风险评估方法、装置、计算机设备和可读存储介质与流程

本发明涉及计算机技术领域，特别是涉及一种风险评估方法、装置、计算机设备和可读存储介质。

背景技术：

在市场经济条件下，投资者往往同时面对多种区域投资机会，但是它们的未来收益却是难以确定的，这时就需要有一种方法能够对区域投资方案进行评估。

传统的房地产的风险投资评估系统中，系统收集市场、宏观等大量数据展示给投资分析师挑选，并供投资分析师进行分析，从而得到当前行情的房地产投资风险评估，投资分析师需要分析大量的数据和规则，最后依据经验进行判断，效率低下。

技术实现要素：

本发明的目的在于提供一种风险评估方法、装置、计算机设备和可读存储介质，无需依赖投资分析师的经验，能够对数据进行处理获得投资风险评估结果，有效提高评估效率。

本发明的目的通过如下技术方案实现：

一种风险评估方法，所述方法包括：

获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据所述市场训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前市场数据，得到市场分数；

获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据所述宏观训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前宏观数据，得到宏观分数；

获取数据库中与待评估区域对应的当前政策信息，根据所述数据库和所述当前政策信息获取政策分数；

获取所述市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据所述当前区域总分数和预设评估信息获取与所述待评估区域对应的房产投资风险评估结果。

一种风险评估装置，所述装置包括：

市场分数获取模块，用于获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据所述市场训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前市场数据，得到市场分数；

宏观分数获取模块，用于获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据所述宏观训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前宏观数据，得到宏观分数；

政策分数获取模块，用于获取数据库中与待评估区域对应的当前政策信息，根据数据库和所述当前政策信息获取政策分数；

风险评估结果获取模块，用于获取所述市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据所述当前区域总分数和预设评估信息获取与所述待评估区域对应的房产投资风险评估结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：

获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据所述市场训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前市场数据，得到市场分数；

获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据所述宏观训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前宏观数据，得到宏观分数；

获取数据库中与待评估区域对应的当前政策信息，根据所述数据库和所述当前政策信息获取政策分数；

获取所述市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据所述当前区域总分数和预设评估信息获取与所述待评估区域对应的房产投资风险评估结果。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：

获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据所述市场训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前市场数据，得到市场分数；

获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据所述宏观训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前宏观数据，得到宏观分数；

获取数据库中与待评估区域对应的当前政策信息，根据所述数据库和所述当前政策信息获取政策分数；

获取所述市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据所述当前区域总分数和预设评估信息获取与所述待评估区域对应的房产投资风险评估结果。

本发明提供的风险评估方法，其获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据所述市场训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前市场数据，得到市场分数；获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据所述宏观训练数据对所述预设模型库中的学习模型进行训练，并结合所述当前宏观数据，得到宏观分数；获取数据库中与待评估区域对应的当前政策信息，根据所述数据库和所述当前政策信息获取政策分数；结合市场、宏观和政策各方面进行评估，评估更加全面，然后获取所述市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据所述当前区域总分数和预设评估信息获取当前风险评估结果，无需依赖投资分析师的经验，能够自动对数据进行处理获得投资风险评估结果，有效提高评估效率。

附图说明

图1为一个实施例中风险评估方法的应用环境图；

图2为一个实施例中风险评估方法的流程示意图；

图3为一个实施例中风险评估方法的流程示意图；

图4为一个实施例中风险评估方法的流程示意图；

图5为一个实施例中风险评估方法的流程示意图；

图6为一个实施例中风险评估方法的流程示意图；

图7为另一个实施例中风险评估方法的流程示意图；

图8为一个实施例中风险评估装置的结构框图；

图9为一个实施例中风险评估装置的结构框图；

图10为一个实施例中风险评估装置的结构框图；

图11为一个实施例中风险评估装置的结构框图；

图12为一个实施例中风险评估装置的结构框图；

图13为另一个实施例中风险评估装置的结构框图；

图14为一个实施例中计算机设备的内部结构图；

图15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。

本申请提供的风险评估方法，可以应用于如图1所示的应用环境中。具体的，客户端102收集与待评估区域对应的当前市场数据和市场训练数据并存储，服务器104从客户端102获取与待评估区域对应的当前市场数据和市场训练数据，然后根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数；客户端102收集与待评估区域对应的当前宏观数据和宏观训练数据并存储，服务器104从客户端102获取与待评估区域对应的当前宏观数据宏观训练数据，并根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数；客户端102收集与待评估区域对应的当前政策信息并存储，服务器104从客户端102获取待评估区域对应的当前政策信息，根据数据库和当前政策信息获取政策分数；然后服务器104获取市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据当前区域总分数和预设评估信息获取当前风险评估结果。其中，客户端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，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，提供了一种风险评估方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤s201，获取数据库中与待评估区域对应的当前市场数据和市场训练数据；根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数；

