一种智能触发和通知的方法与流程

本发明涉及智能投顾技术领域，特别涉及一种智能触发和通知的方法。

背景技术：

近年来，随着技术的发展，大数据、人工智能、云计算、移动互联网等的高新技术的出现，这些技术天然与金融能深度的融合，大数据的发展能够更快更好的从海量的金融数据中寻找挖掘，抓取曲线特征等获取金融变化规律；而人工智能的出现，对金融的发展能起到颠覆性的作用，人工智能和金融相结合。数据的规模和质量在一定的程度上决定了人工智能的智能程度，而金融是产生海量数据的产业，对这些海量数据的进行初步的清理，得到海量的高质量数据，通过深度学习算法对机器进行训练。从而对原来的数据应用和产生进行预测，而深度学习和对未来数据进行预测依据是海量高质量数据进行的原始数据学习和加工，因此海量的高质量数据成为我们这个方法的关键。卡耐基梅隆大学计算机科学系教授曾说过：“大数据在未来会产生两方面作用，一是产生很多功能；二是展示更多机会，增大商业价值。将数据与ai结合起来，产生循环互动才是最理想的。”

智能投顾，是传统金融产生海量数据的基础上，结合今年来发展神速的大数据和人工智能，在此基础上升级的产物。智能投顾，是在传统金融投顾的基础上，利用近些年高速发展的大数据技术和人工智能技术，利用数据和技术相结合，通过算法和产品完成以往人工提供的理财顾问服务。它可以利用海量的数据分析，在此基础上进行算法优化和产生量化模型，结合用户的需要，期望的收益和自身能承担的风险，给出投资建议和交易。并根据市场数据的实时变化，提供相应的变化信号，使用户能够以最佳的方案对自己的财富进行管理。

由于金融系统是一个开放且复杂的混沌系统，当今时代碎片信息爆炸，投资机会稍纵即逝，人工投资模式往往难以做到对投资机会的有效捕捉。而智能投顾则借助投资理论搭建量化交易策略模型，再将投资者风险偏好、财务状况及理财规划等变量输入模型，为用户生成自动化、智能化、个性化的资产配置建议。我国居民家庭财富稳步增长，中产阶级日益扩大，财富管理市场空间巨大，但投资渠道稀缺，经过一轮p2p市场的洗礼，互联网理财开始广泛被接受并且流行，同时大众的风险意识也有所提高，年轻一代对互联网财富管理更加认同。在这个背景下，2014年底，智能投顾概念开始引入我国，随后大量的科技创业企业开始出现，2015年下半年以后传统金融机构也大力布局智能投顾方向。国内智能投顾的发展虽然跟随美国，但由于用户特征、金融市场发展程度、税收体制以及监管差异等因素，也存在一定程度的区别。从参与主体和进入时间的角度来看，国内的智能投顾公司可以分为独立创新公司、互联网强者布局和传统金融机构布局三类。如果按照用户定位、投资标的和平台形式又可以分为四大类别，包括2c创新平台、资产配置建议平台、主动投资建议平台以及综合理财平台。

但是现有的技术的智能投顾方法不能快速的学习和修正，对市场的判断的准确性不是太高且存在一定滞后性，因此，对用户的判断不能快速的反馈给用户。

本发明作为智能投顾的一种方法，对传统的行情和金融衍生数据进行算法的加工和处理，并依据一定的算法和量化模型得到一些模型特征，结合用户的需求和实现的需求，以及技术的发展，为用户提供建议和信号。

技术实现要素：

为解决现有技术中的技术问题，本发明提供了一种据智能触发和通知的方法，具体为一种基于历史数据形成特定曲线特征实时匹配现有实时数据智能触发和通知的方法，具体技术方案如下：

一方面，本发明提供了一种智能触发和通知的方法，其特征在于，包括如下步骤：s2：清洗原始数据，并进行去噪，利用小波分析得出比较圆滑的初步信号波形图；

原始数据输入后，剔除错误的原始数据，得到初步数据；根据初步数据的初始特征，分析数据的频率和时间，剔除在频率和光滑曲线之外的数据，然后再根据小波变换，去除不在变换曲线上的噪点，得到纯净的数据，再根据傅立叶变换把数据的波形分解成相关的波形简单的波形频域；

s3：初步提取曲线特征：

利用步骤s2中初步信号波形图的数据得到一组频域的值，根据对比频域值出现的关联概率进行分组，对频域的值作分归之后得到相关概率关联的离散频域值，离散频域值作为初步曲线波动特征；

s4：深度获取曲线特征：

利用步骤s3得到的初步曲线波动特征扩散到整个历史数据，获得深度曲线波动特征的集合；

s5：对步骤s4中获得的深度曲线波动特征的集合，利用已有的结果对得到的深度曲线波动特征的集合进行优化，把不同波动特征进行组合分析，逐步提高预测的概率；

s6：利用神经网络算法，对获得的深度曲线波动特征的集合进行分析，分离出多个不同的曲线特征，分别为第一种曲线特征码、第二种曲线特征码……第n种曲线特征码，并根据第一种曲线特征码、第二种曲线特征码……第n种曲线特征码判断实时数据符合一种或多种曲线的特征的叠加；

s7：根据现有的数据设置触发条件，若步骤s6中的实时数据符合一种或多种曲线的特征的叠加，则对用户分发信号。

优选地，步骤s2中剔除错误的原始数据是根据原始数据的时间戳和原始数据的上下限、开盘价格、收盘价格判断条件进行剔除的。

优选地，步骤s3中得到一组频域的值的具体步骤为：提取步骤s2得到的初步信号波形图数据中的简单信号的波形频域值，对复杂信号非周期性的波形数据的数据做离散时域傅立叶变换，分离出两组或者多组简单信号的波形频域值，从而得到一组频域的值。

优选地，步骤s4中深度获取曲线特征，具体步骤为：根据步骤s3得到的初步曲线波动特征中的初始数据对已发生的数据(对已发生的数据进行预判，例如我用2011年-2015年数据形成的波形图，可以对2016-2017年的数据进行验证)进行未来预判，并利用预判值作为神经网络的神经元，在数据输入正确结果和输出正确结果(之前的数据判断的时候2011年-2015年数据，例如一个波形发生，下一个波形发生的概率是50％，用这个结论验证2016年-2017年的数据，如果还是这个概率的话就是正确结果)之前逐步增加神经元的数目(之前得到的结果是波形的集合，每个成功的波形是这个集合的元素，每一个元素是一个神经元)和逐步提高判断输出的成功率，当成功率达到某一阀值的时，记录该组神经元的数值特征得到深度曲线波动特征的集合；

优选地，所述预判值确定步骤是先设置一个初始值，然后用历史数据进行预判，根据预判结果修改初始值，当预判成功率达到60％以上时，确定修改后的初始值为预判值。

优选地，步骤s5中对得到的深度曲线波动特征的集合优化过程具体为：设置遗传迭代算法的最大迭代次数m，根据深度曲线波动特征的集合对输入的变量和输出的结果进行判断以及交叉结果判定，当输出结果大于某一阀值后提出该交叉因子，利用该交叉因子对整个数据流程进行判定，并逐步修改该交叉因子的定变量逐步修正得到结果的成功率，在得到n个交叉因子后，再把这些交叉因子进行进一步的深度交叉。

与现有技术相对比，本发明的有益效果如下：

(1)本发明提供的一种基于历史数据形成特定曲线特征实时匹配现有实时数据智能触发和通知的方法提高了清洗历史数据的效率，能够准备的提取历史数据的特征，并依据迭代能够优化特征的因子，依据特征因子能够快速根据市场变化做出判断，并能够快速给出用户建议或者交易。

(2)本发明提供的方法能够快速的学习和修正，且对市场的判断的准确性高，不存在滞后性，能够对用户的判断快速的反馈给用户。

(3)本发明提供的方法不仅能提高清洗历史数据的效率和准确率，还能够准确的提取历史数据的曲线特征，并通过不断的迭代进行自我优化，提高实现判断的准备率，还能够根据实时数据快速的判断数据走向，能够把消息快速的发送给用户，为用户提供参考和决断。

附图说明

图1为本发明提供的智能触发和通知的方法框架图；

具体实施方式

下面结合附图1，对本发明的具体实施方式作详细的说明。

参图1所示，图1为本发明提供的智能触发和通知的方法框架图；一方面，本发明提供了一种基于历史数据形成特定曲线特征实时匹配现有实时数据智能触发和通知的方法，包括如下步骤：

s1：获得原始数据；

s2：清洗原始数据，并进行去噪，利用小波分析得出比较圆滑的初步信号波形图；

原始数据输入后，剔除错误的原始数据，得到初步数据；根据初步数据的初始特征，分析数据的频率和时间，剔除在频率和光滑曲线之外的数据，然后再根据小波变换，去除不在变换曲线上的噪点，得到纯净的数据，再根据傅立叶变换把数据的波形分解成相关的波形简单的波形频域；

s3：初步提取曲线特征：

利用步骤s2中初步信号波形图的数据得到一组频域的值，根据对比频域值出现的关联概率进行分组，对频域的值作分归之后得到相关概率关联的离散频域值，离散频域值作为初步曲线波动特征；

s4：深度获取曲线特征：

利用步骤s3得到的初步曲线波动特征扩散到整个历史数据，获得深度曲线波动特征的集合；

s5：对步骤s4中获得的深度曲线波动特征的集合，利用已有的结果对得到的深度曲线波动特征的集合进行优化，把不同波动特征进行组合分析，逐步提高预测的概率；

s6：利用神经网络算法，对获得的深度曲线波动特征的集合进行分析，分离出多个不同的曲线特征，分别为第一种曲线特征码、第二种曲线特征码……第n种曲线特征码，并根据第一种曲线特征码、第二种曲线特征码……第n种曲线特征码判断实时数据符合一种或多种曲线的特征的叠加；

s7：根据现有的数据设置触发条件，若步骤s6中的实时数据符合一种或多种曲线的特征的叠加，则对用户分发信号。

作为优选实施方式，本发明提供的步骤s2中剔除错误的原始数据是根据原始数据的时间戳和原始数据的上下限、开盘价格、收盘价格判断条件进行剔除的。

作为优选实施方式，本发明提供的步骤s3中得到一组频域的值的具体步骤为：提取步骤s2得到的初步信号波形图数据中的简单信号的波形频域值，对复杂信号非周期性的波形数据的数据做离散时域傅立叶变换，分离出两组或者多组简单信号的波形频域值，从而得到一组频域的值。其中，本发明中的波形频域值为一组和幅度、频率、系数、常量相关的波形图。

作为优选实施方式，本发明提供的步骤s4中深度获取曲线特征，具体步骤为：根据步骤s3得到的初步曲线波动特征中的初始数据对已发生的数据进行未来预判，并利用预判值作为神经网络的神经元，在数据输入正确结果和输出正确结果之前逐步增加神经元的数目和逐步提高判断输出的成功率，当成功率达到某一阀值的时，记录该组神经元的数值特征得到深度曲线波动特征的集合。

具体地，根据步骤s3得到的初步曲线波动特征中的初始数据对已发生的数据(例如我用2011年-2015年数据形成的波形图，可以对2016-2017年的数据进行验证)进行未来预判，并利用预判值作为神经网络的神经元，在数据输入正确结果和输出正确结果(之前的数据判断的时候2011年-2015年数据，例如一个波形发生，下一个波形发生的概率是50％，用这个结论验证2016年-2017年的数据，如果还是这个概率的话就是正确结果)之前逐步增加神经元的数目(之前得到的结果是波形的集合，每个成功的波形是这个集合的元素，每一个元素是一个神经元)和逐步提高判断输出的成功率，当成功率达到某一阀值的时，记录该组神经元的数值特征得到深度曲线波动特征的集合；

作为优选实施方式，本发明提供的所述预判值确定步骤是先设置一个初始值，然后用历史数据进行预判，根据预判结果修改初始值，当预判成功率达到60％以上时，确定该值为预判值。

作为优选实施方式，本发明提供的步骤s5中对得到的深度曲线波动特征的集合优化过程具体为：设置遗传迭代算法的最大迭代次数m，根据深度曲线波动特征的集合对输入的变量和输出的结果进行判断以及交叉结果判定，当输出结果大于某一阀值后提出该交叉因子，利用该交叉因子对整个数据流程进行判定，并逐步修改该交叉因子的定变量逐步修正得到结果的成功率，在得到n个交叉因子后，再把这些交叉因子进行进一步的深度交叉。

具体的，本发明的智能触发和通知的方法如下：

1、首先清洗数据，把所得到的历史数据去噪点，利用小波分析把一段时间内的符合波形的数据滤出，在波形之外的噪点，可以理解为意外事件或者突发事件的，先滤出，从而得出比较圆滑的波形图。

2、利用处理得到的数据对定周期的数据做傅立叶变换，得到一组频域的值，对频域的值做分归之后得到比例的离散频域值，而这些频域值就可以理解为这些曲线的波动特征

3、扩大时间周期，得出较长范围内曲线特征，并把这些曲线特征利用遗传算法进行迭代和优化，利用相似的曲线特征去和历史上的发生的同样的曲线特征去预测，同时和结果做比对，得出预测的概率。利用已有的结果对得到的波动特征进行优化，把不同波动特征进行组合分析，逐步提高预测的概率，同时利用神经网络算法，对发生的曲线进行分析，看是否能分离出是否是多个不同的曲线特征的组合。应用到实时的曲线的时候，用多线程，单个线程分析单个曲线特征，利用线程池根据可能发生的曲线特征数目进行调整，更一步的优化是利用gpu对算法进行加速，从而在毫秒级别得到信号的结果。

4、当利用遗传算法和神经网络算法迭代的一定的代数的时候，例如设定对信号的判定概率的到了70％，就把该因子作为可利用的因子放入因子库，对实时的数据进行监控，同时历史因子继续进行迭代优化，提高预测发生的概率。当实时数据触发该因子的条件，如果用户对该因子有订阅，就立即对用户推送该信号，提醒用户进行操作或者关心发生的事情。信号从触发到捕捉到发送，利用多线程和gpu加速，达到毫秒级别。

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，均包含在本发明的保护范围之内。