代价资源配置方法、装置、设备与计算机可读存储介质
阅读：509发布：2021-04-12
专利汇可以提供代价资源配置方法、装置、设备与计算机可读存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种代价资源配置方法，包括：采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和 波动 率，并预测所述配置对象对应的基准对象的基准参数；获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的 风 险系数；基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；基于所述调整系数和预设的 基础 代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。本发明还公开了一种代价资源配置装置、设备和计算机可读存储介质。本发明通过动态调整实际配置的代价资源，实现代价资源的智能配置，提高代价资源的有效利用率。，下面是代价资源配置方法、装置、设备与计算机可读存储介质专利的具体信息内容。
1.一种代价资源配置方法，其特征在于，所述代价资源配置方法包括如下步骤：
采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；
基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；
基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
2.如权利要求1所述的代价资源配置方法，其特征在于，所述基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数的步骤包括：
将所述移动平均线、所述波动率、所述基准参数和所述风险系数输入构建的调整函数中，以得到所述配置对象的调整系数；
其中，所述调整函数的构建过程为：
获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数；
基于所述波动系数，构建调整函数。
3.如权利要求2所述的代价资源配置方法，其特征在于，所述获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数的步骤包括：
获取所述配置对象的第二历史数据，并基于所述第二历史数据，确定至少两组第一测试参数；
将各所述第一测试参数输入预设的波动不等式，以得到多组满足第一预设条件的测试系数；
在所述测试系数中，将满足第二预设条件的一组测试系数设置为所述配置对象的波动系数。
4.如权利要求2所述的代价资源配置方法，其特征在于，所述基于所述波动系数，构建调整函数的步骤包括：
基于所述波动系数，构建初始调整函数，并获取所述配置对象对应的第二测试参数，将所述第二测试参数输入初始调整函数中，以获得初始代价资源；
比较所述初始代价资源获得的第一波动值与所述基础代价资源获得的第二波动值的大小；
若所述第一波动值大于所述第二波动值，则将所述初始调整函数设置为调整函数。
5.如权利要求1所述的代价资源配置方法，其特征在于，所述采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数的步骤包括：
确定所述配置对象对应的均线类型和所述配置对象对应的波动类型；
基于所述均线类型和所述波动类型，采集所述配置对象的第一历史数据，并基于所述第一历史数据，确定所述配置对象的移动平均线和波动率；
基于所述第一历史数据和预设算法，预测所述配置对象对应的基准对象的基准参数。
6.如权利要求1所述的代价资源配置方法，其特征在于，所述获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数的步骤包括：
获取所述基准对象的基准波动属性和所述配置对象的历史波动属性，并基于所述基准波动属性和所述历史波动属性，计算所述配置对象的风险系数。
7.如权利要求1-6任一项所述的代价资源配置方法，其特征在于，所述采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数的步骤之前，所述方法还包括：
确定所述配置对象的配置时间，并监测当前时间是否为配置时间；
若当前时间为配置时间，则执行采集配置对象的第一历史数据的步骤。
8.一种代价资源配置装置，其特征在于，所述代价资源配置装置包括：
预测模块，用于采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
