类别配置信息的确定方法、装置、电子设备及存储介质

摘要

本发明实施例涉及人工智能技术领域，公开了一种类别配置信息的确定方法、装置、电子设备及存储介质。该方法包括：获取各预设配置类别的历史浮动数据，基于历史浮动数据确定各预设配置类别的先验浮动值和先验协方差阵，根据先验浮动值和先验协方差阵进一步确定后验浮动值和后验协方差阵，以基于后验浮动值、后验协方差阵以及预设配置模型确定至少一种各预设配置类别对应的配置信息。本发明实施例通过各预设配置类别的先验分布确定后验分布，进而基于后验分布得到预设配置类别对应的配置信息，极大提高了配置准确率；并且，实现了各预设配置类别的自动化配置，提高了配置效率。

说明书

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种类别配置信息的确定方法、装置、电子设备及存储介质。

背景技术

对于高净值人群来说，通常需要进行资产配置。资产配置是指根据投资需求将投资资金在不同资产类别之间分配，通常是将资产在低风险、低收益证券与高风险、高收益证券之间进行分配。

通常来说，高净值人群的资产配置往往需要银行的工作人员根据自身经验，以及用户可用于投资的资产情况以及对收益率的需求，为用户制定相应的资产配置方案。

在实现本发明的过程中，发现现有技术至少存在以下技术问题：配置效率低；并且，容易受主观因素影响，即，推荐的配置方案可能并非最佳收益方案，如，可以是合作基金的配置，造成了配置准确性较低。

发明内容

本发明实施例提供了一种类别配置信息的确定方法、装置、电子设备及存储介质，以实现提高配置效率和配置准确性的技术效果。

第一方面，本发明实施例提供了一种类别配置信息的确定方法，包括：

获取至少两个预设配置类别的历史浮动数据；

基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，以及各所述预设配置类别对应的先验协方差阵；

基于各所述预设配置类别的先验浮动值、对应的先验协方差阵确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵；

根据各所述预设配置类别的后验浮动值、各所述预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各所述预设配置类别对应的配置信息，其中，所述配置信息包括各所述预设配置类别的配置比例。

可选的，在所述获取至少两个预设配置类别的历史浮动数据之后，包括：

基于所述历史浮动数据构造各所述预设配置类别的历史浮动曲线；

相应的，所述基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，以及各所述预设配置类别对应的先验协方差阵，包括：

对各所述历史浮动曲线进行拟合处理，基于拟合处理的结果确定期望浮动数据；

基于所述期望浮动数据确定各所述预设配置类别的先验浮动值以及各所述预设配置类别对应的先验协方差阵。

可选的，在所述基于所述历史浮动数据构造各所述预设配置类别的历史浮动曲线之后，还包括：

对各所述历史浮动曲线进行去噪处理，基于去噪处理的结果更新各所述历史浮动曲线。

可选的，所述历史浮动曲线包括趋势项数据、周期项数据以及残差项数据，所述对各所述历史浮动曲线进行去噪处理，基于去噪处理的结果更新各所述历史浮动曲线，包括：

剔除各所述历史浮动曲线中的周期项数据以及趋势项数据，基于各所述历史浮动曲线中的残差项数据更新各所述历史浮动曲线。

可选的，所述对各所述历史浮动曲线进行拟合处理，包括

基于预设拟合模型对各所述历史浮动曲线进行拟合处理。

可选的，所述预设拟合模型为随机波动率模型。

可选的，所述获取至少两个预设配置类别的历史浮动数据，包括：

建立至少两个预设配置类别，以及各所述预设配置类别对应的取值时间区间；

基于各所述预设配置类别对应的取值时间区间获取至少两个预设配置类别的历史浮动数据。

可选的，所述基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，包括：

基于各所述预设配置类别的历史浮动数据确定各所述预设配置类别的期望浮动数据，根据各所述期望浮动数据确定各所述预设配置类别的先验浮动值。

可选的，所述基于各所述历史浮动数据确定各所述预设配置类别对应的先验协方差阵，包括：

基于各所述预设配置类别的历史浮动数据确定各所述预设配置类别之间的联合概率分布信息，根据所述联合概率分布信息计算各所述预设配置类别对应的先验协方差阵。

可选的，所述根据所述联合概率分布信息计算各所述预设配置类别对应的先验协方差阵，包括：

根据所述联合概率分布信息计算各所述预设配置类别之间的相关系数；

基于各所述相关系数确定各所述预设配置类别对应的先验协方差阵。

可选的，所述基于各所述预设配置类别的先验浮动值、对应的先验协方差阵确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵，包括：

获取各所述预设配置类别的配置参考信息；

基于各所述配置参考信息、各所述预设配置类别的先验浮动值、各所述预设配置类别对应的先验协方差阵以及预设后验估计模型，确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵。

