基于机器学习模型的金融数据处理方法、设备及介质

技术领域

本申请涉及金融技术领域，特别是涉及基于机器学习模型的金融数据处理方法、设备及介质。

背景技术

随着大数据、区块链、人工智能等技术在金融行业的应用和发展，金融与科技深度融合、密切合作已成为现代金融的发展趋势。通过金融与科技相结合的模式，一方面可以使得金融公司提高服务效率、降低服务成本，另一方面可以为客户提供更好的金融服务，提高服务频率，扩大金融服务市场的规模。

但是对于金融公司而言，时常会面临大量的金融数据需要进行处理，而现有的金融数据处理方式对浮于数据表象，无法对金融数据进行挖掘以获取实质与金融数据对应的用户的价值，从而无法满足金融公司精准营销的需求。

发明内容

本申请主要解决的技术问题是提供基于机器学习模型的金融数据处理方法、设备及介质，能够对金融数据进行挖掘以获取实质与金融数据对应的用户的价值。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种基于机器学习模型的金融数据处理方法，该方法包括：获取与金融产品存在金融链接的至少一个对象的金融数据；通过机器学习模型对金融数据进行特征提取得到若干对象特征；基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签；为各第一标签配置相应的参考值，基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签；基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签。

为解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机设备，该计算机设备包括处理器、存储器和通信电路；存储器和通信电路耦接处理器，存储器存储有计算机程序，处理器能够执行计算机程序以实现如上述本申请提供的基于机器学习模型的金融数据处理方法。

为解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读的存储介质，该存储介质存储有计算机程序，计算机程序能够被处理器执行以实现如上述本申请提供的基于机器学习模型的金融数据处理方法。

本申请的有益效果是：区别于现有技术的情况，在获取到与金融产品存在金融链接的至少一个对象的金融数据之后，可以通过机器学习模型对金融数据进行特征提取以得到若干对象特征，从而可以基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签。由于金融数据中包括各种不同的对象特征，通过机器学习模型对不同的对象特征进行提取，从而可以基于提取到的对象特征对为金融数据对应的对象配置第一标签，进而便于对金融数据对应的至少一个对象进行划分和管理。然后可以为各第一标签配置相应的参考值，并基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签。通过为第一标签配置相应的参考值，并按照参考值的大小对第一标签进行排序，便于更直观地了解到不同第一标签的重要性。最后可以基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签。通过上述方案，可以综合较为重要的第一标签，并为对象配置用于综合描述较为重要的第一标签的第二标签，最终实现通过第二标签对至少一个对象进行划分，从而对金融数据进行挖掘以获取实质与金融数据对应的对象的特征，进而有利于基于输出的结果对不同的对象进行精准营销。

附图说明

图1是本申请基于机器学习模型的金融数据处理方法实施例的流程示意图；

图2是本申请基于机器学习模型的金融数据处理方法实施例的时序示意图；

图3是本申请计算机设备实施例的电路结构示意图；

图4是本申请计算机可读的存储介质实施例的电路结构示意图。

具体实施方式

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的一部分实施例，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。

随着大数据、区块链、人工智能等技术在金融行业的应用和发展，金融与科技深度融合、密切合作已成为现代金融的发展趋势。通过金融与科技相结合的模式，一方面可以使得金融公司提高服务效率、降低服务成本，另一方面可以为客户提供更好的金融服务，提高服务频率，扩大金融服务市场的规模。

发明人经过长期研究发现，对于金融公司而言，时常会面临大量的金融数据需要进行处理，而现有的金融数据处理方式对浮于数据表象，无法对金融数据进行挖掘以获取实质与金融数据对应的用户的价值，从而无法满足金融公司精准营销的需求。举例来说，若金融数据为工商基础数据，由于工商基础数据可能不够全面，从而导致基于该工商基础数据所确定的对象信息以及为该对象制定的营销策略、业务场景可能与对象的实际情况不相符，从而导致优质对象的流失，不利于业务拓展。

本申请以下实施例可应用于银行系统，具体地，可以应用于银行系统对金融数据进行处理的场景。

如图1所示，本申请基于机器学习模型的金融数据处理方法实施例可以包括如下步骤：S100：获取与金融产品存在金融链接的至少一个对象的金融数据。S200：通过机器学习模型对金融数据进行特征提取得到若干对象特征。S300：基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签。S400：为各第一标签配置相应的参考值，基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签。S500：基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签。

