资源选择模型的训练方法、资源选择方法、装置及设备与流程

本公开涉及人工智能和金融，尤其涉及资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品。

背景技术：

1、随着信息技术的发展，可利用计算机根据历史记录的股票信息对股票的涨跌情况进行预测。股票的预测主要是通过采用建立数学模型的方法评价股票可投资性，在减少了非理性买卖的同时发掘到隐含的买卖时机。现有的计算机在利用数学模型预测股票的可投资性时需要处理大量的数据，而且大量的数据对股票影响力不同，从而在占用大量计算机资源的同时，大量数据还可能对模型的预测准确率造成干扰。

技术实现思路

1、鉴于上述问题，本公开提供了资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品。

2、根据本公开的第一个方面，提供了一种资源选择模型的训练方法，包括：获取与多个资源对应的在第i预设时间段内的初始参数集，其中，初始参数集包括多个初始参数，不同的初始参数对不同资源的资源值的影响程度不同。根据每个初始参数对每个资源的资源值的影响程度，生成与每个目标参数对应的资源序列，其中，资源序列至少包括对多个基于预设排序规则排列的资源进行划分得到的第一序列和第二序列，目标参数是基于预设判定规则从初始参数中确定的。针对每个资源序列，在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下，将与资源序列对应的目标参数确定为有效参数。基于预设标识规则，对第i+1预设时间段内的多个训练资源进行标记处理，得到多个具有标识的训练资源。利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练，得到经训练的资源选择模型。

3、根据本公开的实施例，根据每个初始参数对每个资源的资源值的影响程度，生成与每个目标参数对应的资源序列，包括：

4、针对每个初始参数，计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列，其中，暴露-回报相关性序列包括与每个资源对应的暴露-回报相关性，暴露-回报相关性表征初始参数对资源的资源值的影响程度。根据暴露-回报相关性序列的绝对值和标准差，生成初始参数的中间相关性。基于第一预设筛选规则，从多个中间相关性中确定多个目标相关性，并将与每个目标相关性对应的初始参数确定为目标参数。针对每个目标参数，基于预设排序规则对多个资源在目标参数下的参数值进行排序，得到第一排序结果。根据第一排序结果，确定第一序列和第二序列。

5、根据本公开的实施例，根据第一排序结果，确定第一序列和第二序列，包括：

6、基于第二预设筛选规则，从第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值。将与每个第一目标参数值对应的资源确定为第一序列中的一个目标资源。将与每个第二目标参数值对应的资源确定为第二序列中的一个目标资源。

7、根据本公开的实施例，在将与资源序列对应的初始参数确定为有效参数之前，还包括：

8、计算第一序列获取大于资源预设值的第一目标资源值的第一概率。计算第二序列获取大于资源预设值的第二目标资源值的第二概率。在第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的情况下，将与资源序列对应的初始参数确定为有效参数。

9、根据本公开的实施例，上述方法还包括：

10、对多个初始数据中存在的空缺值进行补缺处理，得到多个第一目标数据，其中，初始数据包括资源或训练资源。对多个第一目标数据进行极值替换处理，得到多个第二目标数据。对多个第二目标数据进行归一化处理，得到多个目标数据，以利用目标数据计算影响程度或对初始选择模型进行训练。

11、根据本公开的实施例，基于预设标识规则，对第i+1预设时间段内的多个训练资源进行标记处理，得到多个具有标识的训练资源，包括：

12、基于训练资源在第i+1预设时间段内的资源值，对多个训练资源进行排序，得到第二排序结果。对第二排序结果中的多个训练资源进行标记处理，得到多个具有标识的训练资源。

13、根据本公开的实施例，对第二排序结果中的多个训练资源进行标记处理，得到多个具有标识的训练资源，包括：

14、将第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识。将第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识。将第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。

15、根据本公开的实施例，上述方法还包括：

16、针对具有第一标识的训练资源，在训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下，将训练资源的第一标识更新为第三标识，其中，初始资源值表征训练资源在第i+1预设时间段中最后时刻时的资源值。针对具有第二标识的训练资源，在训练资源在第i+2预设时间段内的资源平均值小于初始资源值的情况下，将训练资源的第二标识更新为第三标识。

