黄金拷贝价格数据确定方法及装置与流程

本发明涉及金融领域，具体而言，涉及一种黄金拷贝价格数据确定方法及装置。

背景技术：

金融市场中金融产品的价格由于数据供应商、地区等不同会产生多个价格数据，而其中最优的价格数据被称为黄金拷贝价格数据。例如金融市场上某只债券sec1在彭博报价为ask＝105.672，bid＝105.196；在路透报价为ask＝105.794，bid＝105.474。银行根据一定规则，对金融市场上该支债券sec1的价格数据进行整合处理，得到这个债券sec1的黄金拷贝价格数据mid＝105.xxx。而银行确定黄金拷贝价格数据的过程被称为对债券sec1进行黄金拷贝(goldcopy)。现有技术中，银行对于金融市场中金融产品进行黄金拷贝的时效性和自动化程度不高，人工成本大。现有技术缺少一种准确、高效的确定金融产品的黄金拷贝价格数据的方法。

技术实现要素：

本发明为了解决上述背景技术中的至少一个技术问题，提出了一种黄金拷贝价格数据确定方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种黄金拷贝价格数据确定方法，该方法包括：

获取金融产品的业务数据，其中，所述业务数据包括价格信息以及产品特征信息；

将所述金融产品的业务数据输入到训练好的聚类模型中，得到数据簇，并将所述数据簇的簇心作为所述金融产品的业务数据对应的黄金拷贝价格数据，其中，所述聚类模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的聚类算法训练得出。

可选的，该黄金拷贝价格数据确定方法还包括：

获取训练好的未来黄金拷贝价格预测模型，其中，所述未来黄金拷贝价格预测模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的机器学习算法训练得出；

将所述金融产品的业务数据输入到所述未来黄金拷贝价格预测模型中，得到金融产品的未来黄金拷贝价格数据。

可选的，该黄金拷贝价格数据确定方法还包括：

获取各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据；

根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用k均值算法训练出所述聚类模型，其中，在训练时根据各金融产品的历史业务数据在特征属性上的相似程度进行分类，通过各金融产品的历史黄金拷贝价格数据以及预设的评价函数对各金融产品的历史业务数据的相似度进行评价，得到样本模糊动态分类置信度评价，通过迭代训练，使得样本模糊动态分类评价满足预设要求。

可选的，该黄金拷贝价格数据确定方法还包括：

获取各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据；

根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用支持向量机回归算法训练出所述未来黄金拷贝价格预测模型。

可选的，该黄金拷贝价格数据确定方法还包括：

判断金融产品的未来黄金拷贝价格数据是否超出预设的黄金拷贝预警阀值范围；

若是，向用户发送预警信息。

可选的，该黄金拷贝价格数据确定方法还包括：

计算金融产品的未来黄金拷贝价格数据对应的金融市场资本杠杆率；

若所述金融市场资本杠杆率超过预设值，向用户发送预警信息。

为了实现上述目的，根据本发明的另一方面，提供了一种黄金拷贝价格数据确定装置，该装置包括：

业务数据获取单元，用于获取金融产品的业务数据，其中，所述业务数据包括价格信息以及产品特征信息；

黄金拷贝价格数据确定单元，用于将所述金融产品的业务数据输入到训练好的聚类模型中，得到数据簇，并将所述数据簇的簇心作为所述金融产品的业务数据对应的黄金拷贝价格数据，其中，所述聚类模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的聚类算法训练得出。

可选的，该黄金拷贝价格数据确定装置还包括：

未来黄金拷贝价格预测模型单元，用于获取训练好的未来黄金拷贝价格预测模型，其中，所述未来黄金拷贝价格预测模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的机器学习算法训练得出；

未来黄金拷贝价格数据确定单元，用于将所述金融产品的业务数据输入到所述未来黄金拷贝价格预测模型中，得到金融产品的未来黄金拷贝价格数据。

可选的，该黄金拷贝价格数据确定装置还包括：

聚类模型训练单元，用于根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用k均值算法训练出所述聚类模型，其中，在训练时根据各金融产品的历史业务数据在特征属性上的相似程度进行分类，通过各金融产品的历史黄金拷贝价格数据以及预设的评价函数对各金融产品的历史业务数据的相似度进行评价，得到样本模糊动态分类置信度评价，通过迭代训练，使得样本模糊动态分类评价满足预设要求。

