货币基金的组合投资预测方法和预测装置与流程

本发明涉及智能决策技术领域，特别涉及一种货币基金的组合投资预测方法和预测装置。

背景技术：

随机森林模型(randomforest)目前在医疗、金融、气象等多种领域中已有广泛应用。随机森林模型能够处理大量的输入变数，评估变数的重要性，从而实现分类决策。

在金融领域，通常使用随机森林模型进行金融产品投资决策。由于投资类产品本身涉及到的特征参数数量非常之多，并且该特征参数具有很强的时效性，因此随机森林模型在相隔很短的时间内预测出的组合投资产品可能会有很大的出入，无论在稳定性方面还是准确性方面都不够理想，实际上现有的随机森林模型为投资者提供的参考价值并不大。

因此，如何为投资者提供更加准确可信的组合投资预测，成为本领域技术人员亟待解决的技术问题。

技术实现要素：

本发明的目的是提供一种能够提高预测准确性和稳定性的组合投资预测方案，以解决现有技术中存在的上述问题。

为实现上述目的，本发明提供一种货币基金的组合投资预测方法，包括：

获取多支基金的第一历史业绩数据，利用收益预测模型分别确定每支基金的预测收益；

获取目标商户的第一历史经营特征，利用流动资金预测模型确定所述商户的预测流动资金；

获取目标商户的当前经营特征，将所述当前经营特征、所述预测收益和所述预测流动资金作为随机森林模型的决策因子，以获得所述目标商户对应的候选基金组合；

获取多个候选基金组合，基于多个候选基金组合中包含的不同基金的出现密度，确定推荐基金组合。

根据本发明提供的货币基金的组合投资预测方法，所述获取多支基金的历史业绩数据，利用收益预测模型分别确定每支基金的预测收益的步骤包括：

获取与每支基金对应的新增申购数量、新增赎回数量、沪深300指数、银行日间拆借利率、基金公司财报、基金公司成立时长、同类基金排名中的任意一种或多种，作为所述历史业绩数据；

将所述历史业绩数据输入收益预测模型，以输出每支基金在预设时间段的预测收益；其中所述收益预测模型是利用线性回归模型训练得到的。

根据本发明提供的货币基金的组合投资预测方法，所述将所述历史业绩数据输入收益预测模型，以输出每支基金在预设时间段的预测收益的步骤包括：

将所述历史业绩数据划分为工作日历史业绩数据和休息日历史业绩数据；

将所述工作日历史业绩数据输入所述收益预测模型，以输出所述基金在预设时间段的预测工作日收益；

将所述休息日历史业绩数据输入所述收益预测模型，以输出所述基金在预设时间段的预测休息日收益；

将所述预测工作日收益和所述预测休息日收益加权求和，以得到所述预测收益。

根据本发明提供的货币基金的组合投资预测方法，所述获取目标商户的历史经营特征，利用流动资金预测模型确定所述商户的预测流动资金的步骤包括：

获取所述目标商户对应的主营商品历史销量、历史价格、节假日因子、历史退还款比例、月末环比提款额、月末同比支出额、促销因子、采购因子中的任意一种或多种，作为所述历史经营特征；

