挖掘因子的方法、构建投资模型的方法及交互方法与流程

1.本说明书实施例涉及计算机技术领域，特别涉及一种挖掘因子的方法。


背景技术：

2.多因子模型是目前常用的机器学习模型。在构建多因子模型的过程中，需要一些用于预测结果的因子，好的预测结果离不开大量的优质因子。覆盖面广、预测能力强、数量庞大的因子库是机器学习模型优秀预测能力的来源。目前由专家观察规律根据经验挖掘因子，不仅挖掘效率低，而且挖掘出的因子不一定能很准确地解释结果，导致构建出的模型预测结果不准确因此，如何高效、快速地挖掘出具有稳定准确预测效果的因子成为构建机器学习模型的难题。


技术实现要素：

3.有鉴于此，本说明书实施例提供了挖掘因子的方法。本说明书一个或者多个实施例同时涉及一种构建投资模型的方法，计算设备，计算机可读存储介质以及计算机程序，以解决现有技术中存在的技术缺陷。
4.根据本说明书实施例的第一方面，提供了一种挖掘因子的方法，包括：基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，所述预设节点选择策略包括：根据候选元素作为探索节点时的回报信息进行选择，所述候选元素包括：因子生成算子以及初始特征；从所述探索树中获得因子树，其中，所述因子树是所述探索树根节点下的子探索节点出发扩展出的完整子树，所述完整子树中因子生成算子作为非叶子节点以及所述初始特征作为叶子节点；利用所述因子树中叶子节点的初始特征对所述因子树中非叶子节点的因子生成算子进行求值，确定所述因子树对应的因子值；利用所述因子树的因子值以及预设的回报信息评估策略，评估出所述因子树的回报信息，并从所述因子树的叶子节点，向所述探索树的根节点方向传播所述因子树的回报信息以更新传播路径上的探索节点的回报信息；根据各所述因子树的回报信息，确定满足预设回报条件的因子树。
5.根据本说明书实施例的第二方面，提供了另一种挖掘因子的方法，包括：基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，所述预设节点选择策略包括：根据候选元素作为探索节点时的回报信息进行选择，所述候选元素包括：alpha因子生成算子以及量价数据；从所述探索树中获得alpha因子树，其中，所述alpha因子树是所述探索树根节点下的子探索节点出发扩展出的完整子树，所述完整子树中alpha因子生成算子作为非叶子节点以及所述量价数据作为叶子节点；利用所述alpha因子树中叶子节点的量价数据对所述alpha因子树中非叶子节点的alpha因子生成算子进行求值，确定所述alpha因子树对应的因子值；利用所述alpha因子树的因子值以及预设的回报信息评估策略，评估出所述alpha因子树的回报信息，并从所述alpha因子树的叶子节点向所述探索树的根节点方向传播所述alpha因子树的回报信息以更新传播路径上的探索节点的回报信息；根据各所述alpha因子树的回报信息，确定满足预设回报条件的alpha因子树。
6.根据本说明书实施例的第三方面，提供了一种构建投资模型的方法，包括：预先定义候选元素，得到候选元素的集合，所述候选元素包括：alpha因子生成算子以及量价数据；利用如本说明书任意实施例所述的挖掘因子的方法以及所述候选元素的集合进行因子挖掘，得到满足预设回报条件的alpha因子树；基于所述满足预设回报条件的alpha因子树，构建投资模型。
7.根据本说明书实施例的第四方面，提供了一种交互方法，包括：提供候选元素选择界面，所述候选元素选择界面中包含场景选择组件以及候选元素显示组件；响应于用户在所述候选元素选择界面中使用场景选择组件选中任一预设场景，通过所述候选元素显示组件显示所述任一预设场景对应的因子生成算子列表，不同预设场景对应的因子生成算子列表不同；获取用户从所述因子生成算子列表中选中的因子生成算子并获取用户输入的初始特征作为候选元素的集合；利用如本说明书任意实施例所述的挖掘因子的方法以及所述候选元素的集合进行因子挖掘，挖掘出满足预设回报条件的因子树。
8.根据本说明书实施例的第五方面，提供了一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现本说明书任意实施例所述挖掘因子的方法的步骤，或者，实现本说明书任意实施例所述构建投资模型的方法的步骤。
9.根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本说明书任意实施例所述挖掘因子的方法的步骤，或者，实现本说明书任意实施例所述构建投资模型的方法的步骤。
10.根据本说明书实施例的第七方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述挖掘因子的方法的步骤，或者，上述构建投资模型的方法的步骤。
11.本说明书一个实施例实现了挖掘因子的方法，该方法基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，所述预设节点选择策略包括：根据候选元素作为探索节点时的回报信息进行选择，所述候选元素包括：因子生成算子以及初始特征；从所述探索树中获得因子树，其中，所述因子树是所述探索树根节点下的子探索节点出发扩展出的完整子树，所述完整子树中因子生成算子作为非叶子节点以及所述初始特征作为叶子节点；利用所述因子树中叶子节点的初始特征对所述因子树中非叶子节点的因子生成算子进行求值，确定所述因子树对应的因子值；利用所述因子树的因子值以及预设的回报信息评估策略，评估出所述因子树的回报信息，并从所述因子树的叶子节点，向所述探索树的根节点方向传播所述因子树的回报信息以更新传播路径上的探索节点的回报信息；根据各所述因子树的回报信息，确定满足预设回报条件的因子树。可见，该方法通过探索树这种启发式的探索算法，通过不断的选择候选元素、扩展探索节点的过程扩展了探索树，并在扩展探索树的过程中，由探索树的根节点下的子探索节点生长出因子树，因子树的探索过程由探索树指导，探索树和因子树同时生长，避免了多样性不足的问题，将探索树应用到基于因子生成算子表达式的因子挖掘中，提高了搜索效率和多样性，而且挖掘出的因子具有更加稳定准确的预测效果。
附图说明
12.图1是本说明书一个实施例提供的一种挖掘因子的方法在挖掘投资模型alpha因子的应用场景示意图；
13.图2是本说明书一个实施例提供的一种挖掘因子的方法的流程图；
14.图3是本说明书一个实施例提供的节点信息的示意图；
15.图4是本说明书一个实施例提供的约束信息的示意图；
