CN108596676A - 一种电子金融产品价格区间预测方法及装置 - Google Patents

Abstract

本申请提供了一种电子金融产品价格区间预测方法及装置，其中，该方法包括：获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；构建电子金融产品价格区间预测模型，并基于历史交易信息和历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于目标电子金融产品的价格区间预测结果。本申请通过训练的电子金融产品价格区间预测模型实现对目标电子金融产品的价格区间预测，预测的准确度和精度均较好。

Description

一种电子金融产品价格区间预测方法及装置

技术领域

本申请涉及金融数据挖掘技术领域，具体而言，涉及一种电子金融产品价格区间预测方法及装置。

背景技术

电子金融产品市场是一个风险和利益共存的市场，电子金融产品市场的建模和预测研究对经济发展和金融建设具有重要意义，不仅可以为政府、企业和投资者制定相关决策提供依据，还可以规避金融风险，促进电子金融产品市场稳定健康发展。然而，电子金融产品市场受到多方面因素的影响，如企业内部因素、经济因素、制度因素、心理因素等，这导致电子金融产品(如股票、债券、保险等)的准确预测难度较大。

相关技术中提供了一种针对电子金融产品涨跌两种趋势状态进行预测的方法，具体的，该方法将电子金融产品价格转换为二分类变量，该二分类变量分别对应涨势和跌势，以通过建立的趋势预测模型来预测电子金融产品价格的涨跌。

但是，在实际电子金融产品交易中，考虑到电子金融产品交易成本和资金时间成本，可能出现利差交易无法覆盖这些成本的情况，因此单纯的涨跌预测将无法满足实际需求。

发明内容

有鉴于此，本申请实施例的目的在于提供一种电子金融产品价格区间预测方法及装置，以对电子金融产品进行价格区间预测，预测的准确度和精度均较好。

第一方面，本申请实施例提供了一种电子金融产品价格区间预测方法，所述方法包括：

获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；

构建电子金融产品价格区间预测模型，并基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；

将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述电子金融产品价格区间预测模型包括多分类模型；

采用如下方式构建所述电子金融产品价格区间预测模型：

从电子金融产品的历史交易信息中提取交易特征；并

将提取的交易特征确定为自变量；

将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并

将多个涨跌价格区间确定为多分类模型对应的多个分类，构建所述电子金融产品价格区间预测模型。

结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述电子金融产品价格区间预测模型包括二分类模型；

采用如下方式构建所述电子金融产品价格区间预测模型：

从电子金融产品的历史交易信息中提取交易特征；并

将提取的交易特征确定为自变量；

将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并

针对所述多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

结合第一方面、第一方面的第一种可能的实施方式至第二种可能的实施方式中任一可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，构建的电子金融产品价格区间预测模型为多个；

所述将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果，包括：

将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到所述目标电子金融产品的多个价格区间预测结果；

采用预设算法对所述多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

结合第一方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练，包括：

从所述多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；

确定所述多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；

针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；

其中，所述历史交易信息对应的交易时间与所述历史涨幅信息对应的交易时间之间的时间间隔，和所述目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。

第二方面，本申请实施例还提供了一种电子金融产品价格区间预测装置，所述装置包括：

交易信息获取模块，用于获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；

预测模型构建模块，用于构建电子金融产品价格区间预测模型；

预测模型训练模块，用于基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；

价格区间预测模块，用于将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果。

结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述电子金融产品价格区间预测模型包括多分类模型；所述预测模型构建模块，具体用于从电子金融产品的历史交易信息中提取交易特征；并将提取的交易特征确定为自变量；将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并将多个涨跌价格区间确定为多分类模型对应的多个分类，构建所述电子金融产品价格区间预测模型。

结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述电子金融产品价格区间预测模型包括二分类模型；所述预测模型构建模块，具体用于从电子金融产品的历史交易信息中提取交易特征；并将提取的交易特征确定为自变量；将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并针对所述多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

