CN108765154A - 交易机器人分类模型的训练方法、电子设备和计算机存储介质 - Google Patents
交易机器人分类模型的训练方法、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN108765154A CN108765154A CN201810507357.7A CN201810507357A CN108765154A CN 108765154 A CN108765154 A CN 108765154A CN 201810507357 A CN201810507357 A CN 201810507357A CN 108765154 A CN108765154 A CN 108765154A
- Authority
- CN
- China
- Prior art keywords
- price
- machine people
- transaction machine
- envelope value
- stock
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种交易机器人分类模型的训练方法、电子设备和计算机存储介质。该方法交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k‑means算法进行训练,得到分类模型。本方法交易机器人获取预设时间段内的各股票每日的信息,并分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k‑means算法进行训练,得到分类模型,由于包络值比真实值更平滑,因此通过包络值训练出的模型更加精确。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种交易机器人分类模型的训练方法、电子设备和计算机存储介质。
背景技术
全世界股票、期货、外汇和黄金市场是一个资金博弈市场或资金博弈平台。博弈的决策人是操纵每个金融产品的庄家,这是极少数人。博弈策略是筹集大量的资金,利用资金优势,大量买进股票或各种金融产品,并控制了大量的筹码或金融产品,通过资金优势,任意拉抬和打压金融产品的价格,制造价格的波动,通过价格波动来赢得博弈胜利,就是赢取博弈对手的钱。
交易机器人可以基于股票信息智能的向投资者推荐投资信息,而如何训练交易机器人,使其推荐的信息更加准确成为当前研究的热点。
发明内容
(一)要解决的技术问题
为了合理推荐,本发明提供一种交易机器人分类模型的训练方法、电子设备和计算机存储介质。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种交易机器人分类模型的训练方法,所述方法,包括:
S101,交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;
S102,分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;
S103,交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型。
可选地,所述预设时间段为一年。
可选地,所述S102的包络值通过如下公式得到:
Ei(t)=a*[fi(t)-fi(t-1)]+logfi(t);
a=0.05*minfi(t)/maxfi(t);
i为参数标识,参数为成交量或开盘价格或收盘价格或最高价格或最低价格,Ei(t)为t日i对应的包络值,fi(t)为t日i的值。
可选地,所述S103包括:
S103-1,对于任一股票n,将其第t日的成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值组成向量
S103-2,根据形成样本点;
S103-3,通过k-means算法对各样本点进行聚类,形成分类模型。
可选地,所述103-2中每一个作为一个样本点。
可选地,S103-3包括:
S103-3-1,从所有样本点中选择k个作为中心点;
S103-3-2,计算各样本点与格中心点之间的距离;
S103-3-3,将各样本点归入距离最近的中心点;
S103-3-4,重新计算中心点所在类的新中心点;
S103-3-5,重新计算各样本点与各新中心点之间的距离;
S103-3-6,将各样本点归入距离最近的新中心点;
S103-3-7,重复执行S103-3-4、S103-3-5和S103-3-6,直至新中心点与前一中心点的变化量小于预设值,形成分类模型。
可选地,所述S103-3-2中任一样本点与任一中心点的距离D按下式计算:
A(n′,n″)为股票n′所属领域与股票n″所属领域之间的关联度;
B(t′,t″)为时间差系数;
可选地,所述B(t′,t″)=t′与t″之间的时间差/250。
为了达到上述目的,本发明采用的主要技术方案还包括:
一种电子设备,所述电子设备与交易机器人有线连接或者无线连接,所述电子设备包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器控制交易机器人执行所述程序时实现如上述方法任意一项的步骤。
为了达到上述目的,本发明采用的主要技术方案还包括:
一种计算机存储介质,所述计算机存储介质与交易机器人有线连接或者无线连接,所述程序被处理器控制交易机器人执行时实现如上述方法任意一项的步骤。
(三)有益效果
本发明的有益效果是:交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型,由于包络值比真实值更平滑,因此通过包络值训练出的模型更加精确。
附图说明
图1为本发明一个实施例提供的一种交易机器人分类模型的训练方法流程图;
图2为本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
交易机器人可以基于股票信息智能的向投资者推荐投资信息,而如何训练交易机器人,使其推荐的信息更加准确成为当前研究的热点。
本发明提供一种方法交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型,由于包络值比真实值更平滑,因此通过包络值训练出的模型更加精确。
