一种基金定投策略确定方法及装置

摘要

本申请公开了一种基金定投策略确定方法及装置，可应用于人工智能领域以及金融领域，通过获取定投策略信息，根据所述定投策略信息确定定投指标与收益的组合数据；根据所述组合数据利用GA和stacking训练预测模型；结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合；确认所述收益值集合中收益值最高的定投策略为推荐策略。由此，基于系统内的大量历史基金交易数据，融合GA和stacking集成学习，高效推荐基金定投策略，结合用户自身风险承担能力，向用户推荐默认最优收益的投资方案，回显到前端页面，用户可以一键选择默认设置或根据自身偏好进行调整。

说明书

技术领域

本申请涉及计算机技术领域，尤其涉及一种基金定投策略确定方法及装置。

背景技术

传统的基金理财过程中，是通过基金经理人对投资人进行背景资料分析以及财务状况分析制定针对投资人个体的投资风险策略，并根据该策略人工计算并选择符合该投资策略的基金组合推荐给客户。

当前，对于这种传统老式的策略确定方法，投资人在进行基金定投时，通常选择根据实时行情和自身经验自行设置定投策略，这样的方式耗时耗力，且往往由于个人经验值不足产生误判；或者选择一些APP设置好的基金定投项目，选择APP推荐的定投策略，但这类定投策略完全由后台设置好的，数据透明度低，且投资策略不清晰，用户体验差。普通定投模式过于简单，当市场波动较大时，投资人所承担风险较大。

发明内容

有鉴于此，本申请实施例提供了一种基金定投策略确定方法及装置，旨在实现测试依据的高效选取。

第一方面，一种基金定投策略确定方法，包括：

获取定投策略信息，所述定投策略信息用于表示用户选择的定投指标和指标范围，所述定投指标的指标类型包括降低比例指标和提高比例指标；

根据所述定投策略信息确定定投指标与收益的组合数据；

根据所述组合数据利用GA和stacking训练预测模型；

结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合；

确认所述收益值集合中收益值最高的定投策略为推荐策略。

可选的，所述根据所述定投策略信息确定定投指标与收益的组合数据，包括：

获取由用户设置的基础定投金额；

根据所述基础定投金额确定用户选择的定投指标对应的定投策略信息和收益信息；

根据所述定投金额和所述收益信息确定各定投指标与收益的组合数据。

可选的，所述根据所述基础定投金额确定用户选择的定投指标对应的定投金额和收益值，包括：

获取定投指标数量；

响应于所述定投指标数量为1时，根据第一定投指标和第一定投指标的指标范围，获取第一定投比例；

确定所述第一定投比例与所述基础定投金额的乘积为定投金额。

可选的，所述获取定投指标数量之后，还包括：

响应于所述定投指标数量为2时，根据第一定投指标和第一定投指标的指标范围，获取第一定投比例；

根据第二定投指标和第二定投指标的指标范围，获取第二定投比例；

确定所述第一定投比例和所述第二定投比例的平均值为第一实际定投比例；

确定所述第一实际定投比例与所述基础定投金额的乘积为定投金额。

可选的，所述获取定投指标数量之后，还包括：

响应于所述定投指标数量为3时，获取各定投指标的指标类型和定投比例；

响应于其中第二定投指标和第三定投指标为降低比例指标，获取第二定投指标和第三定投指标的平均值为第二实际定投比例；

确定所述第二实际定投比例与所述基础定投金额的乘积为定投金额。

可选的，所述根据所述定投策略信息和所述收益值确定各定投指标与收益的组合数据，包括：

运用数据清洗处理所述定投策略信息和所述收益信息，删除异常信息；

根据定投指标对处理后的定投策略信息和收益信息进行特征提取，获取各定投指标与收益的组合数据。

可选的，所述根据所述组合数据利用GA和stacking训练预测模型，包括：

获取标准化后的训练样本集和测试样本集：

构建Stacking学习器：

将标准化的训练样本集输入到Stacking学习器中使用交叉验证法进行训练，得到训练好的Stacking学习器；

将标准化的测试样本集，输入训练好的Stacking集成分类器进行预测，得到Stacking集成分类器输出的预测结果。

可选的，所述获取标准化后的训练样本集和测试样本集，包括：

选取第二产品各定投策略信息以及各定投策略信息对应的收益值，组成原始训练样本集；选取所述第一产品对应的各定投策略信息以及各定投策略信息对应的收益值，组成原始测试样本集；