将所述历史经营特征输入流动资金预测模型，以输出所述商户的预测流动资金；其中所述流动资金预测模型是基于自相关模型训练得到的。

根据本发明提供的货币基金的组合投资预测方法，所述获取多个候选基金组合，基于多个基金组合中包含的不同基金的出现密度，确定推荐基金组合的步骤包括：

获取每个当前候选基金组合中包含的基金编号；

计算每个基金编号在所有当前候选基金组合中的出现密度，其中出现密度是所述基金编号在所有基金编号中所占的比例；

根据所述出现密度确定推荐基金组合。

根据本发明提供的货币基金的组合投资预测方法，所述收益预测模型的训练过程包括：

获取所述多只基金的第二历史业绩数据，所述第二历史业绩数据包括所述多只基金在训练时间点之前第一时间段内的业绩数据；

将所述第二历史业绩数据划分为多个不同的训练样本和测试样本，每个测试样本包括其中一支基金在第二时间段之内的业绩数据；所述第二时间段小于所述第一时间段；

对于每个训练样本中包含的所有数值进行数学运算得到运算样本数据，所述数学运算包括求和、求平均值、求方差、求极大值、求极小值中的任意几种；

将所述运算样本数据添加至所述训练样本中得到新的训练样本，利用所述新的样本数据训练所述收益预测模型，并利用所述测试样本进行测试。

根据本发明提供的货币基金的组合投资预测方法，所述预测资金流动模型的训练过程包括：

获取所述目标商户的第二历史经营数据，所述第二历史经营数据包括所述目标商户在训练时间点之前第一时间段内的历史经营数据；

将所述第二历史经营数据划分为多个不同的训练样本，每个训练样本包括其中一支基金在第二时间段之内的业绩数据；所述第二时间段小于所述第一时间段；

去除所述训练样本中包含的极大值数据和极小值数据，以得到新的训练样本；

利用所述新的样本数据训练所述流动资金预测模型。

为实现上述目的，本发明还提供一种货币基金的组合投资预测装置，包括：

收益预测模块，适用于获取多支基金的第一历史业绩数据，利用收益预测模型分别确定每支基金的预测收益；

流动资金预测模块，适用于获取目标商户的第一历史经营特征，利用流动资金预测模型确定所述商户的预测流动资金；

随机森林模块，适用于获取目标商户的当前经营特征，将所述当前经营特征、所述预测收益和所述预测流动资金作为随机森林模型的决策因子，以获得所述目标商户对应的候选基金组合；

推荐模块，获取多个候选基金组合，基于多个候选基金组合中包含的不同基金的出现密度，确定推荐基金组合。

为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在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上述方法的步骤。

为实现上述目的，本发明还提供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方法的步骤。

本发明提供的货币基金的组合投资预测方法和预测装置，通过收益预测模型确定多支基金的预测收益，通过流动资金预测模型预测目标商户的预测流动资金，进而将上述多支基金的预测收益和目标商户的预测流动资金作为随机森林模型的决策因子，以获得在不同时段下与目标商户对应的候选基金组合。为了提高预测的准确性，本发明在获取到多个候选基金组合的基础上，根据每支基金的出现密度确定概率最高的推荐基金组合。上述方案可以保证输出的推荐基金组合更加接近真实的基金运营情况，从而提高预测推荐的准确性。

附图说明

图1为本发明的货币基金的组合投资预测方法实施例一的流程图；

图2a示出了根据本发明实施例一训练收益预测模型的示意性流程图；

图2b示出了根据本发明实施例一划分训练样本和测试样本的示意性流程图；

图3a示出了根据本发明实施例一建立arima模型的示意性流程图；

图3b示出了根据本发明实施例一训练流动资金预测模型的示意性流程图；

图4示出了根据本发明实施例一确定推荐基金组合的示意性流程图；

图5示出了根据本发明实施例一训练随机森林模型的示意性流程图；

图6示出了本发明的组合投资预测装置实施例一的程序模块示意图；

图7示出了本发明的组合投资预测装置实施例一的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一

本发明提出的货币基金的组合投资预测方法和预测装置可适用于终端或服务器中。其中终端可以包括智能手机、笔记本电脑、平板电脑等智能设备，服务器可包括pc机、工作组服务器、企业级服务器等。请参阅图1，本实施例提出一种货币基金的组合投资预测方法，包括以下步骤：

s100:获取多支基金的第一历史业绩数据，利用收益预测模型分别确定每支基金的预测收益。

上述第一历史业绩数据可以包括第一时间段内每支基金对应的新增申购数量、新增赎回数量、沪深300指数、银行日间拆借利率、基金公司财报、基金公司成立时长、同类基金排名中的任意几种。该第一时间段可以根据不同的需要进行设置，例如最近两天、最近一周或者最近一个月等等。

