[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

说明书

本发明实施例涉及人工智能领域，公开了一种基于机器学习的数据处理方法、装置、设备及存储介质，该方法包括：收集样本数据，样本数据包括一个或多个业务的历史资产数据，历史资产数据包括历史利率数据、历史负债数据以及各个业务的历史负债分配标签数据；将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，并确定满足预设的业务约束条件的负债配置数据，资产数据包括利率数据以及负债数据；将负债配置数据输入数据处理模型，得到负债分配数据，提升了对资产数据的分配数据的求解效率，提高了获取最优的资产分配数据的效率。本发明涉及区块链技术，如可将数据写入区块链中，以用于数据取证等场景。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于机器学习的数据处理方法、装置、设备及存储介质。

背景技术

资产负债管理是现代企业如商业银行等经营管理的核心，是企业优化资产配置的一项综合管理工作。目前，国内针对负债管理的研究和应用并不多见，业内当前普遍通过传统人工的方式管理每日的负债数据，在既定的市场利率下，在目标久期范围内进行人工计算，寻找最优的利率配置方案，计算耗时受限于计算量级，无法引入更多的计算因子，导致负债数据的管理多在平衡安全性和流动性的情况下进行稳妥配置，但企业的盈利性无法实现技术求解的最优配置，且受限于市场的利率变化和人为的追踪收集，负债数据的管理存在滞后性，管理的过程和时效较为低效。因此，如何更有效地实现负债数据的管理成为研究的重点。

发明内容

本发明实施例提供了一种基于机器学习的数据处理方法、装置、设备及介质，提升了对资产数据的分配数据的求解效率，提高了获取最优的资产分配数据的效率，有助于提升数据管理的有效性。

第一方面，本发明实施例提供了一种基于机器学习的数据处理方法，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。

进一步地，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。

进一步地，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。

进一步地，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。