结合第二方面、第二方面的第一种可能的实施方式至第二种可能的实施方式中任一可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，构建的电子金融产品价格区间预测模型为多个；所述价格区间预测模块，具体用于将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到所述目标电子金融产品的多个价格区间预测结果；

采用预设算法对所述多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

结合第二方面的第一种可能的实施方式或第二种可能的实施方式，本申请实施例提供了第二方面的第四种可能的实施方式，其中，所述预测模型训练模块，具体用于从所述多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；确定所述多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；

其中，所述历史交易信息对应的交易时间与所述历史涨幅信息对应的交易时间之间的时间间隔，和所述目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。

本申请实施例提供的电子金融产品价格区间预测方法及装置，其首先获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；然后构建电子金融产品价格区间预测模型，并基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；最后将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果，其通过训练的电子金融产品价格区间预测模型实现对目标电子金融产品的价格区间预测，预测的准确度和精度均较好。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例所提供的一种电子金融产品价格区间预测方法的流程图；

图2示出了本申请实施例所提供的另一种电子金融产品价格区间预测方法的流程图；

图3示出了本申请实施例所提供的另一种电子金融产品价格区间预测方法的流程图；

图4示出了本申请实施例所提供的另一种电子金融产品价格区间预测方法的流程图；

图5示出了本申请实施例所提供的另一种电子金融产品价格区间预测方法的流程图；

图6示出了本申请实施例所提供的一种电子金融产品价格区间预测装置的结构示意图；

图7示出了本申请实施例所提供的一种计算机设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到相关技术中针对电子金融产品涨跌两种趋势状态进行预测的方法，仅对电子金融产品价格是涨势还是跌势进行预测，无法满足实际需求。基于此，本申请实施例提供了一种电子金融产品价格区间预测方法及装置，以对电子金融产品进行价格区间预测，预测的准确度和精度均较好。

如图1所示，为本申请实施例提供的电子金融产品价格区间预测方法的流程图，应用于计算机设备，上述电子金融产品价格区间预测方法包括如下步骤：

S101、获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息。

这里，电子金融产品可以是股票，还可以是债券，还可以是保险等，接下来以股票作为电子金融产品进行具体示例。上述历史交易信息和历史涨跌幅信息则可以是从互联网网站(如大智慧、大宗等股票交易网站)精确开放的数据接口进行获取，还可以是利用网络爬虫技术，将想要获取的历史交易信息和对应的历史涨跌幅信息爬取到本地的计算机设备。

就历史交易信息而言，本申请实施例可以通过获取用户持有的借记卡、信用卡等产生的相关交易信息进行确定，还可以通过用户在绑定的网络交易平台上产生的相关交易信息进行确定。就历史涨跌幅信息而言，可以通过输入个股代码至股票交易系统进行获取的。

其中，上述历史交易信息包括但不限于：交易数据量信息、股市换手率、股票最高价、股票最低价等信息，上述历史涨跌幅信息则主要是由收盘价确定的涨跌信息，可以是每个交易日对应的涨跌信息，还可以是预设时间段内对应的一个涨跌信息。

S102、构建电子金融产品价格区间预测模型，并基于历史交易信息和历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练。

这里，在电子金融产品价格区间预测模型训练阶段，以S101中获取的历史交易信息作为待训练的电子金融产品价格区间预测模型的输入特征，以对应于历史交易信息的历史涨跌幅信息作为输出结果，训练得到电子金融产品价格区间预测模型的参数信息等，也即得到训练好的电子金融产品价格区间预测模型。

在上述电子金融产品价格区间预测模型的训练过程中，即可以基于多分类模型进行训练，还可以基于二分类模型进行训练。基于多分类模型的电子金融产品价格区间预测模型是根据电子金融产品的历史交易信息以及涨跌价格范围划分的多个连续涨跌价格区间进行模型训练的，通过训练好的模型能够对目标电子金融产品进行价格区间的预测。基于二分类模型的电子金融产品价格区间预测模型是根据电子金融产品的历史交易信息以及涨跌价格范围划分的多个连续涨跌价格区间对应的二分类结果进行模型训练的，通过训练好的模型能够对目标电子金融产品是否属于某个价格区间进行预测。

