一种基于区块链智能合约的动态智能投顾方法及相关装置

摘要

本申请提供了一种基于区块链智能合约的动态智能投顾方法及相关装置，基于智能投顾区块链的智能合约提供模型计算图，并根据所述模型计算图判断本地数据的真实性；通过所述智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对所述模型训练图进行训练；基于所述模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据所述用户个性化风险偏好定制个性化资产配置方案；根据所述智能合约生成基于所述个性化资产配置方案的动态投顾策略。通过本申请方案的实施，能够解决智能投顾无法根据市场的变化进行有效的动态调整以及如何进行有效的用户画像描述的问题，有效降低投资中的风险。

说明书

技术领域

本申请涉及电子技术领域，尤其涉及一种基于区块链智能合约的动态智能投顾方法及相关装置。

背景技术

智能投顾主要进行资产配置与再平衡。大类资产配置：根据用户个性化的风险偏好结合投资模型定制个性化的资产配置方案，投资组合选择：投资组合选择是依据大类资产配置，并对市场的投资产品进行分析，形成最终的资产组合，智能算法可以辅助投资策略生成以及量化投资策略。投资组合再平衡：组合再平衡主要是指随着外界的变化，进行实时分析和调整。如果资产投资配置偏离目标资产配置过大，投资组合再平衡可以实施动态资产配置向静态资产配置的重新调整。在此，金融市场讯息万变，如何根据市场的变化进行有效的动态调整也是极具挑战性的。

此外，智能投顾需要算出用户的风险偏好。用户的基本信息：年龄、收入、支出、职业、性格特点等等，然后根据用户给出的问题答案，智能投顾会画出一张用户的风险偏好图，目的是将用户归入风险档案(偏风险，中风险，厌风险等等)投资者的所谓风险偏好(risk appetite)并不是一成不变的，并无稳定性和一致性。风险偏好受经济环境的影响，风险偏好取决于财富的来源，取决于风险是如何被描述的。每个人或者每个家庭的情况都不一样，很难用简单的几个问题就把投资者的实际情况搞清楚。由此，如何进行有效的用户的信息提取与关联性分析，并由此进行有效的用户画像描述目前任然是有待解决与不断改进的问题。

发明内容

本申请实施例提供了一种基于区块链智能合约的动态智能投顾方法及相关装置，至少能够解决相关技中智能投顾如何根据市场的变化进行有效的动态调整以及如何进行有效的用户画像描述的问题。

本申请实施例第一方面提供了一种动态智能投顾方法，包括：

基于智能投顾区块链的智能合约提供模型计算图，并根据所述模型计算图判断本地数据的真实性；

通过所述智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对所述模型训练图进行训练；

基于所述模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据所述用户个性化风险偏好定制个性化资产配置方案；

根据所述智能合约生成基于所述个性化资产配置方案的动态投顾策略。

本申请实施例第二方面提供了一种动态智能投顾装置，包括：

判断模块，用于基于智能投顾区块链的智能合约提供模型计算图，并根据所述模型计算图判断本地数据的真实性；

训练模块，用于通过所述智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对所述模型训练图进行训练；

定制模块，用于基于所述模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据所述用户个性化风险偏好定制个性化资产配置方案；

生成模块，用于根据所述智能合约生成基于所述个性化资产配置方案的动态投顾策略。

本申请实施例第三方面提供了一种电子设备，其特征在于，包括存储器及处理器，其中，所述处理器用于执行存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时上述本申请实施例第一方面提供的动态智能投顾方法中的各步骤。

本申请实施例第四方面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，实现上述本申请实施例第一方面提供的动态智能投顾方法中的各步骤。

由上可见，根据本申请方案所提供的动态智能投顾方法及相关装置，基于智能投顾区块链的智能合约提供模型计算图，并根据所述模型计算图判断本地数据的真实性；通过所述智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对所述模型训练图进行训练；基于所述模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据所述用户个性化风险偏好定制个性化资产配置方案；根据所述智能合约生成基于所述个性化资产配置方案的动态投顾策略。通过本申请方案的实施，通过联邦学习的大数据处理，做出有效的用户的信息与用户画像描述，分析用户个性化的风险偏好及其变化规律，并根据用户个性化的风险偏好结合投资标的定制个性化的资产配置方案，根据区块链的智能合约进行有针对性的动态的再投顾策略，能够有效降低投资中的风险。

