“上海栖盟科技有限公司”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于大数据分析的基金产品智能评估方法-CN202310861165.7在审
发明人：徐栋 -专利权人： 上海栖盟科技有限公司
申请日： 2023-07-13 - 公布日： 2023-10-13 - 主分类号： G06Q40/06 文献下载
摘要：本申请涉及金融数据处理技术领域，公开了一种基于大数据分析的基金产品智能评估系统，包括数据采集模块，用于从基金公司、证券交易所、财经网站等数据员获取基金产品的相关数据；预处理模块，用于对采集到的数据进行清洗和预处理；模型建立与训练模块，用于从清洗后的数据中选择合适的特征，生成模型；查询模块，用于帮助用户查询所需基金，评估预测模块，用于推荐用户所需的基金产品；监控模块，用于实时监测模型建立与训练模块运行状态。通过使用长短期记忆网络结合传统机器学习分类方法，更准确更实时地对基金分类，避免人工评估容易受到个人偏好和情绪因素的干扰，导致评估结果不够客观和准确的现象。
一种基于数据分析基金产品智能评估方法

[发明专利]一种基于大语言模型的资产配置分析方法-CN202310862119.9在审
发明人：徐栋 -专利权人： 上海栖盟科技有限公司
申请日： 2023-07-13 - 公布日： 2023-10-13 - 主分类号： G06Q40/06 文献下载
摘要：本发明涉及金融投资技术领域，公开了一种基于大语言模型的资产配置分析方法，包括以下步骤；S101、获取多种类型的数据，并针对每种类型的数据，按照预设的数据治理规则进行数据治理，生成数据库；S102、选择统计模型来构建资产风险评级模型；S103、利用预先设置的风险评级模块根据预先设置的风险评级信息收集用户的信息，将用户信息与预先存储的风险评级标准进行比较，确定用户的风险等级类型，并发送所述风险等级类型信息。通过优化资产配置的过程，首获取多种类型的数据，并针对每种类型的数据，按照预设的数据治理规则进行数据治理，生成数据库，最后使用金融领域大语言模型，对客户资产报告进行分析解读，为用户获取最优的资产配置的方案。
一种基于语言模型资产配置分析方法

[发明专利]一种基于生成对抗网络和迁移学习的资产配置方法-CN202011581775.4在审
发明人：牟慧玲 -专利权人： 上海栖盟科技有限公司
申请日： 2020-12-28 - 公布日： 2021-05-25 - 主分类号： G06Q40/06 文献下载
摘要：本发明公开了一种基于生成对抗网络和迁移学习的资产配置方法，步骤一、获取用户持有的大类资产的历史数据并对其进行噪声检测；步骤二、利用统计方法对资产大类的历史数据和特征进行维度扩充；步骤三、根据大类资产的全市场历史数据和生成对抗网络模型作为预测全市场大类资产特征的主体方法；步骤四、根据生成对抗网络训练全市场大类资产特征的模型进行迁移学习，获取子资产未来一个月的收益曲线，从而预测用户所持有单个资产的未来六个月的特征；步骤五、根据预测单个资产的未来特征结合现代投资理论计算，获取最优资产配置权重。本方法在仅有较小的资产历史数据量的情况下能够提供一种应对市场快速变化环境的资产配置方法。
一种基于生成对抗网络迁移学习资产配置方法

[发明专利]一种基于多因子的基金量化方法-CN202011581974.5在审
发明人：牟慧玲 -专利权人： 上海栖盟科技有限公司
申请日： 2020-12-28 - 公布日： 2021-04-16 - 主分类号： G06Q40/06 文献下载
摘要：本发明公开了一种基于因子的基金量化投资方法，收益时选股能力模型；建立基金风险衡量模型；通过基金风险衡量模型评估基金组合收益率与风险变化程度；标准方差模型，下方风险模型，三因子模型：显性基准建立；步、多因素模型建立；通过STR模型实证检验基金的业绩；基金的选股能力和择时能力分析，基金经理的选股择时能力决定着基金的业绩，基金投资者可以通过对基金经理的操作能力的评价来决定自己的投资决策。本方法分别从基金经理的择股能力、收益择时能力和波动择时能力三个方面考察了对基金业绩的影响。进而基金投资者可以通过对基金经理的操作能力的评价来决定自己的投资决策。
一种基于因子基金量化方法

[发明专利]一种基于神经网络的文本信息提取方法及装置-CN202011475339.9在审
发明人：姚毅;王亚雷;张亚辉;周鹏;吕德贺 -专利权人： 上海栖盟科技有限公司
申请日： 2020-12-14 - 公布日： 2021-03-19 - 主分类号： G06F40/279 文献下载
摘要：本发明涉及自然语言处理技术领域，更具体的说，涉及一种基于神经网络的文本信息提取方法及装置。本发明提出的基于神经网络的文本信息提取方法，包括以下步骤：S1、输入训练文本数据；S2、快速训练模式下的文本预处理，提取构造通用文本特征信息；S3、构造快速训练模型并进行训练；S4、深度训练模式下的文本预处理；S5、构造深度训练模型并进行训练，深度训练模型为编码器解码器结构；S6、根据快速训练模型和/或深度训练模型对文本信息进行预测。本发明通过构建通用的特征提取模块和模型训练模块实现初步的信息提取，结合进行远程监督对初步信息提取结果进行修正，实现信息的自定义提取，通用性高、成本低、准确率高。
一种基于神经网络文本信息提取方法装置