可选的，该黄金拷贝价格数据确定装置还包括：

未来黄金拷贝价格预测模型训练单元，用于根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用支持向量机回归算法训练出所述未来黄金拷贝价格预测模型。

可选的，该黄金拷贝价格数据确定装置还包括：

第一预警单元，用于判断金融产品的未来黄金拷贝价格数据是否超出预设的黄金拷贝预警阀值范围；并在超出预设的黄金拷贝预警阀值范围时向用户发送预警信息。

可选的，该黄金拷贝价格数据确定装置还包括：

第二预警单元，用于计算金融产品的未来黄金拷贝价格数据对应的金融市场资本杠杆率；并在所述金融市场资本杠杆率超过预设值时向用户发送预警信息。

为了实现上述目的，根据本发明的另一方面，还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，所述处理器执行所述计算机程序时实现上述黄金拷贝价格数据确定方法中的步骤。

为了实现上述目的，根据本发明的另一方面，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，所述计算机程序在计算机处理器中执行时实现上述黄金拷贝价格数据确定方法中的步骤。

本发明的有益效果为：本发明采用机器学习的方法根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的聚类算法训练出聚类模型，进而根据聚类模型确定出当前金融产品的业务数据的黄金拷贝价格数据，实现了准确、高效的确定金融产品的黄金拷贝价格数据的有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。在附图中：

图1是本发明实施例黄金拷贝价格数据确定方法的第一流程图；

图2是本发明实施例黄金拷贝价格数据确定方法的第二流程图；

图3是本发明实施例对预测的未来黄金拷贝价格数据进行预警的第一流程图；

图4是本发明实施例对预测的未来黄金拷贝价格数据进行预警的第二流程图；

图5是本发明实施例黄金拷贝价格数据确定装置的第一结构框图；

图6是本发明实施例黄金拷贝价格数据确定装置的第二结构框图；

图7是本发明实施例黄金拷贝价格数据确定装置的第三结构框图；

图8是本发明实施例黄金拷贝价格数据确定装置的第四结构框图；

图9是本发明实施例计算机设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

本发明提供了一种金融产品的黄金拷贝价格数据确定方法，方法包括：获取金融市场的不同场景历史业务数据和历史黄金拷贝价格数据；根据不同场景历史业务数据和历史黄金拷贝价格数据对预先建立的机器学习模型进行训练；利用训练后的聚类模型对金融市场价格数据进行黄金拷贝，以及利用训练好的未来黄金拷贝价格预测模型对未来的金融市场价格黄金拷贝数据进行预测。本发明通过对金融市场金融产品的业务数据进行特征值提取并进行机器学习训练，实现对金融产品价格数据的黄金拷贝，并对金融产品的未来黄金拷贝数据进行预测，本发明支持银行充分利用金融市场上各类数据，并为市场风险控制及时提供金融市场(包括外汇类市场数据和商品类市场等)参考数据。

图1是本发明实施例黄金拷贝价格数据确定方法的第一流程图，如图1所示，本发明实施例的黄金拷贝价格数据确定方法包括步骤s101至步骤s102。

步骤s101，获取金融产品的业务数据，其中，所述业务数据包括价格信息以及产品特征信息。

在本发明实施例中，金融产品的业务数据可以为从各类金融市场数据供应商(比如彭博、路透、markit、morningstar、10x等)获取的金融产品的业务数据，该金融产品的业务数据可以为多个金融产品的业务数据。在本发明可选实施例中，金融产品的业务数据可以包括多个特征值属性，特征值属性总体可以分为价格信息以及产品特征信息，其中价格信息包括ask价格、bid价格等，产品特征信息包括running_coupon、起息日期、到期日、期限等。如表1所示，为本发明可选实施例的金融产品的业务数据的特征值属性和对应的属性值表格。

表1

步骤s102，将所述金融产品的业务数据输入到训练好的聚类模型中，得到数据簇，并将所述数据簇的簇心作为所述金融产品的业务数据对应的黄金拷贝价格数据，其中，所述聚类模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的聚类算法训练得出。

在本发明实施例中，本发明根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的聚类算法训练出聚类模型，进而将当前获取的金融产品的业务数据输入到训练好的聚类模型中进行聚类，得到一个个数据簇，而这些数据簇的簇心就是各金融产品的黄金拷贝价格数据。