16.图5是本说明书一个实施例提供的因子生成算子的算子信息示意图；
17.图6是本说明书一个实施例提供的因子树节点的节点信息示意图；
18.图7是本说明书一个实施例提供的蒙特卡洛树的探索节点生长因子树的示意图；
19.图8是本说明书一个实施例提供的因子树结构展开示意图；
20.图9是本说明书一个实施例提供的挖掘因子的装置的结构示意图；
21.图10是本说明书一个实施例提供的构建投资模型的方法的流程图；
22.图11是本说明书一个实施例提供的构建投资模型的装置的结构图；
23.图12是本说明书一个实施例提供的交互方法的流程图；
24.图13是本说明书一个实施例提供的交互方法的界面交互示意图；
25.图14是本说明书一个实施例提供的交互装置的结构图；
26.图15是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
27.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
28.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
29.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
30.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
31.探索树，是基于树的数据结构、权衡探索与利用、在探索空间内找到回报满足要求的探索节点的探索算法。例如，称为蒙特卡洛树的探索树。
32.蒙特卡洛树，是一种启发式探索算法，通过不断的选择、扩展、模拟和反向传播等过程建立探索树，并利用该探索树在目标空间内对既定问题进行求解的一种算法。
33.alpha因子：多因子模型中用来解释个股超额收益的特征变量。
34.针对目前已有方案挖掘因子的方法挖掘效率低，而且挖掘出的因子不一定能很准
确地解释结果，构建出的模型预测结果不准确的问题，本说明书实施例提供通过探索树这种启发式的探索算法，通过不断的选择候选元素、扩展探索节点的过程扩展了探索树，并在扩展探索树的过程中，由探索树的根节点下的子探索节点生长出因子树，因子树的探索过程由探索树指导，探索树和因子树同时生长，避免了多样性不足的问题，将探索树应用到基于因子生成算子表达式的因子挖掘中，提高了搜索效率和多样性，而且挖掘出的因子具有更加稳定准确的预测效果。
35.具体地，在本说明书中，提供了挖掘因子的方法，构建投资模型的方法，交互的方法，本说明书同时涉及挖掘因子的装置，构建投资模型的装置，交互的装置，计算设备，计算机可读存储介质，在下面的实施例中逐一进行详细说明。
36.参见图1，图1示出了根据本说明书一个实施例提供的挖掘因子的方法在挖掘投资模型alpha因子的应用场景示意图。
37.如图1所示，在该应用场景中，投资模型构建侧可以向alpha因子挖掘侧提交挖掘请求，挖掘请求可以携带候选元素，包括：alpha因子生成算子以及量价数据。alpha因子挖掘侧响应于挖掘请求，执行挖掘因子的方法，具体处理包括：
38.获取alpha因子生成算子以及量价数据；
39.基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，所述预设节点选择策略包括：根据候选元素作为探索节点时的回报信息进行选择；
40.从所述探索树中获得alpha因子树，其中，所述alpha因子树是所述探索树根节点下的子探索节点出发扩展出的完整子树，所述完整子树中alpha因子生成算子作为非叶子节点以及所述量价数据作为叶子节点；
41.利用所述alpha因子树中叶子节点的量价数据对所述alpha因子树中非叶子节点的alpha因子生成算子进行求值，确定所述alpha因子树对应的因子值；
42.利用所述alpha因子树的因子值以及预设的回报信息评估策略，评估出所述alpha因子树的回报信息，并从所述alpha因子树的叶子节点向所述探索树的根节点方向传播所述alpha因子树的回报信息以更新传播路径上的探索节点的回报信息；
43.根据各所述alpha因子树的回报信息，确定满足预设回报条件的alpha因子树。
44.更进一步地，alpha因子挖掘侧还可以将挖掘出的满足预设回报条件的alpha因子树返回给投资模型构建侧。投资模型构建侧获取alpha因子挖掘侧返回的alpha因子树，放入因子库。在因子库中的alpha因子足以训练投资模型时，投资模型构建侧利用因子库中的alpha因子训练投资模型，得到训练好的投资模型。另外，投资模型构建侧得到训练好的投资模型之后，还可以将投资模型提供给用户侧，以便用户侧使用投资模型预测收益。
45.其中，用户侧与投资模型构建侧之间，投资模型构建侧与alpha因子挖掘侧之间通过网络建立连接。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
46.用户侧可以表现为浏览器、app(application，应用程序)、或网页应用如h5(hypertext markup language5，超文本标记语言第5版)应用、或轻应用(也被称为小程序，一种轻量级应用程序)或云应用等，用户侧可以基于投资模型构建侧提供的相应服务的sdk(software development kit，软件开发工具包)，如基于rtc(实时通信)sdk开发获得等。用户侧可以部署在电子设备中，需要依赖设备运行或者设备中的某些app而运行等。电子设备
例如可以具有显示屏并支持信息浏览等，如可以是个人移动终端如手机、平板电脑、个人计算机等。在电子设备中通常还可以配置各种其它类应用，例如人机对话类应用、模型训练类应用、文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱对象供给终端、社交平台软件等。
47.投资模型构建侧与alpha因子挖掘侧可以运行于包括各种服务的服务器，例如提供信息服务，为投资模型提供后台训练的服务，对用户侧发出的请求进行处理的服务等。
48.用于部署投资模型构建侧的服务器，alpha因子挖掘侧的服务器，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