在获取到与金融产品存在金融链接的至少一个对象的金融数据之后，可以通过机器学习模型对金融数据进行特征提取以得到若干对象特征，从而可以基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签。由于金融数据中包括各种不同的对象特征，通过机器学习模型对不同的对象特征进行提取，从而可以基于提取到的对象特征对为金融数据对应的对象配置第一标签，进而便于对金融数据对应的至少一个对象进行划分和管理。然后可以为各第一标签配置相应的参考值，并基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签。通过为第一标签配置相应的参考值，并按照参考值的大小对第一标签进行排序，便于更直观地了解到不同第一标签的重要性。最后可以基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签。通过上述方案，可以综合较为重要的第一标签，并为对象配置用于综合描述较为重要的第一标签的第二标签，最终实现通过第二标签对至少一个对象进行划分，从而对金融数据进行挖掘以获取实质与金融数据对应的对象的特征，进而有利于基于输出的结果对不同的对象进行精准营销。

以下详细地对本实施进行说明，如图2所示，本实施例可以包括：

S100：获取与金融产品存在金融链接的至少一个对象的金融数据。

金融产品可以包括银行系统中所有可以进行金融交易的产品。具体地，金融产品可以包括银行系统进行托管的产品。

对象可以包括与金融产品存在金融链接的对象。具体地，金融链接可以包括产品或者资金之间的链接。

金融数据可以包括与对象相对应的金融交易所产生的数据，具体地，金融数据可以包括基础工商数据。在获取金融数据的过程中，可以通过大数据平台获取大量金融数据，然后通过与金融产品存在金融链接，确定金融数据对应的至少一个对象。

在一种实现方式中，对于如何获取与金融产品存在金融链接的至少一个对象的金融数据，可以参考S100包括的如下步骤：

S110：基于预设数据平台获取金融数据。

预设数据平台可以包括与银行系统联网的平台。银行系统可以从预设数据平台获取金融数据，举例来说，预设数据平台可以为工商大数据平台，银行系统可以从工商大数据平台获取基础工商数据。

S120：确定与金融数据相对应且与金融产品存在金融链接的至少一个对象。

在从预设数据平台获取到金融数据之后，可以确定与金融数据相对应且与金融产品存在金融链接的至少一个对象。具体地，银行系统可以通过金融产品之间的金融链接确定与金融数据实际相对应的至少一个对象。由于从预设数据平台获取到的金融数据直接表现出来的对象可能并非实质具有金融链接的对象，举例来说，若银行系统获取到基础工商数据后，该基础工商数据对应的对象并非实体企业，而是某个产品，则可以通过银行系统的金融产品与获取到的基础工商数据之间的金融链接确定出该基础工商数据实际对应的实体企业，从而实现对金融数据进行挖掘以获取实质与金融数据对应的对象的价值，从而满足金融公司精准营销的需求。

由于银行系统在从预设数据平台获取金融数据的过程中，为了提高数据处理的效果，可以同时获取大批量的金融数据，故获取到的金融数据可能对应有多个对象。

通过确定与金融数据相对应且与金融产品存在金融链接的至少一个对象，可以深度探源追溯金融数据的金融链，有利于全面覆盖与金融数据相关联的对象的全景，使得银行系统能够对该对象进行更全面的了解，有利于更好地为该对象提供更加精准的营销策略，同时也便于银行系统扩大拓客渠道。

在一种实现方式中，在获取与金融产品存在金融链接的至少一个对象的金融数据之后，可以包括如下步骤：

S130：对金融数据进行预处理。

由于本实施例是基于机器学习模型对金融数据进行处理，也就是说，在获取到金融数据之后，可以将金融数据输入机器学习模型中进行处理。为使得输入机器学习模型的金融数据可以保持干净，可以在输入机器学习模型之前对金融数据进行预处理，以提高机器学习模型对金融数据处理的准确性和稳定性。

在一种实现方式中，对于如何对金融数据进行预处理，可以参考S130包括的如下步骤：

S131：从金融数据中筛选出符合机器学习模型对应的预设条件的至少部分金融数据。

预设条件可以是机器学习模型中预先设置的条件。由于在对金融数据进行不同的数据处理的过程中，可以通过不同的脚本对机器学习模型进行训练，以使机器学习模型能够适应金融数据的不同处理模式。具体地，预设条件可以是与机器学习模型对应的建模相关性高的金融数据作为机器学习模型的输入。

