基于人工智能的投资配置推荐方法、装置、设备及介质

技术领域

本发明涉及人工智能及金融科技领域，尤其涉及一种基于人工智能的投资配置推荐方法、装置、设备及介质。

背景技术

随着人们生活水平的提高，手上的流动资金越来越富余，相对于将资金存入银行，人们更愿意将资金投资于股票、基金、债券等收益较高的理财产品。

现有技术中，用户在进行理财产品的投资时，通常结合自身的投资经验，理财产品的风险以及回报说明等进行投资，这种投资方式主观性较强，若用户的投资经验不足，则投资收益的可靠性较差，因此需要一种投资配置生成方法，为用户提供投资策略。

发明内容

本发明实施例提供了一种基于人工智能的投资配置推荐方法、装置、设备及介质，解决了现有技术中投资方式可靠性差的技术问题。

第一方面，本发明实施例提供了一种基于人工智能的投资配置推荐方法，方法包括：

获取目标用户的交易数据、投资目标以及投资市场数据，其中，所述交易数据包括交易额、交易频率、用户反馈数据、交易记录以及持仓数据，所述投资市场数据包括财务报表数据、投资市场指数、与投资相关的公告数据和行业动态数据；

根据所述交易数据进行用户投资偏好的分析，得到所述目标用户的用户投资偏好数据；

根据预训练的投资配置推荐模型，对所述交易数据、所述用户投资偏好数据、所述投资目标和所述投资市场数据进行投资配置推荐，获得所述目标用户的目标投资配置。

第二方面，本发明实施例还提供了一种基于人工智能的投资配置推荐装置，装置包括：

数据获取模块，用于获取目标用户的交易数据、投资目标以及投资市场数据，其中，所述交易数据包括交易额、交易频率、用户反馈数据、交易记录以及持仓数据，所述投资市场数据包括财务报表数据、投资市场指数、与投资相关的公告数据和行业动态数据；

用户投资偏好数据获取模块，用于根据所述交易数据进行用户投资偏好的分析，得到所述目标用户的用户投资偏好数据；

目标投资配置获取模块，用于根据预训练的投资配置推荐模型，对所述交易数据、所述用户投资偏好数据、所述投资目标和所述投资市场数据进行投资配置推荐，获得所述目标用户的目标投资配置。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明任一项实施例中的方法的步骤。

第四方面，本发明实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如本发明任一项实施例中的方法的步骤。

本发明实施例提供的基于人工智能的投资配置推荐方法、装置、设备及介质，所实现的方案中，可以通过获取目标用户的交易数据、投资目标以及投资市场数据，根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，进而通过预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标以及投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，本发明实施例的技术方案，由于输入到投资配置推荐模型中的数据包括用户的交易数据、用户投资偏好数据以及投资目标，使得目标投资配置更加符合目标用户的投资特点，而投资市场数据使得目标投资配置更加贴合当前的投资市场情况。因此，本发明实施例的目标投资配置的可靠性更高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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他的附图。

图1是本发明一实施例中的一种基于人工智能的投资配置推荐方法的应用环境示意图；

图2是本发明一实施例中的一种基于人工智能的投资配置推荐方法的流程示意图；

图3是本发明一实施例中的一种基于人工智能的投资配置推荐装置的结构示意图；

图4是本发明一实施例中的一种计算机设备的结构示意图；

图5是本发明一实施例中的一种计算机设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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作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。

本发明实施例提供的方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。服务端可以通过客户端接收目标用户的交易数据、投资目标以及投资市场数据，之后根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，根据预训练的投资配置推荐模型对交易数据、目标用户的用户投资偏好数据、投资目标以及投资市场数据进行处理，获得目标用户的目标投资配置，并将目标投资配置反馈回客户端。