可选的，还包括：

基于各所述配置参考信息确定预设后验估计模型的似然函数。

可选的，所述预设后验估计模型为Black-litterman模型。

可选的，所述配置信息还包括所述配置比例对应的参考标注信息。

可选的，所述方法还包括：

获取用户输入的待匹配标注信息；

基于所述待匹配标注信息以及至少一种所述配置信息确定所述待匹配标注信息对应的目标配置信息。

可选的，所述基于所述待匹配标注信息以及至少一种所述配置信息确定所述待匹配标注信息对应的目标配置信息，包括：

将所述待匹配标注信息与至少一种所述配置信息中的参考标注信息进行匹配；

将与所述待匹配标注信息匹配的参考标注信息对应的配置信息作为目标配置信息。

可选的，所述预设配置模型为均值方差模型。

第二方面，本发明实施例还提供了一种类别配置信息的确定装置，包括：

浮动数据获取模块，用于获取至少两个预设配置类别的历史浮动数据；

先验确定模块，用于基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，以及各所述预设配置类别对应的先验协方差阵；

后验确定模块，用于基于各所述预设配置类别的先验浮动值、对应的先验协方差阵确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵；

配置确定模块，用于根据各所述预设配置类别的后验浮动值、各所述预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各所述预设配置类别对应的配置信息，其中，所述配置信息包括各所述预设配置类别的配置比例。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的类别配置信息的确定方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例提供的类别配置信息的确定方法。

上述发明中的实施例具有如下优点或有益效果：

获取各预设配置类别的历史浮动数据，基于历史浮动数据确定各预设配置类别的先验浮动值和先验协方差阵，根据先验浮动值和先验协方差阵进一步确定后验浮动值和后验协方差阵，以基于后验浮动值、后验协方差阵以及预设配置模型确定至少一种各预设配置类别对应的配置信息。本发明实施例通过各预设配置类别的先验分布确定后验分布，进而基于后验分布得到预设配置类别对应的配置信息，极大提高了配置准确率；并且，实现了各预设配置类别的自动化配置，提高了配置效率。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一所提供的一种类别配置信息的确定方法的流程示意图；

图2为本发明实施例二所提供的一种类别配置信息的确定方法的流程示意图；

图3为本发明实施例三所提供的一种类别配置信息的确定方法的流程示意图；

图4为本发明实施例四所提供的一种类别配置信息的确定方法的流程示意图；

图5为本发明实施例五所提供的一种优选的类别配置信息的确定方法的流程示意图；

图6为本发明实施例六所提供的一种类别配置信息的确定装置的结构示意图；

图7为本发明实施例七所提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种类别配置信息的确定方法的流程示意图，本实施例可适用于根据各预设配置类别的历史浮动数据确定各预设配置类别对应的配置比例等配置信息的情况，尤其适用于根据各预设配置类别的历史浮动数据确定先验浮动值和先验协方差阵，利用先验浮动值和先验协方差阵确定后验浮动值和后验协方差阵，进而基于后验浮动值和后验协方差阵确定预设配置类别的配置信息的情况，该方法可以由类别配置信息的确定装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：

在对本实施例提供的类别配置信息的确定方法进行介绍之前，对本实施例提供的类别配置信息的确定方法的应用场景进行示例性说明。示例性的，本实施例提供的方法可以基于用户提供的各个预设配置类别，确定各预设配置类别的配置比例等配置信息。如，在资产配置场景中，根据提供的各资产类别(如股票、债券、期货、现金等)，确定各资产类别对应的投资比例，以生成收益率高和风险值低的各种资产配置方案；在数据存储配置场景中，根据提供的各个数据库类别，确定各数据库类别对应的存储数据比例，以生成处理效率高和报错率低的各种存储配置方案；在材料配置场景中，根据提供的各材料类别确定各材料类别对应的掺杂比例，以生成稳定性高和成本低的各种材料配置方案；等。当然，本实施例提供的方法可应用于任何给定预设配置类别以确定各类别对应的配置信息的场景，上述应用场景仅作为示例，本申请对方法的应用场景不进行限定。

S110、获取至少两个预设配置类别的历史浮动数据。

其中，预设配置类别可以是预先设置的，需要确定配置比例等配置信息的类别。以资产配置场景为例，预设配置类别可以是预设投资资产类别。示例性的，预设配置类别可以是货币类、固定收益类、权益类、商品类或另类投资类；或者，还可以基于上述五种预设配置类别划分更多的预设配置类别，如，预设配置类别可以是货币类资管产品、定期存款类、公募标准化债权类产品、私募标准化债权类产品、公募标准化权益类产品、私募标准化权益类产品、贵金属类、账户商品类、CTA(Commodity TradingAdvisors，商品交易顾问)管理期货策略产品、量化对冲策略产品、量化套利策略产品、混合类资管产品或FOF(Fund ofFunds，组合型基金)类资产产品。

本申请对预设配置类别的数量不进行限定。在一种实施方式中，可以在获取至少两个预设配置类别的历史浮动数据之前，先确定至少两个预设配置类别。各预设配置类别可以根据用户配置需求进行设置。示例性的，用户A的配置需求是对上例中货币类资管产品等13个类别进行配置，即，需要在13个类别中确定投资配置信息，则预设配置类别可以包括13个类别；用户B的配置需求是对上例中的货币类和权益类进行配置，则预设配置类别可以包括货币类资管产品、公募标准化权益类产品以及私募标准化权益类产品。

