背景

该项目始于12月24日，并为客户提供了3个版本的解决方案，从纯粹的大型模型预测到引入机器学习+大型模型。该项目目前处于实施的关键阶段。启动后，估计每日呼叫量超过100万，这可以减轻客户的人力压力的80。同时，它将独立且可控制的全链接投资优化智能辅助解决方案带到了资本党，并将双赢的业绩带入了投资领域的Capital Party，商业平台和业务供应商。

商业投资计划

第一版：大型模型预测

客户对投资领域的大型模型的能力非常有信心，并为POC提供了一些示例数据。我们专注于迅速的单词工程，使大型模型能够学习投资回报的历史数据，并与分析师的运营习惯结合使用。它在客户提供的示例数据中取得了良好的结果。以下是一些迅速单词的例子：

###角色您是投资领域的分析师###该任务的主要责任是根据用户的历史数据以7天的历史数据来输出第8天的投资预算。您需要关注的是可变A，可变B和可变.根据变量的潜力给出了第8天的合理预算.. ### bdressinaint-当您发现用户输入数据中的预算增加并变量A时，您应该适当降低预算；如果预算增加并增加了A，则应增加预算。核心目的是确保每次时间（预算/可变a）在合理的变化范围内- .- .- .- . ### ###输出格式预算预算：xxx yuan-第1天，参考重量比**，预算： **，预算3: **，变量a: ** A: **，可变B: **， – 第3天，参考重量比**，预算： **，可变A: **，可变B: **， – 第4天，参考权重比**，参考权重**，预算，预算： **比率**，预算： **，可变A: **，可变B: **， – 第6天，参考重量比**，预算： **，可变B: **， – 第7天，第7天，参考重量比*本地加权线性回归算法+大型模型预测

这次，客户将其更改为理想条件下的真实数据，其中包括20多个变量，这使得很难仅使用及时的单词工程来学习这么多数据属性，并且每个Excel都有数以万计的数据。但是，大型模型无法学习如此多的数据之间的数学关系，并且不擅长数据计算。即使我们多次调整及时的单词，我们也无法实现预期的结果。因此，我们决定引入本地加权线性回归算法，使用此算法来预测将来每天的总预算，然后为每个投资渠道分配预算。

局部加权线性回归原理

局部加权线性回归是一种非参数学习算法。它的核心原理是通过动态授权机制为不同的训练样本分配不同的权重，以便该模型在预测时更加注意查询点附近的本地数据特征。具体实施原则如下：

1.权重计算

用于查询点，使用高斯内核功能为每个训练样本分配权重：

其中，高参数K控制重量的衰减速率：k越小，衰减速度越快，并且模型更多地关注相邻点； k越大，衰减较慢，并且模型接近全局线性回归。

2.加权损失函数

目标是最大程度地减少加权均方误差：

接近查询点的样品对损耗函数的影响更大。

3.闭式解

直接通过矩阵操作求解最佳参数

其中w是对角线重矩阵，

4。预测输出

数据分析

使用局部加权线性回归算法预测：

在将平均值计算为滑动窗口的平均值之后，局部加权线性回归预测值（红色）和实际值（绿色）。

7天后用作滑动窗口，以计算平均值，局部加权线性回归预测值（红色）和实际值（绿色）。

在将平均值计算为滑动窗口的平均值之后，局部加权线性回归预测值（红色）和实际值（绿色）。

算法思想

在使用本地加权线性回归算法预测新的总体预算之后，下一步是如何将预算分配给各种投资渠道。通过计算每个渠道收入的贡献，可以有效地分配投资金额。可以根据渠道历史记录的N日数据来计算此贡献。它与渠道收入的数量成正比，并且与渠道投资的数量成反比。所有渠道的贡献之和必须为100。向大型模型提供统计信息和趋势信息，以进行分析，推理和摘要。该计划在客户提供的数据中取得了良好的结果。以下是一些迅速单词的例子：