第一计算模块，用于获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；
第二计算模块，用于基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；
第三计算模块，用于基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
9.一种代价资源配置设备，其特征在于，所述代价资源配置设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的代价资源配置程序，所述代价资源配置程序被所述处理器执行时实现如权利要求1至7中任一项所述的代价资源配置方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有代价资源配置程序，所述代价资源配置程序被处理器执行时实现如权利要求1至7中任一项所述的代价资源配置方法的步骤。
代价资源配置方法、装置、设备与计算机可读存储介质
技术领域
[0001] 本发明涉及金融科技(Fintech)技术领域，尤其涉及代价资源配置方法、装置、设备与计算机可读存储介质。
背景技术
[0002] 近年来，随着金融科技(Fintech)，尤其是互联网金融的不断发展，数据分析技术被引入银行等金融机构的日常服务中。在银行等金融机构的日常服务过程中，往往需要对已有的历史数据进行分析，从而预测出未来的数据走向，使得银行等金融机构在对代价资源进行配置时，可以更加合理的进行配置，例如银行等金融机构的基金产品，为确保用户所投基金有较好的收益，需要对基金的历史数据进行分析，从而预测出基金的走向，再为当前基金配置相应的金额。
[0003] 然而现有的数据分析方式较为简单，在面对波动性较强的数据时，很难准确地预测出未来的数据走向，在对代价资源进行配置的过程中，很难实现代价资源的灵活配置，使得代价资源的有效利用率无法提高。
发明内容
[0004] 本发明的主要目的在于提出一种代价资源配置方法、装置、设备与计算机可读存储介质，旨在实现代价资源的智能配置，提高代价资源的有效利用率。
[0005] 为实现上述目的，本发明提供一种代价资源配置方法，所述代价资源配置方法包括如下步骤：
[0006] 采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
[0008] 基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；
[0009] 基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
[0010] 优选地，所述基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数的步骤包括：
[0011] 将所述移动平均线、所述波动率、所述基准参数和所述风险系数输入构建的调整函数中，以得到所述配置对象的调整系数；
[0012] 其中，所述调整函数的构建过程为：
[0013] 获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数；
[0014] 基于所述波动系数，构建调整函数。
[0015] 优选地，所述获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数的步骤包括：
[0016] 获取所述配置对象的第二历史数据，并基于所述第二历史数据，确定至少两组第一测试参数；
[0017] 将各所述第一测试参数输入预设的波动不等式，以得到多组满足第一预设条件的测试系数；
[0018] 在所述测试系数中，将满足第二预设条件的一组测试系数设置为所述配置对象的波动系数。
[0019] 优选地，所述基于所述波动系数，构建调整函数的步骤包括：
[0020] 基于所述波动系数，构建初始调整函数，并获取所述配置对象对应的第二测试参数，将所述第二测试参数输入初始调整函数中，以获得初始代价资源；
[0021] 比较所述初始代价资源获得的第一波动值与所述基础代价资源获得的第二波动值的大小；
[0022] 若所述第一波动值大于所述第二波动值，则将所述初始调整函数设置为调整函数。
[0023] 优选地，所述采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数的步骤包括：
[0024] 确定所述配置对象对应的均线类型和所述配置对象对应的波动类型；
