金融产品投资策略的确定方法、装置、处理器及电子设备与流程

1.本技术涉及金融科技领域，具体而言，涉及一种金融产品投资策略的确定方法、装置、处理器及电子设备。


背景技术：

2.随着互联网的普及和社交媒体的发展，网络上的信息量不断增加，其中也包含了大量关于市场、企业和投资的信息，由于这些信息在很大程度上影响了投资者的决策过程。相关技术中，为投资者提供信息支持的方法大多基于对一定数量的投资信息的词汇、句法和语法进行分析，进而根据分析结果提供投资建议，尽管该方法在一定程度上能够满足对于投资信息的分析需求，但当面对多样化和时效性强的投资信息时，仍存在局限性。
3.针对相关技术中根据投资信息调整投资策略准确度低的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术的主要目的在于提供一种金融产品投资策略的确定方法、装置、处理器及电子设备，以解决相关技术中根据投资信息调整投资策略准确度低的问题。
5.为了实现上述目的，根据本技术的一个方面，提供了一种金融产品投资策略的确定方法。该方法包括：从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数；根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略。
6.可选地，二分类模型为支持向量机模型，二分类模型通过以下方式训练得到：获取预设核函数，根据预设核函数确定预设支持向量机模型；通过m1组第一样本数据训练预设支持向量机模型，得到初始支持向量机模型，其中，m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及m1个历史金融产品的情感数据构成，m1为正整数；通过m2组第二样本数据对初始支持向量机模型进行测试，并根据网格搜索算法以及交叉验证法对测试后的初始支持向量机模型进行参数调整，得到支持向量机模型，其中，m2组第二样本数据由m2个历史金融产品的投资信息的特征数据以及m2个历史金融产品的情感数据构成，m1和m2之和为m，m2为正整数。
7.可选地，循环神经网络为长短期记忆网络模型，循环神经网络通过以下方式训练得到：获取预设激活函数、预设损失函数以及预设优化器，根据预设激活函数、预设损失函数以及预设优化器确定预设长短期记忆网络；通过m1组第一样本数据训练预设长短期记忆网络，得到初始长短期记忆网络，其中，m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及m1个历史金融产品的情感数据构成，m1为正整数；通过m2组第二样本数据
对初始长短期记忆网络进行参数调整，得到长短期记忆网络，其中，m2组第二样本数据由m2个历史金融产品的投资信息的特征数据以及m2个历史金融产品的情感数据构成，m1和m2之和为m，m2为正整数。
8.可选地，根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略包括：对于每个金融产品的情感预测结果，获取情感预测结果中表征情感状态为积极情感的投资信息的数量，得到第一数量，并确定情感状态为积极情感的投资信息的权重，得到第一权重；获取情感预测结果中表征情感状态为消极情感的投资信息的数量，得到第二数量，并确定情感状态为消极情感的投资信息的权重，得到第二权重；计算第一数量与第一权重的第一乘积以及第二数量与第二权重的第二乘积，并将第一乘积与第二乘积作差，计算差值与第一数量和第二数量的和的比值，得到每个金融产品的情感得分；根据n个金融产品的情感得分确定n个金融产品的投资策略。
9.可选地，输出n个金融产品的情感预测结果包括：获取二分类模型的第一准确率数据，并根据第一准确率数据得到第一性能指标；获取循环神经网络的第二准确率数据，并根据第二准确率数据得到第二性能指标；根据第一性能指标以及第二性能指标确定二分类模型的第一模型权重以及循环神经网络的第二模型权重；计算二分类模型输出的预测结果与第一模型权重的乘积，得到第一情感预测结果，并计算循环神经网络输出的预测结果与第二模型权重的乘积，得到第二情感预测结果，将第一情感预测结果和第二情感预测结果进行求和计算，得到每个金融产品的情感预测结果。
10.可选地，对n个金融产品的投资信息进行数据处理，得到n组特征数据包括：获取数据清洗规则，其中，数据清洗规则用于指示待删除数据的类型，待删除数据的类型至少包括以下之一：重复的文本数据、特殊符号及标签数据；根据数据清洗规则将n个金融产品的投资信息进行数据清洗，得到清洗后业务数据；将清洗后业务数据进行特征向量处理，得到n组特征数据。
11.可选地，根据n个金融产品的情感得分确定n个金融产品的投资策略包括：将n个金融产品的情感得分进行降序排序，得到n个金融产品的排列顺序；选取排列顺序中前x个金融产品，根据前x个金融产品确定投资策略，其中，x为正整数，投资策略至少包括以下之一：买入前x个金融产品、将排列顺序中n-x个金融产品进行卖出。
