一种基金产品推荐系统

【技术领域】

本发明涉及金融风险管控技术领域，尤其涉及一种基金产品推荐系统。

【背景技术】

近十几年来理财产品在我国发展迅猛，其中以表转化程度最高的公募基金产品来说，目前为止，已超过100多家基金公司，6000多只基金产品，资产规模超过8万亿元，并形成了多种类型的基金产品，比如股票基金、债券基金、货币基金、FOF基金等。从基金市场历史业绩上看，大多数基金有较好年度收益，但大部分消费者没能在基金市场获利，原因在于对基金产品缺乏专业系统的分析，难以从众多基金产品中筛选出优质基金。

现有的基金产品推荐系统对基金推荐不合理，也不客观，且常受到利益相关方的影响，因此，无法保证投资者的切身利益。

【发明内容】

有鉴于此，本发明实施例提供了基金产品推荐系统。

第一方面，本发明实施例提供了基金产品推荐系统，所述系统包括相互间具有通信连接的基金推荐平台和用户终端，所述基金推荐平台包括初筛模块、特征提取模块、二次筛选模块、预测模型和推荐模块，其中：

初筛模块建立基于主题板块的基金分类表，获取预设时间段内基金的第一参数，并根据初筛函数从基金分类表中选取初筛基金，并将初筛基金对应的基金标识填充至初筛基金表；

特征提取模块根据预设的数据采集清单确定数据源平台，从数据源平台获取预设时间段内初筛基金表中基金的特征数据，对特征数据进行预处理并基于语义判断模型分类生成第二参数；

二次筛选模块基于第二参数计算初筛基金表中基金的优质度Q，将优质度Q＞优质度阈值Q

预测模型建立并训练基于基金操作策略的深度强化学习模型，利用训练好的深度强化学习模型对基金推荐表的目标基金的操作策略进行预测；

推荐模块将预测的操作策略作为投资建议添加到基金推荐表，将基金推荐表发送给用户终端。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一参数包括：访问量、持有人数和净值。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述初筛函数定义为：

其中，F(x)表示初筛函数，α

从每个主题板块中选取初筛函数F(x)的值最大的M个基金作为初筛基金。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述初筛基金表中基金的特征数据包括：基金提及数据、基金评论数据、基金评论点赞数据，基金经理提及数据，基金经理评论数据、基金经理评论点赞数据。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对特征数据进行预处理，具体包括：

为获取的基金的特征数据设置预处理优先级，其中，文字评论为第一优先级，语音评论为第二优先级，图片评论为第三优先级；

第一优先级处理：判断文字评论与好评词库是否匹配，若匹配成功，则判断文字评论对应的评论IP重合度是否超出重合度阈值，若超出，则放弃评论IP所有潜在好评标记；若未超出，则进行潜在好评标记，则进入第二优先级处理；

第二优先级处理：将语音评论转化为文字评论，判断文字评论与好评词库是否匹配，若匹配成功，则判断文字评论对应的评论IP重合度是否超出重合度阈值，若超出，则放弃评论IP所有潜在好评标记；若未超出，则进行潜在好评标记，则进入第三优先级处理；

第三优先级处理：判断图片评论中相同图片的数量是否超出数量阈值，若未超出数量阈值，识别图片评论中文字评论，则进一步判断文字评论与好评词库是否匹配，若匹配成功，则进行潜在好评标记；若超出数量阈值，则进一步判断图片评论的IP重合度是否超出重合度阈值，若超出重合度阈值，则放弃超出重合度阈值的评论IP所有潜在好评标记，若未超出重合度阈值，识别图片评论中文字评论，则进一步判断文字评论与好评词库是否匹配，若匹配成功，则进行潜在好评标记。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于语义判断模型分类生成第二参数，具体包括：

对基金的特征数据进行预处理后生成好评倾向标识；

构建语义判断模型，其构建方法如下：

建立最优奖励模型：

定义Q函数：

新策略的迭代更新如下：

π(i+1)(s)＝arg maxQ(s,a)，定义ε-贪婪行为策略，采用ε-贪婪行为策略来确定当前状态的行为，其中，每个动作都是以一些预定义的固定概率

Q值通过学习迭代逼近最优策略的获取；

通过语义判断模型对携带好评倾向标识的特征数据进行强化学习以生成好评分类结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述优质度Q的计算公式如下：

其中，Q表示优质度，p

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述建立并训练基于基金操作策略的深度强化学习模型，具体包括：