49.需要说明的是，图1所示场景仅用于对本说明书实施例中提供的挖掘因子的方法，构建投资模型的方法进行示意性说明，并不构成对本说明书实施例提供的方法的限制。所述挖掘因子的方法，构建投资模型的方法可以由服务器或终端执行，也可以由终端与服务器共同执行。所述挖掘因子的方法，所述构建投资模型的方法，可以应用于任意预测用途的机器学习模型的因子挖掘，模型构建。例如，在线交易场景的交易行为预测模型，内容推送场景的内容预测模型，等等。
50.参见图2，图2示出了本说明书一个实施例提供的挖掘因子的方法的流程图。如图2所示，所述挖掘因子的方法具体包括以下步骤。
51.步骤202：基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，所述预设节点选择策略包括：根据候选元素作为探索节点时的回报信息进行选择，所述候选元素包括：因子生成算子以及初始特征。
52.所述因子生成算子，是指用于计算因子值的因子表达式，也可以理解为机器学习模型中用来解释预测结果的特征变量。机器学习的目标，就是用数据的特征变量去对目标进行预测。因子生成算子可以表现为例如add、sum、max、min、std、exp、tsmean、gte等因子生成算子。例如，在投资模型应用场景下，所述因子生成算子可以表现为用来解释投资收益的各种alpha因子生成算子。
53.add为算术加法，add(a,b)＝a+b；
54.sum为移动求和，sum(a,w)为对序列以w为滑动窗口求和；
55.max为求最大值，max(a,b)表示取a和b中的最大值；
56.min为求最小值，min(a,b)表示取a和b中的最小值；
57.std为求滚动标准差，std(a,w)为对序列以w为窗口滚动求标准差；
58.exp为求幂，exp(a,x)为对序列中每个元素求x次幂；
59.tsmean为移动平均，tsmean(a,w)为对序列以w为滑动窗口求平均；
60.gte为逻辑运算，get(a,b)表示对a和b中的逐个元素进行比较是否大于等于。
61.所述初始特征，是相对于因子生成算子维度较低的特征值，也可以理解为机器学习模型中用来解释预测结果的一些基础特征。例如，所述初始特征可以是上述因子生成算子中涉及的数据序列。再例如，在投资模型应用场景下，所述初始特征可以表现为投资机构
一段时间内记录的量价数据，该量价数据表现为股票开盘价,最高价,底价，收盘价等数据序列。
62.所述预设节点选择策略，可以根据应用场景需要进行灵活设置。通过设置预设节点选择策略来根据候选元素作为探索节点时的回报信息进行节点选择，扩展探索节点，再经过求值和回报的反向传播，来扩展探索树，能够避免在探索树的每一层穷举计算每个候选元素的回报。在探索空间大，不能计算得到所有子树的价值时，能够同时兼顾探索和利用，避免陷入局部优解。
63.例如，所述预设节点选择策略可以采用经典的ucb(upper confidence bounds，上限置信区间)算法，就是在选择探索节点的时候优先考虑没有探索过的，如果都探索过就根据回报确定的得分来选择，得分不仅是由这个探索节点的回报决定，而且与这个探索节点探索的次数成负相关，也就是说这个探索节点如果平均得分高就越有可能选中，同时如果探索节点选中次数较多则下次不太会选中，因此，通过上限置信区间配置探索和利用不同的权重，可以实现比随机或者其他策略更有启发性的探索效果。例如，在ucb算法中，权重r和c用于调整搜索过程的探索力度。当r趋近于0的时候趋近于随机探索，当c趋近于0的时候趋近于贪婪探索。所述得分也可以称为ucb值。
64.因子树的回报信息，是对从探索树中获取的因子树的因子值进行回报评估得到的信息，用来衡量因子树的优劣。
65.因子树，是从探索树中获取的，从所述探索树根节点下的子探索节点出发扩展出的完整子树。完整子树，是指包含中间节点以及叶子节点，且所有非叶子节点的子节点的个数满足所述非叶子节点的输入值数量要求的子树。
66.探索节点的回报信息，是所有经过该探索节点的传播路径上传播的回报信息的总回报，也即该总回报是该探索节点之下的所有叶子节点反传的回报信息之和。需要说明的是，对于探索树的根节点的子探索节点来说，该子探索节点可能生长出若干个子树，其中，有的是完整子树，有的则非完整子树。对于包含在非完整子树中的某个探索节点来说，由于其同时有可能是完整子树中的探索节点，因此，对于当前未生长出完整子树的该探索节点来说，仍然有意义作为一种中间状态存在于探索树中，用于继续扩展探索节点，以便扩展出其他完整子树。
67.需要说明的是，用来评估回报的评估策略可以根据实际应用场景需要灵活设置。例如，投资领域的回报信息可以表现为收益率，预设的回报信息评估策略相应表现为对收益率进行评估的评估策略。例如：对于一支股票，因子树的根节点是add，add的子节点有两个open和close。对应100天的统计周期，open和close都是元素为一百的数组，open和close相加是add的值，表现为一百个元素的列表。该列表和未来收益率之间可以求一个相关系数来表示收益率，或者，按照投资领域衡量收益的一些其他指标作为回报信息。
68.步骤204：从所述探索树中获得因子树，其中，所述因子树是所述探索树根节点下的子探索节点出发扩展出的完整子树，所述完整子树中因子生成算子作为非叶子节点以及所述初始特征作为叶子节点。
69.可以理解的是，因子树的根节点，是探索树的根节点的子探索节点，也即蒙特卡洛树的第二层探索节点。因此，随着探索树的扩展，相应得到以各个第二层探索节点为根节点的不同因子树。
70.本说明书实施例提供的方法要求因子树是完整树的理由是：只有每个非叶子节点的子节点的个数能够满足该非叶子节点的输入值数量要求信息，才能够使每个非叶子节点能够进行特征的求值，进而完成后续对回报信息的评估。
71.步骤206：利用所述因子树中叶子节点的初始特征对所述因子树中非叶子节点的因子生成算子进行求值，确定所述因子树对应的因子值。
72.例如：假设因子树的根节点是因子生成算子add，因子生成算子add的输入值要求是2个，根据该输入值要求，根节点有两个子节点，一个子节点是量价数据open包含100天的开盘价，另一个子节点是量价数据close包含100天的收盘价。由此，根节点add的值等于100天的开盘价与100天的收盘价之和，也即该因子树的因子值是add的值。
73.步骤208：利用所述因子树的因子值以及预设的回报信息评估策略，评估出所述因子树的回报信息，并从所述因子树的叶子节点，向所述探索树的根节点方向传播所述因子树的回报信息以更新传播路径上的探索节点的回报信息。
