[发明专利]基于深度学习的投资者画像构建方法和装置

说明书

本发明提供了一种基于深度学习的投资者画像构建方法和装置，所述方法包括如下步骤：利用投资者的历史投资数据创建投资行为画像；利用投资者的历史投资数据构建投资图，其中，表示投资者的图节点与相应地投资行为画像相连接；利用深度循环图卷积神经网络同时对上述获得的投资行为画像和投资图中的关系影响和时间动态进行建模，输出预测的投资行为画像。本发明的方法摆脱了传统投资者画像方法的局限性，克服现有的数据驱动的投资行为特征画像方法的缺陷，显著降低了预测误差，提高了画像预测性能，从而提高预测投资行为模式在实际应用中的有效性。

技术领域

本发明涉及投资者画像构建技术领域，具体涉及基于深度学习的投资者画像构建方法和装置。

背景技术

投资者画像即未来一个时间段的投资者行为画像，用于描述投资者特征并表明其未来投资倾向，在金融业实践中一直发挥着核心作用。金融业从业者通常依靠投资者画像来确定合适的投资项目，并为投资者制定有效的长期投资战略。美国金融业监管局和欧盟金融工具市场法规都强调了投资者画像的重要性，并声明投资建议的适宜性取决于具体的投资者画像。此外，分析集体投资者画像可能有助于从业者进行市场趋势预测和投资产品创新。例如，新的投资组合可以根据大多数投资者的投资情况，根据他们的共同倾向来设计。

传统的投资者画像方法主要依靠问卷来收集信息，例如年龄、性别、收入、职业、风险能力和规避程度，以描述个人的投资倾向和行为。然而，来自学术界和工业界的证据表明，基于问卷的投资者画像方法不可靠且解释能力不足。具体而言，从投资者画像调查问卷中获得的因素，如年龄、性别和风险规避程度，只能解释投资者投资组合中风险资产变化的近5％至15％。同时，在实践中，传统的投资者画像往往不足以支持适当的建议，并可能造成巨大的金钱损失。据报道，曾由于摩根士丹利顾问的不当推荐，一对墨西哥夫妇的100万美元投资组合损失了519,089美元。在2007-2008年金融危机之后，欧洲和美国每年都有数以千计对不当投资销售的类似投诉和指控。因此，迫切需要能够全面描述投资者特征并准确预测其未来投资意图的新的画像技术。

近年来，随着数据挖掘和机器学习技术的迅速发展，数据驱动画像方法正成为许多画像任务的首选解决方案。数据驱动的画像不是诉诸问卷，而是主要依赖于以非反应性(non-reactive)和非侵入性(non-intrusive)方式收集的大量数字记录，例如网页浏览、广告点击和在线购物日志。然后，利用机器学习和数据分析技术学习特征及发现模式来为各种对象创建画像。例如，在电子商务中，通过学习客户的在线购物活动模式来创建客户画像，以显著改善包括个性化搜索、推荐、广告等在内的客户服务。随着信息系统在金融业的广泛应用，人们收集了大量关于个人投资行为的信息。这些数据为有效发现个人投资倾向和行为模式提供了前所未有的机遇。尽管针对各种对象的数据驱动画像方法令人鼓舞，但它们不能捕捉到个人投资行为的一些重要特征，这将降低个人未来投资行为的预测性能，并最终限制画像的实际有效性。具体而言，对于画像的全面信息提取和整合，需要确定哪些信息应该包含在一个画像中，以全面描述投资者个性化的行为特征。目前的画像方法或者利用投资者属性(例如人口统计数据)，或者将来自投资者过去活动(例如风险偏好、过往表现)的统计数据总结为他们的画像。但是，尚有许多关于投资者行为的详尽信息也很有价值，而很少被认为是描述投资特征的信息，如投资项目的属性(如目的)、被投资者属性(如信用等级)和外部市场环境(如牛市或熊市)。并且，针对这些有价值的信息，尚缺乏一种通用的表示方法，可以统一地将个人任意数量的投资记录中的各种信息整合到画像中，以全面描述他们的行为特征。

另外，通常，个人的投资行为不仅取决于个人属性，还受到异构社会关系的影响。具体而言，个人的投资决策可能会受到其他投资者的建议和行为的影响，例如，过去的合作者，甚至是一大群不熟悉的投资者。投资者和被投资者之间的社会关系，如友谊，也会影响投资者的财务决策。因此，在为个人投资行为特征画像并且预测其未来投资趋势时，需要考虑异构关系的影响(Heterogeneous relational impacts)。