在本实施例中，历史浮动数据可以是历史时间段内预设配置类别的相关波动数据。历史浮动数据可以用于描述预设配置类别在历史时间段内的可靠性、稳定性或收益信息等。以资产配置场景为例，历史浮动数据可以是预设配置类别的历史收益率，即，各历史时间点的收益率，如1％、1.5％、0.8％、1.3％等；以数据存储配置场景为例，历史浮动数据可以是预设配置类别的历史报错率，如0.5％、0.9％、1.2％、10％等。具体的，在本实施例中，可以获取到每一个预设配置类别的历史浮动数据。如，获取到货币类资管产品的历史收益率，获取到公募标准化权益类产品的历史收益率，等。

本实施例还提供资产配置场景下，各预设配置类别的历史浮动数据的选取依据。如表1所示，针对不同的预设配置类别，可以基于其对应指数获取历史浮动数据。

表1各预设配置类别的对应指数

可选的，所述获取至少两个预设配置类别的历史浮动数据，包括：建立至少两个预设配置类别，以及各预设配置类别对应的取值时间区间；基于各预设配置类别对应的取值时间区间获取至少两个预设配置类别的历史浮动数据。

其中，取值时间区间可以是采集预设配置类别的历史相关波动数据的时间区间。示例性的，取值时间区间可以是2019年-2020年；或，2020年6月-2021年3月；或，2021年3月1日-3月31日，等。具体的，在建立至少两个预设配置类别以及各预设配置类别对应的取值时间区间后，获取各预设配置类别对应的取值时间区间内的各时间点的历史浮动数据。

S120、基于各历史浮动数据确定各预设配置类别的先验浮动值，以及各预设配置类别对应的先验协方差阵。

其中，先验浮动值可以是根据历史浮动数据分析得到的先验分布值。可选的，先验浮动值可以是根据历史浮动数据分析得到的预设配置类别的关联波动数据的均值。示例性的，以资产配置场景为例，历史浮动数据为某一年期间各时间点的收益率，则先验浮动值可以是先验均衡年化收益率；先验浮动值可以用于描述预设配置类别的先验收益信息。

在一种实施方式中，本实施例可以直接根据预设配置类别的历史浮动数据确定先验浮动值。在另一种实施方式中，可以根据预测的预设配置类别的未来浮动数据确定先验浮动值；即，可选的，基于各历史浮动数据确定各预设配置类别的先验浮动值，包括：基于各预设配置类别的历史浮动数据确定各预设配置类别的期望浮动数据，根据各期望浮动数据确定各预设配置类别的先验浮动值。其中，期望浮动数据可以是基于历史浮动数据分析预测得到的未来时间段内的浮动数据。如，以资产配置场景为例，历史浮动数据为2020年3月至2021年3月期间各时间点的收益率，则预测出的期望浮动数据可以是2021年的各个时间点的收益率。可以在得到期望浮动数据后，将期望浮动数据的均值作为先验浮动值。例如，先验浮动值可以是2021年的年化收益率。

在本实施例中，先验协方差阵可以是由各预设配置类别之间的协方差构成的矩阵。以资产配置场景为例，先验协方差可以用于描述各预设配置类别之间的先验风险信息。示例性的，预设配置类别有13个，则先验协方差阵为13×13的矩阵。以2个预设配置类别为例介绍先验协方差阵，预设配置类别a和预设配置类别b对应的先验协方差阵为

可选的，所述基于各历史浮动数据确定各预设配置类别对应的先验协方差阵，包括：基于各预设配置类别的历史浮动数据确定各预设配置类别之间的联合概率分布信息，根据联合概率分布信息计算各预设配置类别对应的先验协方差阵。

其中，联合概率分布信息包含任意两个或两个以上预设配置类别的历史波动数据组成的概率分布。示例性的，预设配置类别有a、b、c，则各预设配置类别之间的联合概率分布信息可以至少包括a与b组成的概率分布、a和c组成的概率分布、b与c组成的概率分布，等。可选的，根据各预设配置类别的历史浮动数据以及Copula模型构造各预设配置类别之间的联合概率分布信息。

在得到各预设配置类别之间的联合概率分布信息后，可以根据联合概率分布信息计算任意两个预设配置类别之间的先验协方差，基于计算得到的各先验协方差构造各预设配置类别对应的先验协方差阵。

在一种实施方式中，可以直接根据联合概率分布信息计算出任意两个预设配置类别之间的先验协方差，还可以根据联合概率分布信息先计算出任意两个预设配置类别之间的相关系数，进一步根据相关系数计算两个预设配置类别之间的先验协方差。即，可选的，根据联合概率分布信息计算各预设配置类别对应的先验协方差阵，包括：根据联合概率分布信息计算各预设配置类别之间的相关系数；基于各相关系数确定各预设配置类别对应的先验协方差阵。

其中，相关系数可以是反映各预设配置类别之间的相关程度的参数。相关系数包括但不限于皮尔逊相关系数和肯德尔相关系数。在该可选的实施方式中，先根基联合概率分布信息计算出任意两个预设配置类别之间的相关系数，进而基于相关系数计算该任意两个预设配置类别之间的协方差，根据计算得到的多个协方差构建各预设配置类别对应的先验协方差阵。

