基于决策树的债券价值分析方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于决策树的债券价值分析方法、装置、设备及存储介质。


背景技术：

2.当前市场上的债券存续量已达到近十万只，通常将债券的价值抽象定义为行权信息(即：债券行权日时的赎回价格)；然而，每个债券因其发布企业的运营状况，可能会对所述债券的价值参数(例如：债券利率)进行调整，因此，在客观上总结，可理解为，每个债券的真实价值每天都可能在不断的变化；因此，当前的债券交易机构通常会基于交易员的经验，对每个债券的真实价值进行再次评估或计算。
3.然而，发明人发现，限于交易员的评估或计算的低效率，以及依经验进行评估或计算所产生的较大误差，导致当前的债券真实价值评估或计算的效率低下，且评估或计算的结果准确度不高的问题发生。


技术实现要素：

4.本发明的目的是提供一种基于决策树的债券价值分析方法、装置、设备及存储介质，用于解决现有技术存在的限于交易员的评估或计算的低效率，以及依经验进行评估或计算所产生的较大误差，导致当前的债券真实价值评估或计算的效率低下，且评估或计算的结果准确度不高的问题。
5.为实现上述目的，本发明提供一种基于决策树的债券价值分析方法，包括：
6.获取当前债券数据，提取所述当前债券数据中的当前属性信息；
7.通过预置的决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征；
8.调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，其中，所述运算结果信息表征了所述当前债券数据的真实价值。
9.上述方案中，所述获取当前债券数据之前，所述方法还包括：
10.获取历史债券数据，根据预置的识别规则在所述历史债券数据中获取目标债券数据；
11.依次提取所述目标债券数据的历史属性信息，以所述历史属性信息中的属性标签作为分类条件构建决策树模型，并在所述决策树模型中制定用于表征所述决策树模型对所述历史属性信息的划分类别的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征。
12.上述方案中，所述获取历史债券数据，根据预置的识别规则在所述历史债券数据中获取目标债券数据，包括：
13.根据预置的周期信息从预置的历史库中获取历史债券数据，其中，所述周期信息
定义了从所述历史库中获取历史债券数据的时间；
14.提取所述识别规则中的关键词，从所述历史债券数据中识别出具有所述关键词的历史债券数据，并将所述具有关键词的历史债权数据设为所述目标债券数据。
15.上述方案中，所述依次提取所述目标债券数据的历史属性信息，以所述历史属性信息中的属性标签作为分类条件构建决策树模型，包括：
16.提取所述历史属性信息中的属性标签；
17.对所述属性标签进行排列组合得到属性集合，其中，所述属性集合中至少具有属性标签；
18.以所述属性集合作为预置的初始树模型的分类目标，在所述初始树模型中构建用于对所述属性集合进行分类的分类条件，使所述初始树模型转为决策树模型。
19.上述方案中，所述在所述决策树模型中制定用于表征所述决策树模型对所述历史属性信息的划分类别的类型信息，包括：
20.获取所述决策树模型的末端节点，其中，所述末端节点为所述决策树模型中有且只有所述属性集合的节点；
21.在所述末端节点中定义用于表征所述末端节点内属性集合的类型信息，其中，所述类型信息表征了通过所述决策树模型对所述历史属性信息的划分类别。
22.上述方案中，所述调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理之前，所述方法还包括：
23.构建与所述类型信息对应的计算模型，其中，所述计算模型用于计算相应于所述类型信息的当前属性信息；
24.所述构建与所述类型信息对应的计算模型，包括：
25.构建与所述决策树中类型信息对应的计算模型，其中，所述计算模型中记录有用于对当前属性信息进行运算的运算策略；
26.在所述决策树模型的节点单元与所述计算模型之间构建触发连接，其中，所述节点单元是所述决策树模型中用于记载类型信息的计算机模块。
27.上述方案中，所述调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，包括：
28.从预置的模型库中获取相应于所述类型信息的计算模型，将所述当前属性信息中的属性标签设为当前属性标签，及将所述当前属性信息中的结果标签设为当前结果标签；
29.将所述当前属性标签及其在所述当前属性信息中对应的数值，和/或当前结果标签及其在所述当前属性信息中对应的数值录入所述计算模型，使所述计算模型转为待运算模型；
30.调用预置的计算线程运行所述待运算模型得到相应于所述当前债券数据的运算结果信息，其中，所述计算线程是用于对待运算模型提供运算资源的调度单元；
31.将所述运算结果信息上传至区块链中。
32.为实现上述目的，本发明还提供一种基于决策树的债券价值分析装置，包括：
33.属性获取模块，用于获取当前债券数据，提取所述当前债券数据中的当前属性信息；