12.为了实现上述目的，根据本技术的另一方面，提供了一种金融产品投资策略的确定装置。该装置包括：获取单元，用于从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；输入单元，用于分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数；确定单元，用于根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略。
13.根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时控制非易失性存储介质所在的设备执行一种金融产品投资策略的确定方法。
14.根据本发明实施例的另一方面，还提供了一种电子设备，包含一个或多个处理器
和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种金融产品投资策略的确定方法。
15.通过本技术，采用以下步骤：从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数；根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略，解决了相关技术中根据投资信息调整投资策略准确度低的问题，通过获取金融产品关联的投资信息，进而将投资信息输入到情感预测模型中，得到每个金融产品的情感预测结果，再根据情感预测结果确定金融产品的投资策略，进而达到了准确利用金融产品的投资信息确定金融产品投资策略的结果。
附图说明
16.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1是根据本技术实施例提供的金融产品投资策略的确定方法的流程图；
18.图2是根据本技术实施例提供的金融产品投资策略的确定方法的示意图；
19.图3是根据本技术实施例提供的金融产品投资策略的确定装置的示意图；
20.图4是根据本技术实施例提供的电子设备的示意图。
具体实施方式
21.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
22.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
23.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构
反馈的同意信息后，获取相关信息。
25.下面结合优选的实施步骤对本发明进行说明，图1是根据本技术实施例提供的金融产品投资策略的确定方法的流程图，如图1所示，该方法包括如下步骤：
26.步骤s101，从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数。
27.具体的，目标业务为金融的投资业务或相关金融业务，业务资讯网站是指用于提供金融交易信息、金融政策信息等的网站，金融产品可以为股票、债券、贵金属等产品。为了从多个金融产品的投资信息中挖掘有价值的信息，进而根据这些信息为投资者的投资过程提供参考，首先需要将这些金融产品的投资信息进行处理，使得投资信息能够被情感预测模型处理，进而为投资者提供帮助。
28.步骤s102，分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数。
29.具体的，情感预测模型是用于根据收集的投资信息进行金融产品的情感预测的模型，此外，为了提高情感预测的准确度，可以采用多种预测模型对投资信息关联的特征数据进行预测处理，进而也能更好的为投资者提供投资建议。
30.需要说明的是，本实施例中的情感预测模型可以包括用于处理线性数据的二分类模型以及用于处理时序特性数据的循环神经网络模型，通过将每一个金融产品关联的投资信息进行处理，并将得到的特征数据输入到二分类模型以及循环神经网络模型中，对两个模型输出的预测结果进行融合，可以得到该金融产品关联的投资信息的情感预测结果。
31.步骤s103，根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略。
32.具体的，在由情感预测模型输出每个金融产品关联的投资信息的情感预测结果后，根据情感预测结果筛选候选的金融产品，从中选择适合投资的金融产品进行投资，或者根据情感预测结果对已投资的金融产品进行优化处理。
33.本技术实施例提供的金融产品投资策略的确定方法，通过从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数；根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略，解决了相关技术中根据投资信息调整投资策略准确度低的问题，通过获取金融产品关联的投资信息，进而将投资信息输入到情感预测模型中，得到每个金融产品的情感预测结果，再根据情感预测结果确定金融产品的投资策略，进而达到了准确利用金融产品的投资信息确定金融产品投资策略的结果。
