理财产品的风险预测方法、相关装置及计算机存储介质

摘要

本申请提供了一种理财产品的风险预测方法、相关装置及计算机存储介质，该方法包括：实时采集客户设定的至少一个数据源的数据；针对每一个数据源的数据，对数据源的数据进行特征处理，得到数据源的特征值；将每一个数据源的特征值，输入至风险预测模型中，得到风险预测结果；风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；将风险预测结果与风险敏感度的积，作为最终的风险值；最后，若最终的风险值大于收益阈值时，生成提醒信息；提醒信息用于提醒客户，客户所持有的理财产品存在风险。从而达到对客户当前所持有的理财产品进行风险预测，以免对客户造成大量的经济损失的目的。

说明书

技术领域

本申请涉及计算机技术领域，特别涉及一种理财产品的风险预测方法、相关装置及计算机存储介质。

背景技术

随着经济的发展，在银行中，除了存款产品，银行还会推出其他一些理财产品供客户进行选择，例如：基金、理财、贵金属、期货等，客户购买理财产品希望可以获得更大的收益。

但是，理财产品都是收益与风险并存，在市场经济条件下，一旦发生特殊情况，很可能导致客户血本无归并且也对银行自身造成直接的经济损失。

发明内容

有鉴于此，本申请提供了一种理财产品的风险预测方法、相关装置及计算机存储介质，用于对客户当前所持有的理财产品进行风险预测，以免对客户造成大量的经济损失。

本申请第一方面提供了一种理财产品的风险预测方法，包括：

实时采集客户设定的至少一个数据源的数据；

针对每一个所述数据源的数据，对所述数据源的数据进行特征处理，得到所述数据源的特征值；

将每一个所述数据源的特征值，输入至风险预测模型中，得到风险预测结果；其中，所述风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；所述历史交易数据包括所述训练样本客户进行的历史交易操作数据以及所述训练样本客户进行历史交易时对应的数据源的数据；

将所述风险预测结果与风险敏感度的积，作为最终的风险值；其中，所述风险敏感度为通过预先以问卷的形式对所述客户风险承受能力进行评测的结果；

若所述最终的风险值大于收益阈值时，生成提醒信息；其中，所述收益阈值包括正向阈值和负向阈值；所述收益阈值由所述客户进行设定；所述提醒信息用于提醒所述客户，所述客户所持有的理财产品存在风险。

可选的，所述风险预测模型的构建方法，包括：

构建训练样本集；其中，所述训练样本集包括多个训练样本客户的历史交易数据；

针对每一个所述训练样本客户，将所述训练样本客户进行历史交易时对应的数据源的数据输入至随机森林模型，得到风险预测结果；

利用所述风险预测结果与真实结果之间的误差，对所述随机森林模型进行不断调整，直至调整后的所述随机森林模型输出的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的随机森林模型确定为风险预测模型；其中，所述真实结果为所述训练样本客户进行历史交易时对应的数据源的数据对应的历史交易操作。

可选的，所述利用所述风险预测结果与真实结果之间的误差，对所述随机森林模型进行不断调整，直至调整后的所述随机森林模型输出的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的随机森林模型确定为风险预测模型之前，还包括：

计算得到训练样本集中所有所述训练样本客户的风险预测结果与真实结果之间的误差的均值，作为修正参数；

将所述风险预测结果与所述修正参数的和，作为最终的风险预测结果；

其中，所述利用所述风险预测结果与真实结果之间的误差，对所述随机森林模型进行不断调整，直至调整后的所述随机森林模型输出的预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的随机森林模型确定为风险预测模型，包括：

利用所述最终的风险预测结果与真实结果之间的误差，对所述随机森林模型进行不断调整，直至调整后的所述随机森林模型输出的最终的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的随机森林模型确定为风险预测模型。

可选的，所述理财产品的风险预测方法，还包括：

若所述最终的风险值小于所述收益阈值，且大于系统固然误差时，按照对所述客户设定的赎回设置对资金进行赎回；其中，所述系统固然误差为所述系统中所有客户执行风险预测时产生的累计误差。

本申请第二方面提供了一种理财产品的风险预测装置，包括：

采集单元，用于实时采集客户设定的至少一个数据源的数据；

特征处理单元，用于针对每一个所述数据源的数据，对所述数据源的数据进行特征处理，得到所述数据源的特征值；

第一输入单元，用于将每一个所述数据源的特征值，输入至风险预测模型中，得到风险预测结果；其中，所述风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；所述历史交易数据包括所述训练样本客户进行的历史交易操作数据以及所述训练样本客户进行历史交易时对应的数据源的数据；

