截图示意图。

图6为本发明实施例中基金风险等级预测装置的示意图。

图7为本发明具体实施例中基金风险等级预测装置的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基金风险等级预测方法，用以对基金产品未来风险等级进行预测，改善用户体验，如图1所示，该方法包括：

步骤101：获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将上述多条资讯整合成一条预测周期对应的总资讯；

步骤102：将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；其中，基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；

步骤103：根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。

由图1所示流程可以得知，本发明实施例中，通过获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将多条资讯整合成一条预测周期对应的总资讯；将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；其中，基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。基于基金类别的资讯，对基金风险等级进行预测，由于基金类别的资讯都是业内专业人士对未来形式的一些预测或者是能够影响基金行情变动的重要新闻，从而能够准确地对基金产品未来风险等级进行预测，为用户提供有价值的信息参照，改善用户体验，进而提升手机银行的用户服务。

具体实施时，首先获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将多条资讯整合成一条预测周期对应的总资讯。预测周期一般设置为一个月，根据上一个月的资讯，预测得到本月的基金风险等级。按照发布时间的前后，按照发布时间早为前的顺序，排列多条资讯，整合成一条预测周期对应的总资讯。

整合成一条预测周期对应的总资讯后，将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果。得到待预测基金的风险等级预测结果后，根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。

其中，基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级。具体实施例中，如图2所示，按照如下方法预先建立基金风险等级预测模型：

步骤201：获取多个历史预测周期对应的总资讯和每个历史预测周期对应的待预测基金的跌涨幅数据；

步骤202：根据每个历史预测周期对应的待预测基金的跌涨幅数据，为每个历史预测周期对应的总资讯确定风险等级标签；

步骤203：以每个历史预测周期对应的总资讯的风险等级标签为输出，以每个历史预测周期对应的总资讯为输入，建立基金风险等级预测模型。

具体实施例中，为每一个月对应的总资讯，找到对应下一个月某基金的涨跌幅，给每月对应的总资讯打上：高、中、低三种风险等级标签。其中涨跌幅的幅度大于等于10的标为高，涨跌幅的幅度大于等于2且小于10的标为中，涨跌幅的幅度小于2的标为低。如把2020年4月内手机银行中基金类别的资讯整合成一条总资讯，再查看2020年5月的某基金的涨跌幅幅度为12，则把该条总资讯打标为：高风险等级。

如图3所示，预先建立基金风险等级预测模型的过程，在图2的基础上，还包括：

步骤301：对每个历史预测周期对应的总资讯进行数据清洗，对清洗后的每个历史预测周期对应的总资讯进行数据特征提取，得到每个历史预测周期对应的总资讯对应的数据特征。

相应地，步骤203具体实施过程，包括：

利用支持向量机SVM(Support Vector Machine)分类算法，对每个历史预测周期对应的总资讯对应的数据特征进行分类，训练得到基金风险等级预测模型。

具体实施例中，对每个历史预测周期对应的总资讯进行数据清洗，包括：对每个历史预测周期对应的总资讯进行文本分词和去停用词，得到每个历史预测周期对应的总资讯的分词。具体实施时，可使用jieba对每个历史预测周期对应的总资讯中的文本进行分词及去停用词，其中，jieba是最好的Python中文分词组件。

具体实施过程中，对清洗后的每个历史预测周期对应的总资讯进行数据特征提取，得到每个历史预测周期对应的总资讯对应的数据特征，如图4所示，包括：

步骤401：利用TF-IDF函数，确定每个历史预测周期对应的总资讯的每个分词的权值；

步骤402：根据每个历史预测周期对应的总资讯的每个分词的权值和信息增益函数，得到初始数据特征；

步骤403：利用主成分分析法，对初始数据特征进行降维，得到每个历史预测周期对应的总资讯对应的数据特征。

其中，TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。信息增益是特征选择的一个重要指标，它定义为一个特征能够为分类系统带来多少信息，带来的信息越多，说明该特征越重要，相应的信息增益也就越大。主成分分析法是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

下面给出一具体实例说明本发明实施例如何进行基金风险等级预测。本例基于基金类资讯并结合产品历史涨跌幅训练模型，而不是基于理财产品本身的属性。由于基金类资讯都是业内专业人士对于基金发展的精要点评和事关基金发展的重要新闻，相当于站在巨人的肩膀上，对基金产品进行风险等级的预测。

首先收集手机银行APP里类别为基金的所有资讯，按月整理，根据资讯发布时间把一个月内的资讯整合成一条资讯。手机银行APP里一般会对资讯有分类，将基金类别下的资讯按月份整理，每个月的资讯整理成一条总资讯。基金类别下的资讯例如有关于股市指数变化情况、关于数字货币发展情况、银行保监会出台政策等相关资讯，如图5所示，为某手机银行APP的基金分类资讯截图。

接着，为每一个月对应的总资讯，找到对应下一个月某基金的涨跌幅，给每月对应的总资讯打上：高、中、低三种风险等级标签。其中涨跌幅的幅度大于等于10的标为高，涨跌幅的幅度大于等于2且小于10的标为中，涨跌幅的幅度小于2的标为低。如把2020年4月内手机银行中基金类别的资讯整合成一条总资讯，再查看2020年5月的某基金的涨跌幅幅度为12，则把该条总资讯打标为：高风险等级。