附图说明

图1为本申请第一实施例提供的区块链智能合约的机器学习模型训练示意图；

图2为本申请第一实施例提供的动态智能投顾方法的基本流程示意图；

图3为本申请第一实施例提供的智能投顾策略动态调整示意图；

图4为本申请第一实施例提供的智能合约运行机制示意图；

图5为本申请第二实施例提供的应用于动态智能投顾系统的动态智能投顾方法的细化流程示意图；

图6为本申请第三实施例提供的动态智能投顾装置的程序模块示意图；

图7为本申请第四实施例提供的电子设备的结构示意图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

为了解决相关技术中智能投顾如何根据市场的变化进行有效的动态调整以及如何进行有效的用户画像描述的问题，如图1区块链智能合约的机器学习模型训练示意图所示，本申请第一实施例提供了一种动态智能投顾方法，如图2为本实施例提供的动态智能投顾方法的基本流程图，该动态智能投顾方法包括以下的步骤：

步骤201、基于智能投顾区块链的智能合约提供模型计算图，并根据模型计算图判断本地数据的真实性。

具体的，区块链的设计目的是让所有节点共同参与维护公共数据账本的系统，让数据账本公开透明。区块链的基础架构可以分成六层。区块链系统一般由数据层、网络层、共识层、激励层、合约层和应用层组成。数据层用于构建数据区块，对数据进行加密签名，增加时间戳；网络层包括分布式对等网络，用于节点间的通信和数据验证；共识层实现各类共识算法；激励层主要用于制定相应的激励机制，在联盟链和私有链中并不需要，因为激励在系统外就已经确认；合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；应用层则是基于区块链技术的各类应用。在本实施例中，通过智能投顾区块链的智能合约提供指定模型计算图，模型计算图通过测试本地数据的数据集，其中，本地数据包括用户信息以及区块链上其他相关信息，提高本地数据的准确性。

在本实施例一种可选的实施方式中，基于智能投顾区块链的智能合约提供模型计算图的步骤，包括：基于智能投顾区块链部署任务管理智能合约；针对用户信息的联邦迁移学习，根据任务管理智能合约生成发布任务智能合约通过发布任务智能合约提供模型计算图。

具体的，在本实施例中，在智能投顾区块链平台上部署一个任务管理智能合约，该任务管理智能合约采用工厂合约模式，提供标准化的API接口。在智能投顾区块链上，针对用户信息的联邦迁移学习可以调用任务管理智能合约，生成一个具体的发布任务智能合约，该发布任务智能合约用于提供模型计算图，并向各参与节点发布基于机器学习模型计算图计算各参与节点对应用户信息的计算任务。

应当说明的是，联邦学习在特征对齐的情况下，以智能合约的形式发布共享机器学习纵向联邦学习以及横向联邦学习，在特征不对齐的情况下，通过加密参数信息进行迁移学习，其中包括基于特征的迁移以及基于关系的迁移。基于特征的迁移学习：训练数据的输入就对应一个原始输入空间，比如，一则新闻的原始输入空间就是由许多词构成的空间。这导致的一个问题是，已有知识所在的原始输入空间可能与要解决的新任务的原始输入空间并不重叠，阻碍了知识的直接复用。这时，基于特征的迁移就学习一个抽象的特征空间，使得已有知识可以通过这个抽象的特征空间方便地迁移到新任务上。可以将此看作学习一种通用的特征表示，在各个任务之间都可以转换。基于关系的迁移学习：不独立地看待样本，而是考虑样本之间的关系。机器学习中与其对应的概念就是样本之间不再是独立同分布的，小样本学习是解决训练样本严重不足或者收集训练样本的代价高昂等问题的有效工具，实际上是在向人类可以通过很少的例子学习一个新概念的能力迈进。虽然随着信息技术的发展，产生了大量的数据，但是特定领域仍然面临数据短缺的问题，这对机器学习来说是很难解决的。从20世纪90年代的孪生网络到近期的贝叶斯概率方法，研究者仍在持续探索和研究这个领域。