本实施例中的收益预测模型可以是通过对线性回归模型训练得到的。对于输入的每支基金的第一历史业绩数据，该收益预测模型可以输出该基金在第二时间段之后的收益数据，例如万份收益率。上述第二时间段的具体数值与收益预测模型的训练样本有关，通常可以选择一周。

s200:获取目标商户的第一历史经营特征，利用流动资金预测模型确定所述商户的预测流动资金。

上述第一历史经营数据可以包括第一时间段内所述目标商户对应的主营商品历史销量、历史价格、节假日因子、历史退还款比例、月末环比提款额、月末同比支出额、促销因子、采购因子中的任意几种。

本实施例中的流动资金预测模型可以是通过对自回归模型训练得到的。对于输入的目标商户的第一历史经营数据，该流动资金预测模型可以输出该商户在第二时间段之后所需要的流动资金。上述第二时间段的具体数值与流动资金预测模型的训练样本有关，通常可以选择一周。

s300:获取目标商户在多个不同时段的当前经营特征，分别将每个所述当前经营特征、所述预测收益和所述预测流动资金作为随机森林模型的决策因子，以获得所述目标商户在所述多个不同时段的候选基金组合；其中每相邻两个时段之间包含交叉时段。

本实施例中的随机森林模型通过构造多个二分类决策树，最终输出决策目标商户对于某支货币基金是否应当申购以及申购或赎回份额。其中步骤s100中获取的每支基金的预测收益和步骤s200中获取的目标商户的预测流动资金均作为二分类决策树的决策因子。除此之外，随机森林模型的决策因子还包括目标商户在多个不同时段的当前经营特征。当货币基金包含多支时，随机森林模型针对每支基金分别输出该基金是否应当申购以及申购份额，将所有确定为申购的基金集合起来，就形成了本实施例的候选基金组合。

可以理解，随机森林模型的输出与多个决策因子有关。如果决策因子是稳定的，随机森林模型的输出会相对稳定；如果决策因子是不稳定的，随机森林模型的输出也会相对不稳定。当随机森林模型的输出随决策因子的变化而出现明显差异时，其输出结果的参考价值是不高的。为了提高随机森林模型的分类准确性，本实施例目标商户在多个不同时段的当前经营特征作为决策因子。

上述多个不同时段可以是在第一时间段邻近的、时长小于第一时间段的时间区域。例如第一时间段以周计量，具体日期假设为10月11日至10月17日，时长七天。那么上述多个不同时间段就可以是时长小于七天的、在10月11日至10月17日邻近的时间区域，例如设置时长为3天的多个时间段，可以包含时间段t1(10月10日至10月12日)，时间段t2(10月13日至10月15日)和时间段t3(10月16日至10月18日)。将上述不同时间段分别作为随机森林模型的决策因子，相应地可以得到三种候选基金组合。

s400:根据多个所述候选基金组合中包含的不同基金的出现密度，确定推荐基金组合。

如前所述，当选择目标上述在不同时间段的当前经营特征作为决策因子时，通过随机森林模型获得的候选基金组合可能是不同的。在不同的多组基金组合中，本实施例选择出现密度较高的几支基金重新进行组合，以作为推荐基金组合。

由于推荐基金组合综合考虑了多个邻近时间段之间产生的决策因子，并且是根据基金产品出现密度由高到低的顺序确定的，因此推荐基金组合与候选基金组合相比会具有更高的准确度和可信度。

