[发明专利]基于多维数据挖掘和逻辑推演的基金推荐方法、装置、设备

权利要求书

1.基于多维数据挖掘和逻辑推演的基金推荐方法，其特征在于，所述方法包括：

采集基金产品原始信息数据，基于所述基金产品原始信息数据提取基金多因子信息；

系统预定义业务规则集；

根据业务规则集和基金多因子信息，利用模板化的自然语言生成技术动态生成基金推荐文本。

2.根据权利要求1所述的基于多维数据挖掘和逻辑推演的基金推荐方法，其特征在于，所述采集基金产品原始信息数据，基于所述基金产品原始信息数据提取基金多因子信息，包括；采集基金历史表现、基金经理表现、基金公司表现、基金基本面表现四个大类的数据；

并基于所述基金历史表现、基金经理表现、基金公司表现、基金基本面表现四个大类的数据进一步将分解成二级因子，并将二级因子分解为底层因子获得基金多因子信息。

3.根据权利要求2所述的基于多维数据挖掘和逻辑推演的基金推荐方法，其特征在于，所述并基于所述基金历史表现、基金经理表现、基金公司表现、基金基本面表现四个大类的数据进一步将分解成二级因子，并将二级因子分解为底层因子获得基金多因子信息，包括：将基金历史表现分解为：收益类、风险类两个二级因子，收益类二级因子分解为：过去N月/N年收益率、过去N月/N年超额收益率、过去N月/N年夏普比率三个底层因子，风险类二级因子分解为：过去N月/N年最大回撤、过去N月/N年最大单日回撤、过去N月/N年波动率、过去N月/N年偏度四个底层因子；

基金经理表现分解为：收益能力类、经验类、择时能力类三个二级因子；收益能力类二级因子分解为：所管理的偏股型基金历史N月/N年收益率、所管理的偏债型基金历史N月/N年收益率、所管理的偏货币型基金历史N月/N年收益率、过去N月/N年超额收益率四个底层因子；经验类二级因子分解为：任期、任期适中度、从业经验、从业经验适中度四个底层因子；择时能力类二级因子分解为：C-L模型、T-M模型、H-M模型三个底层因子；

基金公司表现分解为：收益类、成熟度类、规模类三个二级因子；收益类二级因子分解为：旗下偏股型基金历史N月/N年收益率、旗下偏债型基金历史N月/N年收益率、旗下偏货币型基金历史N月/N年收益率三个底层因子；成熟度类二级因子分解为：公司成立年限、第一支基金成立至今年限、产品丰富度三个底层因子；规模类二级因子分解为：旗下偏股型基金平均规模、旗下偏债型基金平均规模、旗下偏货币型基金平均规模三个底层因子；

基金基本面表现类分解为：规模类、费用类、风格变换类、换手率三个二级因子；规模类二级因子分解为：基金过去N月/N年规模、基金过去N月/N年规模增速、基金规模适中度三个底层因子；费用类二级因子分解为：管理费用、经营费用二个底层因子；风格变换类分解为：过去N月/N年总市场风格变换差值一个底层因子；换手率二级因子分解为：换手率一个底层因子。

4.根据权利要求3所述的基于多维数据挖掘和逻辑推演的基金推荐方法，其特征在于，所述系统预定义业务规则集，包括：所述系统预定义业务规则集为不同数据类别的系统基金推荐文本的组织文本模板。

5.根据权利要求4所述的基于多维数据挖掘和逻辑推演的基金推荐方法，其特征在于，所述根据业务规则集和基金多因子信息，利用模板化的自然语言生成技术动态生成基金推荐文本，包括：

首先判定基金多因子信息数据的所属类别；

然后将基金多因子信息数据的类别与所述系统基金推荐文本的组织文本模板语句对应；

最后依据自然语言技术生成的逻辑进行句子聚合和语法化，并进行句子拼字，最终生成基金推荐文本。

6.根据权利要求5所述的基于多维数据挖掘和逻辑推演的基金推荐方法，其特征在于，所述句子聚合和语法化，包括：根据特定的语义逻辑以及语料模版将信息聚合成为语法通顺且易读的句子。