34.二分类模型包括多种，当二分类模型为支持向量机模型时，可以更好利用支持向量机模型对投资信息进行情感预测，可选地，在本技术实施例提供的金融产品投资策略的确定方法中，二分类模型为支持向量机模型，二分类模型通过以下方式训练得到：获取预设
核函数，根据预设核函数确定预设支持向量机模型；通过m1组第一样本数据训练预设支持向量机模型，得到初始支持向量机模型，其中，m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及m1个历史金融产品的情感数据构成，m1为正整数；通过m2组第二样本数据对初始支持向量机模型进行测试，并根据网格搜索算法以及交叉验证法对测试后的初始支持向量机模型进行参数调整，得到支持向量机模型，其中，m2组第二样本数据由m2个历史金融产品的投资信息的特征数据以及m2个历史金融产品的情感数据构成，m1和m2之和为m，m2为正整数。
35.需要说明的是，支持向量机模型(svm：support vector machine)是一种用于分类和回归分析的监督学习模型，支持向量机模型可以在情感分析中处理线性可分的数据。此外，在训练支持向量机模型之前，需要根据样本数据的特性选择支持向量机模型中的核函数，由于支持向量机模型中的核函数可以帮助模型提取数据的非线性特征，并将非线性问题转化为线性问题，因此，核函数可以使用径向基核函数，进而根据径向基核函数确定预设支持向量机模型。然后将由多个历史金融产品构成的一部分样本数据输入到预设支持向量机模型中，对预设支持向量机模型进行训练，并在训练过程中，利用网格搜索法对模型中的正则化参数以及核函数参数进行选择，通过遍历给定的参数组合，找到较优的参数组合，使用交叉验证法评估模型性能，以避免参数选择过拟合，其中，交叉验证法是一种评估模型性能的方法，通过将数据集划分为训练集和验证集，并多次重复进行训练和验证，得到模型的平均性能指标。
36.再进一步的，利用另一部分样本数据对初始支持向量机模型进行测试，并利用交叉验证法多次重复对参数进行验证调优，从而选择最优的参数组合。再进一步的，将得到最优参数的初始支持向量机模型确定为支持向量机模型。本实施例通过选择支持向量机模型进行情感预测的训练，进而得到一个情感预测模型，从而为预测金融产品的情感预测结果奠定基础。
37.循环神经网络模型包括多种，当循环神经网络模型为长短期记忆网络模型时，可以更好利用长短期记忆网络模型对投资信息进行情感预测，可选地，在本技术实施例提供的金融产品投资策略的确定方法中，循环神经网络为长短期记忆网络模型，循环神经网络通过以下方式训练得到：获取预设激活函数、预设损失函数以及预设优化器，根据预设激活函数、预设损失函数以及预设优化器确定预设长短期记忆网络；通过m1组第一样本数据训练预设长短期记忆网络，得到初始长短期记忆网络，其中，m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及m1个历史金融产品的情感数据构成，m1为正整数；通过m2组第二样本数据对初始长短期记忆网络进行参数调整，得到长短期记忆网络，其中，m2组第二样本数据由m2个历史金融产品的投资信息的特征数据以及m2个历史金融产品的情感数据构成，m1和m2之和为m，m2为正整数。
38.需要说明的是，长短期记忆网络模型(lstm：long short-term memory)是一种用于处理序列数据的人工神经网络模型，具有较好的长时依赖学习能力。在情感分析中，长短期记忆网络模型可以捕捉文本中的时序特性，并基于这些特性进行情感分类。
39.具体的，由于输入到长短期记忆网络模型的数据为三维张量(也即样本数，迭代次数，特征)，因此，首先需要将历史金融产品的特征数据转换为三维张量的形式。其次，选择长短期记忆网络模型中合适的激活函数、损失函数以及优化器，其中，激活函数用于给神经
元引入非线性，损失函数用于衡量预测结果与实际结果之间的差异，优化器负责调整神经网络的权重，以使损失函数最小化。可以根据样本数据特性选择relu作为激活函数、交叉熵损失作为损失函数以及adam作为优化器，并根据relu、交叉熵损失以及adam确定得到预设长短期记忆网络模型。利用多个历史金融产品的投资信息以及情感数据构成的一部分样本数据对预设长短期记忆网络模型进行训练，并利用另一部分样本数据对训练后的初始长短期记忆网络模型中的学习率参数进行调整，将调整后的模型确定为长短期记忆网络模型。本实施例通过对长短期记忆网络模型进行训练，能够为预测金融产品的情感预测结果奠定基础。
40.图2是根据本技术实施例提供的金融产品投资策略的确定方法的示意图，如图2所示，情感预测结果是由多个情感预测模型得到的情感预测结果综合得到的，可选地，在本技术实施例提供的金融产品投资策略的确定方法中，输出n个金融产品的情感预测结果包括：