[0025] 基于所述均线类型和所述波动类型，采集所述配置对象的第一历史数据，并基于所述第一历史数据，确定所述配置对象的移动平均线和波动率；
[0027] 优选地，所述获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数的步骤包括：
[0028] 获取所述基准对象的基准波动属性和所述配置对象的历史波动属性，并基于所述基准波动属性和所述历史波动属性，计算所述配置对象的风险系数。
[0029] 优选地，所述采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数的步骤之前，所述方法还包括：
[0030] 确定所述配置对象的配置时间，并监测当前时间是否为配置时间；
[0031] 若当前时间为配置时间，则执行采集配置对象的第一历史数据的步骤。
[0032] 此外，为实现上述目的，本发明还提供一种代价资源配置装置，所述代价资源配置装置包括：
[0033] 预测模块，用于采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
[0034] 第一计算模块，用于获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；
[0035] 第二计算模块，用于基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；
[0036] 第三计算模块，用于基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
[0037] 优选地，所述第二计算模块还用于：
[0038] 将所述移动平均线、所述波动率、所述基准参数和所述风险系数输入构建的调整函数中，以得到所述配置对象的调整系数；
[0039] 其中，所述调整函数的构建过程为：
[0040] 获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数；
[0041] 基于所述波动系数，构建调整函数。
[0042] 优选地，所述第二计算模块还用于：
[0043] 获取所述配置对象的第二历史数据，并基于所述第二历史数据，确定至少两组第一测试参数；
[0044] 将各所述第一测试参数输入预设的波动不等式，以得到多组满足第一预设条件的测试系数；
[0045] 在所述测试系数中，将满足第二预设条件的一组测试系数设置为所述配置对象的波动系数。
[0046] 优选地，所述第二计算模块还用于：
[0047] 基于所述波动系数，构建初始调整函数，并获取所述配置对象对应的第二测试参数，将所述第二测试参数输入初始调整函数中，以获得初始代价资源；
[0048] 比较所述初始代价资源获得的第一波动值与所述基础代价资源获得的第二波动值的大小；
[0049] 若所述第一波动值大于所述第二波动值，则将所述初始调整函数设置为调整函数。
[0050] 优选地，所述预测模块还用于：
[0051] 确定所述配置对象对应的均线类型和所述配置对象对应的波动类型；
[0052] 基于所述均线类型和所述波动类型，采集所述配置对象的第一历史数据，并基于所述第一历史数据，确定所述配置对象的移动平均线和波动率；
[0053] 基于所述第一历史数据和预设算法，预测所述配置对象对应的基准对象的基准参数。
[0054] 优选地，所述第二计算模块还用于：
[0055] 获取所述基准对象的基准波动属性和所述配置对象的历史波动属性，并基于所述基准波动属性和所述历史波动属性，计算所述配置对象的风险系数。
[0056] 优选地，所述代价资源配置装置还包括监测模块，所述监测模块用于：
[0057] 确定所述配置对象的配置时间，并监测当前时间是否为配置时间；
[0058] 若当前时间为配置时间，则执行采集配置对象的第一历史数据的步骤。
[0059] 此外，为实现上述目的，本发明还提供一种代价资源配置设备，所述代价资源配置设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的代价资源配置程序，所述代价资源配置程序被所述处理器执行时实现如上所述的代价资源配置方法的步骤。
[0060] 此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有代价资源配置程序，所述代价资源配置程序被处理器执行时实现如上所述的代价资源配置方法的步骤。
[0061] 本发明提出的代价资源配置方法，采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。本发明通过动态调整实际配置的代价资源，实现代价资源的智能配置，提高代价资源的有效利用率。附图说明