74.以探索树为蒙特卡洛树为例，扩展蒙特卡罗树的过程包含四个步骤：选择，扩展，模拟和反向传播。选择：是基于ucb算法找到最值得探索的探索节点，一般策略是先选择未被探索的候选元素，如果都探索过就基于ucb算法，在已探索的候选元素，也即已扩展的探索节点中选择得分最大的。扩展：是在上述选择之后，在蒙特卡洛树中扩展出对应探索节点。模拟，是对扩展出的探索节点进行因子树的生长，对完成生长的因子树进行因子值的求值以及计算回报信息的过程。反向传播，是将因子树的回报信息按照生长路径，从叶子节点反向传播到前面所有父节点直到探索树的根节点，从而更新传播路径上经过的探索节点的回报信息和访问次数，方便后面计算ucb值，也即得分。
75.步骤210：根据各所述因子树的回报信息，确定满足预设回报条件的因子树。
76.所述预设回报条件，是用来根据回报信息筛选满足模型需要的因子树的条件，具体可以根据实际应用场景中模型所需因子树的标准来设置。例如，所述预设回报条件可以表现为一种回报信息或多种回报信息对应的标准回报阈值区间，在某个因子树的回报信息落入对应标准回报阈值区间内时，确定为满足预设回报条件的因子树。例如，所述标准回报阈值区间，可以是大于标准回报阈值的区间。
77.该方法基于探索树这种启发式的探索算法，通过不断的选择候选元素、扩展探索节点扩展了探索树，并在扩展探索树的过程中，由探索节点生长出因子树，因子树的探索过程由探索树指导，探索树和因子树同时生长，避免了遗传算法随着迭代带来的多样性不足的种群老化问题，将探索树应用到基于因子生成算子表达式的因子挖掘中，提高了搜索效率和多样性，挖掘效果更好。
78.本说明书一个或多个实施例中，所述探索树中探索节点的节点信息，包括：所述探索节点的回报信息。相应地，所述根据候选元素作为探索节点时的回报信息进行选择，包括：当为任一探索节点选择子探索节点时，如果所述候选元素中存在还未被选择的剩余候选元素，则从所述剩余候选元素中选择出候选元素，作为所述任一探索节点的子探索节点；如果所述候选元素中不存在未被选择的剩余候选元素，则根据所述探索树已扩展的探索节点的节点信息中记录的回报信息，从已扩展的探索节点中选择出候选元素，作为所述任一探索节点的子探索节点。
79.例如，可以在每次评估出因子树的回报信息并沿着所述因子树的生长路径，从叶
子节点向所述探索树的根节点方向传播所述因子树的回报信息时，可以将回报信息记录到传播路径上经过的探索节点的节点信息中。由于探索节点的节点信息中记录的回报信息，是所有经过该探索节点的传播路径上传播的回报信息的总回报，因此，在随着探索树的扩展，生长出新的因子树的情况下，该新的因子树的回报信息反向传播过程中经过的探索节点的总回报中相应增加该新的因子树的回报信息。
80.以探索树根节点下的子探索节点a为例：假设探索节点a扩展出子探索节点b和子探索节点c；随着探索树的进一步扩展，由探索节点a出发经过探索节点b生长出因子树ab1，由探索节点a出发经过探索节点c生长出因子树ac1；因子树ab1的回报信息为v(ab1)，因子树ac1的回报信息为v(ac1)；由因子树ab1从叶子节点反向传播的回报值v(ab1)，与因子树ac1从叶子节点反向传播的回报值v(ac1)均经过探索节点a，从而使得探索节点a的节点信息中的总回报更新为ab1+ac1。
81.在上述实施例中，通过反向传播把传播的回报信息记录到探索节点的节点信息，从而能够在选择探索节点时，更加方便地从节点信息获取回报信息以利用预设节点选择策略来选择探索节点，保证探索树的优化和探索过程的折中。
82.本说明书一个或多个实施例中，所述探索树中探索节点的节点信息，包括：节点效力信息，所述节点效力信息用于表示所述探索节点是否有效。所述预设节点选择策略，还包括：根据候选元素作为探索节点时的节点效力信息进行选择。相应地，所述方法还包括：利用预设节点效力评估策略对所述探索节点对应的因子生成算子的值进行效力评估，得到所述探索节点的效力评估信息；从所述探索节点向所述探索树的根节点方向传播所述探索节点的节点效力信息。所述根据候选元素作为探索节点时的节点效力信息进行选择，包括：当为所述探索树的任一探索节点选择子探索节点时，如果从所述探索树已扩展的探索节点中选择出候选元素，则根据所述已扩展的探索节点的节点记录区记录的节点效力信息，选择出节点有效的候选元素。
83.其中，所述预设节点效力评估策略，具体可以根据实际应用场景需要设置，也即无效的标准可以灵活设置。例如，预设节点效力评估策略可以包括：针对探索节点对应的因子生成算子的值，当值是常数或者空时，则确认对应探索节点为无效。
84.可以理解的是，当一个探索节点的节点效力信息从该探索节点向探索树的根节点方向传播过程中，先经过该探索节点的父探索节点，只有该父探索节点的所有子探索节点均无效的情况下，该父探索节点的节点效力信息才会更新为无效，否则该父探索节点的节点效力信息为有效。
85.以探索节点a为例，假设探索节点a扩展出子探索节点b，对探索节点b的因子生成算子的值进行效力评估，得到探索节点b的节点效力信息为无效。假设探索节点a除了子探索节点b以外，还有子探索节点c，而子探索节点c的节点效力信息为有效，则经过节点效力信息的传播，探索节点a的节点效力信息仍为有效。假设子探索节点c的节点效力信息同样为无效，则经过节点效力信息的传播，探索节点a的节点效力信息为无效，探索节点a的节点效力信息继续向探索树的根节点方向传播，在此不再赘述。
86.在上述实施例中，通过把节点效力信息记录在探索节点的节点信息并反向传播，保证下次进行探索节点选择的时候，已被确认为无效的节点不会再被选择，保证“同样的错误不会犯两次”，有效提高扩展探索树的效率。
87.本说明书一个或多个实施例中，所述探索树中探索节点的节点信息，包括：探索完全性信息，所述探索完全性信息用于表示是否所述探索节点完成探索。所述预设节点选择策略，还包括：根据候选元素作为探索节点时的探索完全性信息进行选择。所述方法还包括：判断从所述探索节点出发扩展出的所有叶子节点对应的因子树是否已进行求值；如果是，则确定所述探索节点完成探索，并相应更新所述探索节点的节点信息中的探索完全性信息；从所述探索节点向所述探索树的根节点方向传播所述探索节点的探索完全性信息。相应地，所述根据候选元素作为探索节点时的探索完全性信息进行选择，包括：当为所述探索树的任一探索节点选择子探索节点时，如果从所述探索树已扩展的探索节点中选择出候选元素，则根据所述已扩展的探索节点的节点记录区记录的探索完全性信息，选择出尚未完成完全探索的候选元素。