41.步骤s201，获取二分类模型的第一准确率数据，并根据第一准确率数据得到第一性能指标；
42.步骤s202，获取循环神经网络的第二准确率数据，并根据第二准确率数据得到第二性能指标；
43.步骤s203，根据第一性能指标以及第二性能指标确定二分类模型的第一模型权重以及循环神经网络的第二模型权重；
44.步骤s204，计算二分类模型输出的预测结果与第一模型权重的乘积，得到第一情感预测结果，并计算循环神经网络输出的预测结果与第二模型权重的乘积，得到第二情感预测结果，将第一情感预测结果和第二情感预测结果进行求和计算，得到每个金融产品的情感预测结果。
45.具体的，在得到训练后的二分类模型以及循环神经网络模型后，将待预测的金融产品关联的特征数据分别输入到二分类模型以及循环神经网络模型中，由两个模型输出每个金融产品的情感预测结果。
46.进一步的，需要将两个模型输出的结果进行加权融合，由加权融合后的结果作为每个金融产品的最终情感预测结果。具体的，首先需要确定每个模型的权重，通过样本数据评估每个模型的预测性能，也即由样本数据确定每个模型的预测准确率数据，根据预测准确率数据确定每个模型的性能指标，当二分类模型的性能指标为p_svm，循环神经网络模型的性能指标为p_lstm，则二分类模型的权重系数w_svm和循环神经网络模型的权重系数w_lstm可通过归一化计算得到：
[0047][0048][0049]
进一步的，将二分类模型输出的预测结果与二分类模型的权重系数w_svm进行相乘，将循环神经网络输出的预测结果与循环神经网络模型的权重系数w_lstm进行相乘，再将两个乘积相加，得到最终的情感预测结果。
[0050]
需要说明的是，为了保证预测结果的可靠性，需要对预测结果进行判断，也即将每
个金融产品的情感预测结果的置信度与预设阈值进行对比，当情感预测结果的置信度超过预设阈值时，才将其作为有效结果输出，其中，每个金融产品的情感预测结果的置信度由每个金融产品的不同情感类型的情感预测结果确定，例如，当金融产品的情感预测结果中包括85％的积极情感以及15％的消极情感，则该金融产品的情感预测结果的执行度可以确定为85％。本实施例通过对情感预测模型得到的情感预测结果进行加权计算，能够提高预测结果的精确度。
[0051]
在得到每个金融产品关联的投资信息的情绪预测结果后，可以根据每个投资信息的情绪预测结果确定每个金融产品的情感得分，从而根据情感得分确定金融产品的投资策略，可选地，在本技术实施例提供的金融产品投资策略的确定方法中，根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略包括：对于每个金融产品的情感预测结果，获取情感预测结果中表征情感状态为积极情感的投资信息的数量，得到第一数量，并确定情感状态为积极情感的投资信息的权重，得到第一权重；获取情感预测结果中表征情感状态为消极情感的投资信息的数量，得到第二数量，并确定情感状态为消极情感的投资信息的权重，得到第二权重；计算第一数量与第一权重的第一乘积以及第二数量与第二权重的第二乘积，并将第一乘积与第二乘积作差，计算差值与第一数量和第二数量的和的比值，得到每个金融产品的情感得分；根据n个金融产品的情感得分确定n个金融产品的投资策略。
[0052]
具体的，首先获取每个投资信息中表征情感状态为积极情感的投资信息数量以及情感状态为消极情感的投资信息数量，并根据预测时的市场情况确定情感状态为积极情感和消极情感的投资信息的权重，利用下式计算得到每个金融产品的情感得分：
[0053][0054]
进一步的，根据每个金融产品的情感得分的得分高低选择合适的金融产品，并根据选择出的金融产品确定投资策略，本实施例通过将每个金融产品的投资信息的情感预测结果进行计算处理，得到金融产品的情感得分，进而根据情感得分为投资者的金融投资提供数据支持。
[0055]
在将投资信息输入到情感预测模型前，需要对投资信息进行处理，可选地，在本技术实施例提供的金融产品投资策略的确定方法中，对n个金融产品的投资信息进行数据处理，得到n组特征数据包括：获取数据清洗规则，其中，数据清洗规则用于指示待删除数据的类型，待删除数据的类型至少包括以下之一：重复的文本数据、特殊符号及标签数据；根据数据清洗规则将n个金融产品的投资信息进行数据清洗，得到清洗后业务数据；将清洗后业务数据进行特征向量处理，得到n组特征数据。
[0056]
需要说明的是，对投资信息的处理包括多个处理步骤，首先需要对数据进行预处理，也即对数据进行清洗、去重和标注，然后需要对预处理后的数据进行特征提取，以此得到多个特征数据。
[0057]
具体的，对数据的预处理操作用于将原始的投资信息转化为结构化的数据集，首先，从新闻网站、社交媒体、博客、论坛等网站上收集与待预测的金融产品有关的文本投资信息，将其作为原始数据，进一步的，由于这些原始数据中可能存在大量噪声数据，如无关信息、重复内容、错误信息等，因此需要对收集到的原始数据进行清洗。
[0058]