也就是说，在对金融数据进行预处理的过程中，可以从金融数据中筛选出与当前机器学习模型对应的建模相关信息高的至少部分金融数据，作为机器学习模型的输入。

S132：对至少部分金融数据进行数据清洗。

在对金融数据进行筛选得到筛选后的至少部分金融数据之后，可以对至少部分金融数据进行数据清洗，以保证至少部分金融数据入模前为干净数据。

在一种实现方式中，对于如何对至少部分金融数据进行数据清洗，可以参考S132包括的如下步骤：

S1321：对至少部分金融数据进行缺失值填充。

S1322：对填充后的至少部分金融数据进行统一编码。

S1323：对统一编码后的至少部分金融数据进行二值化处理。

在对至少部分金融数据进行数据清洗的过程中，可以先对至少部分金融数据进行缺失值填充。由于通过预设数据平台获取到的金融数据没有经过处理，在数据拉取过程中可能会存在缺失的情况，因此需要对有缺失的部分进行填充，以保持金融数据的完整性。具体地，可以通过补充码值的方式对金融数据进行填充。

在对缺失的金融数据进行填充之后，可以对填充后的至少部分金融数据进行统一编码。由于从预设数据平台获取到的金融数据存在不同编码方式的数据，并且在通过补充码值的方式对缺失的金融数据进行填充之后，也存在编码方式不同的情况，因此可以对填充后的至少部分金融数据进行统一编码，以使至少部分金融数据在输入机器学习模型时采用统一的编码方式，从而便于对金融数据进行处理。

在采用统一的编码方式对至少部分金融数据进行编码之后，可以对统一编码后的至少部分金融数据进行二值化处理，从而有利于更好地对金融数据进行分析处理。

在对至少部分金融数据进行缺失值填充、统一编码以及二值化处理之后，可以得到干净的金融数据，从而可以将处理后的金融数据出入机器学习模型中进行处理。

S200：通过机器学习模型对金融数据进行特征提取得到若干对象特征。

在将金融数据输入机器学习模型之后，可以通过机器学习模型对金融数据进行特征提取得到若干对象特征。通过提取金融数据的对象特征，有利于对金融数据进行分类以及配置不同的标签，进而便于对金融数据进行处理。

在一种实现方式中，对于如何通过机器学习模型对金融数据进行特征提取得到若干对象特征，可以参考S200包括的如下步骤：

S210：通过机器学习模型基于金融数据的数据结构进行特征提取得到若干对象特征。

数据结构可以包括数据的内部结构以及规律。对象特征可以包括基于金融数据的数据结构所提取得到的特征。举例来说，对象特征可以包括数值特征、类别特征以及空间特征等。在通过机器学习模型进行特征提取的过程中，机器学习模型可以基于输入的金融数据的数据结构提取数值特征、类别特征以及空间特征。

在一种实现方式中，对于如何通过机器学习模型基于金融数据的数据结构进行特征提取得到若干对象特征，可以参考S210包括的如下步骤：

S211：采用预设数学计算方式确定金融数据的数据结构。

在机器学习模型基于金融数据的数据结构进行特征提取的过程中，可以采用预设数学计算方式确定金融数据的数据结构。具体地，预设数学计算方式可以是机器学习模型中预先设置的用于探索金融数据的结构和规律的方式。举例来说，预设数学计算方式可以为样本均值、方差、分位数、峰度等方式。

S212：基于数据结构进行特征提取得到若干对象特征。

在采用预设数学计算方式确定金融数据的数据结构之后，可以基于确定出的数据结构进行特征提取，从而得到若干对象特征。

S300：基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签。

第一标签可以包括基于对象特征为对象配置的标签。具体地，由于每个对象可以对应多个对象特征，则可以相应基于每个对象对应的所有对象特征为对象配置多个第一标签。通过为对象配置与对象特征相匹配的第一标签，一方面可以基于第一标签对若干对象以及对应的金融数据进行分类，有利于对金融数据的处理，另一方面有利于基于第一标签为对象配置划分更加精细的第二标签。

在一种实现方式中，对于如何基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签，可以参考S300包括的如下步骤：

S310：结合预设需求以及每一个对象各自对应的对象特征对每一个对象配置与各自对象特征相匹配的至少一个第一标签。

预设需求可以包括与机器学习模型相对应的业务需求。在若干对象配置至少一个第一标签的过程中，可以基于每一个对象各自对应的对象特征以及业务需求对每一个对象配置与各自对象特征相匹配的至少一个第一标签。

举例来说，若从对象A对应金融数据中所提取到的对象特征包括数值特征、类别特征和空间特征，则可以基于对象A的数值特征为对象A配置对外投资金额和对外投资频率这两个第一标签，并且这两个第一标签可以与对象A对应的金融数据中近3个月、近6个月或近1年总对外投资金额和数量相关联。

