证券预测方法、装置、设备、介质及程序产品与流程

本申请涉及证券，尤其涉及一种证券预测方法、装置、设备、介质及程序产品。

背景技术：

1、在实际应用中，通常通过基于基本面、资金面与技术面维度的方法执行证券筛选操作，以为证券投资者推荐优选证券。然而，上述各种方法虽然能够从不同角度体现市场的有价值信息，但上述各种方法的局限性和缺陷比较明显，因此，通过上述方法推荐的优选证券，无法满足证券投资者的证券投资需求。

技术实现思路

1、基于以上技术问题，本申请实施例提供的了一种证券预测方法、装置、设备、介质及程序产品。

2、本申请实施例提供的技术方案是这样的：

3、本申请实施例首先提供了一种证券预测方法，所述方法包括：

4、获取待筛选的证券集合；

5、确定筛选参数；其中，所述筛选参数至少关联至证券发行机构的机构收益以及所述证券集合对应的资金状态；所述证券发行机构与所述证券集合关联；

6、基于所述筛选参数对所述证券集合进行筛选，得到筛选结果；

7、通过预测模型对所述筛选结果进行预测处理，得到预测结果；其中，所述预测结果中所包含证券的收益率大于或等于预设阈值。

8、在一些实施例中，所述筛选参数包括与所述证券发行机构的机构收益关联的机构参数；所述确定筛选参数，包括：

9、获取所述证券发行机构关联的初始证券集合；

10、确定行业收益参数；

11、基于所述行业收益参数关联的第一行业参数以及所述初始证券集合关联的第二行业参数，对所述行业收益参数进行处理，得到处理结果；

12、基于所述处理结果，确定所述机构参数。

13、在一些实施例中，所述基于所述行业收益参数关联的第一行业参数以及所述初始证券集合关联的第二行业参数，对所述行业收益参数进行处理，得到处理结果，包括：

14、若所述第一行业参数中的第m参数与所述第二行业参数中的第n参数匹配，对所述行业收益参数中与所述第一行业参数中的第m参数对应的收益参数进行统计，得到第一结果；其中，m与n均为大于或等于1的整数；

15、基于所述第一结果，确定所述处理结果。

16、在一些实施例中，所述基于所述行业收益参数关联的第一行业参数以及所述初始证券集合关联的第二行业参数，对所述行业收益参数进行处理，得到处理结果，包括：

17、若所述第一行业参数与所述第二行业参数不匹配，获取中证全指；

18、基于所述中证全指与所述行业收益参数，确定第二结果；

19、基于所述第二结果，确定所述处理结果。

20、在一些实施例中，所述筛选参数包括所述资金状态对应的资金参数；所述确定筛选参数，包括：

21、确定与证券市场状态关联的市场因子；

22、基于所述市场因子确定所述资金参数；其中，所述资金参数包括存量因子或流量因子。

23、在一些实施例中，所述筛选参数包括与所述证券发行机构的机构收益关联的机构参数以及与所述资金状态对应的资金参数；所述基于所述筛选参数对所述证券集合进行筛选，得到筛选结果，包括：

24、基于所述机构参数对所述证券集合执行第一筛选，得到第三结果；

25、基于所述资金参数对所述第三结果执行第二筛选，得到所述筛选结果。

26、在一些实施例中，所述预测模型包括人工智能模型；所述方法还包括：

27、获取证券样本；其中，所述证券样本包括多种类型的证券以及所述多种类型的证券关联的证券收益；所述证券样本中所包含证券的类型数量大于所述证券集合中所包含证券的类型数量；

28、基于证券样本中的训练样本以及验证样本，对初始状态的人工智能模型进行训练，得到所述人工智能模型。

29、本申请实施例还提供了一种证券预测装置，所述证券预测装置包括：

30、获取模块，用于获取待筛选的证券集合；

31、确定模块，用于确定筛选参数；基于所述筛选参数对所述证券集合进行筛选，得到筛选结果；其中，所述筛选参数至少关联至证券发行机构的机构收益以及所述证券集合对应的资金状态；所述证券发行机构与所述证券集合关联；

32、预测模块，用于通过预测模型对所述筛选结果进行预测处理，得到预测结果；其中，所述预测结果中所包含证券的收益率大于或等于预设阈值。

33、本申请实施例还提供了一种电子设备，所述电子设备包括处理器和存储器；所述存储器中存储有计算机程序；所述计算机程序被所述处理器执行时，能够实现如前任一所述的证券预测方法。

34、本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序；所述计算机程序被电子设备的处理器执行时，能够实现如前任一所述的证券预测方法。

35、本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序；所述计算机程序被电子设备的处理器执行时，能够实现如前任一所述的证券预测方法。

36、本申请实施例提供的证券预测方法，获取待筛选的证券集合，并基于至少关联至证券发行机构的机构收益以及证券集合对应的资金状态的筛选参数，对证券集合进行筛选得到筛选结果，且证券发行机构与证券集合关联，如此，通过上述操作，实现了对证券集合所包含证券在证券发行机构以及资金状态维度的双重筛选，从而实现了对证券集合的高精度和全方位的筛选；并且，通过预测模型对筛选结果进行预测处理，得到预测结果，从而能够降低预测模型对在上述预测过程中的数据处理量，提高预测模型对筛选结果执行预测处理的效率；另一方面，由于预测结果中所包含证券的收益率大于或等于预设阈值，结合前序步骤，能够提高预测结果所包含证券的收益率的稳定性和精准度，从而能够满足实际的证券投资需求。

1.一种证券预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述筛选参数包括与所述证券发行机构的机构收益关联的机构参数；所述确定筛选参数，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述行业收益参数关联的第一行业参数以及所述初始证券集合关联的第二行业参数，对所述行业收益参数进行处理，得到处理结果，包括：

4.根据权利要求2所述的方法，其特征在于，所述基于所述行业收益参数关联的第一行业参数以及所述初始证券集合关联的第二行业参数，对所述行业收益参数进行处理，得到处理结果，包括：

5.根据权利要求1所述的方法，其特征在于，所述筛选参数包括所述资金状态对应的资金参数；所述确定筛选参数，包括：

6.根据权利要求1所述的方法，其特征在于，所述筛选参数包括与所述证券发行机构的机构收益关联的机构参数以及与所述资金状态对应的资金参数；所述基于所述筛选参数对所述证券集合进行筛选，得到筛选结果，包括：

7.根据权利要求1所述的方法，其特征在于，所述预测模型包括人工智能模型；所述方法还包括：

8.一种证券预测装置，其特征在于，所述证券预测装置包括：

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；所述存储器中存储有计算机程序；所述计算机程序被所述处理器执行时，能够实现如权利要求1至7任一所述的证券预测方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序；所述计算机程序被电子设备的处理器执行时，能够实现如权利要求1至7任一所述的证券预测方法。

11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序；所述计算机程序被电子设备的处理器执行时，能够实现如权利要求1至7任一所述的证券预测方法。