需要说明的是，对原始数据的清洗前，需要首先获取数据清洗规则，根据数据清洗规则确定需要清洗的数据类型，例如，需要清洗的原始数据包括带有html标签(hyper text markup language，也即：超文本标记语言)的数据、包含特殊符号的数据、包含停用词的数据，当这些数据包含大量的html标签、特殊符号、停用词等无关内容时，这些内容对情感分析没有实际意义，因此，首先需要将这些内容从原始数据中去除。其次，需要将文本中的特殊字符、表情符号、url等进行统一处理，例如，将url替换为特定的占位符，将表情符号转换为对应的表情词等，同时，对原始数据进行大小写转换，以消除大小写带来的差异，其中，停用词可以包括介词、冠词、助词等。去除停用词可以减少数据维度，提高后续处理的效率。可以使用预先定义好的停用词表进行过滤，也可以根据实际情况对停用词表进行扩展。
[0059]
进一步的，需要对原始数据进行拼写错误的纠正，防止因拼写错误导致对投资信息的预测的准确度降低，可以利用拼写纠正工具或者自然语言处理库对拼写错误进行自动纠正。此外，还可以将原始数据中可能包含大量的重复内容进行删除，以避免对模型训练和评估产生不良影响，其中，去重处理可以采用哈希算法、余弦相似度等方法进行去重。最后，将处理后的文本数据进行分词，即将连续的文本切分成独立的词汇，并进行词干提取，将词汇还原为其基本形式，消除词形变化带来的影响。
[0060]
进一步的，在对数据进行清洗后，需要对清洗后的数据进行人工词性标注以及特征提取。具体的，将预处理后的文本数据进行词频统计，通过计算每个词的词频，可以了解文本中各个词的重要程度。其中，词频统计方法可以包括词袋模型或tf-idf算法。然后，将清洗后的数据中的词映射到一个连续的向量空间，可以利用word2vec、glove和fasttext等方式，其中，词向量可以捕捉词与词之间的语义关系，有助于提高情感分析的准确性。
[0061]
再进一步的，为文本中的每个词分配一个词性类别，并提取句子中的关键成分，如名词短语、动词短语和形容词短语。然后，识别文本中的情感词汇(如积极、消极情感词汇)和程度词汇(如程度副词、强烈程度词)。通过上述特征提取步骤，将得到一个综合了多种特征的特征矩阵，也即得到了多个特征数据。本实施例经过上述数据处理步骤，可以将原始投资信息转化为干净、规范的文本数据，为后续的模型训练奠定基础。
[0062]
计算出每个金融产品的情感得分后，可以根据情感得分确定投资策略，可选地，在本技术实施例提供的金融产品投资策略的确定方法中，根据n个金融产品的情感得分确定n个金融产品的投资策略包括：将n个金融产品的情感得分进行降序排序，得到n个金融产品的排列顺序；选取排列顺序中前x个金融产品，根据前x个金融产品确定投资策略，其中，x为正整数，投资策略至少包括以下之一：买入前x个金融产品、将排列顺序中n-x个金融产品进行卖出。
[0063]
具体的，首先将每个金融产品按照情感得分从高到低进行排序，其中，情感得分较高的金融产品表明市场对其具有较强的正面情绪，情感得分较低的金融产品表明市场对其具有较强的负面情绪。
[0064]
进一步的，从排列的前几位金融产品中选择合适的金融产品进行投资，例如，可以根据投资者的资金情况买入排列中前几位的金融产品，或卖出已投资的排列位于后几位的金融产品，还可以对已买入的金融产品的数量进行调整。需要说明的是，由于市场情况会不断变化，因此，投资者需要不断根据不同时期的金融产品的情感得分进行金融产品的动态调整。本实施例通过对金融产品进行筛选，利用情感分析结果为投资者提供有益的投资决
策参考，能够提高投资决策的精确性。
[0065]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0066]
本技术实施例还提供了一种金融产品投资策略的确定装置，需要说明的是，本技术实施例的金融产品投资策略的确定装置可以用于执行本技术实施例所提供的用于金融产品投资策略的确定方法。以下对本技术实施例提供的金融产品投资策略的确定装置进行介绍。
[0067]
图3是根据本技术实施例提供的金融产品投资策略的确定装置的示意图，如图3所示，该装置包括：获取单元30、输入单元31、确定单元32。
[0068]
获取单元30，用于从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；
[0069]
输入单元31，用于分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数；
[0070]
确定单元32，用于根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略。
[0071]
