产品估值方法、装置、计算机设备和存储介质

技术领域

本申请涉及金融领域，特别是涉及一种产品估值方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着金融领域的发展，出现了各种不同的金融产品。很多情况下，金融领域中需要对金融产品进行估值，例如金融机构为了更好地预测产品收益，对相关产品进行估值。

目前，常用的估值方法包括蒙特卡洛和树结构等估值方法，以蒙特卡洛方法为例，它通过重复随机过程得到估值的平均值，以估值的平均值反映产品的真实价格。

然而，由于目前的估值方式计算过程复杂度高，从而导致误差较大，使得产品估值的准确度较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高产品估值的准确度的产品估值方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种产品估值方法。所述方法包括：根据产品的标的对应的价格下限值和所述标的对应的价格上限值确定价格范围，在所述价格范围中划分出预设数量个价格区间；所述价格范围中每个价格区间具有编号，且从第一个价格区间到最后一个价格区间编号连续递增；确定未来观察点对应的未来概率向量；所述未来概率向量，包括每个所述价格区间分别对应的迁移概率，所述未来概率向量中的迁移概率按照价格区间的编号从小到大排列，所述未来概率向量中价格区间对应的迁移概率，是指所述标的在所述未来观察点具有的价格位于所述价格区间的概率；通过各所述价格区间对应的迁移概率对各所述价格区间对应的单位浮动收益率进行加权计算，得到所述产品在所述未来观察点的单位收益率估值；所述价格区间对应的单位浮动收益率，是指在所述标的具有的价格位于所述价格区间的情况下所述产品的单位浮动收益率。

第二方面，本申请还提供了一种产品估值装置。所述装置包括：价格区间确定模块，用于根据产品的标的对应的价格下限值和所述标的对应的价格上限值确定价格范围，在所述价格范围中划分出预设数量个价格区间；所述价格范围中每个价格区间具有编号，且从第一个价格区间到最后一个价格区间编号连续递增；第一未来概率向量确定模块，用于确定未来观察点对应的未来概率向量；所述未来概率向量，包括每个所述价格区间分别对应的迁移概率，所述未来概率向量中的迁移概率按照价格区间的编号从小到大排列，所述未来概率向量中价格区间对应的迁移概率，是指所述标的在所述未来观察点具有的价格位于所述价格区间的概率；第一单位收益率估值模块，用于通过各所述价格区间对应的迁移概率对各所述价格区间对应的单位浮动收益率进行加权计算，得到所述产品在所述未来观察点的单位收益率估值；所述价格区间对应的单位浮动收益率，是指在所述标的具有的价格位于所述价格区间的情况下所述产品的单位浮动收益率。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述金融凭证处理方法中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述金融凭证处理方法中的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述金融凭证处理方法中的步骤。

上述产品估值方法、装置、计算机设备、存储介质和计算机程序产品，根据产品的标的对应的价格下限值和标的对应的价格上限值确定价格范围，在价格范围中划分出预设数量个价格区间，确定未来观察点对应的未来概率向量，未来概率向量，包括每个价格区间分别对应的迁移概率，通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品在未来观察点的单位收益率估值，相比于常用的蒙特卡洛和树结构等估值方法，提高了产品估值的准确度。

附图说明

图1为一个实施例中产品估值方法的应用环境图；

图2为一个实施例中产品估值方法的流程示意图；

图3为一个实施例中的时空网格点图；

图4为一个实施例中确定未来概率向量步骤的流程示意图；

图5为一个实施例中产品估值装置的结构框图；

图6为一个实施例中计算机设备的内部结构图；

图7为另一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的产品估值方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104是产品估值系统对应的后台服务器。终端102可以展示产品估值系统对应的界面。

具体地，服务器104根据产品的标的对应的价格下限值和标的对应的价格上限值确定价格范围，在价格范围中划分出预设数量个价格区间。服务器104确定未来观察点对应的未来概率向量，未来概率向量中的迁移概率按照价格区间的编号从小到大排列，未来概率向量中价格区间对应的迁移概率，是指标的在未来观察点具有的价格位于价格区间的概率。服务器104通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品在未来观察点的单位收益率估值。价格区间对应的单位浮动收益率，是指在标的具有的价格位于价格区间的情况下产品的单位浮动收益率。终端102在金融平台展示该产品的估值结果。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种产品估值方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，根据产品的标的对应的价格下限值和标的对应的价格上限值确定价格范围，在价格范围中划分出预设数量个价格区间；价格范围中每个价格区间具有编号，且从第一个价格区间到最后一个价格区间编号连续递增。