在金融市场环境下，投资产品多种多样，人们愿意将资金投入投资产品，以提高收益。而目前的投资产品，影响收益的因素过多，例如：金融市场会受到基本面、政策、新闻以及技术等。用户需要考虑这些影响因素、投资产品的风险以及自身对于收益的要求等进行投资，增加了投资的难度，并且，这种投资方式的可靠性较差。并且，投资产品的收益率不同，风险也不同。用户在进行投资时，还需要考虑投资产品的风险情况。比如，投资产品为银行理财产品时，银行理财产品的风险等级一般由低到高分为R1(低风险)、R2(中低风险)、R3(中风险)、R4(中高风险)、R5(高风险)5个级别，而风险等级越高的理财产品，配置权益类、衍生品类资产的比例就越高，净值波动会较大，因此获取超额收益的可能也大。而风险等级低的理财产品，配置的是债券类、现金类资产比例较多，净值波动会比较小，因此获取超额收益的可能较小，银行理财产品更显稳健。用户需要考虑自身对收益的需求，并且考虑投资风险等，来进行投资，难度较大。因此，需要一种投资配置推荐方法，来为目标用户提供投资配置，帮助用户投资。

本发明实施例提供了一种基于人工智能的投资配置推荐方法、装置、设备及介质，本发明实施例的方案通过获取目标用户的交易数据、投资目标以及投资市场数据，根据交易数据进行用户投资偏好的分析，获得目标用户的用户投资偏好数据，进而根据预训练的投资配置推荐模型，对交易数据、目标用户的用户投资偏好数据、投资目标和投资市场数据进行处理，获得目标用户的目标投资配置。本发明实施例的技术方案实现了根据交易数据获得目标用户的用户投资偏好数据，使得后续获得的目标投资配置符合目标用户的特点，并且，根据投资配置推荐模型，对目标用户的交易数据、用户投资偏好数据、投资目标以及投资市场数据进行处理，得到的目标投资配置，更加符合目标用户的需求，为目标用户的投资提供了建议，提高了用户的体验度。

其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端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。下面通过具体的实施例对本发明进行详细的描述。

请参阅图2所示，图2为本发明实施例提供的基于人工智能的投资配置推荐方法的一个流程示意图，包括如下步骤：

S110、获取目标用户的交易数据、投资目标以及投资市场数据。

其中，所述交易数据包括交易额、交易频率、用户反馈数据、交易记录以及持仓数据，交易记录可以是指针对任意的投资产品投资的交易记录，包括买入和卖出等。用户反馈数据包括反馈意见和投资体验，比如，用户填写的与投资相关的调查问卷等。持仓数据是指目标用户的资金持仓数据。所述投资市场数据包括财务报表数据、投资市场指数、与投资相关的公告数据和行业动态数据。投资市场指数可以是指每个投资产品对应的指数，比如，股票指数、基金指数以及债券指数等。行业动态数据包括金融行业的发布的动态公告数据。与投资相关的公告数据是指公司或者企业发布的与理财产品相关的公告数据。比如，某某公司发布的对外投资的公告：1、对外投资概括，包括投资理财产品品种、投资额度、资金来源、实时方式以及投资期限的基本内容，还包括本次交易不构成重大资金重组、本次交易不构成关联交易、审议和表决情况等；2、投资标的情况，投资标的基本情况以及出资方式；3、对外投资协议的主要内容；4、对外投资的目的、存在的风险和对公司的影响，包括本次对外投资的目的、本次对外投资存在的风险以及本次对外投资对公司经营及财务的影响等。财务报表数据可以是指公司或者企业的公开的一定时期资金、利润状况的会计报表。投资目标可以是指目标用户所要求的达到的目标，比如，收益达到20％等。

具体的，获取目标用户的当前的交易数据、投资目标以及当前的投资市场数据，作为后续投资配置推荐模型的输入数据，本步骤为后续进行投资配置推荐模型的数据处理做准备工作。

S120、根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据。

其中，用户投资偏好包括投资产品的风险偏好以及目标用户针对各个投资产品的偏好等。目标用户针对各个投资产品的偏好，可以根据目标用户的交易频率以及交易额等来确定。

具体的，根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，可选的，可以通过用户投资偏好规则，对交易数据进行处理，分析用户交易行为和习惯，判断目标用户的用户投资偏好数据。可选的，可以通过预设偏好分类模型对交易数据进行处理，得到分类结果，并根据分类结果与用户投资偏好之间的对应关系，得到目标用户的用户投资偏好数据。