可选地，在本技术实施例提供的金融产品投资策略的确定装置中，二分类模型为支持向量机模型，二分类模型通过以下方式训练得到：第一获取模块，用于获取预设核函数，根据预设核函数确定预设支持向量机模型；第一训练模块，用于通过m1组第一样本数据训练预设支持向量机模型，得到初始支持向量机模型，其中，m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及m1个历史金融产品的情感数据构成，m1为正整数；测试模块，用于通过m3组第二样本数据对初始支持向量机模型进行测试，并根据网格搜索算法以及交叉验证法对测试后的初始支持向量机模型进行参数调整，得到支持向量机模型，其中，m3组第二样本数据由m3个历史金融产品的投资信息的特征数据以及m3个历史金融产品的情感数据构成，m1和m3之和为m，m3为正整数。
[0072]
可选地，在本技术实施例提供的金融产品投资策略的确定装置中，循环神经网络为长短期记忆网络模型，循环神经网络通过以下方式训练得到：第二获取模块，用于获取预设激活函数、预设损失函数以及预设优化器，根据预设激活函数、预设损失函数以及预设优化器确定预设长短期记忆网络；第二训练模块，用于通过m1组第一样本数据训练预设长短期记忆网络，得到初始长短期记忆网络，其中，m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及m1个历史金融产品的情感数据构成，m1为正整数；调整模块，用于通过m3组第二样本数据对初始长短期记忆网络进行参数调整，得到长短期记忆网络，其中，m3组第二样本数据由m3个历史金融产品的投资信息的特征数据以及m3个历史金融产品的情感数据构成，m1和m3之和为m，m3为正整数。
[0073]
可选地，在本技术实施例提供的金融产品投资策略的确定装置中，确定单元32包括：第三获取模块，用于对于每个金融产品的情感预测结果，获取情感预测结果中表征情感状态为积极情感的投资信息的数量，得到第一数量，并确定情感状态为积极情感的投资信
息的权重，得到第一权重；第四获取模块，用于获取情感预测结果中表征情感状态为消极情感的投资信息的数量，得到第二数量，并确定情感状态为消极情感的投资信息的权重，得到第二权重；第一计算模块，用于计算第一数量与第一权重的第一乘积以及第二数量与第二权重的第二乘积，并将第一乘积与第二乘积作差，计算差值与第一数量和第二数量的和的比值，得到每个金融产品的情感得分；第一确定模块，用于根据n个金融产品的情感得分确定n个金融产品的投资策略。
[0074]
可选地，在本技术实施例提供的金融产品投资策略的确定装置中，输入单元31包括：第五获取模块，用于获取二分类模型的第一准确率数据，并根据第一准确率数据得到第一性能指标；第六获取模块，用于获取循环神经网络的第二准确率数据，并根据第二准确率数据得到第二性能指标；第二确定模块，用于根据第一性能指标以及第二性能指标确定二分类模型的第一模型权重以及循环神经网络的第二模型权重；第二计算模块，用于计算二分类模型输出的预测结果与第一模型权重的乘积，得到第一情感预测结果，并计算循环神经网络输出的预测结果与第二模型权重的乘积，得到第二情感预测结果，将第一情感预测结果和第二情感预测结果进行求和计算，得到每个金融产品的情感预测结果。
[0075]
可选地，在本技术实施例提供的金融产品投资策略的确定装置中，获取单元30包括：第七获取模块，用于获取数据清洗规则，其中，数据清洗规则用于指示待删除数据的类型，待删除数据的类型至少包括以下之一：重复的文本数据、特殊符号及标签数据；清洗模块，用于根据数据清洗规则将n个金融产品的投资信息进行数据清洗，得到清洗后业务数据；处理模块，用于将清洗后业务数据进行特征向量处理，得到n组特征数据。
[0076]
可选地，在本技术实施例提供的金融产品投资策略的确定装置中，确定单元32包括：排序模块，用于将n个金融产品的情感得分进行降序排序，得到n个金融产品的排列顺序；选取模块，用于选取排列顺序中前x个金融产品，根据前x个金融产品确定投资策略，其中，x为正整数，投资策略至少包括以下之一：买入前x个金融产品、将排列顺序中n-x个金融产品进行卖出。
[0077]
本技术实施例提供的金融产品投资策略的确定装置，通过获取单元30，用于从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；输入单元31，用于分别将n组特征数据输入到情感预测模型，输出n个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及历史金融产品的情感数据，m为正整数；确定单元32，用于根据n个金融产品的情感预测结果确定目标业务的n个金融产品的投资策略，解决了相关技术中根据投资信息调整投资策略准确度低的问题，通过获取金融产品关联的投资信息，进而将投资信息输入到情感预测模型中，得到每个金融产品的情感预测结果，再根据情感预测结果确定金融产品的投资策略，进而达到了准确利用金融产品的投资信息确定金融产品投资策略的结果。
[0078]