图2是本发明实施例黄金拷贝价格数据确定方法的第二流程图，如图2所示，本发明实施例的黄金拷贝价格数据确定方法还包括步骤s201和步骤s202。

步骤s201，获取训练好的未来黄金拷贝价格预测模型，其中，所述未来黄金拷贝价格预测模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的机器学习算法训练得出。

在本发明实施例中，本发明根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用支持向量机回归(svr)算法训练出未来黄金拷贝价格预测模型，进而利用未来黄金拷贝价格预测模型对金融产品的未来黄金拷贝价格数据进行预测。在本发明可选实施例中未来黄金拷贝价格预测模型可以根据当前的金融产品的业务数据预测出下一天的各金融产品的未来黄金拷贝价格数据，在本发明的其他可选实施例中未来黄金拷贝价格预测模型可以根据当前的金融产品的业务数据预测出接下来多天的各金融产品的未来黄金拷贝价格数据。

步骤s202，将所述金融产品的业务数据输入到所述未来黄金拷贝价格预测模型中，得到金融产品的未来黄金拷贝价格数据。

在本发明可选实施例中，本发明预测的未来黄金拷贝价格数据的数据结构可以如下所示：

其中，datet1为预测的未来黄金拷贝价格数据的日期，为当前日期t加一日，datadatet1为预测的未来黄金拷贝价格数据。

由以上描述可以看出，本发明通过对金融市场金融产品的业务数据进行特征值提取并进行机器学习训练，实现对金融产品价格数据的黄金拷贝，并对金融产品的未来黄金拷贝数据进行预测，本发明支持银行充分利用金融市场上各类数据，并为市场风险控制及时提供金融市场(包括外汇类市场数据和商品类市场等)参考数据。

下面对本发明上述的聚类模型以及未来黄金拷贝价格预测模型的具体训练过程进行介绍。

在本发明可选实施例中，可选实施例中，上述步骤s102的聚类模型具体的训练过程可以包括：获取各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据；根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用k均值算法训练出所述聚类模型，其中，在训练时根据各金融产品的历史业务数据在特征属性上的相似程度进行分类，通过各金融产品的历史黄金拷贝价格数据以及预设的评价函数对各金融产品的历史业务数据的相似度进行评价，得到样本模糊动态分类置信度评价，通过迭代训练，使得样本模糊动态分类评价满足预设要求。

在本发明实施例中，在模型训练前需要先获取历史数据建立训练样本集合，本发明实施例的各金融产品的历史业务数据可以为从各类金融市场数据供应商(比如彭博、路透、markit、morningstar、10x等)获取的历史业务数据。在本发明实施例中通过设置校验规则，对获取的历史业务数据最基本的合法性校验，减少大数据集中的数据的干扰“噪声”。包括筛选业务数据、缺失信息处理、异常信息清理。

缺失信息清理：如果某一正常日期应该存在特征值而实际特征值不存在，可能是数据质量问题，则根据前后时间段的特征值采用插值法计算出当天特征值，例如采用直线插值法取当天特征值为前后两天金额的平均值，即xi-1、xi+1为前后两天的金额，xi为当天金额。

异常数据处理：如果某一日期的特征值急剧增加或减少，比如与前后几天差异极大，则认为是突发事件或偶然事件导致，将这一部分数据剔除。

在本发明实施例中，由于数据供应商的不同，业务数据的类型也有区别，以下为常见的多种业务数据的类型。

a类业务数据：

b类业务数据：

c类业务数据：

d类业务数据：

e类业务数据：

f类业务数据：

a类业务数据包括：彭博提供的产品信息数据(数据日期、产品唯一编号、产品报价时区、ask、bid、last、px_last_eod、conv_bias_basis_pts、ask_yield、bid_yield)；

b类业务数据包括：路透提供的产品信息数据(数据日期、产品唯一编号、产品报价时区、ask、bid、hst_close、primact_1、sec_act1、settle、last)；

c类业务数据包括：morningstra提供的产品信息数据(数据日期、产品唯一编号、产品报价时区、low、high、mid、settlement、close)；

d类业务数据包括：markit提供的产品信息数据(数据日期、产品唯一编号、产品报价时区、tenor、running_coupon、convspread_value、compositespread、realrecovery、spread_value)；

e类业务数据包括：10x提供的产品信息数据(数据日期、产品唯一编号、产品报价时区、tenor、strike_type、strike_step、consensus)；

f类业务数据包括：银行内部产品信息数据(数据日期、产品唯一编号、产品报价时区、产品类型、调节因子、mid、mid_yield)。

在本发明可选实施例中，各金融产品的历史黄金拷贝价格数据可以为银行根据各金融产品的历史业务数据确定的当时的黄金拷贝价格数据，各金融产品的历史黄金拷贝价格数据可以直接从银行获取。