17、根据本公开的实施例，初始选择模型包括回归树模型；其中，利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练，得到经训练的资源选择模型，包括：

18、利用回归树模型对多个有效参数和多个具有标识的训练资源进行分类处理，得到分类结果，其中，分类结果包括多个分类子结果，分类子结果包括至少一个有效参数和与有效参数对应的训练资源。根据分类子结果和标签分类结果，得到预测准确率。根据预测准确率迭代地调整回归树模型的模型参数，得到经训练的资源选择模型。

19、根据本公开的实施例，上述方法还包括：

20、获取第m预设时间段内的验证资源集，其中，验证资源集包括多个验证资源、多个验证参数和分类验证标签。利用资源选择模型对多个验证资源和多个验证参数进行分类处理，得到验证分类结果。根据验证分类结果和分类验证标签，得到验证准确率。在验证准确率不满足准确性阈值的情况下，根据验证准确率迭代地调整资源选择模型的模型参数，得到调整后的资源选择模型。

21、本公开的第二方面提供了一种资源选择方法，包括：

22、获取第i时刻的资源参数和多个待预测资源。将资源参数和多个待预测资源输入资源选择模型，输出预测分类结果，其中，预测分类结果包括资源参数和与资源参数对应的至少一个目标预测资源，目标预测资源表征在第i+1时刻可选择的待预测资源。

23、本公开的第三方面提供了一种资源选择模型的训练装置，包括：第一获取模块、生成模块、确定模块、标记模块和分类训练模块。

24、第一获取模块，用于获取与多个资源对应的在第i预设时间段内的初始参数集。生成模块，用于根据每个初始参数对每个资源的资源值的影响程度，生成与每个目标参数对应的资源序列。确定模块，用于针对每个资源序列，在第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限的情况下，将与资源序列对应的目标参数确定为有效参数。标记模块，用于基于预设标识规则，对第i+1预设时间段内的多个训练资源进行标记处理，得到多个具有标识的训练资源。分类训练模块，用于利用多个有效参数和多个具有标识的训练资源对初始选择模型进行分类训练，得到经训练的资源选择模型。

25、根据本公开的实施例，生成模块包括计算子模块、生成子模块、第一确定子模块、第一排序子模块和第二确定子模块。其中，计算子模块，用于针对每个初始参数，计算初始参数在预设时间段内对所有资源的暴露-回报相关性序列，其中，暴露-回报相关性序列包括与每个资源对应的暴露-回报相关性，暴露-回报相关性表征初始参数对资源的资源值的影响程度。生成子模块，用于根据暴露-回报相关性序列的绝对值和标准差，生成初始参数的中间相关性。第一确定子模块，用于基于第一预设筛选规则，从多个中间相关性中确定多个目标相关性，并将与每个目标相关性对应的初始参数确定为目标参数。第一排序子模块，用于针对每个目标参数，基于预设排序规则对多个资源在目标参数下的参数值进行排序，得到第一排序结果。第二确定子模块，用于根据第一排序结果，确定第一序列和第二序列。

26、根据本公开的实施例，第二确定子模块包括第一确定单元、第二确定单元和第三确定单元。其中，第一确定单元，用于基于第二预设筛选规则，从第一排序结果中分别确定多个第一目标参数值和多个第二目标参数值。第二确定单元，用于将与每个第一目标参数值对应的资源确定为第一序列中的一个目标资源。第三确定单元，用于将与每个第二目标参数值对应的资源确定为第二序列中的一个目标资源。

27、根据本公开的实施例，上述装置还包括第一计算模块、第二计算模块和第二确定模块。其中，第一计算模块，用于计算第一序列获取大于资源预设值的第一目标资源值的第一概率。第二计算模块，用于计算第二序列获取大于资源预设值的第二目标资源值的第二概率。第二确定模块，用于在第一概率大于资源总值下限概率且第二概率大于资源总值下限概率的情况下，将与资源序列对应的初始参数确定为有效参数。