88.可以理解的是，在所述探索完全性信息表示表示该探索节点已经完全探索过，则不需要再继续探索，因此，后续在继续构造探索树的过程中，不会再被选择作为探索节点。另外，探索完全性信息还可以帮助确定探索树的整体探索进度，确定整个空间中有多大比例已经被完全探索，因此，探索树中各个探索节点的探索完全性信息可以用作是否继续构造探索树的参考信息。
89.例如，某个探索节点的探索完全性信息可以包括“是”或“否”。其中，在“是”的情况下，表示探索节点已完全探索，在“否”的情况下，表示探索节点尚未完全探索。根据上述实施例，对于已经完全探索的探索节点，探索完全性信息表现为“是”，该探索节点不会再次被选择，避免再次求值，提高探索效率。
90.另外，所述探索节点的节点信息，还可以用于记录树完整性信息，所述树完整性信息，用于表示是否该探索节点已生长出包含叶子节点的完整子树。对于树完整性信息为是的探索节点对应的完整子树来说，由于其能够从叶子节点向上推导求值以确定其对应因子生成算子的值，因此，通过记录树完整性信息，能够便于后续的一些分析，例如，是完整子树的情况下，才有资格做因子树，不完整则无法求值，相应无资格做因子树。
91.下面，对结合了上述多个实施例的节点信息的实施方式进行示意性说明。如图3所示的节点信息的示意图，探索树的每个探索节点的节点信息可以包括以下项目：
92.节点名字，是节点的标识，例如可以根据对应的候选元素的名称进行命名，例如add，sum等；
93.子节点列表，是该节点当前已扩展出的所有直接子节点的列表；
94.父节点，是该节点的直接父节点；
95.访问次数，是探索树中所有经过该探索节点的路径的数目；
96.总回报，是探索树中是所有经过该探索节点的反向传播路径的回报信息的总和；
97.执行函数，是该探索节点的因子生成算子被求值时调用的函数；
98.对应因子树的深度，是从因子树的根节点开始按照深度优先树展开到该探索节点的深度；
99.是否完全树，等同于上述树完整性信息，表示该探索节点是否已生长出包含叶子节点的完整因子树；
100.是否坏节点，等同于上述节点效力信息，表示该探索节点是否有效；
101.是否完全探索，等同于上述探索完全性信息，表示该探索节点以及该探索节点下
的所有探索节点是否被完全探索。
102.本说明书实施例提供的方法中，探索树选择并扩展探索节点的方式，可以根据实际应用场景需要设置。例如，本说明书一个或多个实施例中，所述根据候选元素作为探索节点时的回报信息进行选择，包括：基于上限置信区间算法计算候选元素作为探索节点时的回报信息对应的得分，根据所述得分来选择探索树节点。当然，根据实际应用场景需要，也可以采用随机探索或者贪婪探索的方式进行选择，在此不再赘述。
103.再例如，本说明书另一个或多个实施例中，所述扩展探索树，包括：按照深度优先的方式扩展所述探索树。由于深度优先的方式，能够及时得到探索深度，从而根据探索深度决定是否继续探索，防止过拟合，探索效率较高。当然，根据实际应用场景需要，也可以采用广度优先的方式扩展节点，只要能够生成从叶子节点到根节点的因子树的算子表达式即可，在此不再赘述。
104.本说明书一个或多个实施例中，还通过在因子生成算子中加入对输入值的约束信息，对因子树的生长过程进行约束，进而够按照实际应用场景需要的方式进行因子树的生长。具体地，所述因子生成算子的算子信息包括输入值的约束信息。所述预设节点选择策略，还包括：在选择子探索节点时，按照所述子探索节点的输出值应满足所述子探索节点的父节点的输入值的约束信息，选择出作为子探索节点的候选元素。
105.可选地，所述因子生成算子的算子信息还可以包括输出值的约束信息。
106.例如，所述约束信息可以包括：对指定输入位置的输入值的数据类型的约束信息，和/或，对指定输出位置的输出值的数据类型的约束信息。如图4所示的约束信息的结构示意图，约束位置为1、2、3等，表示输入位置的序号。另外，如果约束位置带有输出标识，则表示对输出的约束，例如，输出标识可以以字母“o”表示。其中，约束的数据类型可以包括：常数类型'const'、整数类型'posint'、浮点类型'float'、布尔类型'bool'、双常数类型'bothconst'等。另外，还可以在约束类型前添加反向约束符号，表示“非”指定类型的约束。例如，在常数类型'const'前加反向约束符号“！”表示非常数类型。另外，一个约束中可以对同一个位置进行多个约束，例如，多个约束之间可以使用连接符号如'_'连接。
107.以因子生成算子tsmean为例。tsmean表示移动平均算子。假设tsmean的约束信息为：1！const_2posint，表示该tsmean第一个输入位置要求输入的是输出值(也即特征)不包含常数的因子生成算子或初始特征，第二个输入位置要求输入的是输出值不包含整数的因子生成算子或初始特征。相应地，对于因子树中该因子生成算子的节点，在为其选择第一个输入位置对应的子节点时，会选择输出值(也即特征)不包含常数的因子生成算子或初始特征，也即会选择约束信息中不包含oconst的因子生成算子；在选择第二个输入时，会选择输出值包含整数的因子生成算子或初始特征，也即会选择约束中包含oposint的因子生成算子。
108.再以因子生成算子gte为例。gte表示两个序列进行比较。假设gte的约束信息为！bothconst_obool，表示该gte其两个输入中至少有一个非常量，其输出为bool。
109.通过上述实施例可见，通过编写因子生成算子和对应的约束信息，实现了因子生成算子之间连接关系的约束，能够使因子生成算子之间的连接关系符合约定，在因子树生成过程中避免了无效连接，减少无效的求值和评估，使得探索引擎按照预定的方式进行探索，提高探索效率。
110.为了更好地表示因子生成算子并快捷地调用因子生成算子对应的执行函数来计算算子的值，本说明书一个或多个实施例中，所述因子生成算子的算子信息，还包括：算子标识信息、执行函数信息、输入值数量要求信息，所述算子标识信息是用于标识所述因子生成算子的信息，所述执行函数信息是所述因子生成算子求值时调用的函数信息，所述输入值个数要求信息是所述因子生成算子需要的输入值的个数。
111.例如，如图5所示的因子生成算子的算子信息结构示意图，其中：算子标识信息由算子名称来表示；执行函数信息可以是执行函数本身或者执行函数的名称，可以直接执行此执行函数本身，或者，通过执行函数的名称来调用执行函数的执行；输入值数量要求信息表现为输入值个数；约束信息也即算子约束。
112.结合上述因子生成算子的算子信息，可以生成如图6所示的因子树的节点的节点信息。
