本技術(shù)實施例涉及計算機領(lǐng)域，具體而言，涉及一種參數(shù)的檢測方法、裝置、存儲介質(zhì)及電子裝置。

背景技術(shù)：

1、目前，相關(guān)技術(shù)中主要是通過人工對預測出的交易參數(shù)進行異常檢測。即需要工作人員根據(jù)大量的歷史數(shù)據(jù)以及人工經(jīng)驗對交易參數(shù)進行異常檢測，會導致交易參數(shù)檢測結(jié)果受到工作人員的主觀影響，不同的工作人員所檢測出的異常結(jié)果不相同，使得對交易參數(shù)的監(jiān)控性能不高，無法適用于實際的業(yè)務系統(tǒng)，導致了交易參數(shù)的檢測準確率較低的技術(shù)問題。

2、針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供了一種參數(shù)的檢測方法、裝置、存儲介質(zhì)及電子裝置，以至少解決相關(guān)技術(shù)中對預測出的交易參數(shù)的檢測準確率較低的技術(shù)問題。

2、根據(jù)本技術(shù)的一個方面，提供了一種參數(shù)的檢測方法，應用于數(shù)據(jù)檢測裝置，所述數(shù)據(jù)檢測裝置與目標預測平臺連接，所述目標預測平臺用于基于多個交易因子預測多個對象的對象參數(shù)，所述方法包括：從所述目標預測平臺獲取目標對象在目標預測時間段的對象參數(shù)，其中，所述目標對象是多個所述對象中的任一對象；利用所述目標對象的對象參數(shù)生成所述目標對象的交易參數(shù)集合，其中，所述交易參數(shù)集合中包括所述目標對象的一組交易參數(shù)和第一交易參數(shù)的目標波動幅度，所述目標波動幅度是所述第一交易參數(shù)在多個歷史時間段內(nèi)連續(xù)的變化幅度中大于預設(shè)幅度的值；對所述交易參數(shù)集合執(zhí)行正太分布計算，得到所述目標對象在目標預測時間段內(nèi)的對象參考閾值；基于所述對象參考閾值和所述一組交易參數(shù)對第二交易參數(shù)執(zhí)行異常檢測，得到第一異常檢測結(jié)果，其中，所述第二交易參數(shù)是所述目標預測平臺在所述目標預測時間段內(nèi)對所述目標對象執(zhí)行風險預測操作的過程中產(chǎn)生的參數(shù)。

3、根據(jù)本技術(shù)的另一個方面，提供了一種參數(shù)的檢測裝置，應用于數(shù)據(jù)檢測裝置，所述數(shù)據(jù)檢測裝置與目標預測平臺連接，所述目標預測平臺用于基于多個交易因子預測多個對象的對象參數(shù)，所述裝置包括：第一獲取模塊，用于從所述目標預測平臺獲取目標對象在目標預測時間段的對象參數(shù)，其中，所述目標對象是多個所述對象中的任一對象；第一生成模塊，用于利用所述目標對象的對象參數(shù)生成所述目標對象的交易參數(shù)集合，其中，所述交易參數(shù)集合中包括所述目標對象的一組交易參數(shù)和第一交易參數(shù)的目標波動幅度，所述目標波動幅度是所述第一交易參數(shù)在多個歷史時間段內(nèi)連續(xù)的變化幅度中大于預設(shè)幅度的值；第一計算模塊，用于對所述交易參數(shù)集合執(zhí)行正太分布計算，得到所述目標對象在目標預測時間段內(nèi)的對象參考閾值；第一檢測模塊，用于基于所述對象參考閾值和所述一組交易參數(shù)對第二交易參數(shù)執(zhí)行異常檢測，得到第一異常檢測結(jié)果，其中，所述第二交易參數(shù)是所述目標預測平臺在所述目標預測時間段內(nèi)對所述目標對象執(zhí)行風險預測操作的過程中產(chǎn)生的參數(shù)。

4、在一個示例性實施例中，上述裝置還包括：第二獲取模塊，用于利用所述目標對象的對象參數(shù)生成所述目標對象的交易參數(shù)集合之前，獲取所述第一交易參數(shù)在多個所述歷史時間段中的歷史參數(shù)值；第一計算模塊，用于利用每個所述歷史時間段內(nèi)的歷史參數(shù)值計算每個所述歷史時間段內(nèi)的波動率，得到多個第一波動率；第一確定模塊，用于將多個所述第一波動率的平均值確定為第一波動幅度，其中，每個所述歷史時間段內(nèi)的歷史參數(shù)值在計算所述第一波動幅度的過程中所占的計算權(quán)重均相同；第二計算模塊，用于按照每個所述歷史時間段對應的權(quán)重和多個所述第一波動率，計算多個所述歷史時間段內(nèi)的第二波動幅度；第一輸入模塊，用于將多個所述歷史時間段中的歷史參數(shù)值輸入至目標統(tǒng)計模型中，得到第三波動幅度，其中，所述目標統(tǒng)計模型是通過分析時間序列數(shù)據(jù)中的波動性的統(tǒng)計模型；第三計算模塊，用于基于所述第一波動幅度、所述第二波動幅度以及所述第三波動幅度計算所述目標波動幅度。