S130、根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置。

其中，目标投资配置是指各个投资产品的投资配置信息，投资配置信息包括投资产品的买入、卖出、交易额或者持仓等信息。

具体的，通过将交易数据、用户投资偏好数据、投资目标和投资市场数据输入到投资配置推荐模型中，进行数据处理，得到目标用户的目标投资配置，由于输入到投资配置推荐模型中的数据包括用户的交易数据、用户投资偏好数据以及投资目标，使得目标投资配置更加适合目标用户，而投资市场数据使得目标投资配置更加贴合当前的投资市场情况。因此，本发明实施例的目标投资配置的可靠性更高。

本发明实施例提供的基于人工智能的投资配置推荐方法，通过获取目标用户的交易数据、投资目标以及投资市场数据，根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，进而通过预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标以及投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，本发明实施例的技术方案，由于输入到投资配置推荐模型中的数据包括用户的交易数据、用户投资偏好数据以及投资目标，使得目标投资配置更加符合目标用户的投资特点，而投资市场数据使得目标投资配置更加贴合当前的投资市场情况。因此，本发明实施例的目标投资配置的可靠性更高。

在另一本发明实施例中，根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，包括：分别对交易数据和投资市场数据进行第一数据清洗，获得候选交易数据和候选投资市场数据，其中，第一数据清洗包括格式转换、缺失值处理、数据去重和异常值处理；分别对用户投资偏好数据和投资目标进行第二数据清洗处理，获得候选用户投资偏好数据和候选投资目标，其中，第二数据清洗包括格式转换和异常值处理；将候选交易数据、候选用户投资偏好数据、候选投资目标和候选投资市场数据输入到投资配置推荐模型中进行投资配置推荐，获得目标投资配置。

具体的，分别通过对交易数据和投资市场数据进行第一数据清洗，分别对用户投资偏好数据和投资目标进行第二数据清洗，采用不同的清洗方式，有针对性性的对不同的数据进行数据清洗，提高了数据清洗的效率。通过数据清洗的方式，保证候选交易数据、候选用户投资偏好数据、候选投资目标和候选投资市场数据的质量和准确度，使得每种数据都符合投资配置推荐模型的输入数据的要求。

在另一本发明实施例中，根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置之前，方法还包括：获取初始模型、第一数据集和第二数据集，其中，第一数据集的第一训练样本包括第一历史交易数据和第一历史投资市场数据，第二数据集的第二训练样本包括第二历史交易数据、第二投资市场数据以及样本标签；通过初始模型，对各第一训练样本进行处理，以学习各第一训练样本的语义信息和结构，得到候选模型，其中，所述初始模型包括生成式预训练转换模型；通过各第二训练样本，对候选模型进行训练；将训练结束的候选模型作为投资配置推荐模型。

其中，初始模型可以是指生成式预训练转换模型(Generative Pre-trainedTransformer，GPT)，生成式预训练转换模型是一种深度学习模型。GPT模型还可以是GPT-2和GPT-3中的任意一种。本发明实施例中可以采用GPT-3模型。第一数据集中的第一训练样本包括第一历史交易数据和第一历史投资市场数据，第二数据集中的第二训练样本包括第二历史交易数据和第二历史投资市场数据。第二训练样本还设置有对应的样本标签。样本标签可以是指根据历史交易数据和历史投资市场数据得到的最佳投资配置，最佳投资配置可以是指各个投资产品的投资收益最高情况下的投资配置。可选的，对于第一数据集和第二数据集的获取，可以是获取预设历史时间段内的历史交易数据和历史投资市场数据，并将部分历史交易数据作为第一历史交易数据，另一部分历史交易数据作为第二历史交易数据，将部分历史投资市场数据作为第一历史投资市场数据，将另一部分历史投资市场数据作为第二历史投资市场数据。应当理解，历史交易数据是指多个用户的预设历史时间段内的交易数据。

