[发明专利]基于机器学习的数据处理方法、装置、设备及存储介质

权利要求书

1.一种基于机器学习的数据处理方法，其特征在于，包括：

收集样本数据，所述样本数据包括一个或多个业务的历史资产数据，所述历史资产数据包括历史利率数据、历史负债数据以及所述一个或多个业务中各个业务的历史负债分配标签数据；

将所述样本数据中所述各个业务的历史资产数据输入预设的机器学习模型进行训练，得到数据处理模型；

获取待处理业务的资产数据，并根据所述待处理业务的资产数据确定满足预设的业务约束条件的负债配置数据，所述资产数据包括利率数据以及负债数据；

将所述负债配置数据输入所述数据处理模型，得到与所述待处理业务的资产数据对应的负债分配数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述待处理业务的资产数据确定满足预设的业务约束条件的负债配置数据，包括：

获取所述待处理业务的资产数据的目标期限；

根据所述待处理业务的利率数据以及负债数据确定出满足所述预设的业务约束条件的负债配置数据，所述满足所述预设的业务约束条件包括：满足所述目标期限下的负债产品的加权利率最低，以及所述目标期限下的负债产品的久期值最接近目标久期值。

3.根据权利要求2所述的方法，其特征在于，所述根据所述待处理业务的利率数据以及负债数据确定出满足所述预设的业务约束条件的负债配置数据，包括：

根据预设的线性规数学方法计算所述待处理业务的利率数据的加权利率的最小值，以及利用预设的二次型规划数学方法计算所述待处理业务的负债数据的最接近目标久期值；

确定满足所述加权利率的最小值以及所述最接近目标久期值的负债配置数据。

4.根据权利要求3所述的方法，其特征在于，所述根据预设的线性规数学方法计算所述待处理业务的利率数据的加权利率的最小值，包括：

获取所述预设的线性规数学方法中的第一目标函数和第一条件；

根据所述预设的线性规数学方法中的第一目标函数和第一条件计算所述待处理业务的利率数据的加权利率的最小值。

5.根据权利要求3所述的方法，其特征在于，所述利用预设的二次型规划数学方法计算所述待处理业务的负债数据的最接近目标久期值，包括：

获取所述预设的二次型规划数学方法中的第二目标函数和第二条件；

根据所述预设的二次型规划数学方法中的第二目标函数和第二条件计算所述待处理业务的负债数据的最接近目标久期值。

6.根据权利要求1所述的方法，其特征在于，所述将所述负债配置数据输入所述数据处理模型，得到与所述待处理业务的资产数据对应的负债分配数据之前，还包括：

检测所述负债配置数据是否满足预设的模型限制条件；

若检测结果为所述负债配置数据满足预设的模型限制条件，则执行所述将所述负债配置数据输入所述数据处理模型，得到与所述待处理业务的资产数据对应的负债分配数据的步骤；

若检测结果为所述负债配置数据不满足预设的模型限制条件，则根据预设的模型限制条件对所述负债配置数据进行调整。

7.根据权利要求1所述的方法，其特征在于，所述将所述样本数据中所述各个业务的历史资产数据输入预设的机器学习模型进行训练，得到数据处理模型，包括：

从所述样本数据中提取各个历史资产数据对应的特征信息，并将所述各个历史资产数据对应的特征信息输入预设的机器学习模型进行训练，得到损失函数值；

将所述损失函数值与目标损失函数值进行对比，当对比结果不满足预设条件时，根据所述对比结果调整所述机器学习模型的模型参数；

将所述各个历史资产数据对应的特征信息输入调整模型参数后的机器学习模型中进行重新训练；

当得到的损失函数值与目标损失函数值的对比结果满足预设条件时，确定得到所述数据处理模型。