在本实施例中，通过双冷启动推荐处理基于关系的迁移学习，尽管在线上活动领域中没有关于冷启动用户和冷启动物品的用户行为，但也可能存在其他相关领域的用户行为。具体来说，我们利用了相关领域(即历史线上活动领域)的一些知识，其中用户的历史线上活动的交易行为在该领域可用，在历史线上活动领域中有一个三元组，即(u，g，Gug)，表示用户u已经进行了属于类型g的线上活动Gug次。然后，历史线上活动领域的数据可以表示为用户类型矩阵G，如图3双冷启动推荐的NTL方法所示，在线上活动领域，有一个用户物品矩阵R表示用户已经交易过的物品，每个物品i与一个一级类别c1(i)∈l1和一个二级类别c2(i)∈l2相关。因此有一个四元组集合，即(u，i，c1(i)，c2(i))，表示用户u已交易过属于c1(i)和c2(i)的物品i。在预处理之后，可以得到一个用户类别矩阵C，其中每个条目表示属于某个用户已读类别的物品数。

在推荐方法中，用户用户(或物品物品)相似性是一个核心概念，因为邻域的构建可以用于志同道合的用户的偏好聚合，然后用于目标用户的偏好预测。用户u对物品i的偏好预测公式的数学形式为：

其中，Nu表示用户u的一组最近邻，用余弦相似度等进行度量。

在历史线上活动领域中冷启动用户u和热启动用户u'之间的相似度：

其中Gu·是用户类型矩阵G中关于用户u的行向量。一旦我们计算了余弦相似度，则对于每个冷启动用户u，我们首先删除具有较小相似度值的用户(例如Su，u'＜0.1)，然后取最相似的用户来构造邻域Nu。

通过类别级偏好来近似物品级偏好：

进一步的，在本实施例一种可选的实施方式中，根据模型计算图判断本地数据的真实性的步骤，包括：根据模型计算图将本地数据转化为第一哈希值并存储在发布任务智能合约中；通过发布任务智能合约提供本地数据的原始文件的下载路径；将根据下载路径下载得到的原始文件对应的第二哈希值与第一哈希值进行比对，判断本地数据的真实性。

具体的，在本实施例中，考虑到智能合约不合适存储较大文件，其中数据文件将存储在中心化或去中心化文件系统中，本地数据的测试数据集大文件将只在发布任务智能合约里存储一个哈希值，同时发布任务智能合约存储文件下载路径供参与者下载原始文件，用户可以将下载的原始文件哈希值与从智能合约获取的哈希值进行比对，确认数据没有被纂改。区块链具有去中心化、去信任、时间戳等特征的区块链技术作为平台架构的底层技术，使得所有的相关信息公开透明、不可被篡改，大大降低了操作风险及信用风险的发生，使线上信息共享更加安全。

步骤202、通过智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对模型训练图进行训练。

具体的，在本实施例中，发布任务智能合约提供机器学习模型训练图的下载路径，在机器学习模型计算图计算出真实的本地数据之后，通过联邦学习基于真实的本地数据对机器学习模型训练图进行训练，根据训练结果，应用智能合约的分布式信息共享平台以及系统可以建立用户的金融信息和数据的知识图谱，并可由此进行智能投顾的数据分析的共享以及结果导向的经验共享。

在本实施例一种可选的实施方式中，采用真实的本地数据对模型训练图进行训练的步骤之后，还包括：将各参与节点训练的梯度结果上传至智能合约的指定存储位置；通过指定存储位置共享梯度结果中的梯度数据。

具体的，在本实施例中，其中，梯度数据为模型训练图的训练结果，各个节点可以将训练的梯度结果上传到智能合约指定的一个存储位置，通过这种方式，各个节点可以共享训练结果，这可以达到两个作用：一是避免参与者上传原始数据，只需上传梯度数据，并且各个参与者上传的梯度数据无法区分，这可以保护用户的数据隐私；二是各个节点可以通过该方式共享训练的中间梯度数据，提升模型训练准确度，加速训练速度。