34.类型判定模块，用于通过预置的决策树模型根据所述当前属性信息中的属性标
签，判定所述当前债券数据的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征；
35.数据运算模块，用于调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，其中，所述运算结果信息表征了所述当前债券数据的真实价值。
36.为实现上述目的，本发明还提供一种计算机设备，其包括存储器、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，所述计算机设备的处理器执行所述计算机程序时实现上述债券价值分析方法的步骤。
37.为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述债券价值分析方法的步骤。
38.本发明提供的基于决策树的债券价值分析方法、装置、设备及存储介质，通过所述决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，以实现对所述当前债券数据的自动分类的技术效果，进而提高了分类效率和分类准确率，因此，保证了后续获取的计算模型与所述当前债券数据之间的匹配准确度。
39.通过调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，实现准确的获取相应于所述当前债券数据的计算模型的技术效果，避免了当前基于交易员的经验获取计算模型，导致因经验所产生的较大误差，而调用错误或不准确的模型，造成最终运算结果不准确的情况发生；通过所述计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，实现自动计算当前债券数据的运算结果信息，提高了运算结果信息的运算效率，避免了当前通过交易员手动调用评估或计算模型对债券数据进行计算，导致计算效率低下的问题发生。
附图说明
40.图1为本发明债券价值分析方法实施例一的流程图；
41.图2为本发明债券价值分析方法实施例二中债券价值分析方法的环境应用示意图；
42.图3是本发明债券价值分析方法实施例二中债券价值分析方法的具体方法流程图；
43.图4为本发明债券价值分析装置实施例三的程序模块示意图；
44.图5为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
45.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。
46.本发明提供的基于决策树的债券价值分析方法、装置、设备及存储介质，适用于人工智能的智能决策技术领域，为提供一种基于属性获取模块、类型判定模块和数据运算模
块的债券价值分析方法。本发明通过获取当前债券数据，提取当前债券数据中的当前属性信息；通过预置的决策树模型根据当前属性信息中的属性标签，判定当前债券数据的类型信息；调用相应于类型信息的计算模型对当前属性信息进行运算处理，得到相应于当前债券数据的运算结果信息。
47.实施例一：
48.请参阅图1，本实施例的一种基于决策树的债券价值分析方法，包括：
49.s103：获取当前债券数据，提取所述当前债券数据中的当前属性信息；
50.s104：通过预置的决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征；
51.s106：调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，其中，所述运算结果信息表征了所述当前债券数据的真实价值。
52.在示例性的实施例中，接收终端发送的当前债券数据，或接收管理端发送的债券编号，根据所述债券编号从预置的债券数据库中获取当前债券数据，所述当前属性信息用于在维度上描述所述当前债券数据，所述当前属性信息中具有用于在某一维度上描述所述当前债券数据的当前属性标签。
53.通过所述决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，以实现对所述当前债券数据的自动分类的技术效果，进而提高了分类效率和分类准确率，因此，保证了后续获取的计算模型与所述当前债券数据之间的匹配准确度。
54.通过调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，实现准确的获取相应于所述当前债券数据的计算模型的技术效果，避免了当前基于交易员的经验获取计算模型，导致因经验所产生的较大误差，而调用错误或不准确的模型，造成最终运算结果不准确的情况发生；通过所述计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，实现自动计算当前债券数据的运算结果信息，提高了运算结果信息的运算效率，避免了当前通过交易员手动调用评估或计算模型对债券数据进行计算，导致计算效率低下的问题发生。
55.实施例二：