金融产品投资策略的确定装置包括处理器和存储器，上述获取单元30、输入单元31、确定单元32等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0079]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个
或以上，通过调整内核参数来解决相关技术中根据投资信息调整投资策略准确度低的问题。
[0080]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0081]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现金融产品投资策略的确定方法。
[0082]
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行金融产品投资策略的确定方法。
[0083]
图4是根据本技术实施例提供的电子设备的示意图，如图4所示，本发明实施例提供了一种电子设备，电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种金融产品投资策略的确定方法。本文中的设备可以是服务器、pc、pad、手机等。
[0084]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行一种金融产品投资策略的确定方法。
[0085]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0086]
本技术是参照根据本技术实施例的方法、设备(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。
[0087]
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。
[0088]
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。
[0089]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0090]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0091]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0092]
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0093]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术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，本技术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。
[0094]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种金融产品投资策略的确定方法，其特征在于，包括：从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对所述n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；分别将所述n组特征数据输入到情感预测模型，输出所述n个金融产品的情感预测结果，其中，所述情感预测模型包括二分类模型以及循环神经网络，所述情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及所述历史金融产品的情感数据，m为正整数；根据所述n个金融产品的情感预测结果确定所述目标业务的所述n个金融产品的投资策略。2.根据权利要求1所述的方法，其特征在于，所述二分类模型为支持向量机模型，所述二分类模型通过以下方式训练得到：获取预设核函数，根据所述预设核函数确定预设支持向量机模型；通过m1组第一样本数据训练所述预设支持向量机模型，得到初始支持向量机模型，其中，所述m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及所述m1个历史金融产品的情感数据构成，m1为正整数；通过m2组第二样本数据对所述初始支持向量机模型进行测试，并根据网格搜索算法以及交叉验证法对测试后的初始支持向量机模型进行参数调整，得到所述支持向量机模型，其中，所述m2组第二样本数据由m2个历史金融产品的投资信息的特征数据以及所述m2个历史金融产品的情感数据构成，m1和m2之和为所述m，m2为正整数。3.