风险确定单元，用于将所述风险预测结果与风险敏感度的积，作为最终的风险值；其中，所述风险敏感度为通过预先以问卷的形式对所述客户风险承受能力进行评测的结果；

提醒单元，用于若所述最终的风险值大于收益阈值时，生成提醒信息；其中，所述收益阈值包括正向阈值和负向阈值；所述收益阈值由所述客户进行设定。

可选的，所述风险预测模型的构建单元，包括：

构建单元，用于构建训练样本集；其中，所述训练样本集包括多个训练样本客户的历史交易数据；

第二输入单元，用于针对每一个所述训练样本客户，将所述训练样本客户进行历史交易时对应的数据源的数据输入至随机森林模型，得到风险预测结果；

调整单元，用于利用所述风险预测结果与真实结果之间的误差，对所述随机森林模型进行不断调整，直至调整后的所述随机森林模型输出的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的随机森林模型确定为风险预测模型；其中，所述真实结果为所述训练样本客户进行历史交易时对应的数据源的数据对应的历史交易操作。

可选的，所述理财产品的风险预测装置，还包括：

第一计算单元，用于计算得到训练样本集中所有所述训练样本客户的风险预测结果与真实结果之间的误差的均值，作为修正参数；

第二计算单元，用于将所述风险预测结果与所述修正参数的和，作为最终的风险预测结果；

其中，所述调整单元，用于：

利用所述最终的风险预测结果与真实结果之间的误差，对所述随机森林模型进行不断调整，直至调整后的所述随机森林模型输出的最终的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的随机森林模型确定为风险预测模型。

可选的，所述理财产品的风险预测装置，还包括：

赎回单元，用于若所述最终的风险值小于所述收益阈值，且大于系统固然误差时，按照对所述客户设定的赎回设置对资金进行赎回；其中，所述系统固然误差为所述系统中所有客户执行风险预测时产生的累计误差。

本申请第三方面提供了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的理财产品的风险预测方法。

本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的理财产品的风险预测方法。

由以上方案可知，本申请提供的一种理财产品的风险预测方法、相关装置及计算机存储介质中，所述理财产品的风险预测方法包括：首先，实时采集客户设定的至少一个数据源的数据；然后，针对每一个所述数据源的数据，对所述数据源的数据进行特征处理，得到所述数据源的特征值；之后，将每一个所述数据源的特征值，输入至风险预测模型中，得到风险预测结果；其中，所述风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；所述历史交易数据包括所述训练样本客户进行的历史交易操作数据以及所述训练样本客户进行历史交易时对应的数据源的数据；之后，将所述风险预测结果与风险敏感度的积，作为最终的风险值；其中，所述风险敏感度为通过预先以问卷的形式对所述客户风险承受能力进行评测的结果；最后，若所述最终的风险值大于收益阈值时，生成提醒信息；其中，所述收益阈值包括正向阈值和负向阈值；所述收益阈值由所述客户进行设定；所述提醒信息用于提醒所述客户，所述客户所持有的理财产品存在风险。从而达到对客户当前所持有的理财产品进行风险预测，以免对客户造成大量的经济损失的目的。

附图说明

为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种理财产品的风险预测方法的具体流程图；

图2为本申请另一实施例提供的一种风险预测模型的构建方法的流程图；

图3为本申请另一实施例提供的一种理财产品的风险预测装置的示意图；

图4为本申请另一实施例提供的一种风险预测模型的构建单元的示意图；

图5为本申请另一实施例提供的一种实现理财产品的风险预测方法的电子设备的示意图。

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。

需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本申请实施例提供了一种理财产品的风险预测方法，如图1所示，具体包括以下步骤：

S101、实时采集客户设定的至少一个数据源的数据。

其中，数据源可以但不限于文章、金价、道格拉斯指数等，以数据源为文章为例，数据源的数据可以包括但不限于文章标题、文章阅读量、针对文章的评论、正向情感评论量、负向情感评论量等，此处不做限定。