具体的，在训练阶段，依次通过无监督学习和有监督学习对初始模型进行训练。在无监督学习过程中，通过初始模型对各个第一训练样本进行处理，进而使得初始模型学习各个第一训练样本的语义信息和结构，得到候选模型。可选的，在初始模型为GPT-3模型时，可以通过语言模型来进行无监督学习，具体来说，初始模型首先输入一个训练样本，然后从这个训练样本的文本中截取一段长度为n的前文，通过初始模型预测这段前文的下一个单词。这个过程被反复进行很多次，使得初始模型可以学习语言的结构和语义信息。通过各个第二训练样本，对候选模型进行有监督学习，将训练结束的候选模型作为投资配置推荐模型。通过无监督学习和有监督学习的过程，可以优化初始模型的性能，使得投资配置推荐模型的性能更佳。

可选的，在有监督学习的过程中，可以依次根据预设数量的第二训练样本训练候选模型，根据每次训练获得的训练结果与相对应的样本标签计算损失值，在损失值收敛或者训练次数达到预设迭代次数，则停止训练，将当前获得的候选模型作为投资配置推荐模型。若是损失值不收敛或者训练次数没有达到预设迭代次数，则根据损失值调整候选模型的模型参数，得到更新的候选模型，再次对更新的候选模型进行训练，直至训练结束。在有监督学习阶段中，GPT-3模型的模型结构保持不变，模型参数会被微调，以适应数据集。

本发明实施例中，通过无监督学习和有监督学习的双重机制来训练初始模型，使得训练完成的投资配置推荐模型在自然语言处理任务上的表现更佳。其中，无监督学习通过语言模型任务有效地学习了语言的结构和语义信息，也即学习了第一训练样本的结构和语义信息，大大提高了投资配置推荐模型对自然语言的理解能力。而有监督学习则进一步加强了模型在不同自然语言任务上的表现。在调整模型参数时，通过在第二数据集训练候选模型的预设的神经网络层，提高投资配置推荐模型的准确性。

在另一本发明实施例中，根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置之后，方法还包括：获取预设训练周期内的投资市场数据和各个用户的各个交易数据；将预设训练周期内的投资市场数据和各个交易数据作为训练数据集，其中，训练数据集包括第三数据集和第四数据集；通过投资配置推荐模型，对第三数据集中的第三训练样本进行处理，以学习各第三训练样本的语义信息和结构，获得候选投资配置推荐模型；通过第四数据集的预设数量的第四训练样本，对候选投资配置推荐模型进行训练，将训练结束的候选投资配置推荐模型作为更新的投资配置推荐模型。

其中，第四数据集中还包括样本标签。本发明实施例中，对于各个预设训练周期，可以连续的多个时间段。比如，预设训练周期为一个月，则每隔一个月训练一次投资配置推荐模型。

具体的，针对各个预设训练周期，将预设训练周期内的投资市场数据和各个目标用户的各个交易数据作为训练数据集，并将训练数据集拆分为第三数据集和第四数据集，通过投资配置推荐模型对第三数据集中的各个第三训练样本进行处理，以学习各个第三训练样本的语义信息和结构，获得候选投资配置推荐模型，通过第四数据集中的预设数量的第四训练样本，对候选投资配置推荐模型进行训练，将训练结束的候选投资配置推荐模型作为更新的投资配置推荐模型。需要说明的是，每次投资配置推荐模型的训练过程，都是相同的，与上述实施例中对于初始模型的训练过程相同，这里就不再赘述。通过本发明实施例的方法，可以实现了使得投资配置推荐模型学习新的交易数据和最新的投资市场数据的语义信息和结构，更新的投资配置推荐模型更加符合当前的投资市场的情况，进而提高了更新的投资配置推荐模型输出的目标投资配置的准确度。

在另一本发明实施例中，根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，包括：根据预训练的投资配置推荐模型，对交易数据、目标用户的用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，得到初始投资配置；根据目标用户的用户投资偏好对应的预设评估模型，对初始投资配置进行评估，获得各个投资产品的评估值，其中，初始投资配置中包括各个投资产品的投资建议信息；根据评估值调整初始投资配置，获得目标投资配置。