也就是说，本实施例可以根据各预设配置类别的历史浮动数据，得到每个预设配置类别的先验浮动值，以及所有预设配置类别对应的先验协方差阵。如，预设配置类别有13个，则得到13个先验浮动值，以及1个先验协方差阵。在一种实施方式中，各预设配置类别的先验浮动值可以以向量的方式输出。沿用上例，预设配置类别有13个，则得到13×1的向量(其中，各个行向量均表示每个预设配置类别的先验浮动值)。

S130、基于各预设配置类别的先验浮动值、对应的先验协方差阵确定各预设配置类别的后验浮动值以及各预设配置类别对应的后验协方差阵。

其中，后验浮动值可以是预设配置类别的后验分布值。示例性的，先验浮动值为先验均衡年化收益率，则后验浮动值为后验均衡年化收益率。在一种实施方式中，可以利用贝叶斯方法，根据各预设配置类别的先验浮动值、对应的先验协方差阵确定后验浮动值和对应的后验协方差阵。贝叶斯方法可以基于假设的先验信息(先验浮动值、先验协方差阵)得到后验信息(后验浮动值、后验协方差阵)。

在一种实施方式中，若预设配置类别的数量为n，则所有预设配置类别的后验浮动值可以以一个n×1的向量呈现，各预设配置类别对应的后验协方差阵可以以一个n×n的矩阵呈现。即，本实施例可以分别得到n×1的向量(存放各后验浮动值)以及n×n的后验协方差阵。

S140、根据各预设配置类别的后验浮动值、各预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各预设配置类别对应的配置信息，其中，配置信息包括各预设配置类别的配置比例。

具体的，可以将各预设配置类别的后验浮动值以及对应的后验协方差阵输入至预设配置模型中，得到预设配置模型输出的至少一种配置信息。其中，配置信息至少包括各预设配置类别的配置比例。

以资产配置场景为例，可选的，所述预设配置模型为均值方差模型。均值方差模型可以根据输入的各后验浮动值(后验收益率)和后验协方差阵，构造至少一种各预设配置类别的配置方案，输出至少一种配置方案的配置信息。具体的，均值方差模型可以将输入的后验收益率作为该预设配置类别的收益考量指标，将输入的后验协方差阵作为至少两个预设配置类别之间的风险考量指标，以在收益和风险之间作权衡取舍得到有效前沿，其中，在同一收益水平下，位于有效前沿上的点的风险最小；基于有效前沿可以得到收益最大风险最小的配置方案对应的配置信息。

在数据存储配置或材料配置等其它场景中，预设配置模型还可以是可以多目标优化模型，如，多目标遗传优化模型(Non-dominated Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ)等。预设配置模型可以基于后验浮动值(处理效率或稳定率)和后验协方差阵(报错率和成本值)确定一个或多个配置信息，即，一个或多个各预设配置类别的配置比例等配置信息。

示例性的，预设配置类别包括a、b、c、d四种类别，配置信息可以是a：0％，b：47％，c：25％，d：28％；或者，a：13％，b：38％，c：25％，d：24％，等。各预设配置类别的配置比例之和为1。以资产配置场景为例，预设配置模型可以确定出收益9.87％、风险3.67％对应的配置信息、收益10.41％、风险4.09％对应的配置信息、收益8.62％、风险3.01％对应的配置信息等；所确定出的配置信息是在相同的收益下风险最小的配置方案的信息，或，是在相同的风险下收益最大的配置方案的信息。

本实施例的技术方案，获取各预设配置类别的历史浮动数据，基于历史浮动数据确定各预设配置类别的先验浮动值和先验协方差阵，根据先验浮动值和先验协方差阵进一步确定后验浮动值和后验协方差阵，以基于后验浮动值、后验协方差阵以及预设配置模型确定至少一种各预设配置类别对应的配置信息。本发明实施例通过各预设配置类别的先验分布确定后验分布，进而基于后验分布得到预设配置类别对应的配置信息，极大提高了配置准确率；并且，实现了各预设配置类别的自动化配置，提高了配置效率。

实施例二

图2为本发明实施例二提供的一种类别配置信息的确定方法的流程示意图，本实施例在上述各实施例的基础上，可选的，在获取至少两个预设配置类别的历史浮动数据之后，包括：基于历史浮动数据构造各预设配置类别的历史浮动曲线；相应的，基于各历史浮动数据确定各预设配置类别的先验浮动值，以及各预设配置类别对应的先验协方差阵，包括：对各历史浮动曲线进行拟合处理，基于拟合处理的结果确定期望浮动数据；基于期望浮动数据确定各预设配置类别的先验浮动值以及各预设配置类别对应的先验协方差阵。

其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的类别配置信息的确定方法包括如下步骤：

S210、获取至少两个预设配置类别的历史浮动数据。

S220、基于历史浮动数据构造各预设配置类别的历史浮动曲线。

其中，历史浮动数据可以包括历史时间段内的各个时间的浮动数据。因此，可以基于离散的历史浮动数据构造历史浮动曲线。在本实施例中，针对每一个预设配置类别，均可生成其对应的历史浮动曲线。可选的，可以通过曲线拟合的方式根据历史浮动数据构造历史浮动曲线；或者，利用指数平滑模型构造各预设配置类别的历史浮动曲线。