其中，产品的标的代表该金融产品的基础资产。价格是指产品标的具有的价值。价格范围是从产品标的数值最小值的对数到产品标的数值最大值的对数。价格区间将价格范围平均划分，用于判断标的具体位置。

具体地，服务器可以先通过标的对应价格最小值的对数和最大值的对数确定价格范围，再将此范围平均划分为从0到n-1共n个区间，例如，图3中的第0～n-1个区间，为每个价格区间设定编号。编号是每个价格区间排列后，从下至上设置为依次连续递增的。

在一些实施例中，如图3所示，构建估值时空网格点，用于更准确地判断观察点的位置。图3中的横坐标表示时间维度，即从当前观察日起的观察日天数，横坐标起点Now为当前观察日，终点Expiry为观察到期日。图3中的纵坐标表示空间维度，即以产品标的数值最小值的对数到产品标的数值最大值的对数为价格范围，观察点超出价格范围则视为突破障碍，只能获得固定保底收益。价格区间的个数n可以根据精度的需求确定，通常情况下取100或1000等整数。价格区间个数n越大，相同的价格范围划分的价格区间间隔越小，计算时准确度越高，进而提高近似程度。

步骤204，确定未来观察点对应的未来概率向量；未来概率向量，包括每个价格区间分别对应的迁移概率，未来概率向量中的迁移概率按照价格区间的编号从小到大排列，未来概率向量中价格区间对应的迁移概率，是指标的在未来观察点具有的价格位于价格区间的概率。

其中，未来观察点可以表示当前观察点的下一观察点，也可以表示当前观察点的下一观察点之后的观察点，观察点是指时间点。未来观察点有多个，例如有m个，如图3所示，该m个未来观察点分别为第1～m个未来观察点，分别代表自当前观察日起每天的观察点。

未来概率向量，包括每个价格区间分别对应的迁移概率，未来概率向量中的迁移概率按照价格区间的编号从小到大排列。未来概率向量是由未来观察点所在的价格区间对应的迁移概率组成的，迁移概率是指标的在未来观察点移动到某一价格区间的可能性。以图3中时间1的未来观察点为例，其初始概率向量为：

其中，b是初始标的点位。由公式lnS

服务器中的产品估值系统可以通过公式P(x)＝CDF((x+1/2)d)-CDF((x-1/2)d)模拟出每个价格区间对应的迁移概率，式中的S为标的价格，CDF代表累积密度函数，即lnS的正态函数。假设各相邻观察点间的随机变化满足log normal的布朗运动，即lnS的正态函数为lnS～N((r-σ

在一些实施例中，风险中性布朗运动的标的满足如下随机分布：

dS＝rSdt+σSdW

上式中dt漂移项的系数是无风险利率r，根据风险中性概率求得。

使用Ito法则可推导出lnS的风险中性随机分布，即：

从上式可以看出dlnS在风险中性概率下满足正态分布，因此可使用连续的正态密度函数进行模拟并计算迁移矩阵中的概率。

具体地，服务器中的产品估值系统首先根据公式计算出价格区间对应的迁移概率，再结合初始标的点位，将迁移概率组合为未来概率向量Q(m)。

步骤206，通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品在未来观察点的单位收益率估值；价格区间对应的单位浮动收益率，是指在标的具有的价格位于价格区间的情况下产品的单位浮动收益率。

其中，单位浮动收益率是指标的具有的价格位于价格区间范围内时，用户指定的金融产品在这个价格区间能够获得的单位收益率的最小值与最大值。单位收益率估值是在单位浮动收益率的基础上，对其进行加权计算得到的。

具体地，服务器中的产品估值系统根据各价格区间对应的迁移概率，对各价格区间对应的单位浮动收益率进行加权计算。

在一些实施例中，第i个价格区间产生的单位浮动收益率可以表示为：

上式中，i表示第i个价格区间，K表示标的固定保底收益率。

假设各观察点间的位移是互相独立的，时间2的每个观察点移动到不同价格区间的概率是时间1的n个观察点移动到不同价格区间迁移概率的加和，时间2各个观察点移动到不同价格区间的概率可表示为：

上式用矩阵的形式表示，则为：Q(2)＝Ψ*Q(1)。

时间2及此后同理，反复迭代即可求得各时点直至到期日的概率向量，即：

Q(m)＝Ψ

以一年期的产品为例，假设投资获取标的收益或在突破障碍等情况下可以获取标的固定保底收益率K，则单位收益率估值可通过以下公式计算：

其中，Payout是指产品的单位收益率估值，K是指标的固定保底收益率。

当产品实际的期限和付息方式不同时，上述公式也存在差异。例如，标的固定保底收益率K不存在，即标的固定保底收益率K为0时，产品的单位收益率估值就是产品的单位浮动收益率。标的固定保底收益率K存在，即标的固定保底收益率K不为0时，产品的单位收益率估值则是产品的单位浮动收益率和标的固定保底收益率K的加和。