参见图1,本实施例提供的交易机器人分类模型的训练方法实现流程如下:
S101,交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格。
其中,预设时间段可以为一年。
例如,交易机器人获取一年内各股票的交易信息,从交易信息中得到过去一年中股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格。
S102,分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值。
包络值Ei(t)=a*[fi(t)-fi(t-1)]+logfi(t);
a=0.05*minfi(t)/maxfi(t);
i为参数标识,参数为成交量或开盘价格或收盘价格或最高价格或最低价格,Ei(t)为t日i对应的包络值,fi(t)为t日i的值。
如,股票A在第5日的成交量为f成交量(5),其对应的包络值为:
E成交量(5)=a*[f成交量(5)-f成交量(4)]+logf成交量(5),
a为0.05*(股票A各日成交量的最小值/股票A各日成交量的最大值)。
包络值可以对S101中获得的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格进行平滑处理,平滑后的成交量、开盘价格、收盘价格、最高价格、最低价格即成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值更加贴合股票本身,将成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值作为样本进行训练,可以使得最终得到的模型更加准确。
S103,交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型。
具体的,
S103-1,对于任一股票n,将其第t日的成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值组成向量
如
S103-2,根据形成样本点。
如将每一个作为一个样本点。
S103-3,通过k-means算法对各样本点进行聚类,形成分类模型。
本步骤可以通过如下过程实现:
S103-3-1,从所有样本点中选择k个作为中心点。
S103-3-2,计算各样本点与格中心点之间的距离。
在计算距离时,本实施例提供一种距离计算方法,任一样本点与任一中心点的距离D按下式计算:
A(n′,n″)为股票n′所属领域与股票n″所属领域之间的关联度。在应用时,可以实现存储各领域之间的关联度,此处查找预先存储的关联度即可。
B(t′,t″)为时间差系数;B(t′,t″)=t′与t″之间的时间差/250。
本实施例在计算距离时,不仅考虑到现有技术中各特征之间的距离还考虑到样本点所在时间的距离B(t′,t″),同时,还考虑了样本点所属领域的差异。本实施例的距离更贴合样本之间的真实差距,训练出的模型更加精确。
S103-3-3,将各样本点归入距离最近的中心点。
S103-3-4,重新计算中心点所在类的新中心点。
S103-3-5,重新计算各样本点与各新中心点之间的距离。
S103-3-6,将各样本点归入距离最近的新中心点。
S103-3-7,重复执行S103-3-4、S103-3-5和S103-3-6,直至新中心点与前一中心点的变化量小于预设值,形成分类模型。
其中预设值可以为5%,则如果新中心点与前一中心点的变化量小于 5%,则停止循环,形成分类模型。
本实施例提供的训练方法,交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型,由于包络值比真实值更平滑,因此通过包络值训练出的模型更加精确。
参见图2,本实施例提供了一种电子设备,该电子设备可以位于交易机器人内,也可以与交易机器人分离,该电子设备可以与交易机器人有线连接,也可以无线连接,只要电子设备与交易机器人通信,进而控制交易机器人即可。
该电子设备包括:存储器201、处理器202、总线203以及存储在存储器201上并可在处理器202上运行的计算机程序,所述处理器202可以控制交易机器人执行所述程序时实现如下方法:
S101,交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;
S102,分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;
S103,交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型。
可选地,预设时间段为一年。
可选地,S102的包络值通过如下公式得到:
Ei(t)=a*[fi(t)-fi(t-1)]+logfi(t);
a=0.05*minfi(t)/maxfi(t);
i为参数标识,参数为成交量或开盘价格或收盘价格或最高价格或最低价格,Ei(t)为t日i对应的包络值,fi(t)为t日i的值。
可选地,S103包括:
S103-1,对于任一股票n,将其第t日的成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值组成向量
S103-2,根据形成样本点;
S103-3,通过k-means算法对各样本点进行聚类,形成分类模型。
可选地,103-2中每一个作为一个样本点。
可选地,S103-3包括:
S103-3-1,从所有样本点中选择k个作为中心点;
S103-3-2,计算各样本点与格中心点之间的距离;
S103-3-3,将各样本点归入距离最近的中心点;
S103-3-4,重新计算中心点所在类的新中心点;
S103-3-5,重新计算各样本点与各新中心点之间的距离;
S103-3-6,将各样本点归入距离最近的新中心点;
S103-3-7,重复执行S103-3-4、S103-3-5和S103-3-6,直至新中心点与前一中心点的变化量小于预设值,形成分类模型。
可选地,S103-3-2中任一样本点与任一中心点的距离D按下式计算:
A(n′,n″)为股票n′所属领域与股票n″所属领域之间的关联度;
B(t′,t″)为时间差系数;
可选地,B(t′,t″)=t′与t″之间的时间差/250。
本实施例提供的电子设备,控制交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型,由于包络值比真实值更平滑,因此通过包络值训练出的模型更加精确。
本实施例提供了一种计算机存储介质,该计算机存储介质可以位于交易机器人内,也可以与交易机器人分离,该计算机存储介质可以与交易机器人有线连接,也可以无线连接,只要计算机存储介质与交易机器人通信,进而控制交易机器人即可。
该计算机存储介质控制交易机器人执行如下操作:
S101,交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;
S102,分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;
S103,交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型。
可选地,预设时间段为一年。
可选地,S102的包络值通过如下公式得到:
Ei(t)=a*[fi(t)-fi(t-1)]+logfi(t);
a=0.05*minfi(t)/maxfi(t);
i为参数标识,参数为成交量或开盘价格或收盘价格或最高价格或最低价格,Ei(t)为t日i对应的包络值,fi(t)为t日i的值。
可选地,S103包括:
S103-1,对于任一股票n,将其第t日的成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值组成向量
S103-2,根据形成样本点;
S103-3,通过k-means算法对各样本点进行聚类,形成分类模型。
可选地,103-2中每一个作为一个样本点。
可选地,S103-3包括:
S103-3-1,从所有样本点中选择k个作为中心点;
S103-3-2,计算各样本点与格中心点之间的距离;
S103-3-3,将各样本点归入距离最近的中心点;
S103-3-4,重新计算中心点所在类的新中心点;
S103-3-5,重新计算各样本点与各新中心点之间的距离;
S103-3-6,将各样本点归入距离最近的新中心点;
S103-3-7,重复执行S103-3-4、S103-3-5和S103-3-6,直至新中心点与前一中心点的变化量小于预设值,形成分类模型。
可选地,S103-3-2中任一样本点与任一中心点的距离D按下式计算:
A(n′,n″)为股票n′所属领域与股票n″所属领域之间的关联度;
B(t′,t″)为时间差系数;
可选地,B(t′,t″)=t′与t″之间的时间差/250。
本实施例提供的计算机存储介质,控制交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型,由于包络值比真实值更平滑,因此通过包络值训练出的模型更加精确。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种交易机器人分类模型的训练方法,其特征在于,所述方法,包括:
S101,交易机器人获取预设时间段内的各股票每日的成交量、开盘价格、收盘价格、最高价格、最低价格;
S102,分别确定各股票每日成交量、开盘价格、收盘价格、最高价格、最低价格对应的包络值;
S103,交易机器人以包络值作为训练样本,通过k-means算法进行训练,得到分类模型。
2.根据权利要求1所述的方法,其特征在于,所述预设时间段为一年。
3.根据权利要求1所述的方法,其特征在于,所述S102的包络值通过如下公式得到:
Ei(t)=a*[fi(t)-fi(t-1)]+log fi(t);
a=0.05*min fi(t)/max fi(t);
i为参数标识,参数为成交量或开盘价格或收盘价格或最高价格或最低价格,Ei(t)为t日i对应的包络值,fi(t)为t日i的值。
4.根据权利要求1所述的方法,其特征在于,所述S103包括:
S103-1,对于任一股票n,将其第t日的成交量包络值、开盘价格包络值、收盘价格包络值、最高价格包络值、最低价包络值组成向量
S103-2,根据形成样本点;
S103-3,通过k-means算法对各样本点进行聚类,形成分类模型。
5.根据权利要求4所述的方法,其特征在于,所述103-2中每一个作为一个样本点。
6.根据权利要求5所述的方法,其特征在于,S103-3包括:
S103-3-1,从所有样本点中选择k个作为中心点;
S103-3-2,计算各样本点与格中心点之间的距离;
S103-3-3,将各样本点归入距离最近的中心点;
S103-3-4,重新计算中心点所在类的新中心点;
S103-3-5,重新计算各样本点与各新中心点之间的距离;
S103-3-6,将各样本点归入距离最近的新中心点;
S103-3-7,重复执行S103-3-4、S103-3-5和S103-3-6,直至新中心点与前一中心点的变化量小于预设值,形成分类模型。
7.根据权利要求6所述的方法,其特征在于,所述S103-3-2中任一样本点与任一中心点的距离D按下式计算:
A(n′,n″)为股票n′所属领域与股票n″所属领域之间的关联度;
B(t′,t″)为时间差系数;
8.根据权利要求7所述的方法,其特征在于,所述B(t′,t″)=t′与t″之间的时间差/250。
9.一种电子设备,其特征在于,所述电子设备与交易机器人有线连接或者无线连接,所述电子设备包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器控制交易机器人执行所述程序时实现如权利要求1-8任意一项的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机存储介质与交易机器人有线连接或者无线连接,所述程序被处理器控制交易机器人执行时实现如权利要求1-8任意一项的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810507357.7A CN108765154A (zh) | 2018-05-24 | 2018-05-24 | 交易机器人分类模型的训练方法、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810507357.7A CN108765154A (zh) | 2018-05-24 | 2018-05-24 | 交易机器人分类模型的训练方法、电子设备和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765154A true CN108765154A (zh) | 2018-11-06 |