S103、将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于目标电子金融产品的价格区间预测结果。

这里，将目标电子金融产品的当前交易信息输入至上述训练好的多分类模型和二分类模型中，得到对应于该目标电子金融产品的多个价格区间预测结果。本申请实施例在得到多个价格区间预测结果后，还可以基于多个价格区间预测结果的融合处理，得到最终的价格区间预测结果。

接下来分别阐述基于多分类模型的电子金融产品价格区间预测模型以及基于二分类模型的电子金融产品价格区间预测模型的具体构建过程。

第一方面：如图2所示，本申请实施例提供的基于多分类模型的电子金融产品价格区间预测模型具体通过如下步骤进行构建：

S201、从电子金融产品的历史交易信息中提取交易特征；

S202、将提取的交易特征确定为自变量；

S203、将电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；

S204、将多个涨跌价格区间确定为多分类模型对应的多个分类，构建电子金融产品价格区间预测模型。

这里，本申请实施例首先从电子金融产品的历史交易信息中提取出交易特征，并将该交易特征作为电子金融产品价格区间预测模型的输入自变量，然后将根据电子金融产品的涨跌价格范围划分的多个连续涨跌价格区间确定为多分类模型的多个分类，并作为电子金融产品价格区间预测模型的输出因变量，以进行电子金融产品价格区间预测模型的构建。

其中，在对电子金融产品的历史交易信息进行特征提取之前，本申请实施例可以先对该历史交易信息进行预处理，如过滤、去重等操作。提取的交易特征则可以是对历史交易信息进行处理后的结果，可以是历史交易信息的归一化结果，还可以是特征衍生的结果(即基于已有历史交易信息衍生出的特征)，还可以是其他处理结果。

另外，本申请实施例可以根据不同的应用需求设置不同的涨跌价格范围，如对于旧上市公司，由于当前股市会限制涨跌幅，因此，上述涨跌价格范围可以选取一个较小的范围，如[-0.1,0.1]，而对于新上市公司，由于当前股市不限制涨跌，因此，上述涨跌价格范围可以选取一个较大范围，如[-0.5,0.5]。对于上述涨跌价格范围，本申请实施例还可以划分为多个连续涨跌价格区间，其中，各个连续涨跌价格区间的长度可以相同，也可以不同，但为了进一步确保电子金融产品价格区间预测模型训练的训练效果，本申请实施例采用的多个连续涨跌价格区间的长度可以相同。此外，上述连续涨跌价格区间的个数可以根据不同的分类需求进行设置，如对于[-0.1,0.1]这一涨跌价格范围而言，可以设置20个等长度的连续涨跌价格区间，依次为[-0.1,-0.09]、[-0.09,-0.08]…[0.09,0.1]，还可以设置4个等长度的连续涨跌价格区间，依次为[-0.1,-0.05]、[-0.05,0]…[0.05,0.1]，本申请实施例对此不做具体的限制。在每个涨跌价格区间与多分类模型的每个分类一一对应时，便可以构建出基于多分类模型的电子金融产品价格区间预测模型，这样，在后续进行目标电子金融产品的预测时，将输出对应的涨跌价格区间。

第二方面：如图3所示，本申请实施例提供的基于二分类模型的电子金融产品价格区间预测模型具体通过如下步骤进行构建：

S301、从电子金融产品的历史交易信息中提取交易特征；

S302、将提取的交易特征确定为自变量；

S303、将电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；

S304、针对多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

这里，本申请实施例首先从电子金融产品的历史交易信息中提取出交易特征，并将该交易特征作为电子金融产品价格区间预测模型的输入自变量，然后将根据电子金融产品的涨跌价格范围划分的多个连续涨跌价格区间中的每个涨跌价格区间确定为二分类模型的一个分类，并作为电子金融产品价格区间预测模型的输出因变量，以进行电子金融产品价格区间预测模型的构建。