上述产品估值方法中，根据产品的标的对应的价格下限值和标的对应的价格上限值确定价格范围，在价格范围中划分出预设数量个价格区间，确定未来观察点对应的未来概率向量，未来概率向量，包括每个价格区间分别对应的迁移概率，通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品在未来观察点的单位收益率估值，相比于常用的蒙特卡洛和树结构等估值方法，提高了产品估值的准确度。

在一个实施例中，如图4所示，确定未来观察点对应的未来概率向量包括：

步骤402，在未来观察点为当前观察点的下一观察点的情况下，获取标的在当前观察点具有的当前价格，确定当前价格在价格范围中所属的价格区间，得到当前价格区间。

具体地，以当前观察点在时间0为例，未来观察点是当前观察点的下一观察点，即未来观察点处于时间1，服务器获取该未来观察点的价格，并根据价格在图3中找到该未来观察点所处的具体价格区间。

步骤404，根据当前价格区间，确定当前观察点的下一观察点对应的概率向量。

具体地，以当前观察点在时间0为例，未来观察点是当前观察点的下一观察点，即未来观察点处于时间1。根据该未来观察点所处的价格区间，可以确定时间1时该未来观察点从初始标的点位移动到各个不同价格区间的位移。假设初始标的点位所在价格区间为b，则该未来观察点从初始标的点位移动到价格区间0的位移为-b，该未来观察点移动到价格区间1的位移为(-b+1)，以此类推，可以得出时间1时该未来观察点从初始标的点位移动到各个不同价格区间的概率P(-b)，P(-b+1)，…，P(-b+n-1)，这些概率根据所移动到的价格区间的编号从小到大排列，得到处于时间1的该未来观察点对应的概率向量Q(1)。

步骤406，在未来观察点为当前观察点的下一观察点之后的观察点的情况下，基于基准概率向量预测未来观察点对应的未来概率向量；基准概率向量是指当前观察点的下一观察点对应的概率向量。

其中，基准概率向量是当前观察点的下一观察点对应的概率向量Q(1)，即标的处于时间1时对应的概率向量。

具体地，以当前观察点在时间0为例，未来观察点是当前观察点的下一观察点之后的观察点，即未来观察点处于时间m，m≥2。假设未来观察点处于时间2，各观察点之间的位移互相独立，则未来观察点在时间2的各个点位概率是时间1的n个点位迁移过来的加和，即利用迁移矩阵对基准概率向量Q(1)进行加权，由此可以得出处于时间2的该未来观察点对应的概率向量Q(2)。

本实施例中，通过确定当前标的所属的价格区间，能够预测未来观察点对应的未来概率向量Q(m)，提高估值准确度。

在一些实施例中，在未来观察点为当前观察点的下一观察点之后的观察点的情况下，未来概率向量中的迁移概率为第一迁移概率；根据当前价格区间，确定当前观察点的下一观察点对应的概率向量包括：针对每个价格区间，确定标的具有的价格从当前价格区间变更到价格区间的概率，得到价格区间对应的第二迁移概率；按照编号从小到大的顺序对各价格区间对应的第二迁移概率进行排列，将排列得到的向量作为当前观察点的下一观察点对应的概率向量。

其中，第一迁移概率是未来概率向量Q(m)的组成部分，即时间m时观察点分别从当前所在点位移动到价格区间0、价格区间1、…、价格区间n-1的迁移概率。第二迁移概率是基准概率向量Q(1)的组成部分，即时间1时观察点分别从初始点位移动到价格区间0、价格区间1、…、价格区间n-1的迁移概率。

具体地，服务器中的产品估值系统首先根据初始标的点位所处的价格区间，获取基准概率向量Q(1)，它包括标的在下一观察点具有的价格位于价格区间的概率，即第二迁移概率，这些迁移概率按照价格区间的编号从小到大在基准概率向量中排列，排列得到的向量作为当前观察点的下一观察点对应的概率向量。

假设未来观察点处于时间2，则服务器再根据基准概率向量，利用迁移矩阵对基准概率向量Q(1)加权得到处于时间2的该未来观察点对应的概率向量Q(2)。以此类推可以得出处于时间m的未来观察点对应的概率向量Q(m)。