基于原始训练样本集和原始测试样本集中的每一个收益值，提取各定投指标为特征,得到由特征向量组成的训练样本集和测试样本集；

将特征提取得到的训练和测试样本集，按列进行标准化，得到标准化后的训练样本集和测试样本集。

可选的，所述确认所述收益值集合中收益值最高的定投策略为推荐策略之后，还包括：

响应于用户应用所述推荐策略，获取所述推荐策略对应的定投策略参数，根据所述定投策略参数生成提示消息。

第二方面，本申请实施例提供了一种基金定投策略确定装置，所述装置包括：

定投策略信息获取模块，用于获取定投策略信息，所述定投策略信息用于表示用户选择的定投指标和指标范围，所述定投指标的指标类型包括降低比例指标和提高比例指标；

组合数据确定模块，用于根据所述定投策略信息确定定投指标与收益的组合数据；

预测模型训练模块，用于根据所述组合数据利用GA和stacking训练预测模型；

收益值集合确定模块，用于结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合；

推荐策略确定模块，用于确认所述收益值集合中收益值最高的定投策略为推荐策略。

本申请实施例提供了一种基金定投策略确定方法及装置。在执行所述方法时，获取定投策略信息，所述定投策略信息用于表示用户选择的定投指标和指标范围，所述定投指标的指标类型包括降低比例指标和提高比例指标；根据所述定投策略信息确定定投指标与收益的组合数据；根据所述组合数据利用GA和stacking训练预测模型；结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合；确认所述收益值集合中收益值最高的定投策略为推荐策略。由此，基于系统内的大量历史基金交易数据，融合GA和stacking集成学习，推荐基金定投策略，结合用户自身风险承担能力，向用户推荐默认最优收益的投资方案，回显到前端页面，用户可以一键选择默认设置或根据自身偏好进行调整。

附图说明

为更清楚地说明本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申请的一些实施例，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为本申请实施例提供的基金定投策略确定的方法的一种方法流程图；

图2为本申请实施例提供的基金定投策略确定的方法的一种方法流程图；

图3为本申请实施例提供的基金定投策略确定的装置的一种结构示意图；

图4为本申请实施例提供的流程概念示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

正如前文所述，根据需求文档，产品功能进行最小测试案例集中的流程性案例编写。根据接口文档进行接口测试案例编写。但是，发明人经过研究发现，现有方案依赖于文档的正确性和案例编写人员对产品的熟悉程度，会出现流程性测试案例中交易链路重复覆盖多次、交易链路遗漏的情况，生成的未必是最优的测试案例集；接口文档正确性以及全面性都可能影响最小集测试案例集中接口测试案例的准确性和全面性。

为了解决这一问题，在执行所述方法时，获取全局流水号，根据所述全局流水号确定交易全景图；根据所述交易全景图确定测试依据。由此，依据交易全景图中的节点和交易链路全景，进行流程性测试案例和接口测试案例的编写，可确保最小案例集的全面性和准确性。根据节点和交易链路的覆盖次数，可确保最小测试案例集的冗余性最低。通过识别全局流水号，记录并生成端到端交易全景图，当节点信息发生变化时，参照端到端交易全景图进行产品范围、产品内部节点范围以及端到端交易全景的圈定，给测试分析提供可靠的测试依据，避免测试遗漏，提升产品质量。

