[发明专利]交易对象流动性预测方法、装置、设备及存储介质

说明书

本说明书实施例提供了一种交易对象流动性预测方法、装置、设备及存储介质，该方法包括：获取目标交易对象的待处理数据；将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练贝叶斯神经网络模型生成；根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。本说明书实施例可以提高交易对象流动性预测的准确率。

技术领域

本说明书涉及大数据处理技术领域，尤其是涉及一种交易对象流动性预测方法、装置、设备及存储介质。

背景技术

在工程、气象、金融等众多领域，数据往往以时间序列(即数据是按照时间排序的一组随机变量)的方式呈现。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势。由于数据之间有统计依赖关系，统计学上往往把一个时间序列看作是某随机过程的一次实现。时间序列中数据顺序及数据大小都蕴含着客观世界及其变化的信息，表现着变化的动态过程。时间序列分析的意义在于研究某一时间序列在长期变动过程中所存在的统计规律性(即变化趋势)，以根据变化趋势预测未来的发展。

例如，以金融领域的流动性预测为例，金融时间序列(Financial Time Series，FTS)分析是根据交易对象(例如金融产品等)过去的流动性变化趋势预测其未来的发展。目前FTS分析一般通过传统的线性或非线性机器学习模型(例如LSTM、XGBOOST等)，对交易对象流动性进行建模，然后根据所建的流动性预测模型对交易对象的流动性进行预测。然而，在实现本申请的过程中，本申请的发明人发现：由于金融时间序列充满噪声，基于传统建模方法得到的预测模型难以准确预测出交易对象的流动性。

发明内容

本说明书实施例的目的在于提供一种交易对象流动性预测方法、装置、设备及存储介质，以提高交易对象流动性预测的准确率。

为达到上述目的，一方面，本说明书实施例提供了一种交易对象流动性预测方法，包括：

获取目标交易对象的待处理数据；

将所述待处理数据分别输入至流动性预测模型集合的每个流动性预测模型中，获得多个流动性预测子结果；所述流动性预测模型集合通过预训练贝叶斯神经网络模型生成；

根据所述每个流动性预测模型的预测权重，对所述多个流动性预测子结果进行加权平均，获得所述目标交易对象的流动性预测结果。

本说明书一实施例中，所述流动性预测模型集合的预训练步骤包括：

获取目标交易对象的数据集；所述数据集基于目标交易对象指定历史时段内的交易数据和外部关联数据构建；

利用所述数据集中的训练集计算后验分布；所述后验分布用于表示贝叶斯神经网络模型；

从所述后验分布中抽取参数向量，并根据所述参数向量生成流动性预测模型；

利用所述数据集中的测试集测试所述流动性预测模型是否满足预设条件；

当所述流动性预测模型不满足所述预设条件时，根据预设的贝叶斯推断方法更新所述后验分布中的参数向量并迭代计算，直至当前生成的流动性预测模型满足所述预设条件为止。

本说明书一实施例中，所述贝叶斯推断方法包括函数空间斯坦因变分梯度下降算法。

本说明书一实施例中，所述函数空间斯坦因变分梯度下降算法包括：