具体的，可以通过但不限于爬虫的方式对数据源的数据进行采集。

S102、针对每一个数据源的数据，对数据源的数据进行特征处理，得到数据源的特征值。

需要说明的是，数据进行特征处理的方式十分多样化且成熟，可以采用但不限于对数据进行异常值过滤、均值填充、字符替换、归一化等操作最终得到了数据源的特征值。

S103、将每一个数据源的特征值，输入至风险预测模型中，得到风险预测结果。

其中，风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；历史交易数据包括训练样本客户进行的历史交易操作数据以及训练样本客户进行历史交易时对应的数据源的数据。

可选的，在本申请的另一实施例中，风险预测模型的构建方法的一种实施方式，包括：

S201、构建训练样本集。

其中，训练样本集包括多个训练样本客户的历史交易数据。

S202、针对每一个训练样本客户，将训练样本客户进行历史交易时对应的数据源的数据输入至随机森林模型，得到风险预测结果。

S203、判断风险预测结果与真实结果之间的误差，是否满足预设的收敛条件。

具体的，若判断出风险预测结果与真实结果之间的误差，满足预设的收敛条件，则执行步骤S205；若判断出风险预测结果与真实结果之间的误差，不满足预设的收敛条件，则执行步骤S204。

为提升模型的精确度，在步骤S203执行之前，本申请提供的理财产品的风险预测方法的一种实施方式，还包括：

计算得到训练样本集中所有训练样本客户的风险预测结果与真实结果之间的误差的均值，作为修正参数。

将风险预测结果与修正参数的和，作为最终的风险预测结果。

那么，步骤S203的一种实施方式，包括：

判断最终的风险预测结果与真实结果之间的误差，是否满足预设的收敛条件。

S204、利用风险预测结果与真实结果之间的误差，对随机森林模型进行调整。

S205、将随机森林模型确定为风险预测模型。

其中，真实结果为训练样本客户进行历史交易时对应的数据源的数据对应的历史交易操作。

S104、将风险预测结果与风险敏感度的积，作为最终的风险值。

其中，风险敏感度为通过预先以问卷的形式对客户风险承受能力进行评测的结果。

S105、判断最终的风险值是否大于收益阈值。

其中，收益阈值包括正向阈值和负向阈值；收益阈值由客户进行设定。

可以理解的是，当最终的风险值大于正向阈值时，说明当前理财产品的收益过高，即涨幅过大，当涨幅越大时，越容易出现跌的情况，因此需要提醒客户，尽可能及时出手，以获得最大收益；当最终的风险值大于负向阈值时，说明当前理财产品可能会继续跌，因此需要设置一个负向阈值，提醒用户及时出手，及时止损。

具体的，若最终的风险值大于收益阈值时，则执行在步骤S106。

可选的，在本申请的另一实施例中，理财产品的风险预测方法的一种实施方式，还包括：

若最终的风险值小于收益阈值，且大于系统固然误差时，按照对客户设定的赎回设置对资金进行赎回。

其中，赎回设置由客户预先设定，例如：当最终的风险值小于收益阈值，且大于系统固然误差时，赎回20％的资金；当最终的风险值小于收益阈值，且大于系统固然误差时，赎回40％的资金等，此处不做限定。

其中，系统固然误差为系统中所有客户执行风险预测时产生的累计误差。

S106、生成提醒信息。

其中，提醒信息用于提醒客户，客户所持有的理财产品存在风险。让客户及时作出决断，以免对客户造成大量的经济损失的目的。

同样，在生成提醒信息的同时，若客户的有预先进行设定赎回设置，则按照对客户设定的赎回设置对资金进行赎回。例如：若最终的风险值大于收益阈值，赎回40％的资金；若最终的风险值大于收益阈值，赎回100％的资金等。

由以上方案可知，本申请提供的一种理财产品的风险预测方法，包括：首先，实时采集客户设定的至少一个数据源的数据；然后，针对每一个数据源的数据，对数据源的数据进行特征处理，得到数据源的特征值；之后，将每一个数据源的特征值，输入至风险预测模型中，得到风险预测结果；其中，风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；历史交易数据包括训练样本客户进行的历史交易操作数据以及训练样本客户进行历史交易时对应的数据源的数据；之后，将风险预测结果与风险敏感度的积，作为最终的风险值；其中，风险敏感度为通过预先以问卷的形式对客户风险承受能力进行评测的结果；最后，若最终的风险值大于收益阈值时，生成提醒信息；其中，收益阈值包括正向阈值和负向阈值；收益阈值由客户进行设定；提醒信息用于提醒客户，客户所持有的理财产品存在风险。从而达到对客户当前所持有的理财产品进行风险预测，以免对客户造成大量的经济损失的目的。

