一种智能投顾特征画像优化方法及系统与流程

本发明涉及股票分析技术领域，尤其涉及一种智能投顾特征画像优化方法及系统。

背景技术：

近年来个人理财快速发展，大多数用户对投顾内部变化及外部变化无法实时掌握，对投顾纰漏信息的真实性和准确性无法甄别或甄别成本过高。而投顾的变化对投资结果产生重要的影响，例如投顾的产品变动，人员变动、业绩表现问题、舆论评价、其他维度的变化等。投资市场上需要一套能够围绕投顾自我批露，从时间维度和商业属性维度系统建立跟踪分析系统，同时匹配行业及大环境的对应特征约束，从而一方面对比分析投顾批露内容真实性和准确性，另一方面研究行业当前变化核心驱动因素和不同行业之间关联属性以帮助用户做出判断依据。

技术实现要素：

为至少在一定程度上克服现有技术中的上述问题，本发明提供一种智能投顾特征画像优化方法及系统，实现智能化动态更新投顾内外部信息变化对投资的影响，并对投顾特征进行打分给出动态优化的白名单。

第一方面，本发明公开了一种智能投顾特征画像优化方法，包括：

s1录入投顾特征；

s2基于录入投顾特征确定投顾池，调取投顾池中每个投顾的历史数据；

s3将录入投顾特征经线性化处理形成投顾画像，获得投顾画像总得分；

s4确定白名单规模g，并构建投顾优化问题使得前g个投顾的平均分最大；

s5利用启发式优化算法，对s4所述投顾优化问题进行求解，获得当期最优特征值向量；

s6基于最优特征值向量w，重新计算投顾池中每个投顾的总得分，并挑选出总得分最高的g个投顾，形成投顾白名单，并最终根据白名单上的投顾向用户进行推荐。

进一步的，所述方法还包括：s7定期返回s1，重新计算当期最优特征值向量，动态调整白名单，并向用户进行更新推荐。

第二方面，本发明还公开了一种智能投顾特征画像优化系统，包括录入模块、投顾画像生成模块、投顾池、优化模块和白名单运营模块；

录入模块，用于录入投顾特征；

投顾池，用于调取投顾池中每个投顾的历史数据；

投顾画像生成模块，用于将录入模块和投顾池的投顾特征线性化处理形成投顾画像，获得投顾画像的总得分，输出至白名单运营模块；

优化模块，用于根据白名单运营模块确定的白名单规模g，构建投顾优化问题，利用启发式优化算法对投顾优化问题进行求解，获得当期最优特征值向量，输出至投顾画像生成模块；

白名单运营模块，用于挑选出总得分最高的g个投顾，形成投顾白名单，并最终根据白名单上的投顾向用户进行推荐。

本发明的有益效果：

本发明提供的优化方法，实现智能化动态更新投顾内外部信息变化对投资的影响，并对投顾特征进行打分给出动态优化的白名单。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明实施例一智能投顾特征画像优化流程图；

图2为本发明实施例二智能投顾特征画像优化流程图；

图3为本发明实施例三智能投顾特征画像优化装置结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。

实施例一

参照图1，图1示出了本发明实施例的流程图，具体如下：

s1、录入投顾特征；

投顾特征ai(i＝1，2，…，m)，其中m为录入投顾特征的总数。所述投顾特征包括但不限于员工数a1、公司规模a2、实缴资本a3、高管背景a4、基金经理背景a5、产品表现a6、高层变动a7、股权变动a8等。

s2、基于录入投顾特征确定投顾池，调取投顾池中每个投顾的历史数据；

投顾池中每个投顾的历史数据bi(i＝1，2，…，n)，其中n为投顾数据总数。所述投顾历史数据包括但不限于投顾收益率b1、投顾收益方差b2、夏普率b3、投顾最大回撤b4等。

s3、将录入投顾特征经线性化处理形成投顾画像，获得投顾画像得分；

所述投顾画像总得分由以下公式表达：

y＝wai＝w1a1+w2a2+…+wnan

其中w＝[w1，w2，…，wn]为由每个投顾特征的特征值组成的特征值向量，y为投顾画像的总得分。

s4、确定白名单规模g，并构建投顾优化问题使得前g个投顾的平均分最大投顾优化问题方法如下：

s401确定特征值向量w。

s402在投顾池中，根据公式(1)选出投顾画像总得分最高的g个投顾。

s403根据投顾历史数据bi，建立目标函数l(bi)。

目标函数l(bi)可根据具体需求设计不同的形式。不失一般性地，若历史数据bi包含投顾收益率b1、投顾收益方差b2、投顾最大回撤b3，则l(bi)可设为：

s404对总得分最高的g个投顾，计算其对应的目标函数值，获得l1,l2,…,lg，最终获得前g个投顾的平均分：

s405不断调整特征值向量w，使得lmean最大。

s5、利用启发式优化算法，对s4所述投顾优化问题进行求解，获得当期最优特征值向量w；

启发式算法是基于直观或经验构造的算法，在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。启发式算法以仿自然体算法为主。