56.本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。
57.下面，以在运行有债券价值分析方法的服务器中，通过决策树模型判定当前债券数据的类型信息，并调用相应于类型信息的计算模型对当前属性信息进行运算处理得到运算结果信息为例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。
58.图2示意性示出了根据本技术实施例二的债券价值分析方法的环境应用示意图。
59.在示例性的实施例中，债券价值分析方法所在的服务器2通过网络分别连接开发端3、终端4和管理端5；所述服务器2可以通过网络提供服务，网络可以包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或等等。网络可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，它们的组合和/或类似物。网络可以包括无线链路，例如蜂窝链路，卫星链路，wi-fi链路和/或类似
物；所述开发端3、终端4和管理端5可分别为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。
60.图3是本发明实施例提供的一种债券价值分析方法的具体方法流程图，该方法具体包括步骤s201至s206。
61.s201：获取历史债券数据，根据预置的识别规则在所述历史债券数据中获取目标债券数据。
62.本步骤中，从预置的历史库中获取相应于预置数量的历史债券数据，例如10000份，以保证历史债券数据类型的全面性，通过所述识别规则从所述历史债券数据中，获取开发端所需的目标债券数据，以实现根据开发端的决策树构建需求，获取指定数据的技术效果，保证了数据获取的针对性。
63.在一个优选的实施例中，所述获取历史债券数据，根据预置的识别规则在所述历史债券数据中获取目标债券数据，包括：
64.s11：根据预置的周期信息从预置的历史库中获取历史债券数据，其中，所述周期信息定义了从所述历史库中获取历史债券数据的时间；
65.s12：提取所述识别规则中的关键词，从所述历史债券数据中识别出具有所述关键词的历史债券数据，并将所述具有关键词的历史债权数据设为所述目标债券数据。
66.具体地，所述识别规则包括关键词和筛选策略，所述关键词可根据需要设置
67.所述筛选策略为对所述历史债券进行筛选时，所述关键词的设置方式，例如：和、或。
68.示例性地，将识别规则中的关键字设为“赎回”和“回售”，将识别规则中的筛选策略设为“或”，则从历史债券数据中获得可赎回和/或可回售债券，并将所述可赎回和/或可回售债券设为所述目标债券数据。
69.s202：依次提取所述目标债券数据的历史属性信息，以所述历史属性信息中的属性标签作为分类条件构建决策树模型，并在所述决策树模型中制定用于表征所述决策树模型对所述历史属性信息的划分类别的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征。
70.本步骤中，所述历史属性信息的属性标签包括：赎回权信息、回售权信息、利率调整信息；所述历史属性信息的结果标签包括：行权信息。
71.在一个优选的实施例中，所述依次提取所述目标债券数据的历史属性信息，以所述历史属性信息中的属性标签作为分类条件构建决策树模型，包括：
72.s21：提取所述历史属性信息中的属性标签；
73.s22：对所述属性标签进行排列组合得到属性集合，其中，所述属性集合中至少具有属性标签；
74.s23：以所述属性集合作为预置的初始树模型的分类目标，在所述初始树模型中构建用于对所述属性集合进行分类的分类条件，使所述初始树模型转为决策树模型。
75.进一步地，所述以所述属性集合作为预置的初始树模型的分类目标，在所述初始树模型中构建用于对所述属性集合进行分类的分类条件，使所述初始树模型转为决策树模型，包括：
76.s231：定义分类次数n，其中，n为大于或等于1的正整数；
77.s232：当分类次数n为1时，将所有所述属性集合设为第n类别；
78.s233：执行第n次熵值计算进程，用于获取所述第n类别之下所有属性集合中的属性标签并去重，得到相应于所述第n类别的第n特征集合，根据具有所述第n特征集合中任一属性标签的属性集合在所有所述属性集合中所占的比值，计算所述任一属性标签相对于所有所述属性集合的第n熵值，其中，所述第n熵值表征了以相应于所述第n熵值的属性标签作为分类条件对所述属性集合的区分能力，所述区分能力与所述第n熵值大小之间呈负相关。
79.本步骤中，使用第n熵值公式计算每个属性标签对于相对于所有所述属性集合的第n熵值，所述第n熵值公式为：
[0080][0081]
其中，pi是指具有第n特征集合中第i个属性标签的属性集合，在全部属性集合中的比值；e是指相应于所述属性标签的第n熵值。
[0082]
s234：执行第n次分类进程，用于获取所述特征集合中所有属性标签的第n熵值，并识别所述所有属性标签的第n熵值中的最低值，将相应于所述最低值的属性标签作为所述初始树模型的第n分类条件，通过所述初始树模型根据所述第n分类条件对所述第n类别之下所有属性集合进行分类，得到所述第n类别之下的两个子类别；