其中，针对每个涨跌价格区间将构建对应的电子金融产品价格区间预测模型，这样，在后续进行目标电子金融产品的预测时，针对每个涨跌价格区间将对应有一个价格区间预测结果，且该价格区间预测结果是落入该涨跌价格区间或未落入该涨跌价格区间中的一种。上述落入该涨跌价格区间对应的可以是模型构建过程中二分类模型中的一个分类，而未落入该涨跌价格区间对应的则可以是模型构建过程中二分类模型中的另一个分类。

本申请实施例基于上述多分类模型以及二分类模型构建的电子金融产品价格区间预测模型还进行了预测模型的训练。值得说明的是，本申请实施例不管是基于多分类模型还是二分类模型均可以采用至少两个候选模型参与，其中，上述候选模型可以是神经网络模型、SVM(Support Vector Machine，支持向量机)模型、logistic(回归)模型中的任意组合，还可以是其他分类模型的任意组合。

如图4所示，上述模型训练的过程具体通过如下步骤实现：

S401、从多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；

S402、确定多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；

S403、针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；其中，历史交易信息对应的交易时间与历史涨幅信息对应的交易时间之间的时间间隔，和目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。

这里，在训练电子金融产品价格区间预测模型的过程中，针对每支电子金融产品，将该支电子金融产品对应交易特征的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类(多分类或二分类)作为因变量的值以进行电子金融产品价格区间预测模型的训练。

值得说明的是，获取的历史交易信息可以是多支电子金融产品的第一历史时间段的历史交易信息，对应的历史涨跌幅信息可以是多支电子金融产品的第二历史时间段的历史涨跌幅信息，且第一历史时间段早于第二历史时间段；本申请实施例中训练的电子金融产品价格区间预测模型在完成训练实际使用时，可以根据多支电子金融产品的历史交易信息对目标电子金融产品在未来时间内的待预测价格区间进行预测，因此，在进行训练时，作为交易特征的特征值可以来自第一历史时间段的历史交易信息，作为历史涨跌幅区间所属分类的特征值可以来自第二历史时间段的历史涨跌幅信息。较佳地，第一历史时间段与第二历史时间段之间的时间间隔为第一时间间隔，电子金融产品价格区间预测模型在使用时使用的当前交易信息所在时间段与需要预测待预测价格区间的未来时间段之间的时间间隔为第二时间间隔，第一时间间隔与第二时间间隔相同。

本申请实施例构建的电子金融产品价格区间预测模型可以为多个，针对目标电子金融产品而言，将对应有多个价格区间预测结果，本申请实施例还对多个价格区间预测结果进行了融合处理，从而得到最终的价格区间预测结果，如图5所示，上述价格区间预测过程具体通过如下步骤实现：

S501、将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到目标电子金融产品的多个价格区间预测结果；

S502、采用预设算法对多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

这里，针对每个训练好的电子金融产品价格区间预测模型，在输入目标电子金融产品的当前交易信息至该训练好的电子金融产品价格区间预测模型后，将对应输出该目标电子金融产品的一个价格区间预测结果。那么，对于多个训练好的电子金融产品价格区间预测模型，将输出该目标电子金融产品的多个价格区间预测结果。本申请实施例将对多个价格区间预测结果进行融合，以得到最终的价格区间预测结果。

其中，上述融合方法可以是对多个价格区间预测结果进行投票的方法，也即，在多个价格区间预测结果中的绝大多数预测结果确定目标电子金融产品所属一个价格区间，而其他少数预测结果确定目标电子金融产品所属另一个或其他价格区间时，则以绝大多数预测结果确定的价格区间为准，作为最终的价格区间预测结果，在确定的价格区间的个数持平时，则可以添加新的历史交易数据以及历史涨跌幅信息再次进行模型训练，以根据重新训练后的模型进行价格区间的预测。