113.结合上述多个实施例，本说明书一个或多个实施例中，所述探索树为按照蒙特卡洛树算法扩展的探索树。所述基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，包括：
114.按照深度优先的方式，根据子探索节点的输出值应满足所述子探索节点的父节点的输入值的约束信息选择候选元素，以及，基于上限置信区间算法计算候选元素作为探索节点时的回报信息对应的得分，根据所述得分选择探索节点，来扩展探索树；
115.针对所述因子树中的任一非叶子节点，根据所述非叶子节点的因子生成算子的算子标识信息、执行函数信息、输入值数量要求信息以及约束信息，生成所述非叶子节点的节点信息，所述节点信息包括：节点标识信息、执行函数信息、数值数量要求信息、父节点信息、子节点信息、以及是否已求值信息；
116.当所述因子树的所有非叶子节点的子节点的个数满足所述非叶子节点的输入值数量要求信息时，确定所述因子树完成生长。
117.在上述实施例中，探索过程由蒙特卡洛树指导，将探索树的第二层探索节点作为因子树的根节点，按照深度优先的方式并按照因子生成算子的约束信息选择子节点来生长因子树，并根据因子生成算子的算子信息生成因子树的非叶子节点的节点信息，从而能够使因子生成算子之间的连接关系符合约定，在因子树生成过程中避免了无效连接，提高了因子树的挖掘效率。
118.下面，结合图7所示的蒙特卡洛树的扩展过程示意图，对因子树的生长过程进行示意性说明。蒙特卡洛搜索树算法的扩展过程分为选择、扩展、模拟和反向传播的过程。如图7所示，其中指向终节点的带线箭头表示选择、扩展和模拟的正向过程，指向根节点的带线箭头表示求值之后的回报信息反向传播的过程。
119.从蒙特卡洛树的根节点root开始，每次选择时，计算根节点的每个子探索节点的ucb值，选择ucb值最大的子探索节点。根据选择的探索节点，按照对应的执行函数进行因子树的生长，生长方式为深度优先生长。
120.具体地，如图7所示，对应蒙特卡洛树根节点root下的子探索节点sub，第一步从候选元素中选择了sub，然后对蒙特卡洛树进行扩展，产生root的子探索节点sub，以sub为待生长的因子树的根节点；第二步选择时，从候选元素中选择了close作为sub的子探索节点，然后在sub相应的因子树上进行扩展，给sub添加了子探索节点close，由于sub有两个输入
值，这里，close作为sub的第一个子探索节点；第三步选择时，选择了候选元素delay，对因子树进行扩展，添加子探索节点delay，作为sub的第二个子节点；由于delay的输入值个数大于0，生长过程没有结束，第四步选择时，选择了候选元素close，因子树扩展添加close作为delay的第一个子探索节点；第五步选择时，选择了初始特征1作为delay的第二个子节点，因子树扩展产生叶子节点1。至此，sub为根节点的因子树上所有的中间节点的子节点的个数等于输入值的个数，sub为根节点的因子树的生长过程结束。
121.需要说明的是，由于因子树是探索树中以探索树根节点的子探索节点为根节点的完整子树，所以，对因子树的扩展也即等同于对探索树的扩展。上述生长过程的说明中，每在因子树上扩展一个节点，也即等同于在探索树上扩展一个节点，二者同时生长，在此不再赘述。
122.上述以sub为根节点的因子树结构展开后，可以表现为如图8所示的树结构。因子树的生长路径，也即因子树的算子表达式可以表示为sub(close,delay(close,1))。生长出该因子树后，是对该因子树的求值过程，具体可以使用预设求值器对因子树各个节点的节点值进行求值和回报信息的评估。该预设求值器，是用于利用因子树中叶子节点的初始特征对因子树中非叶子节点的因子生成算子进行求值的计算模块。计算出的回报等信息如图7所示沿着生长路径反向传播。当然，反向传播的信息还可以包括是否坏节点、是否完全探索等信息，在此不再赘述。
123.通过上述探索过程可见，通过不断的进行节点探索，能够将蒙特卡洛树作为因子树的探索树指导整个探索过程，实现一种使蒙特卡洛树和因子树同时生长的树结构探索方案，从而最终可以按照一定的标准，例如回报信息大于某个阈值的因子树，选择出优质因子树，存入因子库。
124.与上述方法实施例相对应，本说明书还提供了挖掘因子的装置实施例，图9示出了本说明书一个实施例提供的一种挖掘因子的装置的结构示意图。如图9所示，该装置包括：
125.探索树扩展模块902，被配置为基于预设节点选择策略选择候选元素作为探索节点，扩展探索树，所述预设节点选择策略包括：根据候选元素作为探索节点时的回报信息进行选择，所述候选元素包括：因子生成算子以及初始特征；
126.因子树获取模块904，被配置为从所述探索树中获得因子树，其中，所述因子树是所述探索树根节点下的子探索节点出发扩展出的完整子树，所述完整子树中因子生成算子作为非叶子节点以及所述初始特征作为叶子节点；
127.因子树求值模块906，被配置为在所述因子树成长为包含叶子节点的完整树时，利用所述因子树中叶子节点的初始特征对所述因子树中非叶子节点的因子生成算子进行求值，确定所述因子树的特征；
128.回报反传模块908，被配置为利用所述因子树的因子值以及预设的回报信息评估策略，评估出所述因子树的回报信息，并从所述因子树的叶子节点，向所述探索树的根节点方向传播所述因子树的回报信息以更新传播路径上的探索节点的回报信息；
129.因子树确定模块910，被配置为根据各所述因子树的回报信息，确定满足预设回报条件的因子树。
130.可选地，所述探索树中探索节点的节点信息，包括：所述探索节点的回报信息。相应地，所述探索树扩展模块902，可以被配置为当为任一探索节点选择子探索节点时，如果
所述候选元素中存在还未被选择的剩余候选元素，则从所述剩余候选元素中选择出候选元素，作为所述任一探索节点的子探索节点；如果所述候选元素中不存在未被选择的剩余候选元素，则根据所述探索树已扩展的探索节点的节点信息中记录的回报信息，从已扩展的探索节点中选择出候选元素，作为所述任一探索节点的子探索节点。
131.可选地，所述探索树中探索节点的节点信息，包括：节点效力信息，所述节点效力信息用于表示所述探索节点是否有效。所述预设节点选择策略，还包括：根据候选元素作为探索节点时的节点效力信息进行选择。相应地，所述装置还可以包括：
132.效力评估模块，被配置为利用预设节点效力评估策略对所述探索节点对应的因子生成算子的值进行效力评估，得到所述探索节点的效力评估信息；
133.效力反传模块，被配置为从所述探索节点向所述探索树的根节点方向传播所述探索节点的节点效力信息。