其中，初始投资配置是指投资配置推荐模型输出的结果。预设评估模型是指根据用户投资偏好设置的投资配置的分类模型。

具体的，根据预训练的投资配置推荐模型，对交易数据、目标用户的用户投资偏好数据、投资目标以及投资市场数据进行投资配置推荐，得到初始投资配置，根据目标用户的用户投资偏好对应的预设评估模型，对初始投资配置进行评估，获得各个投资产品的评估值，并根据各个投资产品的评估值来调整初始投资配置，得到目标投资配置。调整初始投资配置可以筛选投资产品、调整各个投资产品的投资配置比例等等，比如，调整初始投资配置为筛选投资产品时，初始投资配置中包括基金、债券以及股票的投资建议信息。基金、债券以及股票的评估值依次为0.1、0.7以及0.8，则目标投资配置包括债券以及股票的投资建议信息。还比如，调整初始投资配置为调整各个投资产品的投资配置比例的情况下，基金、债券以及股票的评估值依次为0.1、0.7以及0.8，则按照01:0.7:0.8的比例，依次调整三种投资产品的投资配置的比例。

示例性的，预设评估模型包括层次分析法模型(Analytic Hierarchy Process,AHP)，模糊综合评价模型以及灰色关联分析模型中的任意一项。

通过本发明实施例的方法可以使得目标投资配置更加符合目标用户的投资偏好，提高用户体验度。

在另一本发明实施例中，获取目标用户的交易数据、投资目标以及投资市场数据之后，方法还包括：对目标用户的交易数据进行处理，获得目标用户的情绪状态；根据预设的市场情绪指标和情绪状态，获得目标用户的情绪管理建议信息。

其中，市场情绪指标包括比较一段周期内的开盘价在该周期价格中的高低，从而反映市场买卖人气的技术指标。市场情绪指标也可以包括市场情绪指数等。情绪状态包括情绪波动、情绪稳定、贪婪状态、恐惧状态、保守状态以及乐观状态等，当然，情绪状态可以根据实际情况进行设置，这里不做具体限定。

具体的，根据目标用户的交易数据，获得情绪状态，可以根据预设的情绪状态与交易数据之间的映射关系，确定目标用户的情绪状态。也可以根据预设的情绪状态分类模型，通过对交易数据的处理，输出目标用户的情绪状态。情绪状态分类模型可以是根据不同的交易数据以及对应的情绪状态进行训练的，是一个实现多分类的模型。根据预设的市场情绪指标对情绪状态进行判断，获得目标用户的情绪状态对应的情绪管理建议信息，为投资者提供情绪管理建议，帮助目标用户避免情绪波动对投资配置的负面影响。比如，根据市场情绪指标判断目标用户的情绪状态为贪婪状态，则情绪管理建议信息包括贪婪状态，建议冷静面对投资。

可选的，根据目标用户的交易数据，获得情绪状态包括以下几个方面：

对交易记录的处理：通过分析目标用户的交易记录，包括买入、持有以及卖出的操作，可以了解目标用户的投资行为和决策过程。例如，如果目标用户频繁进行买卖操作，得出情绪波动较大，处于贪婪或恐惧状态。如果目标用户长期持有某一资产，得出目标用户的情绪较为稳定的结果。

对交易额的处理：通过分析目标用户的交易额，了解目标用户在不同市场情况下的投资行为。例如，在市场极度狂热的情况下，得出目标用户倾向于增加交易额，处于贪婪情绪状态。在市场极度悲观的情况下，得出目标用户减少或停止交易，处于恐惧情绪状态。

对交易频率的处理：通过分析目标用户的交易频率，得到目标用户对投资市场的关注度和情绪状态。例如，频繁的交易可能表明投资者情绪波动较大，得到目标用户处于情绪波动状态。而较少的交易频率，得到目标用户的情绪较为稳定的情绪状态。

对用户反馈数据的处理：通过获取目标用户的用户反馈数据，可以了解其情绪状态。例如，目标用户在投资建议中表达对投资市场的情绪状态，如乐观状态或者保守状态等。通过对目标用户反馈的情绪状态信息进行分析和整理，获得目标用户的情绪状态。

对用户投资偏好数据的处理：通过用户的用户投资偏好数据的处理，了解目标用户的情绪状态。例如，如果目标用户在用户投资偏好数据，评估目标用户选择高的风险投资组合，得出目标用户的情绪状态为乐观状态。在目标用户选择相对低的风险投资组合，得出目标用户的情绪状态为保守状态。