[0063] 图2为本发明代价资源配置方法第一实施例的流程示意图。
[0064] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0065] 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。
[0066] 如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
[0067] 本发明实施例设备可以是PC机或服务器设备。
[0068] 如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。
用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口
1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器
1001的存储装置。
用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口
1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器
1001的存储装置。
[0069] 本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0071] 其中，操作系统是管理和控制代价资源配置设备与软件资源的程序，支持网络通信模块、用户接口模块、代价资源配置程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。
[0072] 在图1所示的代价资源配置设备中，所述代价资源配置设备通过处理器1001调用存储器1005中存储的代价资源配置程序，并执行下述代价资源配置方法各个实施例中的操作。
[0073] 基于上述硬件结构，提出本发明代价资源配置方法实施例。
[0074] 参照图2，图2为本发明代价资源配置方法第一实施例的流程示意图，所述方法包括：
[0075] 步骤S10，采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
[0076] 步骤S20，获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；
[0077] 步骤S30，基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；
[0078] 步骤S40，基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
[0079] 本实施例代价资源配置方法运用于理财机构或者银行系统等金融机构的代价资源配置设备中，代价资源配置设备可以是终端或者PC设备，为描述方便，代价资源配置设备以移动终端为例进行描述。代价资源在本实施例中可以是虚拟金额、虚拟经验值和虚拟成长值等网络通行的代价资源。用户可在移动终端终端中，使用代价资源进行资源交易和资源配置等操作，其中，进行资源配置的配置对象在本实施例中以基金为例进行说明，可以理解，配置对象也可以是股票，债券等对象，在此不穷举，本领域技术人员应当可以理解的，所有能接受资源配置的对象都在此列，用户可通过点击移动终端的相应界面选定配置对象，如选定A基金，或者A基金和B基金的组合基金等。
[0080] 本实施例的移动终端，通过采集配置对象的第一历史数据，进而计算出配置对象的调整系数，再通过调整系数得出实际代价资源，再将实际代价资源配置到配置对象中，使得每一次代价资源的配置都是变化的，达到动态调整代价资源的效果，实现代价资源的智能配置，提高代价资源的有效利用率。
[0081] 以下将对各个步骤进行详细说明：
[0082] 步骤S10，采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
[0083] 在本实施例中，移动终端根据用户事先选定的配置对象，采集配置对象的第一历史数据，并通过第一历史数据确定配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数，其中，移动平均线包括500日移动平均线、180日移动平均线和30日移动平均线等，波动率包括上升趋势波动率和下降趋势波动率，基准参数包括跌和涨，在具体实施时，涨用数值1量化，跌用数值-1量化。