其中，当前市场数据包括当前房价累积涨幅数据、区域土地价格增长数据等；与待评估区域对应的市场训练数据包括待评估区域的历年房价累积涨幅数据，如2010-2017年的区域房价累积涨幅数据等等数据。

在具体实施过程中，数据库中预存有多种区域的当前市场数据和市场训练数据，用户输入待评估区域，即可查询和待评估区域对应的当前市场数据和市场训练数据。

步骤s202，获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数；

其中，与待评估区域对应的当前宏观数据包括当前gdp(国内生产总值)和当前区域的fdi(foreigndirectinvestment，外商直接投资)等数据；与待评估区域对应的宏观训练数据包括待评估区域的历年gdp和fdi数据，如2010-2017年的gdp和当前区域的fdi变化数据等等。

在具体实施过程中，数据库中预存有多种区域的当前宏观数据和宏观训练数据，用户输入待评估区域，即可查询和待评估区域对应的当前宏观数据和宏观训练数据。

步骤s203，获取数据库中与待评估区域对应的当前政策信息，根据数据库和当前政策信息获取政策分数；

其中，与待评估区域对应的当前政策信息包括房产限购信息，如社保交满多长时间可以购买房产等等信息。

其中，数据库中预存有多种区域的当前政策信息，用户输入待评估区域，即可查询和待评估区域对应的当前政策信息。

步骤s204，获取市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果。

其中，预设评估信息包括否建议进行投资、风险情况等等多种风险评估结果。

在具体实施过程中，数据库中还预存有多种区域总分数和多种预设评估信息，用户输入当前区域总分数，就可以查询和当前区域总分数对应的评估结果。

上述风险评估方法中，通过获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数；获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数；获取数据库中与待评估区域对应的当前政策信息，根据数据库和当前政策信息获取政策分数；结合市场、宏观和政策各方面进行评估，评估更加全面，然后获取市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据当前区域总分数和预设评估信息获取当前风险评估结果，无需依赖投资分析师的经验，能够自动对数据进行处理获得投资风险评估结果，有效提高评估效率。

在其中一个实施例中，如图3所示，根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数包括：

步骤s2011，将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型；

其中，预设模型库包括各种学习模型，如gbdt(gradientboostdecisiontree迭代决策树模型)、lightgbm(lightgradientboostingmachine，轻量级梯度提升树算法)、xgboost(extremegradientboosting，极值梯度提升树算法)、lstm(longshort-termmemory，长短期记忆网络)等模型。

步骤s2012，将待评估区域对应的当前市场数据输入至第一学习模型中，得到与待评估区域对应的第一区域分数，获取第一区域分数和预设市场系数的乘积得到市场分数。

在具体实施过程中，数据库中还预存有多种预测市场数据和多种第一区域分数，多种第一区域分数分别和多种预测市场数据对应。

例如，用户输入“a市”到服务器，服务器从数据库中调取和a市对应的当前房价累积涨幅数据、区域土地价格增长数据，以及历年房价累积涨幅数据，如2010-2017年的区域房价累积涨幅数据等等数据，将a市的2010-2017年的区域房价累积涨幅数据输入多种学习模型中进行训练，如将2011年的区域房价累积涨幅数据输入输入多种学习模型中，使其分别得到2012年的区域房价累积涨幅数据，经过训练后，使训练后的学习模型接收当前房价累积涨幅数据，输出预测房价累积涨幅数据，再查询和预测房价累积涨幅数据对应的第一区域分数，比如60分，然后将60分乘以一个设置好的预设市场系数，比如预设系数为0.3，那么最后得到的市场分数为18分。

在其中一个实施例中，与待评估区域对应的市场训练数据包括预设年份的第一真实市场数据和预设年份的下一年的第二真实市场数据；如图4所示，将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型包括：

步骤s20111，将第一真实市场数据输入预设模型库中的各学习模型得到多个对应的模拟市场数据；

例如，市场训练数据包括2015年的真实的区域房价累积涨幅数据和2016年的真实的区域房价累积涨幅数据，将2015年的真实的区域房价累积涨幅数据输入预设模型库的各个学习模型中，分别得到多个对应的2016年的模拟的区域房价累积涨幅数据。