本申请实施例提供的方法由银行后台系统执行，例如可以由银行后台服务器执行。所述银行后台服务器可以是一台服务器设备，也可以是由多台服务器组成的服务器集群。

以下通过一个实施例，对本申请提供的基金定投策略确定方法进行说明。请参考图1，图1为本申请实施例所提供的基金定投策略确定方法的一种方法流程图，包括：

S101：获取定投策略信息。

定投策略信息用于表示用户选择的定投指标和指标范围，定投指标的指标类型包括降低比例指标和提高比例指标。

当用户选择某一基金产品，可以根据用户需求以及个人需求自定义定投规则，当前用户根据该产品定义出的定投规则信息即为定投策略信息。

在实际应用场景中，用户可以选择对于该产品的定投周期，分为每日、每周、每两周、每月、每季度等，并且用户可以根据个人需求设定某个特定日期进行定投。

S102：根据所述定投策略信息确定定投指标与收益的组合数据。

根据上述定投策略信息确定定投指标和收益值的组合数据，将数据进行统一的转化加载操作，并进行特征提取，构建成组合数据，组合数据即定投指标与收益值的组合形式，为定投指标-收益的呈现形式，例如，定投周期-收益、定投金额-收益、与同类产品均值差异-收益、基金近期波动-收益等特征工程以及组合特征工程，之后将数据加载到数据仓库中。

S103：根据所述组合数据利用GA和stacking训练预测模型。

融合GA和stacking进行模型训练，将训练好的模型，结合用户所选产品近期的同类产品均值差异等指标，预测不同定投策略下该产品的近期收益情况，选择其中预测收益最高的定投策略S向用户进行推荐。

Stacking是一种分层模型集成框架。以两层为例，首先将数据集分成训练集和测试集，利用训练集训练得到多个初级学习器，然后用初级学习器对测试集进行预测，并将输出值作为下一阶段训练的输入值，最终的标签作为输出值，用于训练次级学习器(通常最后一级使用Logistic回归)。由于两次所使用的训练数据不同，因此可以在一定程度上防止过拟合。GA遗传算法，具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出。

关于本申请中的预测模型构建以及训练过程，可以通过以下方式实现：获取标准化后的训练样本集和测试样本集；构建Stacking学习器：将标准化的训练样本集输入到Stacking学习器中使用交叉验证法进行训练，得到训练好的Stacking学习器；将标准化的测试样本集，输入训练好的Stacking集成分类器进行预测，得到Stacking集成分类器输出的预测结果。

具体的，选取第二产品各定投策略信息以及各定投策略信息对应的收益值，组成原始训练样本集；选取所述第一产品对应的各定投策略信息以及各定投策略信息对应的收益值，组成原始测试样本集。基于原始训练样本集和原始测试样本集中的每一个收益值，提取各定投指标为特征,得到由特征向量组成的训练样本集和测试样本集；将特征提取得到的训练和测试样本集，按列进行标准化，得到标准化后的训练样本集和测试样本集。

在应用中，系统获取标准化后的训练样本集和测试样本集，因Stacking为一种分层模型集成框架。以两层为例，首先将数据集分成训练集和测试集，利用训练集训练得到多个初级学习器，然后用初级学习器对测试集进行预测。

构建Stacking学习器，将标准化的训练样本集输入到Stacking学习器中使用交叉验证法进行训练，得到训练好的Stacking学习器。将标准化的测试样本集，输入训练好的Stacking集成分类器进行预测，得到Stacking集成分类器输出的预测结果。

S104：结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合。

将训练好的模型，结合用户所选产品近期的同类产品均值差异等指标，预测不同定投策略下该产品的近期收益情况，选择其中预测收益最高的定投策略S向用户进行推荐，后续新用户或存量用户选择新产品进行投资时，系统会自动推荐当前该产品的定投策略S作为默认选项，包括定投周期、定投金额、定投比例等参数，并回填到定投方案设置页面，用户在交易前可以选择使用默认选项作为定投方案，或者根据自身情况进行修改。