5、在一個示例性實施例中，上述第一計算模塊，包括：第一輸入單元，用于將所述交易參數(shù)集合中包括的所述一組交易參數(shù)和所述目標波動幅度輸入至正太分布模型中，得到所述對象參考閾值，其中，所述正太分布模型是通過對所述一組交易參數(shù)和所述目標波動幅度進行正太分布建模確定的。

6、在一個示例性實施例中，所述正太分布模型通過以下公式計算得到所述對象參考閾值：c＝k*np.exp(-r*t)*n_d1-f*n_d2；其中，所述c用于表示所述對象參考閾值，所述d1＝(np.log(f/k)+(r+0.5*sigma**2)*t)/(sigma*np.sqrt(t))，所述d2＝d1-sigma*np.sqrt(t)，所述n_d1＝norm.cdf(d1)，所述n_d2＝norm.cdf(d2)，所述k、所述f、所述r、所述t均是所述一組交易參數(shù)中的參數(shù)，所述sigma用于表示所述目標波動幅度，所述np.log用于表示所述f/k對數(shù)，所述np.sqrt用于表示所述t的平方根，所述norm.cdf用于表示正態(tài)分布的累積分布函數(shù)，用于計算正態(tài)分布隨機變量小于或等于所述d1或所述d2的概率。

7、在一個示例性實施例中，上述第一檢測模塊，包括：第一獲取單元，用于響應于參數(shù)檢測請求，獲取所述第二交易參數(shù)；第二輸入單元，用于將所述對象參考閾值、所述一組交易參數(shù)以及所述第二交易參數(shù)輸入至目標分類模型中，得到分類結(jié)果，其中，所述目標分類模型中包括特征提取模塊和分類模塊，所述特征提取模塊用于提取所述對象參考閾值的特征和所述一組交易參數(shù)的特征，得到第一特征描述矩陣，并用于提取所述第二交易參數(shù)的特征，得到第二特征描述矩陣，并合并所述第一特征描述矩陣和第二特征描述矩陣，得到目標特征描述矩陣，所述分類模塊，用于對所述目標特征描述矩陣執(zhí)行分類操作，得到分類標簽；第一檢測單元，用于基于所述分類標簽檢測所述第二交易參數(shù)，得到所述第一異常檢測結(jié)果。

8、在一個示例性實施例中，上述裝置還包括：第四計算模塊，用于基于所述分類標簽檢測所述第二交易參數(shù)，得到所述第一異常檢測結(jié)果之后，在基于所述分類標簽確定所述第二交易參數(shù)出現(xiàn)異常的情況下，計算所述第二交易參數(shù)與所述對象參考閾值之間的第一差值；第一預測模塊，用于將所述第一差值發(fā)送至所述目標預測平臺，以通過所述目標預測平臺基于所述異常等級預測出異常提示信息，其中，所述異常提示信息中包括異常描述信息、異常的原因、異常影響以及異常的應對措施，所述異常提示信息還用于指示所述目標預測平臺調(diào)整預測所述目標對象的交易參數(shù)的交易因子。

9、在一個示例性實施例中，上述裝置還包括：第一更新模塊，用于基于所述對象參考閾值和所述一組交易參數(shù)對第二交易參數(shù)執(zhí)行異常檢測，得到第一異常檢測結(jié)果之后，按照預設(shè)時間周期更新多個所述歷史時間段，以更新所述目標波動幅度；第一執(zhí)行模塊，用于根據(jù)更新后的所述目標波動幅度對所述交易參數(shù)集合重新執(zhí)行正太分布計算，確定更新的對象參考閾值；第二檢測模塊，用于基于所述更新的對象參考閾值和所述一組交易參數(shù)對所述第二交易參數(shù)重新執(zhí)行異常檢測，得到第二異常檢測結(jié)果；第一比較模塊，用于比較所述第一異常檢測結(jié)果和所述第二異常檢測結(jié)果，得到比較結(jié)果；第一確定模塊，用于基于所述比較結(jié)果確定所述第二交易參數(shù)的目標檢測結(jié)果。

10、根據(jù)本技術(shù)的又一個實施例，還提供了一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任一項方法實施例中的步驟。

11、根據(jù)本技術(shù)的又一個實施例，還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，其中，所述計算機程序被設(shè)置為運行時執(zhí)行上述任一項方法實施例中的步驟。

12、根據(jù)本技術(shù)的又一個實施例，還提供了一種電子裝置，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器被設(shè)置為運行所述計算機程序以執(zhí)行上述任一項方法實施例中的步驟。

13、在本技術(shù)實施例中，通過對目標對象的交易參數(shù)集合執(zhí)行正太分布計算得到對象參考值，并基于對象參考值和一組交易參數(shù)對第二交易參數(shù)執(zhí)行異常檢測，得到異常檢測結(jié)果，由于交易參數(shù)集合中包括目標對象的一組交易參數(shù)和第一交易參數(shù)的波動幅度，使得異常檢測結(jié)果更加準確，提高了異常檢測的準確率，進而解決了相關(guān)技術(shù)中對預測出的交易參數(shù)的檢測準確率較低的技術(shù)問題。