数据处理方法和装置、服务器及存储介质

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种数据处理方法和装置、服务器及存储介质。

背景技术

在基金投资和研究的过程中，通常需要对待评估对象进行研究与分析。但是，经发明人研究发现，在现有技术中，一般直接基于待评估对象从业以来的收益率进行评价，从而存在着对待评估对象进行分析的可靠性低的问题。

发明内容

有鉴于此，本申请的目的在于提供一种数据处理方法和装置、服务器及存储介质，以改善现有技术中存在的问题。

为实现上述目的，本申请实施例采用如下技术方案：

第一方面，本发明提供一种数据处理方法，包括：

获取待评估对象的特征数据；

通过预设评价模型对所述特征数据进行处理，得到所述待评估对象的评价数据。

在可选的实施方式中，所述通过预设评价模型对所述特征数据进行处理，得到待评估对象的评价数据的步骤，包括：

对所述特征数据进行类别划分处理，得到所述特征数据的类别；

根据所述类别进行评价处理，得到所述待评估对象的评价数据。

在可选的实施方式中，所述对所述特征数据进行类别划分处理，得到所述特征数据的类别的步骤，包括：

对所述特征数据进行降维处理，得到降维特征；

对所述降维特征进行聚类分析处理，得到所述特征数据的类别。

在可选的实施方式中，所述评价数据包括所述待评估对象的特征属性，所述根据所述类别进行评价处理，得到所述待评估对象的评价数据的步骤，包括：

针对每一个类别，判断该类别待评估对象的降维特征值与所有类别待评估对象的降维特征值的差值是否超过预设差值阈值；

若是，对该类别待评估对象的降维特征进行标注处理，得到特征属性。

在可选的实施方式中，所述评价数据包括所述待评估对象的收益属性，所述根据所述类别进行评价处理，得到所述待评估对象的评价数据的步骤，包括：

针对每一类别，计算该类别的待评估对象收益率的均值和标准差；

根据所述均值和标准差计算得到该类别待评估对象的收益属性。

在可选的实施方式中，所述数据处理方法还包括：

判断所述待评估对象的评价数据的变化率是否大于预设变化率阈值；

若是，则更新所述预设评价模型。

在可选的实施方式中，所述获取待评估对象的特征数据的步骤，包括：

获取待评估对象相关数据；

对所述待评估对象相关数据进行预处理，得到待评估对象的特征数据。

第二方面，本发明提供一种数据处理装置，包括：

数据数据模块，用于获取待评估对象的特征数据；

数据处理模块，用于通过预设评价模型对所述特征数据进行处理，得到所述待评估对象的评价数据。

第三方面，本发明提供一种服务器，包括存储器和处理器，所述处理器用于执行所述存储器中存储的可执行的计算机程序，以实现前述实施方式任意一项所述的数据处理方法。

第四方面，本发明提供一种存储介质，其上存储有计算机程序，该程序被执行时实现前述实施方式任意一项所述数据处理方法的步骤。

本申请实施例提供的数据处理方法和装置、服务器及存储介质，通过预设评价模型对待评估对象的特征数据进行处理，得到待评估对象的评价数据，实现了根据模型和特征数据进行评价，改善了现有技术中直接基于待评估对象从业以来的收益率进行评价，所导致的对待评估对象进行分析的可靠性低的问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的数据处理系统的结构框图。

图2为本申请实施例提供的数据处理方法的流程示意图。

图3为本申请实施例提供的数据处理方法的另一流程示意图。

图4为本申请实施例提供的数据处理方法的另一流程示意图。

图5为本申请实施例提供的数据处理方法的另一流程示意图。

图6为本申请实施例提供的表结构的转换示意图。

图7为本申请实施例提供的数据处理方法的另一流程示意图。

图8为本申请实施例提供的数据处理方法的另一流程示意图。

图9为本申请实施例提供的数据处理方法的另一流程示意图。

图10为本申请实施例提供的数据处理装置的结构框图。

图标：10-数据处理系统；100-服务器；200-终端设备；1000-数据处理装置；1010-数据获取模块；1020-数据处理模块。

具体实施方式

基金经理是金融领域的一种职业类别，主要负责基金管理与决策等工作。每个基金均由一个基金经理或多个基金经理共同负责该基金的投资组合、投资策略以及决策管理，基金的业绩表现与基金经理的投资能力有着重要联系。