S105：确认所述收益值集合中收益值最高的定投策略为推荐策略。

在实际应用场景中，当用户应用系统推荐的策略，系统获取所述推荐策略对应的定投策略参数，根据所述定投策略参数生成提示消息。

下面对本申请实施例提供的基金定投策略确定方法进行详细介绍。参见图2所示，图2为本申请实施例提供的基金定投策略确定方法的另一种流程示意图。其具体过程如下：

S201：获取定投策略信息。

定投策略信息用于表示用户选择的定投指标和指标范围，所述定投指标的指标类型包括降低比例指标和提高比例指标。

S202：获取由用户设置的基础定投金额。

用户选择某一基金，自定义定投规则。用户选择定投周期，分为每日、每周、每两周、每月、每季度；用户设置基础定投金额x。

S203：获取定投指标数量。

用户可以根据个人习惯选择其中一个或多个指标进行设置。

响应于所述定投指标数量为1时，执行步骤S204；

响应于所述定投指标数量为2时，执行步骤S206；

响应于所述定投指标数量为3时，执行步骤S210。

在一些可能实现的实施方式中，对定投指标数量的数量概括描述为用户选择某一基金，自定义定投规则。用户选择定投周期，分为每日、每周、每两周、每月、每季度；用户设置基础定投金额x；接下来用户选择定投方案。

设置定投方案时可选指标有：本基金产品收益率、与同类产品均值差异、与参考指数历史均值差异等，用户可以根据个人习惯选择其中一个或多个指标进行设置；在设置定投方案时用户还需要设置指标范围，和定投比例w；当用户同时选择多个指标时，在设置多指标的情况下，当出现某些指标对应定投比例w1>1，某些指标对应定投比例w2<1时，若用户设置的指标数量为奇数，则以大于1/2的指标权重趋势取平均，若是偶数，则直接对定投比例取平均；最后，用户可以选择将该定投方案应用到当前基金，指定的多个基金或当前持有的全部基金。

S204：根据第一定投指标和第一定投指标的指标范围，获取第一定投比例。

假设下一定投日期为T日，用户选择指标--本基金产品的收益率，在T日前的时间段t1内，该基金收益率达到n1％-n2％时，定投比例为w1。

S205：确定所述第一定投比例与所述基础定投金额的乘积为定投金额。

定投金额为基础定投金额和定投比例的乘积，即x*w1。

执行步骤S213。

S206：根据第一定投指标和第一定投指标的指标范围，获取第一定投比例。

用户同时可以选择其它指标，以上述步骤为基础举例，该基金收益率达到n1％-n2％(第一定投指标的指标范围)时，定投比例为w1(第一定投比例)。

S207：根据第二定投指标和第二定投指标的指标范围，获取第二定投比例。

在T日前的时间段t2内，该基金与同类产品均值差异的范围达到m1％-m2％(第二定投指标的指标范围)时，设置一个定投比例w2(第二定投比例)。

S208：确定所述第一定投比例和所述第二定投比例的平均值为第一实际定投比例。

在T-1日，计算得到w1>1，w2<1，则实际定投比例w＝(w1+w2)/2。

S209：确定所述第一实际定投比例与所述基础定投金额的乘积为定投金额。

乘积为定投金额，在本示例中即为x*w2。执行步骤S213。

S210：获取各定投指标的指标类型和定投比例。

获取三个定投指标的类型以及比例。

S211：响应于其中第二定投指标和第三定投指标为降低比例指标，获取第二定投指标和第三定投指标的平均值为第二实际定投比例；

在T日前的时间段t3内，该基金与参考指数历史均值差异的范围达到k1％-k2％时，设置一个定投比例w3，则定投金额为x*w3。

在T-1日，计算得到w1>1，w2<1，w3<1,由于指标2和指标3都倾向于降低投资比例，得到实际定投比例w＝(w2+w3)/2，定投金额为x*w；

若得到的x*w<＝最低投资金额，则实际定投金额为最低投资金额，若x*w>＝最高投资金额，则实际定投金额为最高投资金额。

S212：确定所述第二实际定投比例与所述基础定投金额的乘积为定投金额。执行步骤S213。

S213：运用数据清洗处理所述定投策略信息和所述收益信息，删除异常信息。

针对收集到的用户投资策略和收益等数据，由于原始数据通常存在噪声，格式化不佳，没有办法直接进行数据挖掘和处理，为了提高数据的质量，保证预测准确性，需要对采集到的原始数据进行预处理。首先通过数据清洗处理收集到数据中的异常值、缺失值、逻辑错误值等。将数据进行统一的转化加载操作，并进行特征提取，构建定投周期-收益、定投金额-收益、与同类产品均值差异-收益、基金近期波动-收益等特征工程以及组合特征工程，之后将数据加载到数据仓库中。