134.相应地，所述探索树扩展模块902，可以被配置为当为所述探索树的任一探索节点选择子探索节点时，如果从所述探索树已扩展的探索节点中选择出候选元素，则根据所述已扩展的探索节点的节点记录区记录的节点效力信息，选择出节点有效的候选元素。
135.可选地，所述探索树中探索节点的节点信息，包括：探索完全性信息，所述探索完全性信息用于表示是否所述探索节点完成探索。相应地，所述预设节点选择策略，还包括：根据候选元素作为探索节点时的探索完全性信息进行选择。相应地，所述装置还包括：
136.求值判断模块，被配置为判断从所述探索节点出发扩展出的所有叶子节点对应的因子树是否已进行求值；
137.探索信息更新模块，被配置为如果所述求值判断模块判定为是，则确定所述探索节点完成探索，并相应更新所述探索节点的节点信息中的探索完全性信息；
138.探索信息反传模块，被配置为从所述探索节点向所述探索树的根节点方向传播所述探索节点的探索完全性信息；
139.相应地，所述探索树扩展模块902，可以被配置为当为所述探索树的任一探索节点选择子探索节点时，如果从所述探索树已扩展的探索节点中选择出候选元素，则根据所述已扩展的探索节点的节点记录区记录的探索完全性信息，选择出尚未完成完全探索的候选元素。
140.可选地，所述探索树扩展模块902，可以被配置为基于上限置信区间算法计算候选元素作为探索节点时的回报信息对应的得分，根据所述得分来选择探索树节点。
141.可选地，所述探索树扩展模块902，被配置为按照深度优先的方式扩展所述探索树。
142.可选地，所述因子生成算子的算子信息包括输入值的约束信息。相应地，所述预设节点选择策略，还包括：在选择子探索节点时，按照所述子探索节点的输出值应满足所述子探索节点的父节点的输入值的约束信息，选择出作为子探索节点的候选元素。
143.可选地，所述因子生成算子的算子信息，还包括：算子标识信息、执行函数信息、输入值数量要求信息，所述算子标识信息是用于标识所述因子生成算子的信息，所述执行函数信息是所述因子生成算子求值时调用的函数信息，所述输入值个数要求信息是所述因子生成算子需要的输入值的个数。
144.可选地，所述探索树为按照蒙特卡洛树算法扩展的探索树。相应地，所述探索树扩
展模块902，可以包括：
145.节点选择子模块，被配置为按照深度优先的方式，根据子探索节点的输出值应满足所述子探索节点的父节点的输入值的约束信息选择候选元素，以及，基于上限置信区间算法计算候选元素作为探索节点时的回报信息对应的得分，根据所述得分选择探索节点，来扩展探索树；
146.信息生成子模块，被配置为针对所述因子树中的任一非叶子节点，根据所述非叶子节点的因子生成算子的算子标识信息、执行函数信息、输入值数量要求信息以及约束信息，生成所述非叶子节点的节点信息，所述节点信息包括：节点标识信息、执行函数信息、数值数量要求信息、父节点信息、子节点信息、以及是否已求值信息；
147.完成生长确定子模块，被配置为当所述因子树的所有非叶子节点的子节点的个数满足所述非叶子节点的输入值数量要求信息时，确定所述因子树完成生长。
148.可见，上述挖掘因子的装置通过探索树这种启发式的探索算法，通过不断的选择候选元素、扩展探索节点的过程扩展了探索树，并在扩展探索树的过程中，由探索节点生长出因子树，因子树的探索过程由探索树指导，探索树和因子树同时生长，避免了遗传算法随着迭代带来的多样性不足的种群老化问题，将探索树应用到基于因子生成算子表达式的因子挖掘中，提高了搜索效率和多样性，挖掘效果更好。
149.上述为本实施例的一种挖掘因子的装置的示意性方案。需要说明的是，该挖掘因子的装置的技术方案与上述的挖掘因子的方法的技术方案属于同一构思，挖掘因子的装置的技术方案未详细描述的细节内容，均可以参见上述挖掘因子的方法的技术方案的描述。
150.参见图10，图10示出了本说明书一个实施例提供的构建投资模型的方法的流程图。如图10所示，所述构建投资模型的方法具体包括以下步骤。
151.步骤1002：预先定义候选元素，得到候选元素的集合，所述候选元素包括：alpha因子生成算子以及量价数据。
152.步骤1004：利用如上述任意实施例所述的挖掘因子的方法以及所述候选元素的集合进行因子挖掘，得到满足预设回报条件的因子树。
153.步骤1006：基于所述满足预设回报条件的alpha因子树，构建投资模型。
154.需要说明的是，本说明书实施例对于投资模型具体构建手段并不进行限制。例如，一个或多个实施例中，所述投资模型为基于神经网络的机器学习模型，可以将所述满足预设回报条件的因子树作为样本以及对应的投资收益作为标签，对投资模型进行训练，得到训练后的投资模型。
155.上述为本实施例的一种构建投资模型的方法的示意性方案。需要说明的是，该构建投资模型的方法的技术方案与上述的挖掘因子的方法的技术方案属于同一构思，构建投资模型的方法的技术方案未详细描述的细节内容，均可以参见上述挖掘因子的方法的技术方案的描述。
156.参见图11，图11示出了本说明书一个实施例提供的构建投资模型的装置的结构图。如图11所示，所述构建投资模型的装置具体包括：
157.元素预定义模块1102，被配置为预先定义候选元素，得到候选元素的集合，所述候选元素包括：alpha因子生成算子以及量价数据。
158.挖掘模块1104，被配置为利用如上述任意实施例所述的挖掘因子的方法以及所述
候选元素的集合进行因子挖掘，得到满足预设回报条件的因子树。
159.模型构建模块1106，被配置为基于所述满足预设回报条件的因子树，构建投资模型。
160.上述为本实施例的一种构建投资模型的装置的示意性方案。需要说明的是，该构建投资模型的装置的技术方案与上述的构建投资模型的方法的技术方案属于同一构思，构建投资模型的装置的技术方案未详细描述的细节内容，均可以参见上述构建投资模型的方法的技术方案的描述。
161.参见图12，图12示出了本说明书一个实施例提供的交互方法的流程图。如图12所示，所述交互方法具体包括：
162.步骤1202：提供候选元素选择界面，所述候选元素选择界面中包含场景选择组件以及候选元素显示组件。
163.所述候选元素选择界面，是一种图形用户界面，用于帮助用户按照实际应用场景需要选择候选元素。所述候选元素选择界面中可以包含多种组件，其中，至少包含场景选择组件以及候选元素显示组件。所述候选元素选择界面的界面显示格式和输入输出方式可以按照实际场景需要设置。例如，可以允许用户使用鼠标、触摸屏、语音等输入设备操纵屏幕上的图标或菜单等组件，输入选择命令、调用信息、启动程序指令或执行其它一些任务。