应当说明的是，在构建模型的过程中应用差分隐私进行隐私保护，在数据中加入一些差分隐私来保护参与方的隐私。它可以用于建模的各个环节，比如在参与方数据收集的过程中加入，也可以在建模的过程中，比如梯度计算，模型参数中加入差分隐私噪声，还可以在预估结果中加入噪声。

步骤203、基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案。

具体的，在实际应用中，智能投顾需要算出用户的风险偏好。用户基本信息包括：年龄、收入、支出、职业以及性格特点等等，然后根据用户给出的问题答案，智能投顾会画出一张用户的风险偏好图，目的是将用户归入风险档案(偏风险、中风险、厌风险等等)投资者的所谓风险偏好(risk appetite)并不是一成不变的，并无稳定性和一致性。风险偏好受经济环境的影响，风险偏好取决于财富的来源，取决于风险是如何被描述的。每个人或者每个家庭的情况都不一样，很难用简单的几个问题就把投资者的实际情况搞清楚。在本实施例中，通过联邦学习的模式，在保护用户的隐私信息的前提下，通过联邦学习的大数据处理，做出有效的客户的信息与客户画像描述，分析用户个性化的风险偏好及其变化规律，并根据用户个性化的风险偏好结合投资标的定制个性化的资产配置方案。

在本实施例一种可选的实施方式中，基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案的步骤，包括：基于梯度数据，通过联邦学习描述用户信息以及用户画像；根据用户信息以及用户画像分析用户个性化风险偏好；根据用户个性化风险偏好结合投资标的定制个性化资产配置方案。

具体的，在本实施例中，用户画像为对用户行为分析的标签化数字描述，对于模型训练图的训练数据，在经过联邦学习的数据处理之后，分析处有效的用户信息以及对用户画像进行有效描述，通过描述的用户画像结合用户信息分析出与用户最贴合的个性化风险偏好，再将用户个性化风险偏好与投资标的结合定制出资产配置方案，其中，投资标的指的是在投资实施过程中，将表现为活劳动和物化劳动的投资加于其上的建设项目。简而言之，投资标的就是投资对象，投资标的可以是股票市场、黄金市场、债券市场等金融市场，也可以是存款、央行票据等金融产品，还可以是其他产品。

步骤204、根据智能合约生成基于个性化资产配置方案的动态投顾策略。

具体的，在本实施例中，通过区块链智能合约进行，动态投资策略的智能投顾系统：针对金融市场的大类资产价格，波动率等信息的动态变化，通过区块链的智能合约进行有针对性的，动态的再投资策略的平台系统。

在本实施例一种可选的实施方式中，根据智能合约生成基于个性化资产配置方案的动态投顾策略的步骤之后，还包括：当金融大类资产的相关数据变化时，通过智能合约的可编程文件将变化数据实时存储在区块链线上系统；当变化数据触发智能合约的动态配置条件时，根据相关数据的动态变化生成具有针对性的动态再投顾策略。

具体的，在本实施例中，如图3所示，为本申请实施例所提供的智能投顾策略动态调整示意图，当金融大类资产的价格数据等数据变化时，数据实时通过智能合约的可编程文件存储在区块链线上系统，当扳机事件触发了所在智能合约的动态配置的条件时，比如资产价格达到一定的数据变化，波动率数据达到一定的变化，动态智能投顾系统会捕捉相应的变化，并将影响智能投顾策略的市场因素进行处理，并根据动态配置生成相应的智能合约，同时，智能管理智能合约会将新生成的智能合约通知给相关参与节点，该新生成的智能合约会再次根据用户个性化风险偏好，有针对性的生成动态再投顾策略，当市场变化再次达到动态配置条件时，根据动态配置后的智能合约结合上一次的动态投顾策略生成动态再投顾策略，如此反复，形成闭环的动态智能投顾网络。