把上述打标后的数据一分为二，80％用于训练模型，20％用于测试模型。

数据清洗：对打标后的资讯数据使用jieba对文本进行分词及去停用词。

特征提取：对清洗后的数据进行特征提取，分为如下两个部分：

(1)TF-IDF：首先利用TF-IDF函数将数据清洗后的资讯转变成权值。假如有500条资讯，被分词后共计有1000个词，经过TF-IDF处理后样式如表1所示：

表1

(2)信息增益：利用信息增益函数对经过TF-IDF处理后的数据特征进行提取，得出的信息增益值按大到小排序，选择前50个特征。经过特征提取后保留50个特征，样式如表2所示：

表2

降维：利用主成分分析法，对经信息增益处理过后的数据特征进行降维处理，最终保留30个特征。经过降维后的数据样式如表3所示：

表3

具体实施时，最终经过降维后得到的分词例如为行情、回调、困难重重、外汇、震荡等。

利用SVM分类算法对降维后的数据特征进行模型训练，高、中、低风险等级分别为三种分类。利用20％的数据，测试模型的正确性，持续优化，最终得出一个正确性较高的模型。

利用上述得到的模型，根据新的一个月的资讯信息对某基金的风险等级进行预测，模型输出高、中、低三种风险等级结果中的一种。将模型输出的风险等级预测结果以消息推送的形式推给手机银行的用户。

针对不同的基金，不断重复上述过程，得到手机银行APP内所有基金的风险等级预测结果并推送给用户。

通过根据每月的资讯进行预测，预测基金下一个月的风险等级，提前告知用户，提升用户服务，从而拉取更多用户资源。

上述具体应用的实施仅为举例，其余实施方式不再一一赘述。

基于同一发明构思，本发明实施例还提供一种基金风险等级预测装置，由于基金风险等级预测装置所解决问题的原理与基金风险等级预测方法相似，因此基金风险等级预测装置的实施可以参见基金风险等级预测方法的实施，重复之处不再赘述，具体结构如图6所示：

资讯整合模块601，用于获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将多条资讯整合成一条预测周期对应的总资讯；

风险等级预测模块602，用于将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；其中，基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；

风险提醒模块603，用于根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。

本发明具体实施例提供的基金风险等级预测装置，如图7所示，在图6的基础上，还包括：模型预建立模块701，用于：

按照如下方法预先建立基金风险等级预测模型：

获取多个历史预测周期对应的总资讯和每个历史预测周期对应的待预测基金的跌涨幅数据；

根据每个历史预测周期对应的待预测基金的跌涨幅数据，为每个历史预测周期对应的总资讯确定风险等级标签；

以每个历史预测周期对应的总资讯的风险等级标签为输出，以每个历史预测周期对应的总资讯为输入，建立基金风险等级预测模型。

具体实施过程中，模型预建立模块701，还用于：

对每个历史预测周期对应的总资讯进行数据清洗，对清洗后的每个历史预测周期对应的总资讯进行数据特征提取，得到每个历史预测周期对应的总资讯对应的数据特征；

相应地，模型预建立模块701，具体用于：

利用支持向量机SVM分类算法，对每个历史预测周期对应的总资讯对应的数据特征进行分类，训练得到基金风险等级预测模型。

具体实施例中，模型预建立模块701，具体用于：

对每个历史预测周期对应的总资讯进行文本分词和去停用词，得到每个历史预测周期对应的总资讯的分词。

具体实施过程中，模型预建立模块701，还具体用于：

利用TF-IDF函数，确定每个历史预测周期对应的总资讯的每个分词的权值；

根据每个历史预测周期对应的总资讯的每个分词的权值和信息增益函数，得到初始数据特征；

利用主成分分析法，对初始数据特征进行降维，得到每个历史预测周期对应的总资讯对应的数据特征。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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基金风险等级预测方法。

本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基金风险等级预测方法的计算机程序。

综上所述，本发明实施例提供的基金风险等级预测方法及装置具有如下优点：

通过获取预测周期内手机银行中基金类别的多条资讯，根据每条资讯的发布时间，将多条资讯整合成一条预测周期对应的总资讯；将预测周期对应的总资讯和待预测基金，输入预先建立的基金风险等级预测模型中，得到待预测基金的风险等级预测结果；其中，基金风险等级预测模型用于根据预测周期内的资讯，预测基金的风险等级；根据待预测基金的风险等级预测结果，向用户发送基金风险提醒。基于基金类别的资讯，对基金风险等级进行预测，由于基金类别的资讯都是业内专业人士对未来形式的一些预测或者是能够影响基金行情变动的重要新闻，从而能够准确地对基金产品未来风险等级进行预测，为用户提供有价值的信息参照，改善用户体验，进而提升手机银行的用户服务。

虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本领域技术人员应明白，本说明书的实施例可提供为方法、装置(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，本发明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。

本发明是参照根据本发明实施例的方法、装置(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设备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设备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设备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设备上，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。

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。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。