[0083]
s235：执行第n次判断进程，用于判断所述第n类别之下的所述子类别中是否有且只有属性集合；
[0084]
s236：如果两个所述子类别之下均有且只有属性集合，则将所述初始树模型转为决策树模型。
[0085]
s237：如果两个所述子类别中，只有子类别之下有且只有属性集合，则结束有且只有属性集合的子类别的熵值计算进程和分类进程，并将具有两个或两个以上属性集合所述子类别设为第n+1类别，及对所述n+1类别下的所有属性集合依次执行第n+1次熵值计算进程和第n+1次分类进程，得到所述第n+1类别之下的两个子类别，再对所述第n+1类别之下的两个子类别执行第n+1次判断进程；
[0086]
s238：如果两个所述子类别之下均具有两个或两个以上属性集合，则分别将具有两个或两个以上属性集合所述子类别设为第n+1类别，及对所述n+1类别下的所有属性集合依次执行第n+1次熵值计算进程和第n+1次分类进程，得到所述第n+1类别之下的两个子类别，再对所述第n+1类别之下的两个子类别执行第n+1次判断进程；
[0087]
具体地，采用id3算法(iterative dichotomiser 3迭代二叉树3代)作为所述初始树模型，使所述初始树模型建立在奥卡姆剃刀的基础上，即：越是小型的决策树越优于大的决策树，得到能够快速对历史属性信息进行分类的决策树模型的技术效果。
[0088]
因此，以属性标签的属性集合作为所述决策树模型的分类条件，实现了对历史债券数据的历史属性信息中各种属性标签的排列组合的识别，进而实现了有针对性地对历史债券数据进行分类的技术效果。
[0089]
示例性地，将同时具有所述赎回权信息、所述回授权信息以及所述利率调整信息的属性集合设为第一集合；
[0090]
将同时具有所述赎回权信息和回售权信息，但不具有所述利率调整信息的属性集
合设为第二集合；
[0091]
将同时具有所述赎回权信息和所述利率调整信息，但不具有回售权信息的属性集合设为第三集合；
[0092]
将同时具有回售权信息和所述利率调整信息，但不具有所述赎回权信息的属性集合设为第四集合；
[0093]
将仅具有所述赎回权信息，但不具有所述回售权信息和所述利率调整信息的属性集合设为第五集合；
[0094]
将仅具有所述回售权信息，但不具有所述赎回权信息和所述利率调整信息的属性集合设为第六集合。
[0095]
因此，根据所述步骤s23得到的决策树模型的分类条件如下：
[0096]
第一分类条件为是否具有利率调整信息，根据所述第一分类条件，将第一集合、第三集合和第四集合划为子类别，及将第二集合、第五集合和第六集合划为另子类别。其中，将第子类别设为第一子类别，第二个子类别设为第二子类别；
[0097]
对第一子类别的第二分类条件为是否同时具有赎回权信息和回售权信息，根据所述第二分类条件将第一集合划为子子类别，将第三集合和第四集合划为另子子类别；其中，将第子子类别设为第一子子类别，将第二个子子类别设为第二子子类别；
[0098]
以及对第二子类别的第二分类条件为是否同时具有赎回权信息和回售权信息，根据所述第二分类条件将第二集合划为子子类别，将第五集合和第六集合划为另子子类别，其中，将第子子类别设为第三子子类别，将第二个子子类别设为第四子子类别；
[0099]
对第二子子类别的分类条件为是否具有赎回权信息，以将第三集合划为一个子子分类别，将第四集合划为另一子子分类别；
[0100]
以及对第四子子类别的分类条件为是否具有赎回权信息，以将第五集合划为一个子子分类别，将第六集合划为另一子子分类别。
[0101]
在一个优选的实施例中，在所述决策树模型中制定用于表征所述决策树模型对所述历史属性信息的划分类别的类型信息，包括：
[0102]
s24：获取所述决策树模型的末端节点，其中，所述末端节点为所述决策树模型中有且只有所述属性集合的节点；
[0103]
s25：在所述末端节点中定义用于表征所述末端节点内属性集合的类型信息，其中，所述类型信息表征了通过所述决策树模型对所述历史属性信息的划分类别。
[0104]
示例性地，获取决策树中相应于第一集合的分类条件的子节点，在所述子节点中定义内容为第一类型的类型信息；
[0105]
获取决策树中相应于第二集合的分类条件的子节点，在所述子节点中定义内容为第二类型的类型信息；
[0106]
获取决策树中相应于第三集合的分类条件的子节点，在所述子节点中定义内容为第三类型的类型信息；
[0107]
获取决策树中相应于第四集合的分类条件的子节点，在所述子节点中定义内容为第四类型的类型信息；
[0108]
获取决策树中相应于第五集合的分类条件的子节点，在所述子节点中定义内容为第五类型的类型信息；
[0109]
获取决策树中相应于第六集合的分类条件的子节点，在所述子节点中定义内容为第六类型的类型信息。
[0110]
s203：获取当前债券数据，提取所述当前债券数据中的当前属性信息。
[0111]
本步骤中，接收预先与服务器2连接的终端发送的当前债券数据，或接收预先与服务器2连接的管理端发送的债券编号，根据所述债券编号从预置的债券数据库中获取当前债券数据。所述当前属性信息用于在维度上描述所述当前债券数据，所述当前属性信息中具有用于在某一维度上描述所述当前债券数据的当前属性标签。