如前所述，本实施例中的收益预测模型可以是通过对线性回归模型训练得到的。其中该线性回归模型优选为惩罚线性回归模型中的拉索模型。将基金的第一历史业绩数据输入线性回归模型，可以输出该基金在预设时间段的预测收益。可以理解，由于关注程度不同，基金产品在工作日的表现和在休息日的表现是不同的。为了更准确地预测基金收益，本实施例首先将第一历史业绩数据划分为工作日历史业绩数据和休息日历史业绩数据，然后分别将工作日历史业绩数据和休息日历史业绩数据输入线性回归模型，以得到所述基金在预设时间段的预测工作日收益p1和预测休息日收益p2。最后，将所述预测工作日收益p1和所述预测休息日收益p2加权求和，以得到综合预测收益p。p可以表示为下式：

p＝αp1+βp2

上式中，α和β为权重系数，具体可以根据工作日和休息日在第一时间段中地占比来确定。

图2a示出了根据本发明实施例一训练收益预测模型的示意性流程图。如图2所示，收益预测模型的训练过程包括以下步骤：

s210:获取所述多只基金的第二历史业绩数据，所述第二历史业绩数据包括所述多只基金在训练时间点之前第一时间段内的业绩数据。在一个示例中，第一时间段可以为三个月。

s220:将所述第二历史业绩数据划分为多个不同的训练样本，每个测试样本包括其中一支基金在第二时间段之内的业绩数据；所述第二时间段小于所述第一时间段。

在一个示例中，上述第二时间段为2周。此时，第一时间段3个月为第二时间段2周的6倍。假设共有n支基金的第二历史业绩数据，相应的对于每支基金可以得到6n个训练样本。

s230:对于每个训练样本中包含的所有数值进行数学运算得到运算样本数据，所述数学运算包括求和、求平均值、求方差、求极大值、求极小值中的任意几种。

假设训练样本中原始包含的数据为[x1,x2,……xn]，对原始包含的数据分别进行求和、求平均值、求方差、求极大值、求极小值等运算，可以得到y1、y2、……ym。

s240:将所述运算样本数据添加至所述训练样本中得到新的训练样本，利用所述新的样本数据训练所述收益预测模型。

根据上文中的例子，新的样本数据为[x1,x2,……xn,y1,y2,……ym]。通过上述步骤，可以增加训练样本的多样性，有利于提高收益预测模型的预测准确度。

本实施例中的测试样本可以和训练样本来自同一时期内的历史业绩数据，每次训练的时候随机选取80％的历史业绩数据作为模型训练样本，剩下的20％作为测试样本。具体的，如图2b所示，划分训练样本和测试样本的过程如下所示：

s210’:根据当前时间点计算分桶数据时间点。这里的分桶数据指的是第二时间段内的数据，分桶数据时间点对应每个第二时间段的具体时长。

s220’：根据分桶数据时间点分别获取分桶数据。

s230’：判断获取到的分桶数据的时间点是否在预设的第一时间段之内。

s240’：若分桶数据的时间点在第一时间段之内，为分桶数据按顺序依次生成0-1之间的随机数，该随机数可以包括0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1.0中的任一个。

s250’：判断随机数是否小于等于0.8；若是，将对应的分桶数据作为训练集；若否，将对应的分桶数据作为测试集。

s260’：若分桶数据的时间点在第一时间段之外，将对应的分桶数据作为测试集。

s270’：循环获取数据，直至所有的分桶数据均已获取完毕。

如前所述，本实施例中的流动资金预测模型可以是通过对自回归模型训练得到的。其中该自回归模型优选为arima模型。将目标商户的第一历史经营数据输入自回归模型，可以输出该目标商户在预设时间段的预测流动资金。