基于同一发明构思，本申请实施例中还提供了与电子金融产品价格区间预测方法对应的电子金融产品价格区间预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述电子金融产品价格区间预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。如图6所示，为本申请实施例所提供的电子金融产品价格区间预测装置的结构示意图，该电子金融产品价格区间预测装置包括：

交易信息获取模块601，用于获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；

预测模型构建模块602，用于构建电子金融产品价格区间预测模型；

预测模型训练模块603，用于基于历史交易信息和历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；

价格区间预测模块604，用于将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于目标电子金融产品的价格区间预测结果。

在一种实施方式中，电子金融产品价格区间预测模型包括多分类模型；预测模型构建模块602，具体用于从电子金融产品的历史交易信息中提取交易特征；并将提取的交易特征确定为自变量；将电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并将多个涨跌价格区间确定为多分类模型对应的多个分类，构建电子金融产品价格区间预测模型。

在另一种实施方式中，电子金融产品价格区间预测模型包括二分类模型；预测模型构建模块602，具体用于从电子金融产品的历史交易信息中提取交易特征；并将提取的交易特征确定为自变量；将电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并针对多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

在又一种实施方式中，构建的电子金融产品价格区间预测模型为多个；价格区间预测模块604，具体用于将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到目标电子金融产品的多个价格区间预测结果；

采用预设算法对多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

在再一种实施方式中，预测模型训练模块603，具体用于从多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；确定多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；

其中，历史交易信息对应的交易时间与历史涨幅信息对应的交易时间之间的时间间隔，和目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。

如图7所示，为本申请实施例所提供的一种计算机设备的结构示意图，该计算机设备包括：处理器701、存储器702和总线703，存储器702存储执行指令，当装置运行时，处理器701与存储器702之间通过总线703通信，处理器701执行存储器702中存储的如下执行指令：

获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；

构建电子金融产品价格区间预测模型，并基于历史交易信息和历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；

将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于目标电子金融产品的价格区间预测结果。

在一种实施方式中，电子金融产品价格区间预测模型包括多分类模型；上述处理器701执行的处理中，采用如下方式构建电子金融产品价格区间预测模型：

从电子金融产品的历史交易信息中提取交易特征；并

将提取的交易特征确定为自变量；

将电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并

将多个涨跌价格区间确定为多分类模型对应的多个分类，构建电子金融产品价格区间预测模型。

在另一种实施方式中，电子金融产品价格区间预测模型包括二分类模型；上述处理器701执行的处理中，采用如下方式构建电子金融产品价格区间预测模型：

从电子金融产品的历史交易信息中提取交易特征；并

将提取的交易特征确定为自变量；

将电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并

针对多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

在又一种实施方式中，构建的电子金融产品价格区间预测模型为多个；上述处理器701执行的处理中，将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于目标电子金融产品的价格区间预测结果，包括：

将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到目标电子金融产品的多个价格区间预测结果；

采用预设算法对多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

在再一种实施方式中，上述处理器701执行的处理中，基于历史交易信息和历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练，包括：

从多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；

确定多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；

针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；

其中，历史交易信息对应的交易时间与历史涨幅信息对应的交易时间之间的时间间隔，和目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述电子金融产品价格区间预测方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述电子金融产品价格区间预测方法，从而解决目前针对电子金融产品涨跌两种趋势状态进行预测的方法，仅对电子金融产品价格是涨势还是跌势进行预测，无法满足实际需求的问题，进而达到对电子金融产品进行价格区间预测，预测的准确度和精度均较好的效果。

本申请实施例所提供的电子金融产品价格区间预测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种电子金融产品价格区间预测方法，其特征在于，所述方法包括：