[0084] 需要说明的是配置对象对应的基准对象指的是配置对象对应的市场环境，如配置对象为基金时，其对应的基准对象为大盘等。
[0085] 具体的，步骤S10包括：
[0086] 步骤a，确定所述配置对象对应的均线类型和所述配置对象对应的波动类型；
[0087] 由于移动平均线有多种类型，在实际实施时，用户可在移动终端的相应界面选择对应的均线类型，以及波动类型，具体的，移动终端在检测到用户基于移动平均线和波动率的选择指令时，确定所述选择指令对应的均线类型和波动类型。需要说明的是，在用户一开始选定配置对象的均线类型和波动类型后，在往后的任意时刻都可通过配置对象知道其对应的均线类型和波动类型。
[0088] 步骤b，基于所述均线类型和所述波动类型，采集所述配置对象的第一历史数据，并基于所述第一历史数据，确定所述配置对象的移动平均线和波动率；
[0089] 在该步骤中，移动终端根据配置对象的均线类型和波动类型，采集配置对象的第一历史数据，如均线类型为500日移动平均线，则采集近500日的历史数据等，并根据第一历史数据，确定配置对象的移动平均线和波动率。
[0090] 其中，移动平均线为周期内数据之和除以周期，以基金为例，移动平均线为周期内的收盘价之和除以该周期，以250日移动平均线为例，其值为250日的收盘价之和除以250。而波动率，则是在数据波动图中，通过顶部与顶部，底部与底部的距离来算，如上升趋势波动率计算方法是：在上升趋势中，底部与底部的距离除以底部与底部的时间，取整：上升波动率＝(第二个底部-第一个底部)/两底部的时间距离；下降趋势波动率计算方法是：在下降趋势中，顶部与顶部的距离除以顶部与顶部的相隔时间，取整：下降波动率＝(第二个顶部-第一个顶部)/两顶部的时间距离，因此在算波动率时，需将对应的历史数据生成对应的波动图，再根据波动图进行计算。
[0091] 步骤c，基于所述第一历史数据和预设算法，预测所述配置对象对应的基准对象的基准参数
[0092] 在该步骤中，第一历史数据包括基准对象的指导数据，移动终端可根据指导数据和预设算法预测基准对象的基准参数，其中，基准参数为基准对象的数据趋势，如基准对象为大盘时，其指导数据即为大盘数据，基准参数即为大盘走势，预设算法可为马尔可夫算法等可预测基准参数的算法，指导数据指基准对象的参数，以大盘为例，大盘数据包括开盘价、收盘价、成交额和换手率等，马尔可夫算法可参见预测大盘走势的运用，是预测大盘走势的常用算法，在此不再详细说明。
[0093] 进一步地，步骤S10包括：
[0094] 确定所述配置对象的配置时间，并监测当前时间是否为配置时间；
[0095] 在该步骤中，移动终端先确定配置对象的配置时间，并监测当前时间是否为配置时间，其中，配置时间为用户事先设置的配置时间，如每月一号进行配置等，在具体实施时，移动终端中设置有多种配置时间，如每月一号、每周三等，在检测到用户基于配置类型选择界面输入的选择指令时，确定选择指令对应的配置时间，并实时监测当前时间是否为配置时间。
[0096] 若当前时间为配置时间，则执行采集配置对象的第一历史数据的步骤。
[0097] 在确定当前时间为配置时间时，才采集配置对象的第一历史数据，也即每一次配置都是变动的，在当前进行代价资源的配置时，才去计算当前所要配置的实际代价资源，实现定时不定资源的配置。
[0098] 步骤S20，获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数。
[0099] 在本实施例中，配置对象的历史数据以及历史波动属性都被记载在相应的服务器中，移动终端可获取服务器中记载的配置对象的历史波动属性，从而通过历史波动属性计算配置对象的风险系数，其中，历史波动属性可以是预设时间段的历史波动属性，以配置对象为基金为例，历史波动属性即为基金的历史收益。
[0100] 具体的，风险系数可由配置对象预设时间段内的标准差来衡量，即将配置对象的标准差作为配置对象的风险系数，其中，标准差是指预设时间段内，配置对象每个月的波动属性相对于平均波动属性的偏差幅度的大小，配置对象的波动属性越大，那么其标准差也越大。
[0101] 进一步地，若配置对象为基金和股票等金融产品，其风险系数也可用夏普比率来衡量，即将配置对象对应的夏普比率作为配置对象的风险系数。
[0102] 步骤S30，基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数。
[0103] 在本实施例中，移动终端根据所得的移动平均线、波动率、基准参数和风险系数，计算配置对象当前的调整系数。具体的，将移动平均线、波动率、基准参数和风险系数输入构建的调整函数中，通过调整函数，得出调整系数。