[0112]
s204：通过预置的决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征。
[0113]
为实现对当前债券数据进行自动分类，以提高当前债券数据的分类效率和分类准确率，本步骤通过所述决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，以实现对所述当前债券数据的自动分类的技术效果，进而提高了分类效率和分类准确率。
[0114]
s205：构建与所述类型信息对应的计算模型，其中，所述计算模型用于计算相应于所述类型信息的当前属性信息。
[0115]
为避免在得到当前债券数据后，采用人工方式对所述当前债券数据进行计算，本步骤通过构建与所述类型信息对应的计算模型，用于计算相应于所述类型信息的当前属性信息，实现直接根据类型信息调用相应计算模型，对当前属性信息进行运算，以避免当前采用人工方式，导致对当前属性信息的运算效率低下，错误率高的风险发生。
[0116]
在一个优选的实施例中，所述构建与所述类型信息对应的计算模型，包括：
[0117]
s51：构建与所述决策树中类型信息对应的计算模型，其中，所述计算模型中记录有用于对当前属性信息进行运算的运算策略；
[0118]
s52：在所述决策树模型的节点单元与所述计算模型之间构建触发连接，其中，所述节点单元是所述决策树模型中用于记载类型信息的计算机模块。
[0119]
于本实施例中，通过构建计算模型实现有针对性地根据类型信息对当前属性信息进行计算，避免了当前需要人工调用相应计算公式对当前债券数据进行计算，导致计算效率低下的问题发生。
[0120]
通过在所述节点单元和所述计算模型之间构建触发连接，使得决策树模型在对当前债券数据进行分类，获得相应于所述当前债券数据的类型信息之后，能够直接调用相应于所述类型信息的计算模型，对所述当前债券数据的当前属性信息进行计算，实现了类型识别和数据计算两个操作的无缝连接，避免了当前因需要人工调用预置的计算模型，造成很容易错误调用模型，导致计算错误的情况发生。
[0121]
示例性地，当类型信息的内容为第一类型时，相应于所述类型信息的计算模型的运算策略为：将所述当前属性信息中的结果标签作为运算结果信息；
[0122]
当类型信息的内容为第二类型时，相应于所述类型信息的计算模型的运算策略为：将所述当前属性信息中的结果标签作为运算结果信息；
[0123]
当类型信息的内容为第三类型时，相应于所述类型信息的计算模型的运算策略为：判断当前债券数据中是否具有预置的债券关键字(例如：资本补充债对应的值)；
[0124]
若是，则将所述当前债券数据的结果标签作为运算结果信息；若否，则根据所述利
率调整信息调整所述当前债券数据的结果标签得到行权调整信息，将所述行权调整信息作为所述运算结果信息；
[0125]
当类型信息的内容为第四类型时，相应于所述类型信息的计算模型的运算策略为：识别所述利率调整权信息的调整内容；如果所述调整内容为可上调利率及可下调利率，且下调利率时所述利率调整信息不具有下调边界，则将所述行权信息作为所述运算结果信息；如果所述调整内容为只能上调利率，则调用预置的定价模型计算所述回售权信息得到定价预测信息，将所述定价预测信息作为所述运算结果信息；
[0126]
当类型信息的内容为第五类型时，相应于所述类型信息的计算模型的运算策略为：调用预置的定价模型计算赎回权信息得到运算结果信息。于本实施例中，可采用hull white模型作为所述计算模型；
[0127]
当类型信息的内容为第六类型时，相应于所述类型信息的计算模型的运算策略为：调用预置的定价模型计算回售权信息得到运算结果信息。于本实施例中，可采用hull white模型作为所述计算模型。
[0128]
于本实施例中，所述运算结果信息表征了所述当前债券数据的真实价值。
[0129]
需要说明的是，所述hull white模型是指赫尔-怀特模型(英：hull-white model)，其为金融数学中的利率模型的一种。此模型中、为了把未来利率的变动变换成数学上较简洁的lattice model，将利率当作百慕大选择权(选择权存续期间中设定复数个期间，在这些期间可以执行的选择权)，以此便能将利率的变动价值以选择权模评价型来评价。
[0130]
s206：调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，其中，所述运算结果信息表征了所述当前债券数据的真实价值。
[0131]
为实现自动准确的计算当前债券数据的运算结果信息，本步骤通过调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，实现准确的获取相应于所述当前债券数据的计算模型的技术效果，避免了当前基于交易员的经验获取计算模型，导致因经验所产生的较大误差，而调用错误或不准确的模型，造成最终运算结果不准确的情况发生；通过所述计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，实现自动计算当前债券数据的运算结果信息，提高了运算结果信息的运算效率，避免了当前通过交易员手动调用评估或计算模型对债券数据进行计算，导致计算效率低下的问题发生。
