本發明涉及人工智能領域，公開了一種金融數據處理方法、裝置、設備及存儲介質。該方法包括：獲取待預測的用戶金融數據和獲取市場金融數據、企業金融數據并進行預處理，得到金融指標數據；對金融指標數據和金融數據進行匹配，得到多個同期金融數據并進行單變量分析，得到平均金融數據；將平均金融數據和金融數據輸入金融數據處理模型集分別進行金融數據預測，得到各預測模型的分布權重和金融預測值；對金融預測值歸一化，得到新的用戶金融數據；根據兩次用戶金融數據的差值，確定下一周期對應的用戶金融數據變化趨勢。本發明將多方數據之間的聯系引入金融數據處理模型集，提高了預測準確率。

技術領域

本發明涉及人工智能領域，尤其涉及一種金融數據處理方法、裝置、設備及存儲介質。

背景技術

隨著人工智能的發展，金融行業也越來越多地使用人工智能來進行智能分析，為金融決策給出強化的數據科學支撐。傳統的上市公司金融預測中，只關注自身股票估值等的預測，而忽略了投資者的個性化情緒，長期專注于自身股票的價值提高,并沒有更多關注到如何給投資者提供良好的用戶投資體驗，使得投資者更穩定等。

金融數據作為時間數據序列的一種，有著強烈的時間性和周期性，其數據序列前后往往具有很深的依賴性，這些特性使得金融預測趨勢走向成為可能，同時這也是目前金融預測的熱點和難點。傳統方法通常采用單一深度學習模型進行預測，因此預測難度較大，且預測結果準確性不高。

發明內容

本發明的主要目的在于解決如何提升機器學習模型預測準確性的技術問題。

本發明第一方面提供了一種金融數據處理方法，所述金融數據處理方法包括：

獲取時間序列格式的市場金融數據、企業金融數據以及當前周期對應的第一用戶金融數據；

對所述市場金融數據和所述企業金融數據進行預處理，得到多個第一金融指標數據；

對所述各第一金融指標數據和所述第一用戶金融數據進行同期數據匹配，得到多個第一同期金融數據，并對所述各第一同期金融數據進行單變量分析，得到第一平均金融數據；

將所述第一平均金融數據和所述第一用戶金融數據輸入預置金融數據處理模型集分別進行金融數據預測，得到所述金融數據處理模型集中各數據處理模型對應的分布權重和各數據處理模型輸出的第一金融預測值；

根據所述分布權重，對所述各數據處理模型輸出的第一金融預測值進行歸一化處理，得到下一周期對應的第二用戶金融數據；

根據所述第一用戶金融數據和所述第二用戶金融數據的差值，確定下一周期對應的用戶金融數據變化趨勢。

可選的，在本發明第一方面的第一種實現方式中，在所述獲取時間序列格式的市場金融數據、企業金融數據以及當前周期對應的第一用戶金融數據之前，還包括：

獲取時間序列格式的市場金融數據樣本、企業金融數據樣本以及投資者指定周期對應的用戶金融數據樣本；

對所述市場金融數據樣本和所述企業金融數據樣本進行預處理，得到多個第二金融指標數據；

對所述各第二金融指標數據和所述用戶金融數據樣本進行同期數據匹配，得到多個第二同期金融數據，并對所述各第二同期金融數據進行單變量分析，得到第二平均金融數據；

分別將所述第二平均金融數據和所述用戶金融數據樣本輸入預置多個數據處理訓練模型進行金融數據預測，得到所述各數據處理訓練模型輸出的第二金融預測值和所述各數據處理訓練模型的擬合優度；

根據所述各數據處理訓練模型的第二金融預測值，分別對所述各數據處理訓練模型進行參數調優，直至所述各數據處理訓練模型收斂，得到多個數據處理模型；