在一些实施例中，假设标的目前处于价格区间5中，那么它在时间1会移动到价格区间0的位移为-5，移动到价格区间1的位移为(-5+1)，即-4，据此位移可以计算出分别移动到不同价格区间时对应的第二迁移概率，以此类推，可以排列得到基准概率向量：

该标的在时间2的未来观察点对应的未来概率向量为：

本实施例中，在未来观察点为所述当前观察点的下一观察点之后的观察点的情况下，通过第二迁移概率排列组成的基准概率向量，可以预测未来观察点对应的未来概率向量，提高估值准确度。

在一些实施例中，基于基准概率向量预测未来观察点对应的未来概率向量包括：获取目标价格区间对应的迁移向量；其中，目标价格区间对应的迁移向量，包括每个价格区间分别对应的第三迁移概率，迁移向量中的第三迁移概率按照价格区间的编号从小到大排列，价格区间对应的第三迁移概率，代表标的具有的价格从价格区间变更到目标价格区间的概率；目标价格区间为各价格区间中的任一价格区间；将各价格区间分别对应的迁移向量作为矩阵的行向量生成迁移矩阵；迁移矩阵中迁移向量按照价格区间的编号从小到大排列；基于迁移矩阵和基准概率向量预测未来观察点对应的未来概率向量。

其中，迁移向量可以表示迁移矩阵的其中任意一行。迁移矩阵的每一个行向量均为迁移向量。第三迁移概率是指标的价格从当前价格区间变更到目标价格区间的概率。目标价格区间可以是价格区间中的任一价格区间。

具体地，产品估值系统将每个价格区间分别对应的第三迁移概率按照价格区间的编号从小到大排列，构成目标价格区间对应的迁移向量，再将这些迁移向量按照价格区间的编号从小到大排列后，作为矩阵的行向量生成迁移矩阵，结合迁移矩阵和基准概率向量，可以预测未来观察点对应的未来概率向量。

本实施例中，通过第三迁移概率构成的迁移向量，结合迁移矩阵和基准概率向量，可以预测未来观察点对应的未来概率向量，提高估值准确度。

在一些实施例中，基于迁移矩阵和基准概率向量预测未来观察点对应的未来概率向量包括：确定未来观察点与下一观察点之间间隔的观察点的数量，得到间隔数量；将迁移矩阵与基准概率向量进行相乘运算，得到临时向量；在参与相乘运算的迁移矩阵的数量未达到间隔数量的情况下，将临时向量作为新的基准概率向量，返回将迁移矩阵与基准概率向量进行相乘运算，得到临时向量的步骤，直到参与相乘运算的迁移矩阵的数量达到间隔数量为止停止迭代；将停止迭代时得到的临时向量作为未来观察点对应的未来概率向量。

其中，间隔数量是由于存在m时间，因此存在m-1个间隔数量。临时向量是迁移矩阵与基准概率向量相乘得到的向量。

具体地，产品估值系统根据金融产品从发售至到期日的总时间数m得到间隔数量m-1，再将迁移矩阵与基准概率向量的乘积作为临时向量，充当新的基准概率向量参加后续相乘的步骤，反复进行上述步骤，直至参与相乘运算的迁移矩阵数量为m-1个时可以停止该迭代过程。迭代过程停止时的临时向量即为未来观察点对应的未来概率向量。

本实施例中，通过迁移矩阵与基准概率向量反复迭代，能够得到未来观察点对应的未来概率向量，提高估值准确度。

在一些实施例中，通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品在未来观察点的单位收益率估值包括：获取产品的单位固定收益率；通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品的单位浮动收益率估值；对单位固定收益率和单位浮动收益率估值进行统计，得到产品在未来观察点的单位收益率估值。

其中，单位浮动收益率是指标的具有的价格位于价格区间范围内时，用户指定的金融产品在这个价格区间能够获得的单位收益率的最小值与最大值。单位收益率估值是在单位浮动收益率的基础上，对其进行加权计算得到的。单位固定收益率为K。

具体地，产品估值系统确定该产品的固定保底收益率K，然后基于各价格区间对应的迁移概率，加权计算各价格区间对应的单位浮动收益率，将二者结合得到产品在未来观察点的单位收益率估值。

在一些实施例中，以一年期的产品为例，假设投资获取标的收益或在突破障碍等情况下获取固定保底收益率K，则单位收益率估值可通过以下公式计算：

其中，Payout是指产品的单位收益率估值，K是指标的固定保底收益率。当产品实际的期限时间和付息方式不同时，上述公式也存在差异。例如，标的固定保底收益率K不存在，即标的固定保底收益K为0时，产品的单位收益率估值就是产品的单位浮动收益率。标的固定保底收益率K存在，即标的固定保底收益率K不为0时，产品的单位收益率估值则是产品的单位浮动收益率和标的固定保底收益率K的加和。