步骤s20112，将各模拟市场数据分别和第二真实市场数据进行对比，查询与第二真实市场数据最接近的模拟市场数据对应的学习模型，查询到的学习模型为第一学习模型。

例如，将得到的多个对应的2016年的模拟的区域房价累积涨幅数据分别和2016年的真实的区域房价累积涨幅数据进行对比，查询和2016年的真实的区域房价累积涨幅数据最接近的模拟的区域房价累积涨幅数据，然后查询这个数据对应的学习模型，查询到的学习模型就是第一学习模型。

在其中一个实施例中，与待评估区域对应的训练数据包括连续多个年份的真实市场数据；如图5所示，将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型包括：

步骤s20111，将多个年份的真实市场数据分别输入预设模型库中的各学习模型得到与各年份分别对应的下一年的模拟市场数据；

例如，将2010年-2015年的真实的区域房价累积涨幅数据分别输入各个学习模型，得到对应的2011-2016年的模拟的区域房价累积涨幅数据。

步骤s20112，将各下一年的模拟市场数据分别和与各下一年同年的真实市场数据进行对比得到各误差率；

例如，分别将2011-2016年的模拟的区域房价累积涨幅数据和2011-2016年的真实的区域房价累积涨幅数据进行对比，获得2011-2016年每年的误差率。

步骤s20113，根据得到的各误差率分别获取各学习模型的多个年份的总误差率，选取总误差率最小的学习模型作为第一学习模型。

例如，根据2011-2016年每年的误差率获得总误差率，然后选取总误差率最小的学习模型作为第一学习模型。

在其中一个实施例中，如果查询到的总误差率最小的学习模型有多个，还可以进一步查询每年的误差率分别低于预设阈值，如5％，或者选取预定年份的误差率相对更小的学习模型，例如，2014-2015年误差率更小的学习模型作为第一学习模型。

在其中一个实施例中，如图6所示，根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数包括：

步骤s2021，将待评估区域对应的宏观训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第二学习模型；

其中，将待评估区域对应的宏观训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第二学习模型的过程和步骤s2011中根据将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型的过程类似。

步骤s2022，将待评估区域对应的当前宏观数据输入至第二学习模型中，得到与待评估区域对应的第二区域分数，获取第二区域分数和预设宏观系数的乘积得到宏观分数。

例如，宏观训练数据包括预设年份的第一真实宏观数据和预设年份的下一年的第二真实宏观数据，然后将各模拟宏观数据分别和第二真实宏观数据进行对比，查询与第二真实宏观数据最接近的模拟宏观数据对应的学习模型，查询到的学习模型为第二学习模型。

或者是，宏观训练数据包括连续多个年份的真实宏观数据；将多个年份的真实宏观数据分别输入预设模型库中的各学习模型得到与各年份分别对应的下一年的模拟宏观数据；将各下一年的模拟宏观数据分别和与各下一年同年的真实宏观数据进行对比得到各误差率；然后根据得到的各误差率分别获取各学习模型的多个年份的总误差率，选取总误差率最小的学习模型作为第二学习模型。

在具体实施过程中，数据库中还预存有多种预测宏观数据和多种第二区域分数，多种第二区域分数分别和多种预测宏观数据对应。

例如，用户输入“a市”到服务器，服务器从数据库中调取和a市对应的当当前区域的fdi(foreigndirectinvestment，外商直接投资)数据，以及历年fdi数据，如2010-2017年的fdi数据，将a市的2010-2017年的fdi数据输入多种学习模型中进行训练，如将2011年的fdi数据输入输入多种学习模型中，使其分别得到2012年的fdi数据，经过训练后，使训练后的学习模型接收当前fdi数据，输出预测fdi数据，再查询和预测fdi数据对应的第二区域分数，比如40分，然后将40分乘以一个设置好的预设宏观系数，比如预设系数为0.4，那么最后得到的市场分数为16分。

在其中一个实施例中，数据库中存储有多种政策信息和与各政策信息分别对应的第三区域分数；如图7所示，获取当前政策信息，根据数据库和当前政策信息获取政策分数包括：

步骤s2031，查询数据库中存储的和当前政策信息对应的第三区域分数；

在具体实施过程中，数据库中预存有多种政策信息和多种第三区域分数，用户输入当前政策信息，就可以查询到对应的第三区域分数。

例如，当前区域限购多少套房对应不同的第三区域分数。

步骤s2032，获取查询到的第三区域分数和预设政策系数的乘积得到政策分数。

例如，用户输入“a市”到服务器，服务器从数据库中调取和a市对应的当前政策信息，例如a市当前限购多少套房子，再查询当前政策信息对应的第三区域分数，比如20分，然后将20分乘以一个设置好的预设政策系数，比如预设系数为0.3，那么最后得到的政策分数为6分。