获取多支基金历史操作策略数据，求和并求平均值进行输入，对基金操作策略进行预测，建立其对应的马尔可夫决策过程模型，动作用a表示，其包括买入、卖出和保持，状态用s表示，其为由行为策略生成的基金价格信息，奖励用R表示，其为状态变化时，投资组合价值的变化；

训练数据，不断更新值函数V

最优值函数V

其中，V

基于上述最优值函数V

其中，π

采用递归神经网络来作为Q值的网络，参数为θ；

H

Q

L＝Q

其中，H

在Q值中定义损失函数L(θ)；

采用批量梯度下降的方法对递归神经网络参数进行训练，随着训练次数的不断增加，通过网络输出的Q值选择Q值最大的动作，并最终收敛到最优策略；

更新周期内，将预先分为测试集的历史操作策略数据，用来测试的训练好的模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述损失函数L(θ)用公式表示如下：

其中，L(θ)表示损失函数，r表示奖励值，θ和θ′表示神经网络权值，

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述用户终端为具有通信功能的智能设备，其包括智能手机、笔记本电脑、平板电脑和台式计算机。

上述技术方案中的一个技术方案具有如下有益效果：

本发明实施例的方法中提出了基金产品推荐系统，通过初筛函数从基金分类表中选取初筛基金，可初步为投资者过滤出活跃度更高、增长潜力更大的基金，获取基于基金和基金经理双指标的二次评价标准，筛选出优质度Q符合要求的基金向用户推荐；以深度强化学习模型对基金推荐表的目标基金的操作策略进行预测，附带基金的操作建议，预测的准确性高，可以为用户提供投资指导，尤其是新手用户；推荐方法智能合理公正，可以筛选高价值的基金推荐给客户，提高客户投资体验，可解决现有的基金产品推荐系统对基金推荐不合理和功利性，因此，可以更好的保证投资者的切身利益。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例所提供的基金产品推荐系统的功能方块图；

图2为本发明实施例所提供的基金推荐平台的硬件示意图。

【具体实施方式】

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参考图1，本发明实施例所提供的基金产品推荐系统的功能方块图。如图1所示，所述系统包括相互间具有通信连接的基金推荐平台和用户终端，所述基金推荐平台包括初筛模块、特征提取模块、二次筛选模块、预测模型和推荐模块，其中：

初筛模块建立基于主题板块的基金分类表，获取预设时间段内基金的第一参数，并根据初筛函数从基金分类表中选取初筛基金，并将初筛基金对应的基金标识填充至初筛基金表；

特征提取模块根据预设的数据采集清单确定数据源平台，从数据源平台获取预设时间段内初筛基金表中基金的特征数据，对特征数据进行预处理并基于语义判断模型分类生成第二参数；

二次筛选模块基于第二参数计算初筛基金表中基金的优质度Q，将优质度Q＞优质度阈值Q

预测模型建立并训练基于基金操作策略的深度强化学习模型，利用训练好的深度强化学习模型对基金推荐表的目标基金的操作策略进行预测；

推荐模块将预测的操作策略作为投资建议添加到基金推荐表，将基金推荐表发送给用户终端。

其中，用户终端为具有通信功能的智能设备，其包括智能手机、笔记本电脑、平板电脑和台式计算机

本发明建立基于主题板块的基金产品推荐系统，方便投资者快速查找基金，也有利于基金的初步接触者快速对基金了解；通过初筛函数从基金分类表中选取初筛基金，可初步为投资者过滤出活跃度更高、增长潜力更大的基金；然后在初筛的基础上，基于第二参数计算初筛基金表中基金的优质度Q，将优质度Q＞优质度阈值Q

本发明实施例的初筛函数定义为：

其中，F(x)表示初筛函数，α

从每个主题板块中选取初筛函数F(x)的值最大的M个基金作为初筛基金。

本发明实施例对特征数据进行预处理具体包括：

为获取的基金的特征数据设置预处理优先级，其中，文字评论为第一优先级，语音评论为第二优先级，图片评论为第三优先级；

第一优先级处理：判断文字评论与好评词库是否匹配，若未匹配成功，则直接进入第二优先级处理；若匹配成功，则判断文字评论对应的评论IP重合度是否超出重合度阈值，若超出，则放弃评论IP所有潜在好评标记；若未超出，则进行潜在好评标记，则进入第二优先级处理；