###角色您是一名**投资分析师，您的责任是根据来自不同渠道的历史绩效数据提供当今的预算调整建议。 ###该任务提供了当前的统计信息： – 投资效应的KPI . – 投资效应的基准值.-总体投资数据。包括当前总投资的预算，单位收入的平均成本，总收入变化的比例……每个渠道的详细数据。包括渠道的当前预算，单位收入的平均成本，收入变化的比例，单位收入的成本差异比例.在整个原则的情况下，给出了每个渠道的建议以及整体预算调整措施（增加预算或减少预算或减少预算）和特定的调整范围###在分析和分析的整体效果时，您必须确定所有效果，您必须确保所有效果。 KPI， 2。投资的总体预算增加不超过当前预算的*3。首先计算总估计预算，该公式为：*************** 4。然后根据每个通道的平均每日贡献比率计算每个通道的新预算。公式为：**********第三版：XGBoost+最大模型预测

因此，我们可以根据前一天的各种影响因素来抽象问题，以预测第二天的投资数量。考虑到这次提供的数据量已经很大，每个Excel都具有超过20W的数据和许多特征，在处理数据后，我们使用XGBoost机器学习模型来对单个投资渠道的交付价值进行初步预测。

XGBoost算法原理

XGBoost的原理基于梯度增强框架，高性能预测是通过整合多个决策树来实现的。它的核心机制包括以下要点：

010-1011目标函数由损失函数和正规化项组成：

其中，损耗函数（例如均方误差）测量预测偏差，正则化项控制模型的复杂性，是叶子节点的数量，是防止过度拟合的节点权重。

1. 目标函数优化

执行损失函数的二阶taylor扩展近似，保留一阶梯度和二阶导数，并将目标函数简化为：

此方法提高了计算效率和优化精度。

2. 二阶泰勒展开

学术标准：使用贪婪算法根据拆分增益来选择最佳特征和学位：

当增益最大并超过阈值时分开。

叶重量的最佳重量计算由封闭溶液确定：

3. 树结构学习

4。关键优化功能

正则化：通过L1/L2正则化和叶节点极限降低过度拟合的风险；

二阶导数信息：与GBDT仅使用一阶梯度相比，XGBoost引入了二阶导数，以加速收敛并提高准确性；

工程优化：包括块结构存储的加速特征遍历，加权分位数素描优化拆分点选择，稀疏感知处理缺失值等。

其中 为叶子节点 的样本集合。

此外，还需要充分利用时间特性和周期特性。例如，周末通常高于一周。每年都需要考虑中国的双打11、618和黑色星期五。

使用XGBoost训练模型后，预测每个通道的输送值并总和这些值，这是当天的输送值。我们需要完全考虑使用局部加权回归和使用XGBoost计算的全日递送值预测的全日交货价值，以预测单个通道输送值。根据经验，我们将两者之间差异的一半用作调整值，以使最终结果更接近两者的平均值。接下来，我们需要计算如何分配这些调整值。

特征工程

1. 计算调整值

3。计算过去7天的总利润成本

2. 计算每个渠道在前一天的单位收益成本

5。根据调整系数和调整值调整每个通道

4. 归一化处理成调整系数

目标：尝试让大型模型学习交付工程师的操作，以通过真实交付之间的差异来衡量模型预测的效果。

根据交付原则，最终调整了预测值。原则如下：

每个渠道的新预算的变化（包括增加和减少）不得超过前一天投资额的百分比。如果更改大于，则应限于**；

如果当前渠道计算的新预算金额小于0，则将设置为0；

system_prompt=\’\’\’\’\’###您是一名**投资分析师，您的责任是根据不同投资渠道的历史绩效数据提供当今的预算调整建议。 ###任务为您提供最新的统计数据：1。总体投资调整金额2。每个渠道的详细数据，包括. 3 .在完整原则的情况下，给出了每个渠道的预算调整措施（增加预算或减少预算或减少预算）和特定的调整范围建议####交付原则在每个渠道的过程中不得检查并遵循以下所有频道的调整，如果您不建议进行调整。进行计算，但仍需要3、4、5、6原理； -2。计算每个渠道的新预算，公式为：新预算=初步预算+总体调整金额建议调整率； -3。每个渠道的新预算的变化范围（包括增加和减少）不超过前一天投资额的**。如果变更范围大于**，则限于**； -4。.- 5。-6。摘要