在本发明一可选实施例中，在训练聚类模型时，由于从各供应商服务器拿到的数据时间不固定，标准不一等情况存在，导致训练样本集合[]中源数据类型复杂。本发明通过采用概念模糊的动态聚类的方式将数据进行分类，将由于某些因素忽略的潜在目标数据考虑在内，实现每个产品数据最优化聚合。在本发明可选实施例中可以采用k均值算法实现产品数据聚类，聚合过程可描述为：训练样本集合中由于数据类型复杂，形成高维数据集[]。选取[]集合中的n个样本，银行内部的k个业务数据作为初始模糊分类样本集，特征属性集合p，评价函数f1。根据训练样本数据在特征属性上的相似程度进行分类，通过评价函数对每个样本的相似度进行评价，得到样本模糊动态分类置信度评价g。通过训练样本进行迭代训练，使得样本模糊动态分类评价g满足预设要求，此时为最优聚合分类，由此训练出聚类模型。

在本发明可选实施例中，还可以建立检验样本集，检验样本集的数据同样为各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据，检验样本集用于对训练出的聚类模型的训练结果进行验证以及对偏差进行评价，进而调整迭代次数使训练出的聚类模型的聚类效果达到最佳。

在本发明的可选实施例中，上述步骤s201的未来黄金拷贝价格预测模型具体的训练过程可以包括：获取各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据；根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用支持向量机回归算法训练出所述未来黄金拷贝价格预测模型。

在本发明实施例中，训练未来黄金拷贝价格预测模型所采用的训练样本集和检验样本集与训练上述聚类模型的相同。

在本发明的可选实施例中，在训练未来黄金拷贝价格预测模型时，可以根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据进行风险权重处理和风险因子灵敏度处理，通过多元线性回归预测未来黄金拷贝价格数据。具体训练过程可以为：通过支持向量机回归(svr)算法的多元线性回归，通过给定一个新的输入样本x(金融产品的历史业务数据)，根据给定的数据样本推断它所对应的输出y(未来黄金拷贝价格数据)是多少，这个输出y(未来黄金拷贝价格数据)是一个实数。用数学语言可以把回归问题描述为：

给定的数据样本集合为{(xi,yi)|xi∈rⁿ,yi∈r,i＝1,2,3...,l}。寻找rⁿ上的一个函数f(x)，得到回归方程，以便用y＝f(x)来推断任一x输入所对应的y值，最终通过迭代训练得到的回归方程即为未来黄金拷贝价格预测模型。

在本发明可选实施例中，还可以建立检验样本集，用于对训练出的未来黄金拷贝价格预测模型的预测结果进行验证以及对偏差进行评价，进而调整迭代次数使训练出的未来黄金拷贝价格预测模型的预测效果达到最佳。

在本发明的可选实施例中，在根据未来黄金拷贝价格预测模型对未来黄金拷贝价格数据进行预测后，还需要对预测的结果的准确性进行验证，并在出现预测不准确时进行预警。如图3所示，在本发明可选实施例中对预测的未来黄金拷贝价格数据进行预警的方法包括步骤s301和步骤s302。

步骤s301，判断金融产品的未来黄金拷贝价格数据是否超出预设的黄金拷贝预警阀值范围。

步骤s302，若超出预设的黄金拷贝预警阀值范围向用户发送预警信息。

在本发明可选实施例中，预设的黄金拷贝预警阀值范围的下限可以为当前金融产品的ask价格和bid价格的平均值的50％，上限可以为当前金融产品的ask价格和bid价格的平均值的200％。低于下限或高于上限则生成可疑价格预警信息，并发送给用户，以使用户对未来黄金拷贝价格预测模型的预测结果进行重新评价及改进。