164.本说明书实施例提供的交互方法的应用环境不限。例如，在所述交互方法应用于客户端的情况下，所述交互方法中提及的候选元素选择界面可以表现为所述客户端的界面。再例如，在所述交互方法应用于服务端的情况下，所述交互方法中提及的界面可以表现为所述服务端的界面。又例如，在所述交互方法应用于网页的情况下，所述交互方法中提及的界面可以表现为网页页面。例如，如图13所示的交互界面示意图，所述候选元素选择界面显示于用于挖掘因子的服务端的显示器。
165.所述场景选择组件，用于接收用户选择的场景。所述场景选择组件的显示效果不限，具体可以根据应用场景需要设置。例如，所述场景选择组件可以包括单选框、单选列表或拖动的滑块等任意选择组件。当所述场景选择组件被用户使用时，可以表现为对任意预设场景的选中状态或非选中状态。如图13所示的交互界面示意图，“场景选择”的文本框对应有下拉菜单，该下拉菜单可以理解为所述场景选择组件。该下拉菜单中可以显示出多个预设场景，每个预设场景显示有对应的单选框，用户可以通过点击任一单选框来选中对应的预设场景。
166.所述候选元素显示组件，用于显示用户选择的场景对应的候选元素列表。所述候选元素显示组件的显示效果不限，具体可以根据应用场景需要设置。例如，所述候选元素显示组件可以包括复选列表或文本框等任意显示组件。当任一预设场景被选中时，所述候选元素显示组件相应显示该预设场景对应的因子生成算子列表。如图13所示的交互界面示意图，在“场景选择”的右侧，显示有候选元素列表，该候选元素列表下的显示区域可以理解为候选元素显示组件。用户可以直接全选该候选元素列表中的所有因子生成算子来进行因子挖掘，也可以进一步通过点击复选框来按需选中一个或多个因子生成算子。另外，根据实际应用场景需要，还可以提供新增候选元素组件，当用户在界面上触发新增候选元素组件时，可以显示新增候选元素的输入区域，用户可以按需输入自定义的因子生成算子。
167.步骤1204：响应于用户在所述候选元素选择界面中使用场景选择组件选中任一预
interface controller))中的一个或多个，诸如ieee802.11无线局域网(wlan，wireless local area network)无线接口、全球微波互联接入(wi-max，worldwide interoperability for microwave access)接口、以太网接口、通用串行总线(usb，universal serial bus)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc，near field communication)。
181.在本说明书的一个实施例中，计算设备1500的上述部件以及图15中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图15所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
182.计算设备1500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或个人计算机(pc，personal computer)的静止计算设备。计算设备1500还可以是移动式或静止式的服务器。
183.其中，处理器1520用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述挖掘因子的方法，或，实现上述构建投资模型的方法，或，实现上述交互方法的步骤。
184.上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的挖掘因子的方法或构建投资模型的方法或交互方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述挖掘因子的方法或构建投资模型的方法或交互方法的技术方案的描述。
185.本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述挖掘因子的方法，或，实现上述构建投资模型的方法，或，实现上述交互方法的步骤。
186.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述挖掘因子的方法，或，上述构建投资模型的方法，或，上述交互方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述挖掘因子的方法，或，上述构建投资模型的方法，或，上述交互方法的技术方案的描述。
187.本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述挖掘因子的方法，或，上述构建投资模型的方法，或，上述交互方法的步骤。
188.上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述挖掘因子的方法，或，上述构建投资模型的方法，或，上述交互方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述挖掘因子的方法，或，上述构建投资模型的方法方法的技术方案的描述。
189.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可
以的或者可能是有利的。
190.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
191.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
192.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
193.以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可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，根据本说明书实施例的内容，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说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。