本申请另一实施例提供了一种理财产品的风险预测装置，如图3所示，具体包括：

采集单元301，用于实时采集客户设定的至少一个数据源的数据。

特征处理单元302，用于针对每一个数据源的数据，对数据源的数据进行特征处理，得到数据源的特征值。

第一输入单元303，用于将每一个数据源的特征值，输入至风险预测模型中，得到风险预测结果。

其中，风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；历史交易数据包括训练样本客户进行的历史交易操作数据以及训练样本客户进行历史交易时对应的数据源的数据。

可选的，在本申请的另一实施例中，风险预测模型的构建单元的一种实施方式，如图4所示，包括：

构建单元401，用于构建训练样本集。

其中，训练样本集包括多个训练样本客户的历史交易数据。

第二输入单元402，用于针对每一个训练样本客户，将训练样本客户进行历史交易时对应的数据源的数据输入至随机森林模型，得到风险预测结果。

调整单元403，用于利用风险预测结果与真实结果之间的误差，对随机森林模型进行不断调整，直至调整后的随机森林模型输出的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将调整后的随机森林模型确定为风险预测模型。

其中，真实结果为训练样本客户进行历史交易时对应的数据源的数据对应的历史交易操作。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。

风险确定单元304，用于将风险预测结果与风险敏感度的积，作为最终的风险值。

其中，风险敏感度为通过预先以问卷的形式对客户风险承受能力进行评测的结果。

提醒单元305，用于若最终的风险值大于收益阈值时，生成提醒信息。

其中，收益阈值包括正向阈值和负向阈值；收益阈值由客户进行设定。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。

可选的，在本申请的另一实施例中，理财产品的风险预测装置的一种实施方式，还包括：

第一计算单元，用于计算得到训练样本集中所有训练样本客户的风险预测结果与真实结果之间的误差的均值，作为修正参数。

第二计算单元，用于将风险预测结果与所述修正参数的和，作为最终的风险预测结果。

其中，调整单元403，用于：

利用最终的风险预测结果与真实结果之间的误差，对随机森林模型进行不断调整，直至调整后的随机森林模型输出的最终的风险预测结果与真实结果之间的误差满足预设的收敛条件时，将调整后的随机森林模型确定为风险预测模型。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。

可选的，在本申请的另一实施例中，理财产品的风险预测装置的一种实施方式，还包括：

赎回单元，用于若最终的风险值小于收益阈值，且大于系统固然误差时，按照对客户设定的赎回设置对资金进行赎回。

其中，系统固然误差为系统中所有客户执行风险预测时产生的累计误差。

本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。

由以上方案可知，本申请提供的一种理财产品的风险预测装置，包括：首先，采集单元301实时采集客户设定的至少一个数据源的数据；然后，特征处理单元302针对每一个数据源的数据，对数据源的数据进行特征处理，得到数据源的特征值；之后，第一输入单元303将每一个数据源的特征值，输入至风险预测模型中，得到风险预测结果；其中，风险预测模型由训练样本客户的历史交易数据对随机森林模型进行训练得到；历史交易数据包括训练样本客户进行的历史交易操作数据以及训练样本客户进行历史交易时对应的数据源的数据；之后，风险确定单元304将风险预测结果与风险敏感度的积，作为最终的风险值；其中，风险敏感度为通过预先以问卷的形式对客户风险承受能力进行评测的结果；最后，若最终的风险值大于收益阈值时，提醒单元305生成提醒信息；其中，收益阈值包括正向阈值和负向阈值；收益阈值由客户进行设定；提醒信息用于提醒客户，客户所持有的理财产品存在风险。从而达到对客户当前所持有的理财产品进行风险预测，以免对客户造成大量的经济损失的目的。

本申请另一实施例提供了一种电子设备，如图5所示，包括：

一个或多个处理器501。

存储装置502，其上存储有一个或多个程序。

当所述一个或多个程序被所述一个或多个处理器501执行时，使得所述一个或多个处理器501实现如上述实施例中任意一项所述的理财产品的风险预测方法。

本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的理财产品的风险预测方法。

在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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，本公开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，直播设备，或者网络设备等)执行本公开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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。