[0132]
在一个优选的实施例中，所述调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，包括：
[0133]
s61：从预置的模型库中获取相应于所述类型信息的计算模型，将所述当前属性信息中的属性标签设为当前属性标签，及将所述当前属性信息中的结果标签设为当前结果标签；
[0134]
s62：将所述当前属性标签及其在所述当前属性信息中对应的数值，和/或当前结果标签及其在所述当前属性信息中对应的数值录入所述计算模型，使所述计算模型转为待运算模型；
[0135]
s63：调用预置的计算线程运行所述待运算模型得到相应于所述当前债券数据的
运算结果信息，其中，所述计算线程是用于对待运算模型提供运算资源的调度单元。
[0136]
具体地，在运行有基于决策树的债券管理方法的服务器中构建线程池，所述线程池中具有状态为空闲的计算线程，所述计算线程用于对所述计算模型的运行提供计算资源；
[0137]
从保存有计算模型的模型库中获取相应于所述类型信息的计算模型，其中，所述类型信息和所述计算模型在所述模型库中以键值对的形式保存，以便于快速根据类型信息获取计算模型，于本实施例中，所述类型信息为所述键值对的主键，所述计算模型为所述键值对的键值。
[0138]
将所述当前属性标签及其在所述当前属性信息中对应的数值，和/或当前结果标签及其在所述当前属性信息中对应的数值，例如：赎回权信息的数值，以及利率调整信息的数值m％，录入所述计算模型，使所述计算模型转为所述待运算模型。
[0139]
识别所述线程池中是否具有状态为空闲的计算线程；
[0140]
若是，则将所述计算线程的状态转为忙碌，并调用所述计算线程运行所述待运算模型得到所述相应于所述当前债券数据的运算结果信息；当获得所述运算结果信息时，则释放所述计算线程并使所述计算线程的状态转为空闲；
[0141]
若否，则将所述待运算模型的编号录入预置的队列中；当所述线程池中出现状态为空闲的计算线程时，从所述队列中获取编号，并获取相应于所述编号的待运算模型，调用所述状态为空闲的计算线程运行所述待运算模型得到所述运算结果信息。
[0142]
优选的，所述调用预置的计算线程运行所述待运算模型得到相应于所述当前债券数据的运算结果信息之后，所述方法还包括：
[0143]
将所述运算结果信息上传至区块链中。
[0144]
需要说明的是，基于所述运算结果信息得到对应的摘要信息，具体来说，摘要信息由所述运算结果信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证所述运算结果信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0145]
实施例三：
[0146]
请参阅图4，本实施例的一种基于决策树的债券价值分析装置1，包括：
[0147]
属性获取模块13，用于获取当前债券数据，提取所述当前债券数据中的当前属性信息；
[0148]
类型判定模块14，用于通过预置的决策树模型根据所述当前属性信息中的属性标签，判定所述当前债券数据的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征；
[0149]
数据运算模块16，用于调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息，其中，所述运算结果信息表征了所述当前债券数据的真实价值。
[0150]
可选的，所述债券价值分析装置1还包括：
[0151]
数据获取模块11，用于获取历史债券数据，根据预置的识别规则在所述历史债券数据中获取目标债券数据。
[0152]
可选的，所述数据获取模块11包括：
[0153]
数据获取单元111，用于根据预置的周期信息从预置的历史库中获取历史债券数据，其中，所述周期信息定义了从所述历史库中获取历史债券数据的时间；
[0154]
数据识别单元112，用于提取所述识别规则中的关键词，从所述历史债券数据中识别出具有所述关键词的历史债券数据，并将所述具有关键词的历史债权数据设为所述目标债券数据。
[0155]
可选的，所述债券价值分析装置1还包括：
[0156]
模型构建模块12，用于依次提取所述目标债券数据的历史属性信息，以所述历史属性信息中的属性标签作为分类条件构建决策树模型，并在所述决策树模型中制定用于表征所述决策树模型对所述历史属性信息的划分类别的类型信息，其中，所述属性标签在维度上描述了所述目标债券数据的特征。
[0157]
可选的，所述模型构建模块12包括：
[0158]
标签提取单元121，用于提取所述历史属性信息中的属性标签；
[0159]
属性排列单元122，用于对所述属性标签进行排列组合得到属性集合，其中，所述属性集合中至少具有属性标签；
[0160]