考虑到在构造历史浮动曲线时，存在偏离程度较大的数据，该类数据会影响构造出的历史浮动曲线的准确度。因此，可以对历史浮动曲线进行去噪处理，以剔除影响历史浮动曲线精度的干扰数据，进一步的，提高确定出的配置信息的准确性。可选的，在基于历史浮动数据构造各预设配置类别的历史浮动曲线之后，还包括：对各历史浮动曲线进行去噪处理，基于去噪处理的结果更新各历史浮动曲线。具体的，对历史浮动数据进行去噪处理可以是：删除历史浮动曲线中的极大值或极小值数据；或者，删除历史浮动曲线中的异常数据，等。其中，异常数据可以是使得历史浮动曲线的波动大于预设波动阈值的数据。

可选的，历史浮动曲线包括趋势项数据、周期项数据以及残差项数据，对各历史浮动曲线进行去噪处理，基于去噪处理的结果更新各历史浮动曲线，包括：剔除各历史浮动曲线中的周期项数据以及趋势项数据，基于各历史浮动曲线中的残差项数据更新各历史浮动曲线。

其中，趋势项数据可以是跟随时间趋势产生一定变化的数据，例如，随着时间的增长明显上升或明显下降。周期项数据可以是在某个固定的时间段内产生了一定波动的数据，例如，季节性特征的数据可以是周期项数据。历史浮动曲线由趋势项数据、周期项数据和残差项数据构成，如以下公式所示：

Y

其中，Y

在一种实施方式中，剔除各历史浮动曲线中的周期项数据以及趋势项数据，包括：基于移动加权平均法剔除各历史浮动曲线中的趋势项数据，基于季节效应估计法剔除各历史浮动曲线中的周期项数据。

在该可选的实施方式中，剔除各历史浮动曲线中的周期项数据以及趋势项数据，基于各历史浮动曲线中的残差项数据更新各历史浮动曲线，好处在于：剔除影响历史浮动曲线精度的干扰数据，进一步的，提高确定出的配置信息的准确性。

S230、对各历史浮动曲线进行拟合处理，基于拟合处理的结果确定期望浮动数据。

在本实施例中，可以对历史浮动曲线进行拟合处理，估计各历史浮动曲线的未来的浮动曲线，即期望浮动曲线，基于期望浮动曲线确定期望浮动数据。

可选的，对各历史浮动曲线进行拟合处理，包括：基于预设拟合模型对各历史浮动曲线进行拟合处理。

具体的，预设拟合模型可以是任意用于预测曲线未来变化趋势的模型。可选的，预设拟合模型为随机波动率模型。

S240、基于期望浮动数据确定各预设配置类别的先验浮动值以及各预设配置类别对应的先验协方差阵。

S250、基于各预设配置类别的先验浮动值、对应的先验协方差阵确定各预设配置类别的后验浮动值以及各预设配置类别对应的后验协方差阵。

S260、根据各预设配置类别的后验浮动值、各预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各预设配置类别对应的配置信息，其中，配置信息包括各预设配置类别的配置比例。

本实施例的技术方案，在获取到各预设配置类别的历史浮动数据之后，构造各预设配置类别对应的历史浮动曲线，并对历史浮动曲线进行拟合处理，以基于拟合处理的结果确定期望浮动数据，进而根据期望浮动数据确定先验浮动值和先验协方差，实现了先验浮动值和先验协方差的准确获取，进一步的，提高了确定出的配置信息的准确性。

实施例三

图3为本发明实施例三提供的一种类别配置信息的确定方法的流程示意图，本实施例在上述各实施例的基础上，可选的，基于各预设配置类别的先验浮动值、对应的先验协方差阵确定各预设配置类别的后验浮动值以及各预设配置类别对应的后验协方差阵，包括：获取各预设配置类别的配置参考信息；基于各配置参考信息、各预设配置类别的先验浮动值、各预设配置类别对应的先验协方差阵以及预设后验估计模型，确定各预设配置类别的后验浮动值以及各预设配置类别对应的后验协方差阵。

其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，本实施例提供的类别配置信息的确定方法包括如下步骤：

S310、获取至少两个预设配置类别的历史浮动数据。

S320、基于各历史浮动数据确定各预设配置类别的先验浮动值，以及各预设配置类别对应的先验协方差阵。

S330、获取各预设配置类别的配置参考信息。

其中，配置参考信息可以是各预设配置类别的配置信息的参考描述信息。在资产配置场景中，配置参考信息可以是投资专家给出的配置观点信息；在材料配置场景中，配置参考信息可以是技术人员给出的配置观点信息，等。

在本实施例中，可以获取每一个预设配置类别的配置参考信息；或者，还可以获取部分预设配置类别的配置参考信息，以及某两个预设配置类别的配置参考信息，等。

示例性的，在资产配置场景中，配置参考信息1可以包括预设配置类别a的预期收益为5％，该观点的可信度为95％；配置参考信息2可以包括预设配置类别b比预设配置类别c的预期收益高1％，该观点的可信度为50％。在一种实施方式中，可以基于各配置参考信息确定配置参考矩阵、参考浮动值向量以及参考协方差阵。沿用上例，配置参考矩阵