[0104] 调整函数为：w(调整系数)＝a1×x1×x2+a2×x3+a3×x4
[0105] 其中，x1为基准参数，x2为风险系数，x3为移动平均线，x4为波动率，a1、a2和a3为波动系数，为常数。
[0106] 步骤S40，基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
[0107] 在本实施例中，根据计算所得调整系数，以及预设的基础代价资源，计算实际代价资源，具体公式为：M(实际代价资源)＝w(调整系数)×mbase(基础代价资源)，其中基础代价资源由用户在移动终端中自行设定，可以是移动终端默认的基础代价资源，如设置为1000，在计算得到调整系数为1.3时，当前的实际代价资源即为1300，最后将计算所得的实际代价资源配置到配置对象中，以基金为例，若用户选定A基金为配置对象，计算得出当前要进行配置的实际代价资源为1300，则将1300配置到A基金上，即对用户的代价资源进行合理的配置，减少代价资源的闲置，提高代价资源的利用率，并且，由于考虑了风险系数等参数，使得代价资源能得到很好的积累。
[0108] 本实施例采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。本发明通过计算调整系数，并根据调整系数和预设的基础代价资源，得到实际代价资源，动态调整代价资源，实现代价资源的智能配置，提高代价资源的有效利用率。
[0109] 进一步地，基于本发明代价资源配置方法第一实施例，提出本发明代价资源配置方法第二实施例。
[0110] 代价资源配置方法的第二实施例与代价资源配置方法的第一实施例的区别在于，步骤S30包括：
[0111] 将所述移动平均线、所述波动率、所述基准参数和所述风险系数输入构建的调整函数中，以得到所述配置对象的调整系数；
[0112] 其中，所述调整函数的构建过程为：
[0113] 获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数；
[0114] 基于所述波动系数，构建调整函数。
[0115] 本实施例通过配置对象的第二历史数据构建调整函数，并通过调整函数确定调整系数，以便最后，通过调整系数确定当前需要配置的实际代价资源。
[0116] 本实施例的移动终端只需将计算所得移动平均线、波动率、基准参数和风险系数输入构建的调整函数中，即可得到配置对象的调整系数，其中，调整函数的构建过程包括以下步骤：
[0117] 步骤d，获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数；
[0118] 在该步骤中，移动终端通过获取配置对象的第二历史数据，计算配置对象的波动系数，其中，第二历史数据可以包含第一历史数据，为保证获取的第二历史数据可用，需对第二历史数据进行数据清洗，具体可将第二历史数据分成若干区间数据，并验证各区间数据的数据是否连续，并将数据连续的区间数据确定为数据清洗后的第二历史数据。
[0119] 接着，通过第二历史数据和预设的波动不等式，计算配置对象对应的波动系数，其中，波动不等式为p≤w(调整系数)≤q，而w(调整系数)＝a1×x1×x2+a2×x3+a3×x4，a1、a2和a3为波动系数，p、q为常数。
[0120] 具体的步骤d包括：
[0121] 获取所述配置对象的第二历史数据，并基于所述第二历史数据，确定至少两组第一测试参数；
[0122] 在该步骤中，移动终端获取配置对象的第二历史数据，并基于第二历史数据，确定至少两组第一测试参数，其中，第一测试参数为包括测试用基准参数、测试用风险系数、测试用移动平均线和测试用波动率，也即通过上述实施例所述的方法，根据第二历史数据得到至少两组第一测试参数，具体过程在此不再赘述。
[0123] 将各所述第一测试参数输入预设的波动不等式，以得到多组满足第一预设条件的测试系数；
[0124] 将确定的各所述第一测试参数输入预设的波动不等式中，从而得到多组满足第一预设条件的测试系数，其中，波动不等式为p≤w(调整系数)≤q，第一预设条件为p＝0.1，q＝2。p和q的取值属于经验值，人为设定，在具体实施时优选p＝0.1，q＝2，在该步骤中，通过波动不等式以及设定的p、q值，得到多组测试系数，也即a1、a2和a3的值。
[0125] 在所述测试系数中，将满足第二预设条件的一组测试系数设置为所述配置对象的波动系数。