模型构建单元123，用于以所述属性集合作为预置的初始树模型的分类目标，在所述初始树模型中构建用于对所述属性集合进行分类的分类条件，使所述初始树模型转为决策树模型。
[0161]
节点获取单元124，用于获取所述决策树模型的末端节点，其中，所述末端节点为所述决策树模型中有且只有所述属性集合的节点；
[0162]
类型定义单元125，用于在所述末端节点中定义用于表征所述末端节点内属性集合的类型信息，其中，所述类型信息表征了通过所述决策树模型对所述历史属性信息的划分类别。
[0163]
可选的，所述债券价值分析装置1还包括：
[0164]
计算构建模块15，用于构建与所述类型信息对应的计算模型，其中，所述计算模型用于计算相应于所述类型信息的当前属性信息。
[0165]
可选的，所述计算构建模块15包括：
[0166]
计算构建单元151，用于构建与所述决策树中类型信息对应的计算模型，其中，所述计算模型中记录有用于对当前属性信息进行运算的运算策略；
[0167]
触发设置单元152，用于在所述决策树模型的节点单元与所述计算模型之间构建触发连接，其中，所述节点单元是所述决策树模型中用于记载类型信息的计算机模块。
[0168]
可选的，所述数据运算模块16包括：
[0169]
标签识别单元161，用于从预置的模型库中获取相应于所述类型信息的计算模型，将所述当前属性信息中的属性标签设为当前属性标签，及将所述当前属性信息中的结果标签设为当前结果标签；
[0170]
模型转换单元162，用于将所述当前属性标签及其在所述当前属性信息中对应的
数值，和/或当前结果标签及其在所述当前属性信息中对应的数值录入所述计算模型，使所述计算模型转为待运算模型；
[0171]
模型运行单元163，用于调用预置的计算线程运行所述待运算模型得到相应于所述当前债券数据的运算结果信息，其中，所述计算线程是用于对待运算模型提供运算资源的调度单元。
[0172]
本技术方案应用于人工智能的智能决策领域，通过决策树模型根据所述当前属性信息中的属性标签，以作为判定所述当前债券数据的类型信息的分类模型；调用相应于所述类型信息的计算模型对所述当前属性信息进行运算处理，得到相应于所述当前债券数据的运算结果信息。
[0173]
实施例四：
[0174]
为实现上述目的，本发明还提供一种计算机设备6，实施例三的债券价值分析装置的组成部分可分散于不同的计算机设备中，计算机设备6可以是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，或者应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器61、处理器62，如图5所示。需要指出的是，图5仅示出了具有组件-的计算机设备，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。
[0175]
本实施例中，存储器61(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61可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器61也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器61还可以既包括计算机设备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61通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的债券价值分析装置的程序代码等。此外，存储器61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。
[0176]
处理器62在一些实施例中可以是中央处理器(central processing unit，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62通常用于控制计算机设备的总体操作。本实施例中，处理器62用于运行存储器61中存储的程序代码或者处理数据，例如运行债券价值分析装置，以实现实施例一和实施例二的债券价值分析方法。
[0177]
实施例五：
[0178]
为实现上述目的，本发明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62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实现所述债券价值分析方法的计算机程序，被处理器62执行时实现实施例一和实施例二的债券价值分析方法。
[0179]
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。
[0180]
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。
[0181]
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。