然后将上述得到的市场分数、宏观分数和政策分数分别相加，得到当前区域总分数为40分，将40分输入服务器查询，就可以获得和40分对应的的评估结果。

在其中一个实施例中，预设评估信息包括多种区域总分数范围和与各区域总分数范围分别对应的房产投资风险评估结果；根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果包括：查询与当前区域总分数对应的区域总分数范围，获取与查询到的区域总分数范围对应的房产投资风险评估结果。

应该理解的是，虽然图2-7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，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，如图8所示，提供了一种风险评估装置，装置包括：

市场分数获取模块801，用于获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数；

宏观分数获取模块802，用于获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数；

政策分数获取模块803，用于获取数据库中与待评估区域对应的当前政策信息，根据数据库和当前政策信息获取政策分数；

风险评估结果获取模块804，用于获取市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果。

在其中一个实施例中，如图9所示，第一获取模块801包括：

第一模型训练单元8011，用于将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型；

市场分数获取单元8012，用于将待评估区域对应的当前市场数据输入至第一学习模型中，得到与待评估区域对应的第一区域分数，获取第一区域分数和预设市场系数的乘积得到市场分数。

在其中一个实施例中，与待评估区域对应的市场训练数据包括预设年份的第一真实市场数据和预设年份的下一年的第二真实市场数据；如图10所示，第一模型训练单元8011包括：

模拟数据获取单元80111，用于将第一真实市场数据输入预设模型库中的各学习模型得到多个对应的模拟市场数据；

对比单元80112，用于将各模拟市场数据分别和第二真实市场数据进行对比，查询与第二真实市场数据最接近的模拟市场数据对应的学习模型，查询到的学习模型为第一学习模型。

在其中一个实施例中，与待评估区域对应的训练数据包括连续多个年份的真实市场数据；如图11所示，第一模型训练单元8011包括：

模拟数据获取单元80111，用于将多个年份的真实市场数据分别输入预设模型库中的各学习模型得到与各年份分别对应的下一年的模拟市场数据；

对比单元80112，用于将各下一年的模拟市场数据分别和与各下一年同年的真实市场数据进行对比得到各误差率；

选取单元80113，用于根据得到的各误差率分别获取各学习模型的多个年份的总误差率，选取总误差率最小的学习模型作为第一学习模型。

在其中一个实施例中，如图12所示，宏观分数获取模块802包括：

第二模型训练单元8021，用于将待评估区域对应的宏观训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第二学习模型；

宏观分数获取单元8022，用于将待评估区域对应的当前宏观数据输入至第二学习模型中，得到与待评估区域对应的第二区域分数，获取第二区域分数和预设宏观系数的乘积得到宏观分数。

在其中一个实施例中，数据库中存储有多种政策信息和与各政策信息分别对应的第三区域分数；如图13所示，政策分数获取模块803包括：

查询单元8031，用于查询数据库中存储的和当前政策信息对应的第三区域分数；

政策分数获取单元8032，用于获取查询到的第三区域分数和预设政策系数的乘积得到政策分数。

在其中一个实施例中，预设评估信息包括多种区域总分数范围和与各区域总分数范围分别对应的房产投资风险评估结果；风险评估结果获取模块804具体用于查询与当前区域总分数对应的区域总分数范围，获取与查询到的区域总分数范围对应的房产投资风险评估结果。

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14所示。该计算机设备包括通过装置总线连接的处理器、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存储介质、内存储器。该非易失性存储介质存储有操作装置、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装置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风险评估涉及的数据。该计算机设备的网络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风险评估方法。

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15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风险评估方法。该计算机设备的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14-15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以下步骤：获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数；获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数；获取数据库中与待评估区域对应的当前政策信息，根据数据库和当前政策信息获取政策分数；获取市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果。

在其中一个实施例中，处理器执行计算机程序时根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数包括：将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型；将待评估区域对应的当前市场数据输入至第一学习模型中，得到与待评估区域对应的第一区域分数，获取第一区域分数和预设市场系数的乘积得到市场分数。

在其中一个实施例中，处理器执行计算机程序时与待评估区域对应的市场训练数据包括预设年份的第一真实市场数据和预设年份的下一年的第二真实市场数据；将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型包括：将第一真实市场数据输入预设模型库中的各学习模型得到多个对应的模拟市场数据；将各模拟市场数据分别和第二真实市场数据进行对比，查询与第二真实市场数据最接近的模拟市场数据对应的学习模型，查询到的学习模型为第一学习模型。

在其中一个实施例中，处理器执行计算机程序时与待评估区域对应的训练数据包括连续多个年份的真实市场数据；将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型包括：将多个年份的真实市场数据分别输入预设模型库中的各学习模型得到与各年份分别对应的下一年的模拟市场数据；将各下一年的模拟市场数据分别和与各下一年同年的真实市场数据进行对比得到各误差率；根据得到的各误差率分别获取各学习模型的多个年份的总误差率，选取总误差率最小的学习模型作为第一学习模型。

在其中一个实施例中，处理器执行计算机程序时根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数包括：将待评估区域对应的宏观训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第二学习模型；将待评估区域对应的当前宏观数据输入至第二学习模型中，得到与待评估区域对应的第二区域分数，获取第二区域分数和预设宏观系数的乘积得到宏观分数。

在其中一个实施例中，处理器执行计算机程序时数据库中存储有多种政策信息和与各政策信息分别对应的第三区域分数；获取当前政策信息，根据数据库和当前政策信息获取政策分数包括：查询数据库中存储的和当前政策信息对应的第三区域分数；获取查询到的第三区域分数和预设政策系数的乘积得到政策分数。

在其中一个实施例中，处理器执行计算机程序时预设评估信息包括多种区域总分数范围和与各区域总分数范围分别对应的房产投资风险评估结果；根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果包括：查询与当前区域总分数对应的区域总分数范围，获取与查询到的区域总分数范围对应的房产投资风险评估结果。

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：获取数据库中与待评估区域对应的当前市场数据市场训练数据；根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数；获取数据库中与待评估区域对应的当前宏观数据宏观训练数据，根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数；获取数据库中与待评估区域对应的当前政策信息，根据数据库和当前政策信息获取政策分数；获取市场分数、宏观分数和政策分数的总和得到当前区域总分数，根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果。

在其中一个实施例中，计算机程序被处理器执行时根据市场训练数据对预设模型库中的学习模型进行训练，并结合当前市场数据，得到市场分数包括：将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型；将待评估区域对应的当前市场数据输入至第一学习模型中，得到与待评估区域对应的第一区域分数，获取第一区域分数和预设市场系数的乘积得到市场分数。

在其中一个实施例中，计算机程序被处理器执行时与待评估区域对应的市场训练数据包括预设年份的第一真实市场数据和预设年份的下一年的第二真实市场数据；将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型包括：将第一真实市场数据输入预设模型库中的各学习模型得到多个对应的模拟市场数据；将各模拟市场数据分别和第二真实市场数据进行对比，查询与第二真实市场数据最接近的模拟市场数据对应的学习模型，查询到的学习模型为第一学习模型。

在其中一个实施例中，计算机程序被处理器执行时与待评估区域对应的训练数据包括连续多个年份的真实市场数据；将待评估区域对应的市场训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第一学习模型包括：将多个年份的真实市场数据分别输入预设模型库中的各学习模型得到与各年份分别对应的下一年的模拟市场数据；将各下一年的模拟市场数据分别和与各下一年同年的真实市场数据进行对比得到各误差率；根据得到的各误差率分别获取各学习模型的多个年份的总误差率，选取总误差率最小的学习模型作为第一学习模型。

在其中一个实施例中，计算机程序被处理器执行时根据宏观训练数据对预设模型库中的学习模型进行训练，并结合当前宏观数据，得到宏观分数包括：将待评估区域对应的宏观训练数据输入至预设模型库中的学习模型中进行训练，得到预设模型库中的第二学习模型；将待评估区域对应的当前宏观数据输入至第二学习模型中，得到与待评估区域对应的第二区域分数，获取第二区域分数和预设宏观系数的乘积得到宏观分数。

在其中一个实施例中，计算机程序被处理器执行时数据库中存储有多种政策信息和与各政策信息分别对应的第三区域分数；获取当前政策信息，根据数据库和当前政策信息获取政策分数包括：查询数据库中存储的和当前政策信息对应的第三区域分数；获取查询到的第三区域分数和预设政策系数的乘积得到政策分数。

在其中一个实施例中，计算机程序被处理器执行时预设评估信息包括多种区域总分数范围和与各区域总分数范围分别对应的房产投资风险评估结果；根据当前区域总分数和预设评估信息获取与待评估区域对应的房产投资风险评估结果包括：查询与当前区域总分数对应的区域总分数范围，获取与查询到的区域总分数范围对应的房产投资风险评估结果。

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、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。

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