在另一本发明实施例中，根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置之后，方法还包括：将目标投资配置反馈至预设平台；在接收到预设平台反馈的针对目标投资配置的审核意见；若审核意见中包括执行交易指令，则根据执行交易指令，执行审核意见中的投资配置确认结果对应的各个交易操作，交易操作包括买入、卖出以及持仓调整中的任意一项。

其中，预设平台包括服务器和客户端中的任意一项。投资配置确认结果可以是指包括目标投资配置中至少一个投资产品的投资配置信息。比如，目标投资配置包括基金、债券以及股票的投资配置信息。投资配置确认结果中包括债券以及股票的投资配置信息。

具体的，将目标投资配置反馈至预设平台，以使用户通过预设平台对目标投资配置进行审核。在接收到预设平台反馈的针对目标投资配置的审核意见的情况下，若是在审核意见中检测到执行交易指令，则根据执行交易指令和审核意见中投资配置确认结果，执行与投资配置确认结果相对应的交易操作。本发明实施例中，实现了与预设平台的数据的交互，根据用户的审核意见，来确定是否执行与投资配置确认结果相对应的交易操作，提高了用户体验度。并且在确认执行时，可以根据投资配置确认结果来执行相应的交易操作，提高了交易的便捷性。

在另一本发明实施例中，提供一种基于人工智能的投资配置推荐装置，本发明实施例的基于人工智能的投资配置推荐装置可以实现本发明任一实施例中的基于人工智能的投资配置推荐方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：数据获取模块310、用户投资偏好数据获取模块320和目标投资配置获取模块330，其中：

数据获取模块310，用于获取目标用户的交易数据、投资目标以及投资市场数据，其中，交易数据包括交易额、交易频率、用户反馈数据、交易记录以及持仓数据，投资市场数据包括财务报表数据、投资市场指数、与投资相关的公告数据和行业动态数据；用户投资偏好数据获取模块320，用于根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据；目标投资配置获取模块330，用于根据预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，获得目标用户的目标投资配置。

在另一本发明实施例中，目标投资配置获取模块330还用于：

分别对交易数据和投资市场数据进行第一数据清洗，获得候选交易数据和候选投资市场数据，其中，第一数据清洗包括格式转换、缺失值处理、数据去重和异常值处理；分别对用户投资偏好数据和投资目标进行第二数据清洗处理，获得候选用户投资偏好数据和候选投资目标，其中，第二数据清洗包括格式转换和异常值处理；将候选交易数据、候选用户投资偏好数据、候选投资目标和候选投资市场数据输入到投资配置推荐模型中进行投资配置推荐，获得目标投资配置。

在另一本发明实施例中，装置还包括：

模型训练模块，用于获取初始模型、第一数据集和第二数据集，其中，第一数据集的第一训练样本包括第一历史交易数据和第一历史投资市场数据，第二数据集的第二训练样本包括第二历史交易数据以及第二投资市场数据；通过初始模型，对各第一训练样本进行处理，以学习各第一训练样本的语义信息和结构，得到候选模型，其中，所述初始模型包括生成式预训练转换模型；通过各第二训练样本，对候选模型进行训练；将训练结束的候选模型作为投资配置推荐模型。

在另一本发明实施例中，装置还包括：

模型更新模块，用于获取预设训练周期内的投资市场数据和各个用户的各个交易数据；将预设训练周期内的投资市场数据和各个交易数据作为训练数据集，其中，训练数据集包括第三数据集和第四数据集；通过投资配置推荐模型，对第三数据集中的第三训练样本进行处理，以学习各第三训练样本的语义信息和结构，获得候选投资配置推荐模型；通过第四数据集的预设数量的第四训练样本，对候选投资配置推荐模型进行训练，将训练结束的候选投资配置推荐模型作为更新的投资配置推荐模型。

在另一本发明实施例中，目标投资配置获取模块330还用于：

根据预训练的投资配置推荐模型，对交易数据、目标用户的用户投资偏好数据、投资目标和投资市场数据进行投资配置推荐，得到初始投资配置；根据目标用户的用户投资偏好对应的预设评估模型，对初始投资配置进行评估，获得各个投资产品的评估值，其中，初始投资配置中包括各个投资产品的投资建议信息；根据评估值调整初始投资配置，获得目标投资配置。