随着基金市场火热发展，基金产品越来越多，基金经理数量不断增加，对于投资者来说，基金选择大大增加，且关于基金经理的评价分析大多是通过基金经理的投资计划、在管基金等有限的资料进行定性评价，但基金经理的投资风格常常偏离计划。对于基金经理的投资风格，现有技术难以量化和跟踪，基金经理相关研究较少。

在基金投资和研究的过程中，通常需要将基金经理作为待评估对象进行研究与分析，但现有技术对基金经理量化研究的成果较少。现有技术以及存在的不足有以下几个方面：

(1)目前对基金经理的研究方法大多是对基金经理进行尽职调查，通过整理基金经理的在管基金、投资理念、投资策略等文本资料，作出定性评价，该方法需要耗费大量精力，效率较低，且研究范围难以覆盖全市场所有基金经理。

(2)业内部分金融数据厂商有计算基金经理的投资表现的量化数据，比如基金经理的从业以来的收益率，但这些数据多为客观的基础数据，无法满足深度研究的需求。

为了改善本申请所提出的上述至少一种技术问题，本申请实施例提供一种数据处理方法和装置、服务器及存储介质，下面通过可能的实现方式对本申请的技术方案进行说明。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。

为使本申请实施例的目的、技术方案和优点更加清楚，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详细地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

为了使得本领域技术人员能够使用本申请内容，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等，或其任意组合。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

图1为本申请实施例提供的数据处理系统10的结构框图，其提供了一种数据处理系统10可能的实现方式，参见图1，该数据处理系统10可以包括服务器100、终端设备200中的一种或多种，服务器100中可以包括执行指令操作的处理器。

其中，服务器100与终端设备200通信连接，以获取终端设备200发送的数据进行处理，将得到的待评估对象的评价数据发送至终端设备200，终端设备200将评价数据进行可视化转换后向用户进行展示。

对于服务器100，需要说明的是，在一些实施例中，服务器100可以是单个服务器100，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器100可以是分布式系统)。在一些实施例中，服务器100相对于终端设备200，可以是本地的、也可以是远程的。例如，服务器100可以经由网络访问存储在终端设备200中的信息和/或数据。作为另一示例，服务器100可以直接连接到终端设备200，以访问存储的信息和/或数据。在一些实施例中，服务器100可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、弹性云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器100可以在终端设备200上实现。

在一些实施例中，服务器100可以包括处理器。处理器可以处理终端设备200发送的信息和/或数据，以执行本申请中描述的一个或多个功能。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital SignalProcessor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)或微处理器等，或其任意组合。

网络可以用于信息和/或数据的交换。在一些实施例中，数据处理系统10中的一个或多个组件(例如，服务器100和终端设备200)可以向其他组件发送信息和/或数据。例如，服务器100可以经由网络从终端设备200获取数据。在一些实施例中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(NearField Communication,NFC)网络等，或其任意组合。

在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，数据处理系统10的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。

服务器100中可以包括数据库，数据库可以存储数据和/或指令。在一些实施例中，数据库可以存储从终端设备200获得的数据。在一些实施例中，数据库可以存储本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM(Thyristor-Based RandomAccess Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-Only Memory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云、弹性云或者其它类似的等，或其任意组合。

在一些实施例中，数据库可以连接到网络以与数据处理系统10(例如，服务器100和终端设备200)中的一个或多个组件通信。数据处理系统10中的一个或多个组件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中，数据库可以直接连接到数据处理系统10中的一个或多个组件(例如，服务器100和终端设备200)。或者，在一些实施例中，数据库也可以是服务器100的一部分。在一些实施例中，数据处理系统10中的一个或多个组件(例如，服务器100和终端设备200)可以具有访问数据库的权限。

图2示出了本申请实施例所提供的数据处理方法的流程图之一，该方法可应用于图1所示的服务器100，由图1中的服务器100执行。应当理解，在其他实施例中，本实施例的数据处理方法中的部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。下面对图2所示的数据处理方法的流程进行详细描述。

步骤S210，获取待评估对象的特征数据。

步骤S220，通过预设评价模型对特征数据进行处理，得到待评估对象的评价数据。

上述方法通过预设评价模型对待评估对象的特征数据进行处理，得到待评估对象的评价数据，实现了根据模型和特征数据进行评价，改善了现有技术中直接基于待评估对象从业以来的收益率进行评价，所导致的对待评估对象进行分析的可靠性低的问题。