进一步的，在本实施例一种可选的实施方式中，根据相关数据的动态变化生成具有针对性的动态再投顾策略的步骤之后，还包括：若与动态投顾策略对应的交易都完成，则对与动态投顾策略对应的智能合约的状态进行完成标记，并注销智能合约；若与动态投顾策略对应的交易未完成，则根据与动态再投顾策略对应的智能合约，在智能投顾区块链生成新区块时按照动态再投顾策略继续执行交易。

具体的，在本实施例中，当扳机事件触发了所在智能合约的动态配置的条件时，智能投顾区块链会自动生成新数据区块，并在新数据区块中根据智能合约更改动态投顾策略，在动态投顾策略发生更改时，若动态配置的智能合约的所有未来交易都已经完成，则将合约的状态标记为完成，并将完结并从区块中终结其智能合约。若未来交易尚未完全结束，则将继续在下次区块生成时进行验证，整体智能投顾的动态配置变化将通过统一的标识由各个节点扩散并存入区块链，用户的账户以及合同被以代码的形式写入区块链，其中的个体是匿名的，但合同记录在链条之中。

应当说明的是，通过区块链智能合约进行有效地动态配置。智能合约的构建与执行：每个智能合约所包含的条件，协议金额与现金流走向，触发条件等等，将由区块链上进行检验。如图4所示，为本申请实施例提供的智能合约运行机制示意图，智能合约具有值和状态两个属性，例如智能合约用If-Then和What-If等语句预置了合约条款的相应触发场景和响应规则，交易验证有效后被打包进新数据区块，新区块经共识算法认证后链接到区块链主链，所有更新生效过程包括两个部分：包装：应用程序验证背书节点，确认所收到的交易提议一致，将交易提交给节点，形成数据区块后将数据区块广播给所有与之相连节点。验证：节点逐一验证数据区块中的交易，确保交易严格依照事先确定的背书策略由所有对应的组织签名背书。验证通过后，所有Peer节点将新的数据区块添加至当前区块链的末端，更新账本。

基于上述申请的实施例方案，基于智能投顾区块链的智能合约提供模型计算图，并根据模型计算图判断本地数据的真实性；通过智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对模型训练图进行训练；基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案；根据智能合约生成基于个性化资产配置方案的动态投顾策略。通过本申请方案的实施，通过联邦学习的大数据处理，做出有效的用户的信息与用户画像描述，分析用户个性化的风险偏好及其变化规律，并根据用户个性化的风险偏好结合投资标的定制个性化的资产配置方案，根据区块链的智能合约进行有针对性的动态的再投顾策略，能够有效降低投资中的风险。

图5中的方法为本申请第二实施例提供的一种细化的动态智能投顾方法，该动态智能投顾方法包括：

步骤501、基于智能投顾区块链部署任务管理智能合约。

步骤502、针对用户信息的联邦迁移学习，根据任务管理智能合约生成发布任务智能合约。

步骤503、根据发布任务智能合约提供的模型计算图计算的本地数据对模型训练图进行训练。

步骤504、基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案。

步骤505、根据智能合约生成基于个性化资产配置方案的动态投顾策略。

步骤506、当金融大类资产的相关数据变化时，通过智能合约的可编程文件将变化数据实时存储在区块链线上系统。

步骤507、当变化数据触发智能合约的动态配置条件时，根据相关数据的动态变化生成具有针对性的动态再投顾策略。

根据本申请方案所提供的动态智能投顾方法，基于智能投顾区块链部署任务管理智能合约；针对用户信息的联邦迁移学习，根据任务管理智能合约生成发布任务智能合约；根据发布任务智能合约提供的模型计算图计算的本地数据对模型训练图进行训练；基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案；根据智能合约生成基于个性化资产配置方案的动态投顾策略；当金融大类资产的相关数据变化时，通过智能合约的可编程文件将变化数据实时存储在区块链线上系统；当变化数据触发智能合约的动态配置条件时，根据相关数据的动态变化生成具有针对性的动态再投顾策略。通过本申请方案的实施，能够解决智能投顾无法根据市场的变化进行有效的动态调整，有效降低投资中的风险。

