资产数据的处理方法及装置制造方法及图纸

本说明书一个或多个实施例公开了一种资产数据的处理方法及装置。所述方法包括：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

【技术实现步骤摘要】
资产数据的处理方法及装置
本说明书涉及数据处理
，尤其涉及一种资产数据的处理方法及装置。
技术介绍
随着人工智能技术的发展，人工智能技术已逐渐深入各行各业。目前，在资产交易场景中，有少量使用机器学习算法进行资产量化交易的方式，例如利用机器学习算法进行股票量化交易。但是，这种方式目前的局限性较大，一方面，这类量化交易算法大多数为传统的机器学习算法驱动，算法表达能力有限。另一方面，传统的机器学习算法不具有普适性，尤其是在某些具有固定收益类的资产交易场景中，无法预测有效、准确的资产交易策略。因此，亟需一种更能有效、准确的预测资产交易策略的算法。
技术实现思路
一方面，本说明书一个或多个实施例提供一种资产数据的处理方法，包括：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。另一方面，本说明书一个或多个实施例提供一种资产数据的处理装置，包括：第一获取模块，获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。第一提取模块，通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。分析及确定模块，利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。再一方面，本说明书一个或多个实施例提供一种资产数据的处理设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。再一方面，本说明书实施例提供一种存储介质，用于存储计算机程序，所述计算机程序能够被处理器执行以实现以下流程：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。附图说明为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；图1是根据本说明书一实施例的一种资产数据的处理方法的示意性流程图；图2是根据本说明书一实施例的一种资产数据的处理方法中资产交易预测模型预测的示意性流程图；图3是根据本说明书一实施例的一种资产数据的处理方法中深度学习神经网络的示意性结构图；图4是根据本说明书一实施例的一种资产数据的处理装置的示意性框图；图5是根据本说明书一实施例的一种资产数据的处理设备的示意性框图。具体实施方式本说明书一个或多个实施例提供一种资产数据的处理方法及装置，以解决现有技术中对资产交易方式的预测效果较差的问题。为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个实施例保护的范围。图1是根据本说明书一实施例的一种资产数据的处理方法的示意性流程图，如图1所示，该方法包括：S102，获取待交易的资产数据，将资产数据输入预先训练的资产交易预测模型。其中，资产数据包括资产量和/或资产类别。资产交易预测模型基于多个历史资产交易数据以及各历史资产交易数据分别对应的历史资产收益数据训练得到。历史资产交易数据包括历史资产数据（如历史资产量、历史资产类别等）和历史资产交易方式（如历史交易时间、历史交易量、历史交易资产类别等）。历史资产收益数据包括采用各种历史资产交易方式所带来的历史资产收益。S104，通过资产交易预测模型将资产数据识别为图像数据，并提取图像数据中的图像特征。其中，图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。可选的，在提取时间序列特征时，可先提取图像数据（即图像）在不同时间点上的特征向量，进而按照各时间点的先后顺序组合提取出的多个特征向量，从而得到图像数据对应的时间序列特征。空间结构特征是指图像中不同区域或不同像素点之间的空间位置或相对方向关系特征，比如连接关系、重叠关系、包含关系、上下左右关系等。在提取空间结构特征时，可将图像按照预定分割规则（如随机分割、均匀分割等）分割为多个不同区域的子图像，进而分别提取各个子图像中的特征向量，并建立各个子图像和特征向量之间的对应关系，从而得到图像数据对应的空间结构特征。图像的频率特征用于表征图像中灰度变化的剧烈程度，因此，图像数据中的噪声数据属于高频数据，平缓变化的数据则属于低频数据，通过对图像数据进行傅里叶变换、小波变换等即可得到图像数据的频率特征，其中傅里叶变换过程属于现有技术，此处不再赘述。S106，利用资产交易预测模型分析图像特征，并根据分析结果确定使资产数据对应的资产收益达到预设收益条件的目标资产交易方式。其中，预设收益条件包括以下至少一项：资产收益最大、资产收益达到预设的期望收益值。目标资产交易方式包括交易时间、交易量、交易资产类别等一项或多项。采用本说明书一个或多个实施例的技术方案，通过获取待交易的资产数据，将资产数据输入预先训练的资产交易预测模型，并通过资产交易预测模型将资产数据识别为图像数据，以及提取图像数据的图像特征，进而利用资产交易预测模型分析图像特征，根据分析结果确定使资产数据对应的资产收益达到预设收益条件的目标资产交易方式。可见，该技术方案通过资产交易预测模型将资产数据抽象为图像数据，由于图像数据具有如时间序列特征、空间结构特征、频率特征等丰富、多维的特征，使得资产数据的数据特征能够被多维、全面的识别，从而使基本文档来自技高网...