S340、基于各配置参考信息、各预设配置类别的先验浮动值、各预设配置类别对应的先验协方差阵以及预设后验估计模型，确定各预设配置类别的后验浮动值以及各预设配置类别对应的后验协方差阵。

具体的，可以将各配置参考信息、先验浮动值以及先验协方差阵输入至预设后验估计模型中，得到预设后验估计模型输出的后验浮动值以及后验协方差阵。换言之，本实施例可以将各配置参考信息与先验浮动值、先验协方差结合，以形成综合考虑配置参考信息、先验浮动值和先验协方差的后验浮动值和后验协方差。

在一种实施方式中，可以将基于各配置参考信息确定的配置参考矩阵、参考浮动值向量、参考协方差阵，以及先验浮动值和先验协方差阵输入至预设后验估计模型中，得到预设后验估计模型输出的后验浮动值以及后验协方差阵。

可选的，方法还包括：基于各配置参考信息确定预设后验估计模型的似然函数。即，本实施例可以将各配置参考信息作为预设后验估计模型的似然函数，并将各预设配置类别的先验浮动值、各预设配置类别对应的先验协方差阵输入至该预设后验估计模型中，得到各后验浮动值以及后验协方差阵。

以资产配置场景为例，可选的，预设后验估计模型为Black-litterman模型。

S350、根据各预设配置类别的后验浮动值、各预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各预设配置类别对应的配置信息，其中，配置信息包括各预设配置类别的配置比例。

本实施例的技术方案，通过获取各预设配置类别的配置参考信息，根据各配置参考信息、各先验浮动值以及先验协方差阵综合估计各后验浮动值和后验协方差阵，以在确定后验浮动值和后验协方差阵的过程中融入配置参考信息，形成更精准的后验浮动值和后验协方差阵，进而提高确定出的配置信息的准确性。

实施例四

图4为本发明实施例四提供的一种类别配置信息的确定方法的流程示意图，本实施例在上述各实施例的基础上，可选的，配置信息还包括所述配置比例对应的参考标注信息。可选的，所述方法还包括：获取用户输入的待匹配标注信息；基于待匹配标注信息以及至少一种配置信息确定待匹配标注信息对应的目标配置信息。

其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图4，本实施例提供的类别配置信息的确定方法包括如下步骤：

S410、获取至少两个预设配置类别的历史浮动数据。

S420、基于各历史浮动数据确定各预设配置类别的先验浮动值，以及各预设配置类别对应的先验协方差阵。

S430、基于各预设配置类别的先验浮动值、对应的先验协方差阵确定各预设配置类别的后验浮动值以及各预设配置类别对应的后验协方差阵。

S440、根据各预设配置类别的后验浮动值、各预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各预设配置类别对应的配置信息，其中，配置信息包括各预设配置类别的配置比例和配置比例对应的参考标注信息。

其中，参考标注信息可以是描述配置信息的参考指标的标注信息。以资产配置场景为例，参考指标可以是预期收益与预期风险，参考标注信息可以是配置信息的预期收益和预期风险的具体信息。以数据存储配置场景为例，参考指标可以是预期处理速度和预期报错率的具体信息。可以理解的是，参考标注信息可以同时包括预期收益和预期风险；或者，也可以仅包括预期收益，或，仅包括预期风险。

S450、获取用户输入的待匹配标注信息。

其中，待匹配标注信息可以是用户对期望的配置信息的参考指标的描述。示例性的，待匹配标注信息可以是用户期望的预期收益，例如，9.55％，也可以是用户期望的预期风险，例如，3.12％等，还可以是用户期望的预期收益以及预期风险，例如，9.55％和3.12％。

S460、基于待匹配标注信息以及至少一种配置信息确定待匹配标注信息对应的目标配置信息。

具体的，可以根据用户输入的待匹配标注信息，在各个配置信息中确定与该待匹配标注信息对应的目标配置信息。

可选的，基于待匹配标注信息以及至少一种配置信息确定待匹配标注信息对应的目标配置信息，包括：将待匹配标注信息与至少一种配置信息中的参考标注信息进行匹配；将与待匹配标注信息匹配的参考标注信息对应的配置信息作为目标配置信息。换言之，将参考标注信息与待匹配标注信息一致的配置信息作为目标配置信息，即，符合用户期望的配置信息。

考虑到存在各参考标注信息均与待匹配标注信息不匹配的情形，即，各参考标注信息与待匹配标注信息不一致。此时，可选的，基于待匹配标注信息以及至少一种配置信息确定待匹配标注信息对应的目标配置信息，包括：将与待匹配标注信息的标注差距最小的参考标注信息对应的配置信息作为目标配置信息。

示例性的，用户输入的待匹配标注信息为期望预期收益9.55％，而确定出的各配置信息的参考标注信息中的预期收益分别是9.10％、9.32％、9.47％、9.78％。考虑到参考标注信息中的预期收益越高，风险也相应的越高，因此，在综合考量收益与风险的情况下，可以将与用户期望预期收益最接近的配置信息确定为目标配置信息。如上例中的9.47％对应的配置信息。

当然，目标配置信息的数量也可以是2个。沿用上例，目标配置信息可以是9.47％以及9.78％对应的配置信息。即，可选的，基于待匹配标注信息以及至少一种配置信息确定待匹配标注信息对应的目标配置信息，包括：将与待匹配标注信息相邻的至少两个参考标注信息对应的配置信息作为目标配置信息。也就是说，可以同时将多个目标配置信息以及各目标配置信息的参考标注信息一并反馈给用户，以提供用户多种配置选择以及每种配置的参考信息。

可选的，本实施例提供的类别配置信息的确定方法还可以包括：向用户反馈至少一种配置信息以及各配置信息的参考标注信息；接收用户选择的配置信息，将该配置信息作为目标配置信息。即，将所确定出的各配置信息以及对应的参考标注信息一并反馈至用户，以使用户根据参考标注信息以及实际需求选择目标配置信息。

可选的，本实施例提供的类别配置信息的确定方法还可以包括：接收用户输入的配置数据；基于配置数据、目标配置信息的配置比例、参考标注信息计算配置数据对应的配置结果。

其中，配置数据可以是投资资金、存储数据量等。以资产配置场景为例，可以基于用户输入的投资资金，以及目标配置信息的期望收益、以及目标配置信息中各预设配置类别的配置比例，计算投资资金的收益金额；和/或，基于用户输入的投资资金，以及目标配置信息的期望风险、以及目标配置信息中各预设配置类别的配置比例，计算投资资金的风险金额，等。

本实施例的技术方案，在得到各预设配置类别的配置比例的同时，还一并得到配置比例对应的参考标注信息，在获取到用户输入的待匹配标注信息时，根据待匹配标注信息与各参考标注信息确定目标配置信息，进而得到符合用户实际需求的配置方案，提高了用户体验感。

实施例五

图5为本发明实施例五提供的一种优选的类别配置信息的确定方法的流程示意图。该方法的应用场景可以是资产配置场景。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图5，本实施例提供的类别配置信息的确定方法包括如下步骤：

S510、获取至少两个预设资产类别的历史收益数据；根据历史收益数据构造各预设资产类别的历史收益曲线。

S520、剔除历史收益曲线中的周期项数据和趋势项数据，基于历史收益曲线中的残差项数据更新历史收益曲线。

S530、基于Heston随机播放率模型拟合各预设资产类别的历史收益曲线，得到各预设资产类别的期望收益数据。

S540、根据各预设资产类别的期望收益数据得到各预设资产类别的先验收益率；并基于Copula模型以及各预设资产类别的期望收益数据构造各预设资产类别对应的联合概率分布。

S550、根据联合概率分布计算各预设资产类别之间的相关系数，基于各相关系数计算各预设资产类别对应的先验协方差阵。

S560、将投资专家的专家观点作为Black-litterman模型的似然函数；并将各预设资产类别的先验收益率、对应的先验协方差阵输入至该Black-litterman模型中，得到各预设资产类别的后验收益率、对应的后验协方差阵。

S570、将各预设资产类别的后验收益率、对应的后验协方差阵输入至均值方差模型，得到不同的期望风险下各预设资产类别的配置比例。

本实施例的技术方案，通过逐步确定先验收益率和先验协方差阵，并基于先验收益率和先验协方差阵得到后验收益率和后验协方差阵，以根据后验收益率和后验协方差阵得到各预设资产类别的配置比例，极大提高了资产配置的准确性；并且，实现了各预设资产类别的自动化配置，提高了配置效率。

实施例六

图6为本发明实施例六提供的一种类别配置信息的确定装置的结构示意图，本实施例可适用于根据各预设配置类别的历史浮动数据确定各预设配置类别对应的配置比例等配置信息的情况，尤其适用于根据各预设配置类别的历史浮动数据确定先验浮动值和先验协方差阵，利用先验浮动值和先验协方差阵确定后验浮动值和后验协方差阵，进而基于后验浮动值和后验协方差阵确定预设配置类别的配置信息的情况，该装置具体包括：浮动数据获取模块610、先验确定模块620、后验确定模块630以及配置确定模块640。

浮动数据获取模块610，用于获取至少两个预设配置类别的历史浮动数据；

先验确定模块620，用于基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，以及各所述预设配置类别对应的先验协方差阵；

后验确定模块630，用于基于各所述预设配置类别的先验浮动值、对应的先验协方差阵确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵；

配置确定模块640，用于根据各所述预设配置类别的后验浮动值、各所述预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各所述预设配置类别对应的配置信息，其中，所述配置信息包括各所述预设配置类别的配置比例。

可选的，所述类别配置信息的确定装置还包括曲线构造模块，用于在所述获取至少两个预设配置类别的历史浮动数据之后，基于所述历史浮动数据构造各所述预设配置类别的历史浮动曲线；相应的，先验确定模块620包括拟合单元和先验确定单元，其中，拟合单元用于对各所述历史浮动曲线进行拟合处理，基于拟合处理的结果确定期望浮动数据；先验确定单元用于基于所述期望浮动数据确定各所述预设配置类别的先验浮动值以及各所述预设配置类别对应的先验协方差阵。