28、根据本公开的实施例，上述装置还包括补缺模块、极值替换模块和归一化模块。其中，补缺模块，用于对多个初始数据中存在的空缺值进行补缺处理，得到多个第一目标数据，其中，初始数据包括资源或训练资源。极值替换模块，用于对多个第一目标数据进行极值替换处理，得到多个第二目标数据。归一化模块，用于对多个第二目标数据进行归一化处理，得到多个目标数据，以利用目标数据计算影响程度或对初始选择模型进行训练。

29、根据本公开的实施例，标记模块包括第二排序子模块和标记子模块。其中，第二排序子模块用于基于训练资源在第i+1预设时间段内的资源值，对多个训练资源进行排序，得到第二排序结果。标记子模块，用于对第二排序结果中的多个训练资源进行标记处理，得到多个具有标识的训练资源。

30、根据本公开的实施例，标记子模块包括第一标记单元、第二标记单元和第三标记单元。其中，第一标记单元，用于将第二排序结果中序号为第一数值之前的多个训练资源的标识标记为第一标识。第二标记单元，用于将第二排序结果中序号为第二数值之后的多个训练资源的标识标记为第二标识。第三标记单元，用于将第二排序结果中序号为第一数值和第二数值之间的多个训练资源的标识标记为第三标识。

31、根据本公开的实施例，标记子模块还包括第一更新单元、第二更新单元。其中，第一更新单元，用于针对具有第一标识的训练资源，在训练资源在第i+2预设时间段内的资源平均值大于初始资源值的情况下，将训练资源的第一标识更新为第三标识，其中，初始资源值表征训练资源在第i+1预设时间段中最后时刻时的资源值。第二更新单元，用于针对具有第二标识的训练资源，在训练资源在第i+2预设时间段内的资源平均值小于初始资源值的情况下，将训练资源的第二标识更新为第三标识。

32、根据本公开的实施例，分类训练模块包括分类子模块、获得子模块和调整子模块。其中，分类子模块，用于利用回归树模型对多个有效参数和多个具有标识的训练资源进行分类处理，得到分类结果，其中，分类结果包括多个分类子结果，分类子结果包括至少一个有效参数和与有效参数对应的训练资源。获得子模块，用于根据分类子结果和标签分类结果，得到预测准确率。调整子模块，用于根据预测准确率迭代地调整回归树模型的模型参数，得到经训练的资源选择模型。

33、根据本公开的实施例，上述装置还包括第二获取模块、分类模块、获得模块。其中，第二获取模块，用于获取第m预设时间段内的验证资源集，其中，验证资源集包括多个验证资源、多个验证参数和分类验证标签。分类模块，用于利用资源选择模型对多个验证资源和多个验证参数进行分类处理，得到验证分类结果。获得模块，用于根据验证分类结果和分类验证标签，得到验证准确率。调整模块，用于在验证准确率不满足准确性阈值的情况下，根据验证准确率迭代地调整资源选择模型的模型参数，得到调整后的资源选择模型。

34、本公开的第四方面提供了一种资源选择装置，包括：获取模块和输出模块。

35、获取模块，用于获取第i时刻的资源参数和多个待预测资源。输出模块，用于将资源参数和多个待预测资源输入资源以及选择模型，输出预测分类结果。

36、本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

37、本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

38、本公开的第七方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

39、根据本公开提供的资源选择模型的训练方法、资源选择方法、装置、设备、介质和程序产品，通过第i预设时间段内的初始参数集的每个初始参数对资源值的影响程度，生成对应与目标参数的资源序列，在资源序列中第一序列的第一目标资源值大于资源总值下限且第二序列的第二目标资源值小于资源总值下限时将该目标参数确定为有效参数，从而将有效参数和多个具有标识的训练资源对初始选择模型进行分类训练，得到经训练的资源选择模型。由于通过初始参数对每个资源的影响程度确定目标参数下的资源序列，并将资源序列中的第一序列和第二序列满足条件时将该目标参数确定为有效参数，从而资源选择模型在训练时能够使用对资源的资源值有较大影响的有效参数进行训练，有效避免了将大量未经筛选的初始参数直接用于资源选择模型的训练造成的模型的收敛速度较慢以及准确率较低的问题，节省了计算机的硬件资源，提高了资源预测的准确性。