S214：根据定投指标对处理后的定投策略信息和收益信息进行特征提取，获取各定投指标与收益的组合数据。

将数据进行统一的转化加载操作，并进行特征提取，构建定投周期-收益、定投金额-收益、与同类产品均值差异-收益、基金近期波动-收益等特征工程以及组合特征工程，之后将数据加载到数据仓库中。

S215：根据所述组合数据利用GA和stacking训练预测模型；

训练步骤在实施例一中已进行描述，在此不做赘述。

S216：结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合。

将训练好的模型，结合用户所选产品近期的同类产品均值差异等指标，预测不同定投策略下该产品的近期收益情况。

S217：确认所述收益值集合中收益值最高的定投策略为推荐策略。

选择其中预测收益最高的定投策略S向用户进行推荐，后续新用户或存量用户选择新产品进行投资时，系统会自动推荐当前该产品的定投策略S作为默认选项。

在实际应用场景中，用户在交易前可以选择使用默认选项作为定投方案，或者根据自身情况进行修改。

请参考图3，图3为本申请实施例所提供的一种基金定投策略确定装置的结构示意图。

本实施例中，该装置可以包括：

定投策略信息获取模块，用于获取定投策略信息，所述定投策略信息用于表示用户选择的定投指标和指标范围，所述定投指标的指标类型包括降低比例指标和提高比例指标；

组合数据确定模块，用于根据所述定投策略信息确定定投指标与收益的组合数据；

预测模型训练模块，用于根据所述组合数据利用GA和stacking训练预测模型；

收益值集合确定模块，用于结合所述预测模型和同类产品均值差异预测不同定投策略下，第一产品对应的收益值集合；

推荐策略确定模块，用于确认所述收益值集合中收益值最高的定投策略为推荐策略。

可选的，所述组合数据确定模块包括：

基础定投金额获取模块，用于获取由用户设置的基础定投金额；

定投策略信息和收益信息确定模块，用于根据所述基础定投金额确定用户选择的定投指标对应的定投策略信息和收益信息；

组合数据确定模块，用于根据所述定投金额和所述收益信息确定各定投指标与收益的组合数据。

可选的，所述装置还包括：

第一定投比例获取模块，用于响应于所述定投指标数量为2时，根据第一定投指标和第一定投指标的指标范围，获取第一定投比例；

第二定投比例获取模块，用于根据第二定投指标和第二定投指标的指标范围，获取第二定投比例；

第一实际定投比例确定模块，用于确定所述第一定投比例和所述第二定投比例的平均值为第一实际定投比例；

第一定投金额确定模块，用于确定所述第一实际定投比例与所述基础定投金额的乘积为定投金额。

可选的，所述装置还包括：

指标获取模块，用于响应于所述定投指标数量为3时，获取各定投指标的指标类型和定投比例；

第二实际定投比例确定模块，用于响应于其中第二定投指标和第三定投指标为降低比例指标，获取第二定投指标和第三定投指标的平均值为第二实际定投比例；

第二定投金额确定模块，用于确定所述第二实际定投比例与所述基础定投金额的乘积为定投金额。

可选的，所述预测模型训练模块，包括：

样本获取模块，用于获取标准化后的训练样本集和测试样本集：

学习期构建模块，用于构建Stacking学习器：

学习期训练模块，用于将标准化的训练样本集输入到Stacking学习器中使用交叉验证法进行训练，得到训练好的Stacking学习器；

预测结果获取模块，用于将标准化的测试样本集，输入训练好的Stacking集成分类器进行预测，得到Stacking集成分类器输出的预测结果。

可选的，所述装置还包括：

提示消息生成模块，用于响应于用户应用所述推荐策略，获取所述推荐策略对应的定投策略参数，根据所述定投策略参数生成提示消息。

需要说明的是，本发明提供的一种基金定投策略确定方法及装置可用于人工智能领域以及金融领域。上述仅为示例，并不对本发明提供的一种基金定投策略确定方法及装置的应用领域进行限定。

以上对本申请所提供的一种基金定投策略确定方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，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。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。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。