[0126] 该步骤中，从多组测试系数中，选取满足第二预设条件的测试系数作为配置对象的波动系数。其中，第二预设条件为波动属性最优，具体的，以各组测试系数构建测试函数，并确定哪一个测试函数输出的调整系数使得配置对象的波动属性最高，则将该组测试系数设置为波动系数，以配置对象为基金为例，波动属性即为收益，因此，在这里，确定哪一个测试函数输出的调整系数使得基金的收益最优，则该组测试系数即为波动系数。需要说明的是，在测试收益最高的过程中，可选择基金的任意历史数据，由于历史数据中，基金的开盘价和收盘价已知，因此，可根据配置的代价资源，确定对应的收益。
[0127] 步骤e，基于所述波动系数，构建调整函数。
[0128] 在得到波动系数后，即可通过波动系数构建调整函数，具体为M(实际代价资源)＝w(调整系数)×mbase(基础代价资源)，w(调整系数)＝a1×x1×x2+a2×x3+a3×x4，此时的a1、a2和a3的值是已知的常数，需要说明的是，每一次配置都需要进行调整系数的计算，因此，每一次配置时，a1、a2和a3的值可能一样，也可能不一样。
[0129] 进一步地，步骤e包括：
[0130] 基于所述波动系数，构建初始调整函数，并获取所述配置对象对应的第二测试参数，将所述第二测试参数输入初始调整函数中，以获得初始代价资源；
[0131] 在该步骤中，需要对调整函数进行验证，确保调整函数可用，因此，在构建调整函数的过程中，先构建初始调整函数，并获取配置对象对应的第二测试参数，其中，第二测试参数有别于第一测试参数，具体的，通过获取配置对象的第三历史数据，并基于第三历史数据确定对应的基准参数、风险系数、平均移动线和波动率，以这些参数作为第二测试参数。再将第二测试参数输入初始调整函数中，以获得初始代价资源。
[0132] 比较所述初始代价资源获得的第一波动值与所述基础代价资源获得的第二波动值的大小；
[0133] 接着，确定以初始代价资源进行配置获得的第一波动值，以及以预设的基础代价资源进行配置获得的第二波动值，并比较第一波动值和第二波动值的大小。由于历史数据已知，因此，可获得上述第一波动值和第二波动值，如配置对象为基金，波动值即为收益值，在历史数据中，基金的开盘价和收盘价等参数已知，因此，可得到基金的收益值。
[0134] 若所述第一波动值大于所述第二波动值，则将所述初始调整函数设置为调整函数。
[0135] 若确定第一所以大于第二波动值，说明通过调整函数得出的代价资源进行配置所带来的的收益，比以基础代价资源进行配置资所带来的收益还要好，使得代价资源进一步积累，则将初始调整函数设置为调整函数。
[0136] 如基础代价资源为1000，通过初始调整函数输出的初始代价资源为1300，以基础代价资源进行基金的投资获得的收益为+10，即获利10块，而以初始代价资源进行基金的投资获得的收益为+13，则以初始代价资源进行投资的收益更大；或者通过初始调整函数输出的初始代价资源为800，以基础代价资源进行投资获得的收益为-10，即亏损10块，以初始代价资源进行投资的收益为-8，则以初始代价资源进行投资的亏损较小，较少了用户的损失，相对收益更大，此时，说明调整函数可靠。
[0137] 本实施例在构建调整函数时，采用交叉验证的方法来防止调整函数过度拟合，通过采集不同于第二历史数据的第三历史数据来对调整函数进行验证，使得调整函数可靠。
[0138] 需要说明的是，本实施例采集的历史数据都是连续性数据，即以时间顺序来截取随机数据。因此，在进行的过程中还需对历史数据的连续性进行校验，确保历史数据是在一段时间内连续的，若不连续，则舍弃当前历史数据，采集其他区间的历史数据，或者人为对缺失数据进行补全等。
[0139] 可以理解的，若第一波动值小于等于第二波动值，说明调整函数不可靠，则需要重新进行计算，计算方式与上述方式类是，只是在采集历史数据时，需要扩大历史数据的采集范围，即采集更多的历史数据作为参数。
[0140] 本实施例通过配置对象的第二历史数据构建调整函数，并通过调整函数确定调整系数，以便最后通过调整系数确定当前需要配置的实际代价资源，使得每一次配置都是最优的选择，使得配置的代价资源能进一步累积，实现代价资源的智能配置，提高代价资源的有效利用率。
[0141] 进一步地，基于本发明代价资源配置方法第一、第二实施例，提出本发明代价资源配置方法第三实施例。
[0142] 代价资源配置方法的第三实施例与代价资源配置方法的第一、第二实施例的区别在于，步骤S20包括：
[0143] 获取所述基准对象的基准波动属性和所述配置对象的历史波动属性，并基于所述基准波动属性和所述历史波动属性，计算所述配置对象的风险系数。
[0144] 本实施例在计算配置对象的风险系数时，综合考虑配置对象的历史波动属性与基准对象的基准波动属性的关系，从而可以更加客观的计算出配置对象的风险系数。
[0145] 具体的，移动终端获取基准对象的基准波动属性和配置对象的历史波动属性，通过基准波动属性和历史波动属性来确定配置对象与基准对象的拟合度，用拟合度来量化风险系数。