差分自回归移动平均模型arima的建模过程主要包括确定参数(p,d,q)。其中差分的阶数d一般可根据波形图选为1或2，p和q则通过自相关函数acf和偏自相关函数pacf的衰减方式来确定，p表示偏自相关函数pacf第p个数值后呈现截尾衰减，q表示自相关函数acf第q个数值后呈现截尾衰减。如图3a所示，本实施例建立arima模型的具体步骤如下所示：

s310’:获取所述目标商户的训练样本数据；

s320’:根据训练样本数据计算自相关函数acf和偏自相关函数pacf；

s330’:根据平衡性检验结果确定是否需要进行差分处理，若是，转至步骤s340’；若否，转至步骤s350’；

s340’：进行差分处理；

s350’：根据自相关函数acf和偏自相关函数pacf建模；

s360’：估计模型参数；

s370’：计算残差统计值；

s380’：检验残差统计值是否合适；若是，模型训练完毕；若否，对模型进行优化，重新转至步骤s350’。

图3b示出了根据本发明实施例一训练流动资金预测模型的示意性流程图。如图3b所示，训练流动资金预测模型的步骤包括：

s310:获取所述目标商户的第二历史经营数据，所述第二历史经营数据包括所述多支基金在训练时间点之前第一时间段内的业绩数据。

s320:将所述第二历史经营数据划分为多个不同的训练样本，每个训练样本包括其中一支基金在第二时间段之内的业绩数据；所述第二时间段小于所述第一时间段。

上述步骤s310、s320与步骤s210、s220类似，此处不再赘述。

s330:去除所述训练样本中包含的极大值数据和极小值数据，以得到新的训练样本。

s340:利用所述新的样本数据训练所述流动资金预测模型。

通过上述步骤，可以增强流动资金预测模型的训练样本的平滑性，从而提高资金预测模型的预测准确性。

图4示出了根据本发明实施例一确定推荐基金组合的示意性流程图。如图5所示，步骤s400包括：

s410:获取每个当前候选基金组合中包含的基金编号。

假设共有三种候选基金组合，假设第一种候选基金组合包括j1j2j3j4，第二种候选基金组合包括j1j3j5j7，第三种候选基金组合包括j1j2j5j6。这里的j1、j2、j3、j4、j5、j6即为基金编号。

s420:计算每个基金编号在所有当前候选基金组合中的出现密度，其中所述出现密度是所述基金编号在所有基金编号中所占的比例。

可以看出，基金j1在三种候选基金组合中出现3次，出现密度为3÷3＝100％；基金j2在三种候选基金组合中出现2次，出现密度为2÷3＝67％；；基金j3在三种候选基金组合中出现2次，出现密度为2÷3＝67％；基金j4在三种候选基金组合中出现1次，出现密度为1÷3＝33％；基金j5在三种候选基金组合中出现2次，出现密度为2÷3＝67％；基金j6在三种候选基金组合中出现1次，出现密度为1÷3＝33％；基金j7在三种候选基金组合中出现1次，出现密度为1÷3＝33％。

s430:根据所述出现密度确定推荐基金组合。

按照出现密度从高到低的顺序进行排序，可以看出，j1>j2＝j3＝j5>j4＝j6＝j7，选择排序靠前的4支基金作为推荐基金组合，则可以确定推荐基金组合为j1j2j3j5。

可以看出，上述推荐基金组合与任何一个候选基金组合均不同。由于推荐基金组合综合考虑了多个邻近时间段之间产生的决策因子，并且是根据基金产品出现密度由高到低的顺序确定的，因此推荐基金组合与候选基金组合相比会具有更高的准确度和可信度。

如前所示，目标商户在所述多个不同时段的候选基金组合是通过随机森林模型得到的。如图5所示，本实施例中随机森林模型可以通过以下步骤训练得到：

s510:从样本空间中随机抽取80％的数据，构造训练子集，并将训练集数据根据特征条件和预定值进行分割。

s520:计算基尼系数评估特征重要性，保留预设的特征量。

随机选取n个特征，并找出分割当前数据集的最优特征排序，特征值以及分割后的数据子集，并对数据子集创建子分割器直到分类结束。可以设置决策树的最大深度为3，子节点的最小样本数为10，样本量剩余100时停止分裂，创建决策树。

s530：使用bagging方式创建随机森林模型并进行模型训练。

s540：使用测试数据进行预测，并对测试结果计算auc得分，如果低于85％则调整模型特征参数重新训练。

请继续参阅图6，示出了一种货币基金的组合投资预测装置，在本实施例中，组合投资预测装置60可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述组合投资预测方法。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述组合投资预测装置60在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：