根据权利要求1所述的方法，其特征在于，所述循环神经网络为长短期记忆网络模型，所述循环神经网络通过以下方式训练得到：获取预设激活函数、预设损失函数以及预设优化器，根据所述预设激活函数、所述预设损失函数以及所述预设优化器确定预设长短期记忆网络；通过m1组第一样本数据训练所述预设长短期记忆网络，得到初始长短期记忆网络，其中，所述m1组第一样本数据由m1个历史金融产品的投资信息的特征数据以及所述m1个历史金融产品的情感数据构成，m1为正整数；通过m2组第二样本数据对所述初始长短期记忆网络进行参数调整，得到所述长短期记忆网络，其中，所述m2组第二样本数据由m2个历史金融产品的投资信息的特征数据以及所述m2个历史金融产品的情感数据构成，m1和m2之和为所述m，m2为正整数。4.根据权利要求1所述的方法，其特征在于，根据所述n个金融产品的情感预测结果确定所述目标业务的所述n个金融产品的投资策略包括：对于每个金融产品的情感预测结果，获取所述情感预测结果中表征情感状态为积极情感的投资信息的数量，得到第一数量，并确定所述情感状态为积极情感的投资信息的权重，得到第一权重；获取所述情感预测结果中表征情感状态为消极情感的投资信息的数量，得到第二数量，并确定所述情感状态为消极情感的投资信息的权重，得到第二权重；计算所述第一数量与所述第一权重的第一乘积以及所述第二数量与所述第二权重的第二乘积，并将所述第一乘积与所述第二乘积作差，计算差值与所述第一数量和所述第二数量的和的比值，得到每个金融产品的情感得分；
根据所述n个金融产品的情感得分确定所述n个金融产品的投资策略。5.根据权利要求1所述的方法，其特征在于，输出所述n个金融产品的情感预测结果包括：获取所述二分类模型的第一准确率数据，并根据所述第一准确率数据得到第一性能指标；获取所述循环神经网络的第二准确率数据，并根据所述第二准确率数据得到第二性能指标；根据所述第一性能指标以及所述第二性能指标确定所述二分类模型的第一模型权重以及所述循环神经网络的第二模型权重；计算所述二分类模型输出的预测结果与所述第一模型权重的乘积，得到第一情感预测结果，并计算所述循环神经网络输出的预测结果与所述第二模型权重的乘积，得到第二情感预测结果，将所述第一情感预测结果和所述第二情感预测结果进行求和计算，得到每个金融产品的情感预测结果。6.根据权利要求1所述的方法，其特征在于，对所述n个金融产品的投资信息进行数据处理，得到n组特征数据包括：获取数据清洗规则，其中，所述数据清洗规则用于指示待删除数据的类型，所述待删除数据的类型至少包括以下之一：重复的文本数据、特殊符号及标签数据；根据所述数据清洗规则将所述n个金融产品的投资信息进行数据清洗，得到清洗后业务数据；将所述清洗后业务数据进行特征向量处理，得到所述n组特征数据。7.根据权利要求4所述的方法，其特征在于，根据所述n个金融产品的情感得分确定所述n个金融产品的投资策略包括：将所述n个金融产品的情感得分进行降序排序，得到所述n个金融产品的排列顺序；选取所述排列顺序中前x个金融产品，根据所述前x个金融产品确定所述投资策略，其中，x为正整数，所述投资策略至少包括以下之一：买入所述前x个金融产品、将所述排列顺序中n-x个金融产品进行卖出。8.一种金融产品投资策略的确定装置，其特征在于，包括：获取单元，用于从目标业务的业务资讯网站中获取n个金融产品的投资信息，并对所述n个金融产品的投资信息进行数据处理，得到n组特征数据，其中，n为正整数；输入单元，用于分别将所述n组特征数据输入到情感预测模型，输出所述n个金融产品的情感预测结果，其中，所述情感预测模型包括二分类模型以及循环神经网络，所述情感预测模型是由m组样本数据训练预设情感预测模型得到，每组样本数据包括历史金融产品的投资信息的特征数据以及所述历史金融产品的情感数据，m为正整数；确定单元，用于根据所述n个金融产品的情感预测结果确定所述目标业务的所述n个金融产品的投资策略。9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的金融产品投资策略的确定方法。10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，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权利要求1至7中任意一项所述的金融产品投资策略的确定方法。

技术总结
本申请公开了一种金融产品投资策略的确定方法、装置、处理器及电子设备。涉及金融科技领域，该方法包括：从目标业务的业务资讯网站中获取N个金融产品的投资信息，并对N个金融产品的投资信息进行数据处理，得到N组特征数据；分别将N组特征数据输入到情感预测模型，输出N个金融产品的情感预测结果，其中，情感预测模型包括二分类模型以及循环神经网络，情感预测模型是由M组样本数据训练预设情感预测模型得到；根据N个金融产品的情感预测结果确定目标业务的N个金融产品的投资策略。通过本申请，解决了相关技术中根据投资信息调整投资策略准确度低的问题。确度低的问题。确度低的问题。


技术研发人员：林得有 麦少练 朱秋臻 李凤
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.07.19
技术公布日：2023/10/15