本实施例中，通过加权计算各价格区间对应的单位浮动收益率，与产品的单位固定收益率K结合，能够得到产品在未来观察点的单位收益率估值，提高估值准确度。

本申请提供的产品估值方法，可以是与风险中性估值相关的，给定标的资产的价值，衍生工具的价值不依赖于标的资产的平均收益率或投资者的风险偏好，理由是进行衍生工具估值时，所依据的标的资产已经包含概率和风险规避的信息。风险中性估值的步骤是：

(1)在标的资产现值及未来可能值已定的情况下，确定与投资者风险中性相一致的风险中性概率；

(2)将每一个风险中性概率乘以衍生工具相应的未来值，并求和；

(3)对(2)中的结果使用无风险利率贴现。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品估值方法的产品估值装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品估值装置实施例中的具体限定可以参见上文中对于产品估值方法的限定，在此不再赘述。

在一个实施例中，如图5所示，提供了一种产品估值装置，包括：价格区间确定模块502、第一未来概率向量确定模块504和第一单位收益率估值模块506，其中：

价格区间确定模块502，用于根据产品的标的对应的价格下限值和标的对应的价格上限值确定价格范围，在价格范围中划分出预设数量个价格区间；价格范围中每个价格区间具有编号，且从第一个价格区间到最后一个价格区间编号连续递增。

第一未来概率向量确定模块504，用于确定未来观察点对应的未来概率向量；未来概率向量，包括每个价格区间分别对应的迁移概率，未来概率向量中的迁移概率按照价格区间的编号从小到大排列，未来概率向量中价格区间对应的迁移概率，是指标的在未来观察点具有的价格位于价格区间的概率。

第一单位收益率估值模块506，用于通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品在未来观察点的单位收益率估值；价格区间对应的单位浮动收益率，是指在标的具有的价格位于价格区间的情况下产品的单位浮动收益率。

在一些实施例中，装置还包括第二未来概率向量确定模块，用于在未来观察点为当前观察点的下一观察点的情况下，获取标的在当前观察点具有的当前价格，确定当前价格在价格范围中所属的价格区间，得到当前价格区间；根据当前价格区间，确定当前观察点的下一观察点对应的概率向量；在未来观察点为当前观察点的下一观察点之后的观察点的情况下，基于基准概率向量预测未来观察点对应的未来概率向量；基准概率向量是指当前观察点的下一观察点对应的概率向量。

在一些实施例中，装置还包括概率向量确定模块，用于针对每个价格区间，确定标的具有的价格从当前价格区间变更到价格区间的概率，得到价格区间对应的第二迁移概率；按照编号从小到大的顺序对各价格区间对应的第二迁移概率进行排列，将排列得到的向量作为当前观察点的下一观察点对应的概率向量。

在一些实施例中，装置还包括第一未来概率向量预测模块，用于获取目标价格区间对应的迁移向量；其中，目标价格区间对应的迁移向量，包括每个价格区间分别对应的第三迁移概率，迁移向量中的第三迁移概率按照价格区间的编号从小到大排列，价格区间对应的第三迁移概率，代表标的具有的价格从价格区间变更到目标价格区间的概率；目标价格区间为各价格区间中的任一价格区间；将各价格区间分别对应的迁移向量作为矩阵的行向量生成迁移矩阵；迁移矩阵中迁移向量按照价格区间的编号从小到大排列；基于迁移矩阵和基准概率向量预测未来观察点对应的未来概率向量。

在一些实施例中，装置还包括第二未来概率向量预测模块，用于确定未来观察点与下一观察点之间间隔的观察点的数量，得到间隔数量；将迁移矩阵与基准概率向量进行相乘运算，得到临时向量；在参与相乘运算的迁移矩阵的数量未达到间隔数量的情况下，将临时向量作为新的基准概率向量，返回将迁移矩阵与基准概率向量进行相乘运算，得到临时向量的步骤，直到参与相乘运算的迁移矩阵的数量达到间隔数量为止停止迭代；将停止迭代时得到的临时向量作为未来观察点对应的未来概率向量。

在一些实施例中，装置还包括第二单位收益率估值模块，还用于获取产品的单位固定收益率；

通过各价格区间对应的迁移概率对各价格区间对应的单位浮动收益率进行加权计算，得到产品的单位浮动收益率估值；

对单位固定收益率和单位浮动收益率估值进行统计，得到产品在未来观察点的单位收益率估值。

上述产品估值装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储产品估值数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品估值方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品估值方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6和图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。