第二优先级处理：将语音评论转化为文字评论，判断文字评论与好评词库是否匹配，若未匹配成功，则直接进入第三优先级处理；若匹配成功，则判断文字评论对应的评论IP重合度是否超出重合度阈值，若超出，则放弃评论IP所有潜在好评标记；若未超出，则进行潜在好评标记，则进入第三优先级处理；

第三优先级处理：判断图片评论中相同图片的数量是否超出数量阈值，若未超出数量阈值，识别图片评论中文字评论，则进一步判断文字评论与好评词库是否匹配，若未匹配成功，则直接终止；若匹配成功，则进行潜在好评标记；若超出数量阈值，则进一步判断图片评论的IP重合度是否超出重合度阈值，若超出重合度阈值，则放弃超出重合度阈值的评论IP所有潜在好评标记，若未超出重合度阈值，识别图片评论中文字评论，则进一步判断文字评论与好评词库是否匹配，若匹配成功，则进行潜在好评标记。

本发明实施例通对特征数据文字评论、语音评论、图片评论为第三优先级预处理，可以全面获取评论数据，使得系统对基金和基金经理判断更加准确。另外，通过判断评论IP重合度以及图片评论中相同图片的数量，可以高效剔除水军，使得数据更加真实准确。提前进行潜在好评标记，可减少语义判断模型的任务处理量，并进一步提高语义判断模型分类的准确性。

其中，基于语义判断模型分类生成第二参数，具体包括：

对基金的特征数据进行预处理后生成好评倾向标识；

构建语义判断模型，其构建方法如下：

建立最优奖励模型：

定义Q函数：

新策略的迭代更新如下：

π(i+1)(s)＝argmaxQ(s,a)，定义ε-贪婪行为策略，采用ε-贪婪行为策略来确定当前状态的行为，其中，每个动作都是以一些预定义的固定概率

Q值通过学习迭代逼近最优策略的获取；

通过语义判断模型对携带好评倾向标识的特征数据进行强化学习以生成好评分类结果。

本发明实施例语义判断模型可实现对好评的准确分类，在训练完基于RL的算法后，实现以较高的置信度对好评与其他评论进行了分类，模型鲁棒性好，可以高效准确的从基金的特征数据提取第二参数。

本发明实施例的优质度Q的计算公式如下：

其中，Q表示优质度，p

优质度Q的计算公式可以建立从基金和基金经理双指标的二次评价标准，并基于对数函数建立时间衰减模型，高效准确选取靠谱的基金和基金经理。

本发明实施例的建立并训练基于基金操作策略的深度强化学习模型，具体包括：

获取多支基金历史操作策略数据，求和并求平均值进行输入，对基金操作策略进行预测，建立其对应的马尔可夫决策过程模型，动作用a表示，其包括买入、卖出和保持，状态用s表示，其为由行为策略生成的基金价格信息，奖励用R表示，其为状态变化时，投资组合价值的变化；

训练数据，不断更新值函数V

最优值函数V

其中，V

基于上述最优值函数V

其中，π

采用递归神经网络来作为Q值的网络，参数为θ；

H

Q

L＝Q

其中，H

本发明实施例的递归神经网络具有很好的感知能力和特征提取能力，其关键方面是实际特征的表示，一层又一层的自学习，以及限制参数空间的稀疏约束，防止过拟合。

在Q值中定义损失函数L(θ)；

采用批量梯度下降的方法对递归神经网络参数进行训练，随着训练次数的不断增加，通过网络输出的Q值选择Q值最大的动作，并最终收敛到最优策略；

更新周期内，将预先分为测试集的历史操作策略数据，用来测试的训练好的模型。

本发明实施例的损失函数L(θ)用公式表示如下：

其中，L(θ)表示损失函数，r表示奖励值，θ和θ′表示神经网络权值，

本发明实施例构建的深度强化学习模型用于递归Q网络，基于RNN的组合特征处理和基于DQN的自实验分析实现自我探索和经验回放进行预测，深度强化学习模型预测对基金预测准确，模型鲁棒性好。

图2是本发明的一个实施例基金推荐平台的硬件示意图。请参考图2，在硬件层面，该基金推荐平台包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该基金推荐平台还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成电价的定价装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的节点工作方法。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的基金推荐平台执行时，能够使该基金推荐平台执行本发明任一实施例中提供的节点工作方法。

上述如本发明图实施例提供的基金推荐平台执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的基金推荐平台执行时，能够使该基金推荐平台执行本发明任一实施例中提供的节点工作方法。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

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。

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。

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。

内存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)。内存是计算机可读介质的示例。

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。

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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。