在另一本发明实施例中，装置还包括：

情绪管理建议信息获取模块，用于对目标用户的交易数据进行处理，获得目标用户的情绪状态；根据预设的市场情绪指标和用户情绪状态，获得目标用户的情绪管理建议信息。

在另一本发明实施例中，装置还包括：

交易操作执行模块，用于将目标投资配置反馈至预设平台；在接收到预设平台反馈的针对目标投资配置的审核意见；若审核意见中包括执行交易指令，则根据执行交易指令，执行审核意见中的投资配置确认结果对应的各个交易操作，交易操作包括买入、卖出以及持仓调整中的任意一项。

本发明实施例提供的基于人工智能的投资配置推荐装置，通过获取目标用户的交易数据、投资目标以及投资市场数据，根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，进而通过预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标以及投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，本发明实施例的技术方案，由于输入到投资配置推荐模型中的数据包括用户的交易数据、用户投资偏好数据以及投资目标，使得目标投资配置更加符合目标用户的投资特点，而投资市场数据使得目标投资配置更加贴合当前的投资市场情况。因此，本发明实施例的目标投资配置的可靠性更高。

值得注意的是，上述装置所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

关于装置的具体限定可以参见上文中对于方法的限定，在此不再赘述。上述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端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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和/或易失性存储介质、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。该计算机设备的网络接口用于与外部的客户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基于人工智能的投资配置推荐方法服务端侧的功能或步骤。

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客户端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。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、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。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的投资配置推荐方法客户端侧的功能或步骤。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取目标用户的交易数据、投资目标以及投资市场数据，其中，所述交易数据包括交易额、交易频率、用户反馈数据、交易记录以及持仓数据，所述投资市场数据包括财务报表数据、投资市场指数、与投资相关的公告数据和行业动态数据；

根据所述交易数据进行用户投资偏好的分析，得到所述目标用户的用户投资偏好数据；

根据预训练的投资配置推荐模型，对所述交易数据、所述用户投资偏好数据、所述投资目标和所述投资市场数据进行投资配置推荐，获得所述目标用户的目标投资配置。

本发明实施例的计算机设备，处理器执行计算机程序时可以实现通过获取目标用户的交易数据、投资目标以及投资市场数据，根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，进而通过预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标以及投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，本发明实施例的技术方案，由于输入到投资配置推荐模型中的数据包括用户的交易数据、用户投资偏好数据以及投资目标，使得目标投资配置更加符合目标用户的投资特点，而投资市场数据使得目标投资配置更加贴合当前的投资市场情况。因此，本发明实施例的目标投资配置的可靠性更高。

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以下步骤：

获取目标用户的交易数据、投资目标以及投资市场数据，其中，所述交易数据包括交易额、交易频率、用户反馈数据、交易记录以及持仓数据，所述投资市场数据包括财务报表数据、投资市场指数、与投资相关的公告数据和行业动态数据；

根据所述交易数据进行用户投资偏好的分析，得到所述目标用户的用户投资偏好数据；

根据预训练的投资配置推荐模型，对所述交易数据、所述用户投资偏好数据、所述投资目标和所述投资市场数据进行投资配置推荐，获得所述目标用户的目标投资配置。

本发明实施例的计算机可读存储介质，计算机程序被处理器执行可以实现通过获取目标用户的交易数据、投资目标以及投资市场数据，根据交易数据进行用户投资偏好的分析，得到目标用户的用户投资偏好数据，进而通过预训练的投资配置推荐模型，对交易数据、用户投资偏好数据、投资目标以及投资市场数据进行投资配置推荐，获得目标用户的目标投资配置，本发明实施例的技术方案，由于输入到投资配置推荐模型中的数据包括用户的交易数据、用户投资偏好数据以及投资目标，使得目标投资配置更加符合目标用户的投资特点，而投资市场数据使得目标投资配置更加贴合当前的投资市场情况。因此，本发明实施例的目标投资配置的可靠性更高。

需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。

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，所述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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。