对于步骤S210，需要说明的是，获取特征数据的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中，步骤S210可以包括根据待评估对象相关数据得到特征数据的步骤。因此，在图2的基础上，图3为本申请实施例提供的另一种数据处理方法的流程示意图，参见图3，步骤S210可以包括：

步骤S211，获取待评估对象相关数据。

详细地，在待评估对象为基金经理时，用户可以通过终端设备200输入想要查询和分析的信息，输入信息包括但不限于基金经理、基金、投资风格、风险偏好等，终端设备200向服务器100发送查询请求。

服务器100也可以主动采集市场上与基金经理相关的数据，数据涉及多个数据源，数据源可以来自于wind、贝格等金融数据服务商，数据源一般存储在Oracle、postgreSQL等关系型数据库中。其中，相关数据可分为两大类，一类为基金经理数据，主要包括基金经理背景、在管基金、管理资产规模、投资理念、从业年限、基金经理新闻等；一类为除基金经理以外，但与基金经理相关的金融数据，包括基金行情、基金持仓、行业指数、宏观数据等。

步骤S212，对待评估对象相关数据进行预处理，得到待评估对象的特征数据。

详细地，预处理可以包括数据清洗和特征加工两个步骤。首先，为了将不符合质量要求的数据按照一定规则进行修正或剔除，可以对上一步骤获取到的基金经理数据和非基金经理的金融数据进行数据清洗处理。其中，数据清洗可以包括对文本类数据编码转译、异常值和缺失值处理等步骤。文本类数据可以包括基金经理学历、新闻等数据，编码转译处理方法可以包括One-Hot编码、tf-idf统计法等方法。缺失值处理的方法可以有：删除缺失值、补全缺失值(如均值填补、中位数填补等)。并且，还可以对异常值修正处理，修正处理的公式可以如下所示：

其中，x

其次，在数据清洗之后，还可以对数据清洗之后的基金经理数据和非基金经理的金融数据进行特征加工处理。具体地，特征加工的步骤可以包括：将非基金经理的金融数据通过关联和聚合等方法转化为基金经理的特征，根据基金经理特征计算衍生特征，以丰富特征库。

在一种可以替代的示例中，在非基金经理的金融数据包括股票的行情数据(可以包括但不限于股票的市盈率PE、成交量等)时，可以通过以下公式计算基金经理特征：

其中，F

可选地，根据基金经理特征计算衍生特征的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中，可以计算基金经理特征统计期内的均值及标准差、计算基金经理特征在同类基金经理中的排名等衍生特征。

进一步地，在计算得到基金经理特征和衍生特征之后，可以将所有特征以表格的形式进行整理和展示，具体可以如表1所示：

表1基金经理特征库结构表

对于步骤S220，需要说明的是，处理特征数据的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中，步骤S220可以包括根据特征数据的类型进行评价处理的步骤。因此，在图2的基础上，图4为本申请实施例提供的另一种数据处理方法的流程示意图，参见图4，步骤S220可以包括：

步骤S221，对特征数据进行类别划分处理，得到特征数据的类别。

详细地，通过步骤S212得到基金经理特征库之后，可以通过机器学习等数据挖掘技术对基金经理特征进行分析，最终得到基金经理的特征类别，实现对基金经理进行类别划分。

步骤S222，根据类别进行评价处理，得到待评估对象的评价数据。

对于步骤S221，需要说明的是，进行类别划分的具体方式不受限制，可以根据实际应用需求进行设置。例如，在一种可以替代的示例中，步骤S221可以包括根据降维特征得到特征数据类别的步骤。因此，在图4的基础上，图5为本申请实施例提供的另一种数据处理方法的流程示意图，参见图5，步骤S221可以包括：

步骤S2211，对特征数据进行降维处理，得到降维特征。

需要说明的是，由于基金经理特征库中包括大量特征，不利于模型训练和结果分析，因此需要对特征进行降维，主要方法为主成分分析法。详细地，主成分分析法可以将原来的特征经过线性变换组合成新的一组相关性较小的综合类特征，新特征(降维特征)数量根据模型参数设置而确定，本申请实施例提供的预设评价模型一般控制在10～20个特征，且新特征组与原特征组能通过线性变换互相转换。