【技术保护点】
1.一种资产数据的处理方法，包括：/n获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；/n通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；/n利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。/n

【技术特征摘要】
1.一种资产数据的处理方法，包括：
获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；
通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；
利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。


2.根据权利要求1所述的方法，所述资产数据包括资产量和/或资产类别；所述目标资产交易方式包括交易时间、交易量、交易资产类别中的至少一项。


3.根据权利要求1所述的方法，所述资产交易预测模型基于多个历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据训练得到；
所述获取待交易的资产数据之前，还包括：
获取多个所述历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据；所述历史资产交易数据包括历史资产数据和历史资产交易方式；
确定所述历史资产数据对应的历史图像数据；
利用深度神经网络对所述历史图像数据对应的历史图像特征以及所述历史资产交易方式进行深度学习，得到学习结果；所述学习结果包括：使资产收益满足预设收益条件的资产交易方式和有效图像特征之间的映射关系；
根据所述学习结果构建所述资产交易预测模型。


4.根据权利要求3所述的方法，所述深度神经网络包括空间滤波网络、异质频率融合网络和赫布网络；
所述利用深度神经网络对所述历史图像数据对应的历史图像特征以及所述历史资产交易方式进行深度学习，得到学习结果，包括：
确定所述历史资产收益数据中、满足所述预设收益条件的第一历史资产收益数据对应的第一历史资产数据；
利用所述空间滤波网络，提取所述第一历史资产数据对应的第一历史图像数据的第一空间结构特征；
利用所述异质频率融合网络，提取所述第一历史图像数据的第一频率特征；
利用所述赫布网络，对所述第一空间结构特征和所述第一频率特征进行联合学习，根据所述联合学习的结果确定所述历史图像数据对应的所述有效图像特征；
构建所述有效图像特征和所述第一历史图像数据对应的所述历史交易方式之间的映射关系，得到所述学习结果。


5.根据权利要求4所述的方法，所述深度神经网络还包括时间序列学习网络和意识学习网络；
所述根据所述联合学习的结果确定所述历史图像数据对应的有效图像特征，包括：
利用所述时间序列学习网络，提取所述第一历史图像数据的第一时间序列特征；
利用所述意识学习网络，分析所述第一时间序列特征对应的权重信息；
根据所述联合学习的结果以及所述第一时间序列特征对应的权重信息，确定所述历史图像数据对应的所述有效图像特征。


6.根据权利要求3所述的方法，所述利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式，包括：
利用所述资产交易预测模型，提取所述图像特征中与所述有效图像特征相匹配的目标图像特征；
根据所述资产交易方式和有效图像特征之间的映射关系，确定所述目标图像特征对应的资产交易方式，作为使所述资产数据对应的资产收益达到所述预设收益条件的所述目标资产交易方式。


7.根据权利要求1所述的方法，所述预设收益条件包括以下至少一项：所述资产收益最大、所述资产收益达到预设的期望收益值。


8.一种资产数据的处理装置，包括：
第一获取模块，获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；
第一提...

【专利技术属性】
技术研发人员：李晨，王世均，
申请(专利权)人：蚂蚁智信杭州信息技术有限公司，
类型：发明
国别省市：浙江;33