获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；

构建电子金融产品价格区间预测模型，并基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；

将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果。

2.根据权利要求1所述的方法，其特征在于，所述电子金融产品价格区间预测模型包括多分类模型；

采用如下方式构建所述电子金融产品价格区间预测模型：

从电子金融产品的历史交易信息中提取交易特征；并

将提取的交易特征确定为自变量；

将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并

将多个涨跌价格区间确定为多分类模型对应的多个分类，构建所述电子金融产品价格区间预测模型。

3.根据权利要求1所述的方法，其特征在于，所述电子金融产品价格区间预测模型包括二分类模型；

采用如下方式构建所述电子金融产品价格区间预测模型：

从电子金融产品的历史交易信息中提取交易特征；并

将提取的交易特征确定为自变量；

将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并

针对所述多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

4.根据权利要求1-3任一项所述的方法，其特征在于，构建的电子金融产品价格区间预测模型为多个；

所述将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果，包括：

将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到所述目标电子金融产品的多个价格区间预测结果；

采用预设算法对所述多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

5.根据权利要求2或3所述的方法，其特征在于，所述基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练，包括：

从所述多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；

确定所述多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；

针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；

其中，所述历史交易信息对应的交易时间与所述历史涨幅信息对应的交易时间之间的时间间隔，和所述目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。

6.一种电子金融产品价格区间预测装置，其特征在于，所述装置包括：

交易信息获取模块，用于获取多支电子金融产品的历史交易信息，以及分别对应的历史涨跌幅信息；

预测模型构建模块，用于构建电子金融产品价格区间预测模型；

预测模型训练模块，用于基于所述历史交易信息和所述历史涨跌幅信息，对构建的电子金融产品价格区间预测模型进行训练；

价格区间预测模块，用于将目标电子金融产品的当前交易信息输入至训练好的电子金融产品价格区间预测模型，得到对应于所述目标电子金融产品的价格区间预测结果。

7.根据权利要求6所述的装置，其特征在于，所述电子金融产品价格区间预测模型包括多分类模型；所述预测模型构建模块，具体用于从电子金融产品的历史交易信息中提取交易特征；并将提取的交易特征确定为自变量；将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并将多个涨跌价格区间确定为多分类模型对应的多个分类，构建所述电子金融产品价格区间预测模型。

8.根据权利要求6所述的装置，其特征在于，所述电子金融产品价格区间预测模型包括二分类模型；所述预测模型构建模块，具体用于从电子金融产品的历史交易信息中提取交易特征；并将提取的交易特征确定为自变量；将所述电子金融产品的涨跌价格范围，划分为多个连续涨跌价格区间；并针对所述多个连续涨跌价格区间中的每个涨跌价格区间，将该涨跌价格区间确定为二分类模型中的一个分类，将该涨跌价格区间之外的其他涨跌价格区间确定为二分类模型中的另一个分类，构建针对该涨跌价格区间的电子金融产品价格区间预测模型。

9.根据权利要求6-8任一项所述的装置，其特征在于，构建的电子金融产品价格区间预测模型为多个；所述价格区间预测模块，具体用于将目标电子金融产品的当前交易信息输入至训练好的各电子金融产品价格区间预测模型，得到所述目标电子金融产品的多个价格区间预测结果；

采用预设算法对所述多个价格区间预测结果进行融合，得到最终的价格区间预测结果。

10.根据权利要求7或8所述的装置，其特征在于，所述预测模型训练模块，具体用于从所述多支电子金融产品的历史交易信息中确定每支电子金融产品对应交易特征的特征值；确定所述多支电子金融产品的历史涨幅信息分别对应的涨跌价格区间；针对每支电子金融产品，将该电子金融产品对应的特征值作为自变量的值，将该电子金融产品对应的涨跌价格区间所属分类作为因变量的值输入对应的电子金融产品价格区间预测模型进行训练；

其中，所述历史交易信息对应的交易时间与所述历史涨幅信息对应的交易时间之间的时间间隔，和所述目标电子金融产品的当前交易信息与待预测价格区间对应的交易时间之间的时间间隔相同。