遗传算法是典型的启发式算法，遗传算法基本运算过程如下：

a)初始化：设置进化代数计数器t＝0，设置最大进化代数t，随机生成m个个体作为初始群体p(0)；

b)个体评价：计算群体p(t)中各个个体的适应度；

c)选择运算：将选择算子作用于群体，选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上的；

d)交叉运算：将交叉算子作用于群体，遗传算法中起核心作用的就是交叉算子；

e)变异运算：将变异算子作用于群体，即是对群体中的个体串的某些基因座上的基因值作变动，

群体p(t)经过选择、交叉、变异运算之后得到下一代群体p(t+1)。

f)终止条件判断：若t＝t,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

s6、基于最优特征值向量w，重新计算投顾池中每个投顾的总得分，并挑选出总得分最高的g个投顾，形成投顾白名单，并最终根据白名单上的投顾向用户进行推荐。

实施例二

参照图2，示出了本发明实施例的流程图，具体如下：

s1：录入投顾特征ai(i＝1，2，…，m)，其中m为录入投顾特征的总数。所述投顾特征包括但不限于员工数a1、公司规模a2、实缴资本a3、高管背景a4、基金经理背景a5、产品表现a6、高层变动a7、股权变动a8等。

s2：确定投顾池。然后调取投顾池中每个投顾的历史数据bi(i＝1,2，…，n)，其中n为投顾数据总数。所述投顾历史数据包括但不限于投顾收益率b1、投顾收益方差b2、夏普率b3、投顾最大回撤b4等。

s3：将录入的投顾特征ai经线性化处理形成投顾画像。

所述投顾画像总得分由以下公式表达：

y＝wai＝w1a1+w2a2+…+wnan

其中w＝[w1，w2,…,wn]为由每个投顾特征的特征值组成的特征值向量，y为投顾画像的总得分。

s4：确定白名单规模g，并构建投顾优化问题使得前g个投顾的平均分最大所述投顾优化问题方法如下：

s401确定特征值向量w；

s402在投顾池中，选出投顾画像总得分最高的g个投顾；

s403根据投顾历史数据bi，建立目标函数l(bi)；

目标函数l(bi)可根据具体需求设计不同的形式，不失一般性地，若历史数据bi包含投顾收益率b1、投顾收益方差b2、投顾最大回撤b3，则l(bi)可设为：

s404对总得分最高的g个投顾，计算其对应的目标函数值，获得l1，l2，…，lg，最终获得前g个投顾的平均分：

s405不断调整特征值向量w，使得lmean最大。

s5：利用遗传算法等启发式优化算法，对步骤4所述投顾优化问题进行求解，获得当期最优特征值向量w。

s6：基于最优特征值向量w，利用公式(1)重新计算投顾池中每个投顾的总得分，并挑选出总得分最高的g个投顾，形成投顾白名单，并最终根据白名单上的投顾向用户进行推荐。

s7：定期(每季度)返回步骤1，重新计算当期最优特征值向量w，动态调整白名单，并向用户进行更新推荐。

实施例三

本发明第二方面还提供了一种智能投顾特征画像优化装置，如图3所示，包括录入模块、投顾画像生成模块、投顾池、优化模块和白名单运营模块；

录入模块，用于录入投顾特征；

投顾池，用于调取投顾池中每个投顾的历史数据；

投顾画像生成模块，用于将录入模块和投顾池的投顾特征线性化处理形成投顾画像，获得投顾画像的总得分，输出至白名单运营模块；

优化模块，用于根据白名单运营模块确定的白名单规模g，构建投顾优化问题，利用启发式优化算法对投顾优化问题进行求解，获得当期最优特征值向量，输出至投顾画像生成模块；

白名单运营模块，用于挑选出总得分最高的g个投顾，形成投顾白名单，并最终根据白名单上的投顾向用户进行推荐。

投顾画像生成模块中构投顾画像总得分由以下公式表达：

y＝wai＝w1a1+w2a2+…+wnan

其中w＝[w1,w2，…，wn]为由每个投顾特征的特征值组成的特征值向量，y为投顾画像的总得分。

优化模块中构建优化问题包括：

s401确定特征值向量w；

s402在投顾池中选出投顾画像总得分最高的g个投顾；

s403根据投顾历史数据bi，建立目标函数l(bi)；

s404对总得分最高的g个投顾，计算其对应的目标函数值，获得l1，l2，…，lg，最终获得前g个投顾的平均分：

s405调整特征值向量w，使得lmean最大。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。