本发明专利技术公开了一种交易信息预测方法，所述方法包括：获取交易对象的交易数据集，所述交易数据集包括在时间上连续的多条交易数据；将所述交易数据集输入预置的特征预测模型，以预估出用于预测所述交易对象在未来时刻的交易信息的特征，所述特征预测模型的训练集包括多种交易对象中每种交易对象的历史交易数据集；将预估出的特征输入预置的交易信息预测模型，以预测出所述交易对象在未来时刻的交易信息，所述交易信息包括下单价格、下单数量和下单时间点。本发明专利技术还公开了一种交易信息预测装置、一种计算机设备和一种计算机可读存储介质。一种计算机设备和一种计算机可读存储介质。一种计算机设备和一种计算机可读存储介质。
【技术实现步骤摘要】
一种交易信息预测方法、装置、计算机设备和存储介质
[0001]本专利技术涉及机器学习
，具体涉及一种交易信息预测方法、装置、计算机设备和计算机可读存储介质。
技术介绍
[0002]目前中国A股市场繁荣，交易量逐年上升，A股市场的主要参与方为公募基金、私募基金、个人投资者、险资等。无论是流通市值占比还是成交额，公募基金的比重都逐年提升，是市场上重要的参与方。目前公募基金会选择恒生的O32或者O45系统，里面集成了基金经理下单、中央交易员分配、交易员操作交易、风险控制等全方面的交易模块，但该系统提供的交易模式较为简单或者机械。一些算法提供商应运而生，例如瑞银集团UBS、金纳genus、卡方科技kafangtech。算法提供商会提供一些专注于交易的算法，其中主要以经典的TWAP(Time Weighted Average Price，时间加权平均价格算法)、VWAP(Volume
‑
weighted Average Price，成交量加权平均价)、跟量三大方向为主，这些算法可根据A股市场的实际情况进行本地化优化。同时算法提供商还提供了一些智能算法，典型思想是：基于机器学习进行涨跌预测，再基于涨跌预测结果进行策略构建。但目前的智能算法仍处于起步阶段，实际落地存在问题。
[0003]具体地，在实际使用中，公募基金交易员因实际业务需求，在绝大多数情况下会使用经典算法，以寻求稳定性、合规性以及交易任务的完成性；另外，还有一个很重要的原因是，创新算法存在效果不稳定、内部逻辑不透明以及与真实市场不匹配等缺点。因此，发展自主可控、在真实交易环境中有效的算法交易是公募基金的发展必然趋势，可以增加行业竞争力。
[0004]在目前的算法交易中，因交易数据高频且量大，天然拥有大量数据，给模型和算法充足的养分。比如，目前研究较多使用的是Level1行情tick级别的数据，平均每3秒一条，全天约有4800条数据；若使用2年历史数据的策略，每支股票建模的样本数据约250万，另有半年约60万的测试样本；以A股全市场3000+股票计算，总计涉及的数据样本约100亿条。在这种大数据且有监督标签的情况下，使用深度学习或者强化学习预测股票的交易信息是常见的方案。
[0005]但是，现有技术在利用深度学习预测股票的交易信息时，无法预测出下单价格，使得预测结果具有一定局限性；现有技术在利用强化学习预测股票的交易信息时，对市场因素的考虑有限且缺少对训练数据在时间规律上的分析，导致最终预测结果准确度不高。
[0006]针对现有技术在预测股票的交易信息时预测结果具有一定局限性且准确度较低的技术问题，目前尚未存在有效的解决方案。
技术实现思路
[0007]本专利技术的目的在于提供了一种交易信息预测方法、装置、计算机设备和计算机可读存储介质，能够解决现有技术在预测股票的交易信息时预测结果具有一定局限性且准确
度较低的技术问题。
[0008]本专利技术的一个方面提供了一种交易信息预测方法，所述方法包括：获取交易对象的交易数据集，所述交易数据集包括在时间上连续的多条交易数据；将所述交易数据集输入预置的特征预测模型，以预估出用于预测所述交易对象在未来时刻的交易信息的特征，所述特征预测模型的训练集包括多种交易对象中每种交易对象的历史交易数据集；将预估出的特征输入预置的交易信息预测模型，以预测出所述交易对象在未来时刻的交易信息，所述交易信息包括下单价格、下单数量和下单时间点。
[0009]可选地，所述获取交易对象的交易数据集，包括：所述获取交易对象的交易数据集，包括：接收交易信息预测指令，解析出对象ID、交易最终时间点和所述交易最终时间点所属的交易日期；确定属于所述交易日期且位于所述交易最终时间点之前的一交易时间段；获取所述交易时间段内所述对象ID的多条交易数据，记为所述交易对象的交易数据集；其中，所述未来时刻属于所述交易日期且位于所述交易最终时间点之后。
[0010]可选地，所述将所述交易数据集输入预置的特征预测模型，以预估出用于预测所述交易对象在未来时刻的交易信息的特征，包括：将所述交易数据集输入所述特征预测模型的第一网络模块，以使得所述第一网络模块在提取所述交易数据集的特征后输出第一特征向量；将所述第一特征向量输入所述特征预测模型的第二网络模块，以使得所述第二网络模块在学习所述第一特征向量中各个特征元素的时序规律后输出第二特征向量；根据所述第二特征向量预估出用于预测所述交易对象在未来时刻的交易信息的特征。
[0011]可选地，所述将所述交易数据集输入所述特征预测模型的第一网络模块，以使得所述第一网络模块在提取所述交易数据集的特征后输出第一特征向量，包括：将所述交易数据集输入所述特征预测模型的ResNet网络；通过所述ResNet网络提取所述交易数据集的特征并通过所述ResNet网络将提取的特征转换为特征向量；将转换后获得的特征向量输入所述特征预测模型的第一注意力模型；通过所述第一注意力模型更新所述转换后获得的特征向量中各个特征元素的权重，获得所述第一特征向量。
[0012]可选地，所述将所述第一特征向量输入所述特征预测模型的第二网络模块，以使得所述第二网络模块在学习所述第一特征向量中各个特征元素的时序规律后输出第二特征向量，包括：将所述第一特征向量输入所述特征预测模型的LSTM网络；通过所述LSTM网络学习所述第一特征向量中各个特征元素的时序规律后输出具有时序规律的特征向量；将所述具有时序规律的特征向量输入所述特征预测模型的第二注意力模型；通过所述第二注意力模型更新所述具有时序规律的特征向量中各个特征元素的权重，获得所述第二特征向量。
[0013]可选地，所述根据所述第二特征向量预估出用于预测所述交易对象在未来时刻的交易信息的特征，包括：将所述第二特征向量输入所述特征预测模型的池化层，以使得所述池化层对所述第二特征向量进行池化作用后输出第三特征向量；获取所述交易对象的交易隐私数据，所述交易隐私数据为目标用户在所述交易时间段内对所述交易对象执行交易操作后仅由所述目标用户可见的数据；提取所述交易隐私数据的特征并转换为特征向量，记为隐私特征向量；拼接所述第三特征向量和所述隐私特征向量；将拼接后获得的特征向量输入预置的卷积神经网络，以预估出用于预测所述交易对象在未来时刻的交易信息的特征。
[0014]本专利技术的另一个方面提供了一种交易信息预测装置，所述装置包括：获取模块，用于获取交易对象的交易数据集，所述交易数据集包括在时间上连续的多条交易数据；预估模块，用于将所述交易数据集输入至预置的特征预测模型，以预估出用于预测所述交易对象在未来时刻的交易信息的特征，所述特征预测模型的训练集包括多种交易对象中每种交易对象的历史交易数据集；预测模块，用于将预估出的特征输入至预置的交易信息预测模型，以预测出所述交易对象在未来时刻的交易信息，所述交易信息包括下单价格、下单数量和下单时间点。
[0015]可选地，所述获取模块具体用于：接收交易信息预测指令，解析出对象ID、交易最终时间点和所述交易最终时间点所属本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种交易信息预测方法，其特征在于，所述方法包括：获取交易对象的交易数据集，所述交易数据集包括在时间上连续的多条交易数据；将所述交易数据集输入预置的特征预测模型，以预估出用于预测所述交易对象在未来时刻的交易信息的特征，所述特征预测模型的训练集包括多种交易对象中每种交易对象的历史交易数据集；将预估出的特征输入预置的交易信息预测模型，以预测出所述交易对象在未来时刻的交易信息，所述交易信息包括下单价格、下单数量和下单时间点。2.根据权利要求1所述的方法，其特征在于，所述获取交易对象的交易数据集，包括：接收交易信息预测指令，解析出对象ID、交易最终时间点和所述交易最终时间点所属的交易日期；确定属于所述交易日期且位于所述交易最终时间点之前的一交易时间段；获取所述交易时间段内所述对象ID的多条交易数据，记为所述交易对象的交易数据集；其中，所述未来时刻属于所述交易日期且位于所述交易最终时间点之后。3.根据权利要求2所述的方法，其特征在于，所述将所述交易数据集输入预置的特征预测模型，以预估出用于预测所述交易对象在未来时刻的交易信息的特征，包括：将所述交易数据集输入所述特征预测模型的第一网络模块，以使得所述第一网络模块在提取所述交易数据集的特征后输出第一特征向量；将所述第一特征向量输入所述特征预测模型的第二网络模块，以使得所述第二网络模块在学习所述第一特征向量中各个特征元素的时序规律后输出第二特征向量；根据所述第二特征向量预估出用于预测所述交易对象在未来时刻的交易信息的特征。4.根据权利要求3所述的方法，其特征在于，所述将所述交易数据集输入所述特征预测模型的第一网络模块，以使得所述第一网络模块在提取所述交易数据集的特征后输出第一特征向量，包括：将所述交易数据集输入所述特征预测模型的ResNet网络；通过所述ResNet网络提取所述交易数据集的特征并通过所述ResNet网络将提取的特征转换为特征向量；将转换后获得的特征向量输入所述特征预测模型的第一注意力模型；通过所述第一注意力模型更新所述转换后获得的特征向量中各个特征元素的权重，获得所述第一特征向量。5.根据权利要求3所述的方法，其特征在于，所述将所述第一特征向量输入所述特征预测模型的第二网络模块，以使得所述第二网络模块在学习所述第一特征向量中各个特征元素的时序规律后输出第二特征向量，包括：将所述第一特征向量输入所述特征预测模型的LSTM网...
【专利技术属性】
技术研发人员：刘硕凌，张桐喆，韩雷，戴竞超，李正非，
申请(专利权)人：易方达基金管理有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。