比如，还可以基于对象A的数值特征为对象A配置是否政府引导基金的第一标签，并且该第一标签可以与对象A对应的金融产品是否政府引导基金相关联。

再比如，还可以基于对象A的类别特征为对象A配置司法风险等级、经营风险等级、融资背景等级、企业活力等级、对外投资等级、投资区域、行业偏好等第一标签。其中，司法风险等级和经营风险等级可以与对象A对应近一年登记的风险数据的条数相关联。融资背景等级可以与对象A对应的控股背景、入股背景、投资背景、融资背景相关联。企业活力等级可以与对象A对应的经营状态、对外投资数量和金额、被投资数量和金额相关联。对外投资等级可以包括投资保守型、相对保守型、稳健型、相对积极型、积极型。投资区域和行业偏好可以与对象A投资企业的区域或行业分布中占比最高的相关联。

再比如，还可以基于对象A的空间特征为对象A配置自身特征这一第一标签，并且该第一标签可以与对象A的注册金额和所在区域相关联。

S400：为各第一标签配置相应的参考值，基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签。

参考值可以是基于每个第一标签的重要程度所配置的数值。也就是说，若第一标签对应的参考值越大，则可以认为该第一标签的重要程度越高。其中，该重要程度可以是与机器学习模型对应的业务需求相关联的。

在对每一个对象配置与各自对象特征相匹配的至少一个第一标签之后，可以为各第一标签配置相应的参考值，然后可以基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签。

在一种实现方式中，对于如何为各第一标签配置相应的参考值，可以参考S400包括的如下步骤：

S410：采用过滤式方法对每一个对象各自对应的各第一标签配置相应的参考值。

在为各第一标签配置相应的参考值的过程中，可以采用过滤式方法对每一个对象各自对应的各第一标签配置相应的参考值。也就是说，可以采用过滤式方法，基于各第一标签的重要程度，对每一个对象各自对应的各第一标签进行打分，以得到每个第一标签对应的参考值。举例来说，若多个第一标签中，对外投资金额这个第一标签的重要程度较高，则可以为对外投资金额这个第一标签配置参考值为80分，若对外投资频率这个第一标签的重要程度次于对外投资金额，则可以为对外投资频率这个第一标签配置参考值为75分。

在一种实现方式中，在为各第一标签配置相应的参考值之后，可以包括如下步骤：

S420：基于各第一标签各自对应的参考值的大小对每一个对象对应的所有第一标签进行排序。

在为各第一标签配置相应的参考值之后，可以基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序。具体地，可以基于各第一标签各自对应的参考值的大小对每一个对象对应的所有第一标签进行排序。由于每个对象可以对应有多个第一标签，因此需要对每个对象各自对应的所有第一标签按照参考值的大小进行排序。举例来说，若对象A对应的第一标签包括对外投资金额、对外投资频率、企业活力等级，且对应的参考值分别为80、75、60，则基于参考值的大小对第一标签进行排序为对外投资金额、对外投资频率、企业活力等级。若对象B对应的第一标签包括对外投资金额、融资背景等级、经营风险等级，且对应的参考值分别为80、70、85，则基于参考值的大小对第一标签进行排序为经营风险等级、对外投资金额、融资背景等级。

S430：确定出每一个对象对应的所有第一标签中排列于前预设位数的第一标签。

在对每一个对象对应的所有第一标签进行排序之后，则可以确定出每一个对象对应的所有第一标签中排列于前预设位数的第一标签。通过对每一个对象对应的所有第一标签进行排序，并确定出排列于前预设位数的第一标签，可以更加直观地确定出所有第一标签中重要程度最高的若干第一标签，有利于更加快速地对若干对象进行划分，同时也能够基于排列于前预设位数的第一标签为对象配置第二标签。

举例来说，若前预设位数为3，则在对象A对应的所有第一标签按照参考值大小进行排序之后，可以确定出对象A对应的所有第一标签中排列于前3的为对外投资金额、对外投资频率、企业活力等级。

S500：基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签。

第二标签可以包括用于综合描述排列于前预设位数的第一标签的标签。举例来说，若排列于前预设位数的第一标签的标签分别为对外投资金额、对外投资频率、企业活力等级，则用于综合描述这三个第一标签的第二标签可以为投资活跃度以及金额，且该第二标签与对象的对外投资金额、对外投资频率、企业活力等级相关联。