[0146] 在本实施例中，配置对象与基准对象的拟合度用贝塔系数来表示，贝塔系数利用回归的方法计算。以配置对象为基金，基金对象对大盘为例，基准波动属性即为大盘收益，历史波动属性即为基金的历史收益，贝塔系数为1即基金的价格与大盘一同变动。贝塔系数高于1即基金价格比大盘更波动。贝塔系数低于1(大于0)即基金价格的波动性比大盘低。
[0147] 具体计算公式为：
[0148]
[0149] 其中，其中Cov(ra,rm)是基金a的收益与大盘收益的协方差； 是大盘收益的方差。
[0150] 本实施例通过计算配置对象的贝塔系数，作为衡量实际代价资源的参数之一，反应配置对象的风险，可以很好的避免高收益高风险的情况，使得收益与风险挂钩，实现代价资源的智能配置，提高代价资源的有效利用率。
[0151] 本发明还提供一种代价资源配置装置。本发明代价资源配置装置包括：
[0152] 预测模块，用于采集配置对象的第一历史数据，基于所述第一历史数据，确定所述配置对象的移动平均线和波动率，并预测所述配置对象对应的基准对象的基准参数；
[0153] 第一计算模块，用于获取所述配置对象的历史波动属性，并基于所述历史波动属性，计算所述配置对象的风险系数；
[0154] 第二计算模块，用于基于所述移动平均线、所述波动率、所述基准参数和所述风险系数，计算所述配置对象的调整系数；
[0155] 第三计算模块，用于基于所述调整系数和预设的基础代价资源，计算实际代价资源，并将所述实际代价资源配置到所述配置对象中。
[0156] 进一步地，所述第二计算模块还用于：
[0157] 将所述移动平均线、所述波动率、所述基准参数和所述风险系数输入构建的调整函数中，以得到所述配置对象的调整系数；
[0158] 其中，所述调整函数的构建过程为：
[0159] 获取所述配置对象的第二历史数据，并基于所述第二历史数据和预设的波动不等式，计算所述配置对象对应的波动系数；
[0160] 基于所述波动系数，构建调整函数。
[0161] 进一步地，所述第二计算模块还用于：
[0162] 获取所述配置对象的第二历史数据，并基于所述第二历史数据，确定至少两组第一测试参数；
[0163] 将各所述第一测试参数输入预设的波动不等式，以得到多组满足第一预设条件的测试系数；
[0164] 在所述测试系数中，将满足第二预设条件的一组测试系数设置为所述配置对象的波动系数。
[0165] 进一步地，所述第二计算模块还用于：
[0166] 基于所述波动系数，构建初始调整函数，并获取所述配置对象对应的第二测试参数，将所述第二测试参数输入初始调整函数中，以获得初始代价资源；
[0167] 比较所述初始代价资源获得的第一波动值与所述基础代价资源获得的第二波动值的大小；
[0168] 若所述第一波动值大于所述第二波动值，则将所述初始调整函数设置为调整函数。
[0169] 进一步地，所述预测模块还用于：
[0170] 确定所述配置对象对应的均线类型和所述配置对象对应的波动类型；
[0171] 基于所述均线类型和所述波动类型，采集所述配置对象的第一历史数据，并基于所述第一历史数据，确定所述配置对象的移动平均线和波动率；
[0172] 基于所述第一历史数据和预设算法，预测所述配置对象对应的基准对象的基准参数。
[0173] 进一步地，所述第二计算模块还用于：
[0174] 获取所述基准对象的基准波动属性和所述配置对象的历史波动属性，并基于所述基准波动属性和所述历史波动属性，计算所述配置对象的风险系数。
[0175] 进一步地，所述代价资源配置装置还包括监测模块，所述监测模块用于：
[0176] 确定所述配置对象的配置时间，并监测当前时间是否为配置时间；
[0177] 若当前时间为配置时间，则执行采集配置对象的第一历史数据的步骤。
[0178] 本发明还提供一种计算机可读存储介质。
[0179] 本发明计算机可读存储介质上存储有代价资源配置程序，所述代价资源配置程序被处理器执行时实现如上所述的代价资源配置方法的步骤。
[0180] 其中，在所述处理器上运行的代价资源配置程序被执行时所实现的方法可参照本发明代价资源配置方法各个实施例，此处不再赘述。
[0181] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0182] 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。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
波动热门专利
QQ群二维码
意见反馈
意见反馈