图6为本申请第三实施例提供的一种动态智能投顾装置，该动态智能投顾装置可用于实现前述实施例中的动态智能投顾方法。如图6所示，该动态智能投顾装置主要包括：

判断模块601，用于基于智能投顾区块链的智能合约提供模型计算图，并根据模型计算图判断本地数据的真实性；

训练模块602，用于通过智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对模型训练图进行训练；

定制模块603，用于基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案；

生成模块604，用于根据智能合约生成基于个性化资产配置方案的动态投顾策略。

在本实施例一种可选的实施方式中，判断模块在执行上述基于智能投顾区块链的智能合约提供模型计算图的功能时，具体用于：基于智能投顾区块链部署任务管理智能合约；针对用户信息的联邦迁移学习，根据任务管理智能合约生成发布任务智能合约；通过发布任务智能合约提供模型计算图。

进一步的，在本实施例一种可选的实施方式中，判断模块在执行上述根据模型计算图判断本地数据的真实性的功能时，具体用于：根据模型计算图将本地数据转化为第一哈希值并存储在发布任务智能合约中；通过发布任务智能合约提供本地数据的原始文件的下载路径；将根据下载路径下载得到的原始文件对应的第二哈希值与第一哈希值进行比对，判断本地数据的真实性。

在本实施例一种可选的实施方式中，该动态智能投顾装置还包括：上传模块、共享模块。上传模块用于：将各参与节点训练的梯度结果上传至智能合约的指定存储位置。共享模块用于：通过指定存储位置共享梯度结果中的梯度数据；其中，梯度数据为模型训练图的训练结果。

进一步的，在本实施例一种可选的实施方式中，定制模块具体用于：基于梯度数据，通过联邦学习描述用户信息以及用户画像；其中，用户画像为对用户行为分析的标签化数字描述；根据用户信息以及用户画像分析用户个性化风险偏好；根据用户个性化风险偏好结合投资标的定制个性化资产配置方案。

在本实施例一种可选的实施方式中，该动态智能投顾装置还包括：存储模块。存储模块用于：当金融大类资产的相关数据变化时，通过智能合约的可编程文件将变化数据实时存储在区块链线上系统。生成模块还用于：当变化数据触发智能合约的动态配置条件时，根据相关数据的动态变化生成具有针对性的动态再投顾策略。

进一步的，在本实施例一种可选的实施方式中，该动态智能投顾装置还包括：标记模块。标记模块用于：若与动态投顾策略对应的交易都完成，则对与动态投顾策略对应的智能合约的状态进行完成标记，并注销智能合约。生成模块还用于：若与动态投顾策略对应的交易未完成，则根据与动态再投顾策略对应的智能合约，在智能投顾区块链生成新区块时按照动态再投顾策略继续执行交易。

根据本申请方案所提供的动态智能投顾装置，基于智能投顾区块链的智能合约提供模型计算图，并根据模型计算图判断本地数据的真实性；通过智能投顾区块链的各参与节点下载模型训练图，并采用真实的本地数据对模型训练图进行训练；基于模型训练图的训练结果，通过联邦学习分析用户个性化风险偏好，并根据用户个性化风险偏好定制个性化资产配置方案；根据智能合约生成基于个性化资产配置方案的动态投顾策略。通过本申请方案的实施，通过联邦学习的大数据处理，做出有效的用户的信息与用户画像描述，分析用户个性化的风险偏好及其变化规律，并根据用户个性化的风险偏好结合投资标的定制个性化的资产配置方案，根据区块链的智能合约进行有针对性的动态的再投顾策略，能够有效降低投资中的风险。

图7为本申请第四实施例提供的一种电子设备。该电子设备可用于实现前述实施例中的动态智能投顾方法，主要包括：

存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序703，存储器701和处理器702通过通信连接。处理器702执行该计算机程序703时，实现前述实施例中的动态智能投顾方法。其中，处理器的数量可以是一个或多个。

存储器701可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器701用于存储可执行程序代码，处理器702与存储器701耦合。

进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子设备中，该计算机可读存储介质可以是前述图7所示实施例中的存储器。

该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述实施例中的动态智能投顾方法。进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块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，本申请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全部或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可读存储介质中，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，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本申请所提供的动态智能投顾方法及相关装置，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。