进一步地，在得到降维特征之后，本申请实施例还可以包括对降维特征进行分析的步骤，以对降维特征进行确认。主要通过转换分析和人工配置定义相结合来定义降维特征，首先通过转换分析来分析降维特征的初始定义，然后再通过人工审核和修改进行最后确认。

详细地，以主成分分析方法进行降维处理为例，分析降维特征初始定义的步骤如下：降维特征F

在人工审核和修改的步骤中，可以人工根据降维特征与原特征的关系对降维特征的初始定义进行审核，若初始定义不合理，则对降维特征的定义进行重新定义。

举例说明，在原特征包括收益率、夏普比率和年化收益率时，降维特征1可以通过以下公式进行表示：降维特征1＝1.48*收益率+0.53*夏普比率+0.72*年化收益率，则降维特征1的初始定义为“收益率”，经过人工审核后可将该降维特征1修改为“收益能力”，使得降维特征的定义更为合理。

步骤S2212，对降维特征进行聚类分析处理，得到特征数据的类别。

详细地，可以根据各基金经理的降维特征，采用多元统计等算法实现对基金经理进行类别划分，算法可以包括K-means法、Dbscan法等。

结合图6，在降维与聚类分析的步骤之前，原特征库结构表可以为m行n列的表结构，n为特征数量。在降维处理的步骤之后，结构表变为m行k列，k为降维特征的数量，k≤n，k的数量一般为10～20。在聚类分析的步骤之后，结构表新增基金经理类别列，共分为p个类别，p的数量一般为5～10。

对于步骤S222，需要说明的是，进行评价处理的具体方式不受限制，可以根据评价数据的类型进行具体设置。例如，在一种可以替代的示例中，在评价数据包括待评估对象的特征属性时，步骤S222可以包括判断降维特征值的差值是否超阈值的步骤。因此，在图4的基础上，图7为本申请实施例提供的另一种数据处理方法的流程示意图，参见图7，步骤S222还可以包括：

步骤S2221，针对每一个类别，判断该类别待评估对象的降维特征值与所有类别待评估对象的降维特征值的差值是否超过预设差值阈值。

在本申请实施例中，在该类别待评估对象的降维特征值与所有类别待评估对象的降维特征值的差值超过预设差值阈值时，判定该类别待评估对象的降维特征具有显著差异，可以进行标注处理，执行步骤S2222；在该类别待评估对象的降维特征值与所有类别待评估对象的降维特征值的差值不超过预设差值阈值时，判定该类别待评估对象的降维特征不具有显著差异，不进行标注处理。

步骤S2222，对该类别待评估对象的降维特征进行标注处理，得到特征属性。

详细地，可以通过解释分析和人工配置定义相结合来定义基金经理类别的特征属性。首先，通过解释分析来智能分析基金经理类别的特征属性，分析方法为对各类别的特征属性(如均值、方差、分布形态等)分析是否与其他类别显著不同，若有显著不同，则为该基金经理类别的特征属性，然后再通过人工审核和修改进行确认。其中，智能分析基金经理类别的特征属性的具体步骤如下：计算类别p的降维特征F

举例说明，类别p的降维特征“收益能力”的均值为1.69，全部基金经理的降维特征“收益能力”的均值为0.32，预设差值阈值为1.0，则类别p的基金经理具有“收益能力好”的特征属性。

又例如，在另一种可以替代的示例中，在评价数据包括待评估对象的收益属性时，步骤S222可以包括计算收益率均值和标准差的步骤。因此，在图4的基础上，图8为本申请实施例提供的另一种数据处理方法的流程示意图，参见图8，步骤S222可以包括：

步骤S2223，针对每一类别，计算该类别的待评估对象收益率的均值和标准差。

步骤S2224，根据均值和标准差计算得到该类别待评估对象的收益属性。

详细地，在确定了基金经理类别后，还需对各类别的风险-收益特征进行归因分析，以确定各类别的风险-收益偏好。具体方法为计算各类别基金经理从业以来收益率的均值和标准差，均值代表该类别基金经理的收益表现，标准差代表该类别基金经理的风险偏好。在计算得到收益率的均值和标准差之后，可以根据均值和标准差计算得到收益属性，例如，可以为均值和标准差分配不同的权值进行计算得到。

需要说明的是，本申请实施例中的预设评价模型可以根据预先设置的训练数据进行训练得到，也可以通过上述步骤S220的所有子步骤每日进行建模运算得到。通过预设评价模型得到评价数据之后，为了进一步提高对待评估对象进行分析的可靠性，在步骤S220之后，本申请实施例提供的数据处理方法还可以包括更新模型的步骤。因此，在图2的基础上，图9为本申请实施例提供的另一种数据处理方法的流程示意图，参见图9，数据处理方法还可以包括：

步骤S230，判断待评估对象的评价数据的变化率是否大于预设变化率阈值。

在本申请实施例中，在待评估对象的评价数据的变化率大于预设变化率阈值时，判定预设评价模型可靠性偏低，执行步骤S240；在待评估对象的评价数据的变化率不大于预设变化率阈值时，判定预设评价模型可靠性正常，可以沿用模型。

步骤S240，更新预设评价模型。

详细地，可以每日计算基金经理各类别的特征属性和风险-收益偏好，若变化率超过预设变化率阈值，则发出告警提示并更新优化模型。

需要说明的是，机器学习等数据挖掘技术能够在海量数据中挖掘事物间的动态发展规律、行为特征等有价值的信息，帮助研究者提供切实的参考价值。采用机器学习等数据挖掘技术对基金经理进行量化分析，能够帮助投资者动态、深度挖掘基金经理的投资特征，通过基金经理特征对基金经理进行分类，帮助投资者筛选出较好的基金经理以及挖掘基金经理之间的特征相互关系。

鉴于现有技术存在的缺点，且目前市场上没有针对基金经理特征划分深度评价分析的系统或装置，本申请实施例提出一种通过机器学习等数据挖掘技术挖掘基金经理的投资行为、投资偏好等特征的系统，并根据特征实现对基金经理进行聚类划分，帮助投资者量化分析基金经理、筛选出符合特征的基金经理、挖掘出特征相似的基金经理。

本申请实施例相较于现有技术，存在以下优点：

(1)相较于现有技术的通过人工分析的方法对基金经理定性评价，本申请实施例通过机器学习等数据挖掘技术定量分析基金经理的降维特征和特征属性分析，实现了基金经理量化评价；同时，本申请实施例能够实现模型的自学习，动态更新模型和评价结果，提高了系统的动态适用能力，避免用户做重复的研究和跟踪工作。

(2)相较于现有技术中根据基金经理从业以来收益率等进行基础量化评价分析，本申请实施例通过机器学习等数据挖掘技术定量分析基金经理的降维特征和特征属性分析，实现了基金经理的深度评价，在降维特征和特征属性中包括对基金经理的投资风格、风险偏好、行业偏好、行为特征等描述，增加了基金经理量化评价的丰富性；同时，通过对分析结果的衍生，可以实现查询相似基金经理、基金经理类别表现跟踪等功能，提高系统的分析能力。

结合图10，本申请实施例还提供了一种数据处理装置1000，该数据处理装置1000实现的功能对应上述方法执行的步骤。该数据处理装置1000可以理解为上述服务器100的处理器，也可以理解为独立于上述服务器100或处理器之外的在服务器100控制下实现本申请功能的组件。其中，数据处理装置1000可以包括数据获取模块1010和数据处理模块1020。

数据获取模块1010，用于获取待评估对象的特征数据。在本申请实施例中，数据获取模块1010可以用于执行图2所示的步骤S210，关于数据获取模块1010的相关内容可以参照前文对步骤S210的描述。

数据处理模块1020，用于通过预设评价模型对特征数据进行处理，得到待评估对象的评价数据。在本申请实施例中，数据处理模块1020可以用于执行图2所示的步骤S220，关于数据处理模块1020的相关内容可以参照前文对步骤S220的描述。

此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述数据处理方法的步骤。

本申请实施例所提供的数据处理方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行上述方法实施例中的数据处理方法的步骤，具体可参见上述方法实施例，在此不再赘述。

综上所述，本申请实施例提供的数据处理方法和装置、服务器及存储介质，通过预设评价模型对待评估对象的特征数据进行处理，得到待评估对象的评价数据，实现了根据模型和特征数据进行评价，改善了现有技术中直接基于待评估对象从业以来的收益率进行评价，所导致的对待评估对象进行分析的可靠性低的问题。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。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。