可选的，曲线构造模块包括曲线构造单元和曲线去噪单元，其中，曲线构造单元用于基于所述历史浮动数据构造各所述预设配置类别的历史浮动曲线，曲线去噪单元用于在所述基于所述历史浮动数据构造各所述预设配置类别的历史浮动曲线之后，对各所述历史浮动曲线进行去噪处理，基于去噪处理的结果更新各所述历史浮动曲线。

可选的，所述历史浮动曲线包括趋势项数据、周期项数据以及残差项数据，所述曲线去噪单元具体用于剔除各所述历史浮动曲线中的周期项数据以及趋势项数据，基于各所述历史浮动曲线中的残差项数据更新各所述历史浮动曲线。

可选的，拟合单元用于基于预设拟合模型对各所述历史浮动曲线进行拟合处理。

可选的，所述预设拟合模型为随机波动率模型。

可选的，浮动数据获取模块610具体用于建立至少两个预设配置类别，以及各所述预设配置类别对应的取值时间区间；基于各所述预设配置类别对应的取值时间区间获取至少两个预设配置类别的历史浮动数据。

可选的，先验确定模块620包括第一确定单元，第一确定单元用于基于各所述预设配置类别的历史浮动数据确定各所述预设配置类别的期望浮动数据，根据各所述期望浮动数据确定各所述预设配置类别的先验浮动值。

可选的，先验确定模块620还包括第二确定单元，第二确定单元用于基于各所述预设配置类别的历史浮动数据确定各所述预设配置类别之间的联合概率分布信息；根据所述联合概率分布信息计算各所述预设配置类别对应的先验协方差阵。

可选的，第二确定单元具体用于基于各所述预设配置类别的历史浮动数据确定各所述预设配置类别之间的联合概率分布信息；根据所述联合概率分布信息计算各所述预设配置类别之间的相关系数；基于各所述相关系数确定各所述预设配置类别对应的先验协方差阵。

可选的，后验确定模块630具体用于获取各所述预设配置类别的配置参考信息；基于各所述配置参考信息、各所述预设配置类别的先验浮动值、各所述预设配置类别对应的先验协方差阵以及预设后验估计模型，确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵。

可选的，后验确定模块630还用于基于各所述配置参考信息确定预设后验估计模型的似然函数。

可选的，所述预设后验估计模型为Black-litterman模型。

可选的，所述配置信息还包括所述配置比例对应的参考标注信息。

可选的，所述类别配置信息的确定装置还包括用户配置匹配模块，用于获取用户输入的待匹配标注信息；基于所述待匹配标注信息以及至少一种所述配置信息确定所述待匹配标注信息对应的目标配置信息。

可选的，所述用户配置匹配模块具体用于获取用户输入的待匹配标注信息；将所述待匹配标注信息与至少一种所述配置信息中的参考标注信息进行匹配；将与所述待匹配标注信息匹配的参考标注信息对应的配置信息作为目标配置信息。

可选的，所述预设配置模型为均值方差模型。在本实施例中，获取各预设配置类别的历史浮动数据，基于历史浮动数据确定各预设配置类别的先验浮动值和先验协方差阵，根据先验浮动值和先验协方差阵进一步确定后验浮动值和后验协方差阵，以基于后验浮动值、后验协方差阵以及预设配置模型确定至少一种各预设配置类别对应的配置信息。本发明实施例通过各预设配置类别的先验分布确定后验分布，进而基于后验分布得到预设配置类别对应的配置信息，极大提高了配置准确率；并且，实现了各预设配置类别的自动化配置，提高了配置效率。

本发明实施例所提供的类别配置信息的确定装置可执行本发明任意实施例所提供的类别配置信息的确定方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例七

图7是本发明实施例七提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担确定给定类别的配置信息的功能的电子设备。

如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(IndustryStandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(RandomAccess Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储装置34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LocalAreaNetwork，LAN)，广域网WideAreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(RedundantArrays ofIndependent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的类别配置信息的确定方法，包括：

获取至少两个预设配置类别的历史浮动数据；

基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，以及各所述预设配置类别对应的先验协方差阵；

基于各所述预设配置类别的先验浮动值、对应的先验协方差阵确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵；

根据各所述预设配置类别的后验浮动值、各所述预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各所述预设配置类别对应的配置信息，其中，所述配置信息包括各所述预设配置类别的配置比例。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的类别配置信息的确定方法的技术方案。

实施例八

本发明实施例八还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的类别配置信息的确定方法步骤，该方法包括：

获取至少两个预设配置类别的历史浮动数据；

基于各所述历史浮动数据确定各所述预设配置类别的先验浮动值，以及各所述预设配置类别对应的先验协方差阵；

基于各所述预设配置类别的先验浮动值、对应的先验协方差阵确定各所述预设配置类别的后验浮动值以及各所述预设配置类别对应的后验协方差阵；

根据各所述预设配置类别的后验浮动值、各所述预设配置类别对应的后验协方差阵以及预设配置模型，确定至少一种各所述预设配置类别对应的配置信息，其中，所述配置信息包括各所述预设配置类别的配置比例。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。