Family
ID=64006591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810507357.7A Pending CN108765154A (zh) | 2018-05-24 | 2018-05-24 | 交易机器人分类模型的训练方法、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765154A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485363A (zh) * | 2016-10-21 | 2017-03-08 | 河南理工大学 | 一种股票日内价格趋势的量化及预测方法 |
CN106651583A (zh) * | 2017-01-12 | 2017-05-10 | 中国银河证券股份有限公司 | 交易量预测的方法及设备 |
CN106780018A (zh) * | 2016-11-19 | 2017-05-31 | 洪志令 | 一种基于历史重现的股票数据挖掘模型和系统 |
CN107766888A (zh) * | 2017-10-24 | 2018-03-06 | 众安信息技术服务有限公司 | 数据处理方法和装置 |
-
2018
- 2018-05-24 CN CN201810507357.7A patent/CN108765154A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485363A (zh) * | 2016-10-21 | 2017-03-08 | 河南理工大学 | 一种股票日内价格趋势的量化及预测方法 |
CN106780018A (zh) * | 2016-11-19 | 2017-05-31 | 洪志令 | 一种基于历史重现的股票数据挖掘模型和系统 |
CN106651583A (zh) * | 2017-01-12 | 2017-05-10 | 中国银河证券股份有限公司 | 交易量预测的方法及设备 |
CN107766888A (zh) * | 2017-10-24 | 2018-03-06 | 众安信息技术服务有限公司 | 数据处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
张大斌: "《数据挖掘与商务智能实验教程》", 31 January 2015, 华中师范大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175850B (zh) | 一种交易信息的处理方法及装置 | |
CN108053318A (zh) | 一种对异常交易进行识别的方法及装置 | |
CN107657500A (zh) | 股票推荐方法及服务器 | |
CN104318268B (zh) | 一种基于局部距离度量学习的多交易账户识别方法 | |
CN107133719A (zh) | 一种供应商价值评价方法 | |
KR102133886B1 (ko) | 인공지능을 활용한 암호화폐 가격예측방법 및 시스템 | |
CN108090830A (zh) | 一种基于面部画像的信贷风险评级方法和装置 | |
CN109727136A (zh) | 金融资产的配置方法及装置 | |
CN107977755A (zh) | 一种基于k线数据相似度的股票走势预测方法 | |
CN108257048A (zh) | 一种客观量化的中国发明专利评估系统及方法 | |
CN107808261A (zh) | Ace决策股票分析方法及系统 | |
CN106779982A (zh) | 一种家居户型在线设计交易控制方法及系统 | |
CN106022925A (zh) | 一种智能撮合匹配资产的方法 | |
CN109272312A (zh) | 用于交易风险实时侦测的方法和装置 | |
JP3152512U (ja) | 金融証券商品売買意思決定支援装置 | |
CN108765154A (zh) | 交易机器人分类模型的训练方法、电子设备和计算机存储介质 | |
Kromidha | A comparative analysis of online crowdfunding platforms in USA, Europe and Asia | |
CN108681939A (zh) | 基于交易机器人及数据处理中心的信息推荐方法 | |
CN109858922A (zh) | 非正常纳税人识别方法及装置 | |
CN108549982A (zh) | 信息推荐方法、电子设备和计算机存储介质 | |
CN108229801A (zh) | 逆向资产配置分析方法、设备及存储介质 | |
CN108537665A (zh) | 信息推荐方法、电子设备和计算机存储介质 | |
CN108876613A (zh) | 交易机器人的深度学习方法、电子设备和计算机存储介质 | |
Biplob et al. | DuPont Analysis of Return on Common Stockholder’s Equity in Pharmaceutical Industry of Bangladesh | |
CN110288482A (zh) | 钢厂期货交易方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |