资产自动入库分类装置的制作方法

1.本发明属于金融资产处理技术领域，特别是涉及一种资产自动入库分类装置。


背景技术：

2.随着金融市场的日益发展，金融资产的投资渠道和投资标的也变得逐渐丰富，比如股票、债券、商品期货、外汇、衍生品、基金等等。随着金融资产的数量快速增长，如何挑选金融资产进行资产配置是投资者在投资过程中必须面临的挑战，因此对金融资产进行分类具有一些益处。在对金融资产进行分类之后，可以方便地对同一类型的金融资产的业绩互相比较，而这种比较对于组合管理和财务规划具有重要的意义。
3.传统上对金融资产的分类包括根据行业进行分类、根据投资组合进行分类等，通常仅考虑了金融资产本身的绩效(例如，收益等)，但不能够完全和准确描述金融资产的绩效的特征，即使是按照传统方法分类为同一类型的金融资产，其行业、绩效等特点对于外生变量(例如，宏观经济指标)的敏感度和弹性可能相差甚大。此外，传统的分类方法未考虑到金融资产的投资风格随时间发生的变化，譬如，由于金融资产的管理人员的变动、市场环境的变动和所处市场周期的不同而引起的变化。
4.因此，亟需一种能够更好地综合金融资产，方便资产自动入库的，更准确地对金融资产进行分类的装置。


技术实现要素：

5.本发明的目的在于提供一种资产自动入库分类装置，通过构建深度学习模型，将未分类样本中的正样本提取出来，将正样本和负样本进行准确分类，使资产金融数据进入分类模型后能够快速分类，解决了现有的资产金融数据分类效果差、分类精度和效率不足的问题。
6.为解决上述技术问题，本发明是通过以下技术方案实现的：
7.本发明为一种资产自动入库分类装置，包括：
8.获取单元：多种计量金融工具获取大量资产入库时的历史金融数据；
9.样本单元：将采集的样本金融数据分别正样本数据集和负样本数据集；
10.训练单元：将正样本数据集和负样本数据集合并成训练数据集合进行训练；
11.分类单元：将训练后的数据集合和分类算法生成数据分类模型。
12.优选地，所述计量金融工具包括债务工具、衍生工具和权益工具；所述债务工具用于计算用户的债务贷款的欠债信息；所述衍生工具用于计算用户的额外收益信息；所述权益工具用于将相关利得或损失计入其他综合收益。
13.优选地，所述权益工具采集用户的相关利得或损失计入其他综合收益，但形成的股利收入人计入当前损益中；当权益工具终止确认时，之前计入其他综合收益的累积利得或损失应当转出，直接计入留存收益，不在当前损益中反映。
14.优选地，所述历史金融数据获取后，需要对历史金融数据进行预处理；所述预处理
包括对数据进行补全、归一化处理或标准化处理中的一个或者多个。
15.优选地，所述正样本集合中提取多个用户金融数据生成正样本子集合，通过所述正样本子集合和未分类样本集合生成所述训练数据集合。
16.优选地，所述数据分类模型包括通过迭代算法对所述训练数据集合进行分类以生成第一数据集合和第二数据集合，所述第一数据集合中包括正样本子集合中全部的用户金融数据；以及通过正样本集合、第二数据集合和分类算法生成数据分类模型。
17.优选地，所述迭代算法对所述训练数据集合进行分类以生成第一数据集合和第二数据集合包括：通过迭代的期望最大化算法对所述训练数据集合进行分类至满足阈值要求为止；以及在满足阈值要求时生成所述第一数据集合和所述第二数据集合。
18.优选地，所述迭代的期望最大化算法对所述训练数据集合进行分类至满足阈值要求为止包括：通过期望最大化算法对所述训练数据集合进行分类；在分类后通过错误样本确定分类错误值，以及在分类错误值大于阈值时，再次进行分类。
19.本发明具有以下有益效果：
20.本发明通过构建深度学习模型，将未分类样本中的正样本提取出来，将正样本和负样本进行准确分类，使资产金融数据的正样本和负样本进入分类模型后能够快速分类，方便资产入库的同时提高资产金融数据的计算效果和计算精度。
21.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
22.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明的一种资产自动入库分类装置示意图；
24.图2为本发明的资产自动入库的分类方法步骤图。
具体实施方式
25.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，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
26.请参阅图1所示，本发明为一种资产自动入库分类装置，包括：
27.获取单元：多种计量金融工具获取大量资产入库时的历史金融数据；
28.样本单元：将采集的样本金融数据分别正样本数据集和负样本数据集；
29.训练单元：将正样本数据集和负样本数据集合并成训练数据集合进行训练；
30.分类单元：将训练后的数据集合和分类算法生成数据分类模型。
31.其中，计量金融工具包括债务工具、衍生工具和权益工具；债务工具用于计算用户的债务贷款的欠债信息；衍生工具用于计算用户的额外收益信息；权益工具用于将相关利得或损失计入其他综合收益。
32.其中，权益工具采集用户的相关利得或损失计入其他综合收益，但形成的股利收入人计入当前损益中；当权益工具终止确认时，之前计入其他综合收益的累积利得或损失应当转出，直接计入留存收益，不在当前损益中反映。
33.其中，历史金融数据获取后，需要对历史金融数据进行预处理；预处理包括对数据进行补全、归一化处理或标准化处理中的一个或者多个。
34.如图2所示，正样本集合中提取多个用户金融数据生成正样本子集合，通过正样本子集合和未分类样本集合生成训练数据集合。
35.其中，数据分类模型包括通过迭代算法对训练数据集合进行分类以生成第一数据集合和第二数据集合，第一数据集合中包括正样本子集合中全部的用户金融数据；以及通过正样本集合、第二数据集合和分类算法生成数据分类模型。
36.其中，迭代算法对训练数据集合进行分类以生成第一数据集合和第二数据集合包括：通过迭代的期望最大化算法对训练数据集合进行分类至满足阈值要求为止；以及在满足阈值要求时生成第一数据集合和第二数据集合。
37.其中，迭代的期望最大化算法对训练数据集合进行分类至满足阈值要求为止包括：通过期望最大化算法对训练数据集合进行分类；在分类后通过错误样本确定分类错误值，以及在分类错误值大于阈值时，再次进行分类。
38.值得注意的是，上述系统实施例中，所包括的各个单元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，各功能单元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的保护范围。
39.另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
40.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。