在确定出排列于前预设位数的第一标签之后，可以基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，最后通过机器学习模型关联输出对象以及相匹配的第二标签。

在一种实现方式中，对于如何基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签，可以参考S500包括的如下步骤：

S510：采用无监督学习模式对排列于前预设位数的第一标签对应的对象相匹配的金融数据按照区间进行聚类。

S520：基于聚类结果为对象配置第二标签。

S530：通过机器学习模型关联输出对象以及相匹配的第二标签。

在为对象配置第二标签的过程中，可以采用无监督学习模式对排列于前预设位数的第一标签对应的所有对象相匹配的金融数据按照区间进行聚类，然后基于聚类结果为对象配置第二标签。也就是说，通过机器学习模型采用无监督学习模式对排列于前预设位数的第一标签对应的对象相匹配的金融数据相似度高的聚类在一起，然后按照区间层次分类，从而可以基于聚类结果为对象配置第二标签。在为对象配置第二标签之后，则可以通过机器学习模型关联输出对象以及相匹配的第二标签。

举例来说，若对象A对应的排列于前3的第一标签为对外投资金额、对外投资频率、企业活力等级，机器学习模型采用无监督学习模式对对外投资金额、对外投资频率、企业活力等级对应的金融数据按照区间进行聚类之后，可以基于聚类结果为对象A配置投资活跃度较高且金额大的第二标签。也就是说，在将对象A对应的金融数据输入机器学习模型之后，机器学习模型可以输出对象A以及投资活跃度较高且金额大的第二标签。

综上所述，本实施例在获取到与金融产品存在金融链接的至少一个对象的金融数据之后，可以通过机器学习模型对金融数据进行特征提取以得到若干对象特征，从而可以基于若干对象特征对至少一个对象配置与若干对象特征相匹配的至少一个第一标签。由于金融数据中包括各种不同的对象特征，通过机器学习模型对不同的对象特征进行提取，从而可以基于提取到的对象特征对为金融数据对应的对象配置第一标签，进而便于对金融数据对应的至少一个对象进行划分和管理。然后可以为各第一标签配置相应的参考值，并基于至少一个第一标签各自对应的参考值的大小对至少一个第一标签进行排序并确定出排列于前预设位数的第一标签。通过为第一标签配置相应的参考值，并按照参考值的大小对第一标签进行排序，便于更直观地了解到不同第一标签的重要性。最后可以基于排列于前预设位数的第一标签对相匹配的对象配置用于综合描述排列于前预设位数的第一标签的第二标签，并关联输出对象以及相匹配的第二标签。通过上述方案，可以综合较为重要的第一标签，并为对象配置用于综合描述较为重要的第一标签的第二标签，最终实现通过第二标签对至少一个对象进行划分，从而对金融数据进行挖掘以获取实质与金融数据对应的对象的特征，进而有利于基于输出的结果对不同的对象进行精准营销。

如图3所示，本申请计算机设备实施例描述的计算机设备100可以为上述银行系统。计算机设备100可以包括处理器110、存储器120和通信电路130。

存储器120用于存储计算机程序，可以是RAM(只读存储器，Read-Only Memory)，也是可以ROM(随机存取存储器，Random Access Memory)，或者其他类型的存储设备。具体地，存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一条程序代码。

处理器110用于控制计算机设备100的操作，处理器110还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器110可能是一种集成电路芯片，具有信号的处理能力。处理器110还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器110也可以是任何常规的处理器等。

处理器110用于执行存储器120中存储的计算机程序以实现本申请基于机器学习模型的金融数据处理方法实施例描述的基于机器学习模型的金融数据处理方法。

计算机设备100还可以包括通信电路130，通信电路130是计算机设备100用于与外面的设备进行通信连接器件或电路，以使得处理器110能够经通信电路130与外界设备进行数据交互。

关于本申请计算机设备实施例中各功能模块或者部件功能和执行过程的详细阐述，可以参照上述本申请基于机器学习模型的金融数据处理方法实施例中的阐述，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的计算机设备100和基于机器学习模型的金融数据处理方法，可以通过其它的方式实现。例如，以上所描述的计算机设备100各实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元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，装置或单元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单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

参阅图4，上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在计算机可读存储介质200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存储介质中，包括若干指令/计算机程序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)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种介质以及具有上述存储介质的电脑、手机、笔记本电脑、平板电脑、相机等电子终端。

关于计算机可读的存储介质中的程序数据的执行过程的阐述可以参照上述本申请基于机器学习模型的金融数据处理方法实施例中阐述，在此不再赘述。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。