如图4所示，在本发明另一可选实施例中，对预测的未来黄金拷贝价格数据进行预警还包括风控预警分析，具体包括步骤s401和步骤s402。

步骤s401，计算金融产品的未来黄金拷贝价格数据对应的金融市场资本杠杆率。

步骤s402，若所述金融市场资本杠杆率超过预设值，向用户发送预警信息。

在本发明实施例中，本发明还对预测的未来黄金拷贝价格数据进行风控预警分析。在预测未来黄金拷贝价格数据时，有加入风控的条件作为评价条件，例如银行金融市场资本杠杆率不超过某一定值，所以得到的预测未来黄金拷贝价格数据应该是最符合当前银行资金配比。如果预测出来的未来黄金拷贝价格数据与黄金拷贝数据差距超过阈值，则相应形成预警。

由以上描述可以看出，本发明实施例提供一种黄金拷贝价格数据确定方法，通过对金融市场不同场景的业务数据进行特征值提取并进行机器学习训练，实现在海量的金融数据市场得到最优的价格数据(称之为黄金拷贝价格数据)，并对未来的黄金拷贝价格数据进行预测，达到金融市场风险防控预测的目的。支持银行充分利用金融市场数据的数据价值，增强对市场数据的使用、管理、计算能力。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

基于同一发明构思，本发明实施例还提供了一种黄金拷贝价格数据确定装置，可以用于实现上述实施例所描述的黄金拷贝价格数据确定方法，如下面的实施例所述。由于黄金拷贝价格数据确定装置解决问题的原理与黄金拷贝价格数据确定方法相似，因此黄金拷贝价格数据确定装置的实施例可以参见黄金拷贝价格数据确定方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图5是本发明实施例黄金拷贝价格数据确定装置的第一结构框图，如图5所示，本发明实施例黄金拷贝价格数据确定装置包括：业务数据获取单元1和黄金拷贝价格数据确定单元2。

业务数据获取单元1，用于获取金融产品的业务数据，其中，所述业务数据包括价格信息以及产品特征信息。

黄金拷贝价格数据确定单元2，用于将所述金融产品的业务数据输入到训练好的聚类模型中，得到数据簇，并将所述数据簇的簇心作为所述金融产品的业务数据对应的黄金拷贝价格数据，其中，所述聚类模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的聚类算法训练得出。

图6是本发明实施例黄金拷贝价格数据确定装置的第二结构框图，如图6所示，本发明实施例黄金拷贝价格数据确定装置还包括：未来黄金拷贝价格预测模型单元3和未来黄金拷贝价格数据确定单元4。

未来黄金拷贝价格预测模型单元3，用于获取训练好的未来黄金拷贝价格预测模型，其中，所述未来黄金拷贝价格预测模型为根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用预设的机器学习算法训练得出。

未来黄金拷贝价格数据确定单元4，用于将所述金融产品的业务数据输入到所述未来黄金拷贝价格预测模型中，得到金融产品的未来黄金拷贝价格数据。

图7是本发明实施例黄金拷贝价格数据确定装置的第三结构框图，如图7所示，本发明实施例黄金拷贝价格数据确定装置还包括：聚类模型训练单元5和未来黄金拷贝价格预测模型训练单元6。

聚类模型训练单元5，用于根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用k均值算法训练出所述聚类模型，其中，在训练时根据各金融产品的历史业务数据在特征属性上的相似程度进行分类，通过各金融产品的历史黄金拷贝价格数据以及预设的评价函数对各金融产品的历史业务数据的相似度进行评价，得到样本模糊动态分类置信度评价，通过迭代训练，使得样本模糊动态分类评价满足预设要求。

未来黄金拷贝价格预测模型训练单元6，用于根据各金融产品的历史业务数据以及各金融产品的历史黄金拷贝价格数据采用支持向量机回归算法训练出所述未来黄金拷贝价格预测模型。

图8是本发明实施例黄金拷贝价格数据确定装置的第四结构框图，如图8所示，本发明实施例黄金拷贝价格数据确定装置还包括：第一预警单元7和第二预警单元8。

第一预警单元7，用于判断金融产品的未来黄金拷贝价格数据是否超出预设的黄金拷贝预警阀值范围；并在超出预设的黄金拷贝预警阀值范围时向用户发送预警信息。

第二预警单元8，用于计算金融产品的未来黄金拷贝价格数据对应的金融市场资本杠杆率；并在所述金融市场资本杠杆率超过预设值时向用户发送预警信息。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图9所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有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实施例方法中的步骤。

处理器可以为中央处理器(centralprocessingunit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。

上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。

为了实现上述目的，根据本申请的另一方面，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，所述计算机程序在计算机处理器中执行时实现上述黄金拷贝价格数据确定方法中的步骤。本领域技术人员可以理解，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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。