收益预测模块61，适用于获取多支基金的第一历史业绩数据，利用收益预测模型分别确定每支基金的预测收益；

流动资金预测模块62，适用于获取目标商户的第一历史经营特征，利用流动资金预测模型确定所述商户的预测流动资金；

随机森林模块63，适用于获取目标商户的当前经营特征，将所述当前经营特征、所述预测收益和所述预测流动资金作为随机森林模型的决策因子，以获得所述目标商户对应的候选基金组合；

推荐模块64，获取多个候选基金组合，基于多个候选基金组合中包含的不同基金的出现密度，确定推荐基金组合。

进一步，所述收益预测模块61包括：

历史业绩获取单元611，适用于获取与每支基金对应的新增申购数量、新增赎回数量、沪深300指数、银行日间拆借利率、基金公司财报、基金公司成立时长、同类基金排名中的任意一种或多种，作为所述历史业绩数据；

预测收益单元612，适用于将所述历史业绩数据输入收益预测模型，以输出每支基金在预设时间段的预测收益；其中所述收益预测模型是利用线性回归模型训练得到的。

进一步，预测收益单元612包括：

数据划分子单元6121，适用于将所述历史业绩数据划分为工作日历史业绩数据和休息日历史业绩数据；

工作日预测子单元6122，适用于将所述工作日历史业绩数据输入所述收益预测模型，以输出所述基金在预设时间段的预测工作日收益；

休息日预测子单元6123，适用于将所述休息日历史业绩数据输入所述收益预测模型，以输出所述基金在预设时间段的预测休息日收益；

综合预测子单元6124，适用于将所述预测工作日收益和所述预测休息日收益加权求和，以得到所述预测收益。

进一步，所述流动资金预测模块62包括：

历史经营特征获取单元621，适用于获取所述目标商户对应的主营商品历史销量、历史价格、节假日因子、历史退还款比例、月末环比提款额、月末同比支出额、促销因子、采购因子中的任意一种或多种，作为所述历史经营特征；

资金预测单元622，适用于将所述历史经营特征输入流动资金预测模型，以输出所述商户的预测流动资金；其中所述流动资金预测模型是基于自相关模型训练得到的。

进一步，推荐模块64包括：

编号获取单元641，适用于获取每个当前候选基金组合中包含的基金编号；

密度计算单元642，适用于计算每个基金编号在所有当前候选基金组合中的出现密度，其中出现密度是所述基金编号在所有基金编号中所占的比例；

组合确定单元643，根据所述出现密度确定推荐基金组合。

本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备70至少包括但不限于：可通过系统总线相互通信连接的存储器71、处理器72，如图7所示。需要指出的是，图7仅示出了具有组件71-72的计算机设备70，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器71(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器71可以是计算机设备70的内部存储单元，例如该计算机设备70的硬盘或内存。在另一些实施例中，存储器71也可以是计算机设备70的外部存储设备，例如该计算机设备70上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，存储器71还可以既包括计算机设备70的内部存储单元也包括其外部存储设备。本实施例中，存储器71通常用于存储安装于计算机设备70的操作系统和各类应用软件，例如实施例一的组合投资预测装置60的程序代码等。此外，存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器72在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制计算机设备70的总体操作。本实施例中，处理器72用于运行存储器71中存储的程序代码或者处理数据，例如运行组合投资预测装置60，以实现实施例一的组合投资预测方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储组合投资预测装置60，被处理器执行时实现实施例一的组合投资预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

流程图中或在此以其它方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

本技术领域的普通技术人员可以理解，实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。