CN108846525A - 外汇交易量预测方法和装置 - Google Patents
外汇交易量预测方法和装置 Download PDFInfo
- Publication number
- CN108846525A CN108846525A CN201810871712.9A CN201810871712A CN108846525A CN 108846525 A CN108846525 A CN 108846525A CN 201810871712 A CN201810871712 A CN 201810871712A CN 108846525 A CN108846525 A CN 108846525A
- Authority
- CN
- China
- Prior art keywords
- foreign exchange
- prediction
- dealing amount
- day
- dealing
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种外汇交易量预测方法和装置,采用多个预测模型,从不同角度对各个业务日的外汇交易量进行预测,再根据预测值和真实值计算外汇交易量的变化趋势,从而对未来时间段内的外汇交易量进行预测,提高了预测准确度。
Description
技术领域
本说明书涉及数据处理技术领域,尤其涉及外汇交易量预测方法和装置。
背景技术
在国际汇兑业务中,需要通过提前购买下一个购汇结算周期的各外汇交易量,减少潜在的汇率敞口波动风险,进行损益控制。为了进行损益控制,需要对每个购汇结算周期的外汇交易量进行预测。因此,有必要对外汇交易量的预测方式进行改进。
发明内容
基于此,本说明书提供了外汇交易量预测方法和装置。
根据本说明书实施例的第一方面,提供一种外汇交易量预测方法,所述方法包括:分别根据各个业务日的外汇交易量预测值和对应业务日的外汇交易量真实值计算外汇交易量的变化趋势,并根据所述变化趋势对未来时间段内的外汇交易量进行预测,其中,各个业务日的外汇交易量预测值分别根据以下方式获取:分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果;根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值;N为预设的正整数。
可选地,根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值的步骤包括:将各个当前第一预测结果的加权平均值作为所述当前预测时间节点之后第N个业务日的外汇交易量预测值。
可选地,所述方法还包括:根据特定业务日的外汇交易量预测值计算所述特定业务日的影响因子;根据所述影响因子对未来时间段中特定业务日的外汇交易量预测值进行修正。
可选地,根据特定业务日的外汇交易量预测值计算所述特定业务日的影响因子的步骤包括:将所述特定业务日的外汇交易量预测值与所述特定业务日的外汇交易量的真实值的比值作为所述影响因子。
可选地,所述方法还包括:分别将特定业务日的外汇交易量输入所述多个预测模型,获取各个预测模型对应的第二预测结果;根据各个第二预测结果计算所述特定业务日的外汇交易量预测值。
可选地,根据各个第二预测结果计算所述特定业务日的外汇交易量预测值的步骤包括:将各个第二预测结果的加权平均值作为所述特定业务日的外汇交易量预测值。
可选地,分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果的步骤包括:将当前预测时间节点之前的历史外汇交易量输入预先训练的第一预测模型,获取第一预测模型对应的第一预测结果;将距当前预测时间节点最近N个业务日的历史外汇交易量输入预先训练的第二预测模型,获取第二预测模型对应的第一预测结果;以及将当前预测时间节点的历史同期N个业务日的历史外汇交易量输入预先训练的第三预测模型,获取第三预测模型对应的第一预测结果。
可选地,所述第一预测模型为ARIMA模型,所述第二预测模型为均值估计模型,所述第三预测模型为环比趋势估计模型。
根据本说明书实施例的第二方面,提供一种外汇交易量预测装置,所述装置包括:预测模块,用于分别根据各个业务日的外汇交易量预测值和对应业务日的外汇交易量真实值计算外汇交易量的变化趋势,并根据所述变化趋势对未来时间段内的外汇交易量进行预测,其中,各个业务日的外汇交易量预测值分别通过执行以下模块的功能来获取:输入模块,用于分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果;计算模块,用于根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值;N为预设的正整数。
根据本说明书实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例所述的方法。
根据本说明书实施例的第四方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一实施例所述的方法。
应用本说明书实施例方案,采用多个预测模型,从不同角度对各个业务日的外汇交易量进行预测,再根据预测值和真实值计算外汇交易量的变化趋势,从而对未来时间段内的外汇交易量进行预测,提高了预测准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本说明书一个实施例的外汇交易量预测方法流程图。
图2是本说明书一个实施例的时间序列数据的示意图。
图3是本说明书一个实施例的外汇交易量预测总体原理图。
图4是本说明书一个实施例的外汇交易量预测装置的框图。
图5是本说明书一个实施例的用于实施本说明书实施例方法的计算机设备的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示,是本说明书一个实施例的外汇交易量预测方法流程图。所述方法可包括:
步骤102:分别根据各个业务日的外汇交易量预测值和对应业务日的外汇交易量真实值计算外汇交易量的变化趋势,并根据所述变化趋势对未来时间段内的外汇交易量进行预测,其中,各个业务日的外汇交易量预测值分别根据以下方式获取:
步骤104:分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果;
步骤106:根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值;N为预设的正整数。
在上述实施例中,业务日即业务量的一个统计周期,其可以与自然日(0:00至23:59)相同,也可以由业务系统预先设定,例如,可以设定为某个自然日的15:00至次日的14:59,或者设定为其他时间段。
在步骤102中,可以获取多个业务日的外汇交易量预测值和外汇交易量真实值,例如,可以获取(N1,N2,……,NT)共T个业务日的外汇交易量预测值和外汇交易量真实值,预测值和真实值分别设为(v1,v2,……,vT)和(V1,V2,……,VT)。在计算外汇交易量的变化趋势时,可以计算对应业务日的真实值与预测值的比值,将各个业务日对应的比值作为外汇交易量的变化趋势。即,外汇交易量的变化趋势为(V1/v1,V2/v2,……,VT/vT)。
根据所述变化趋势对未来时间段内的外汇交易量进行预测,可以根据第i个业务日之前的多个业务日的变化趋势对第i个业务日的外汇交易量进行预测,根据第i+1个业务日之前的多个业务日的变化趋势对第i+1个业务日的外汇交易量进行预测,以此类推。其中,每个业务日的外汇交易量预测值vi(1≤i≤T)可通过执行步骤104和步骤106来获取。
在步骤104中,当前预测时间节点可以根据实际需要设定,一般来说,可以采用当前预测时间节点以前的外汇交易量来预测当前预测时间节点之后第N天的外汇交易量。假设当前预测时间节点为T,待预测的外汇交易量为当前预测时间节点之后第N天的外汇交易量,这种预测方式可称为T+N预测。
重复执行步骤104和步骤106,可以根据当前预测时间节点T之前的外汇交易量来获取当前预测时间节点T的T+N预测结果,根据当前预测时间节点T+1之前的外汇交易量来获取当前预测时间节点T+1的T+N预测结果,以此类推。
用于预测的外汇交易量可以按照时间顺序生成时间序列数据。这里的外汇交易量可以是正向交易量,也可以是逆向交易量。在消费场景中,用户的购买付款行为与用户退款行为带来的是相反的资金流动,在资金结算时,对于商户视角,用户付款行为为一种正向交易,用户退款行为为一种逆向交易,因此,正向交易量即用户向商户付款的总量,逆向交易量即为用户从商户退款的总量。
还可以获取各个业务日的业务日日期属性和/或业务日促销属性,以用于对特定业务日的预测结果的修正。其中,业务日日期属性即业务日对应的日期是否月初、月末、月中、工作日、非工作日或者节假日等属性。业务日促销属性即业务日是否存在促销活动以及促销活动的活动等级,其中,活动等级由促销活动的折扣力度、覆盖商户范围、预期交易量等因素来决定。一个实施例的时间序列数据如图2所示。
在一个实施例中,获取各个预测模型对应的当前第一预测结果时,可以将当前预测时间节点之前的历史外汇交易量输入预先训练的第一预测模型,获取第一预测模型对应的第一预测结果;将距当前预测时间节点最近N个业务日的历史外汇交易量输入预先训练的第二预测模型,获取第二预测模型对应的第一预测结果;以及将当前预测时间节点的历史同期N个业务日的历史外汇交易量输入预先训练的第三预测模型,获取第三预测模型对应的第一预测结果。
第一训练模型根据历史全量数据来获取第一预测结果,第二训练模型根据最近N个业务日的数据来获取第一预测结果,第三训练模型根据历史同期数据来获取预测结果。三种模型分别从不同的角度来获取预测结果,最后将各个模型的预测结果综合起来得到外汇交易量预测值,能够减少各个模型自身的预测偏差,获取较为平稳的预测结果。
其中,所述第一预测模型可以是ARIMA(Autoregressive Integrated MovingAverage Model,自回归积分滑动平均模型),所述第二预测模型可以是均值估计模型,所述第三预测模型可以是环比趋势估计模型。ARIMA模型能感知数据周期趋势、增长趋势、季节趋势;均值估计模型是就按近期的数据的均值,获得的预测值,偏重于对近期稳定趋势的模仿;环比趋势估计模型参考历史同期走势,用历史同期的趋势预测当期的趋势,偏重于对历史同期的模仿。当然,在实际应用中所采用的预测模型的种类和数量均不限于上述实施例,可采用其他数量的多种能够获得稳定性趋势的预测模型来替代上述模型。一个实施例的外汇交易量预测总体原理图如图3所示。
对于ARIMA模型,可以将历史全量数据直接输入该模型,以获取第一预测结果。对于均值估计模型,可以对距当前预测时间节点最近N个业务日的历史外汇交易量求平均,将均值作为第一预测结果。对于环比趋势估计模型,可以当前预测时间节点的历史同期(记作day1)的前N天的历史值以及day1后M天的历史值总和。用当前预测时间节点的前N天的历史值去除以day1的前N天的历史值,得到环比比值r,然后用这个环比比值r去乘以day1后M天的历史值总和,得到最终的预测值。M的取值为正整数,可选地,M的值为1。
在步骤106中,可以将各个当前第一预测结果的加权平均值作为所述当前预测时间节点之后第N个业务日的外汇交易量预测值。各个第一预测结果的权值可以是归一化权值,即权值之和为1。
在一个实施例中,所述方法还包括:根据特定业务日的外汇交易量预测值计算所述特定业务日的影响因子;根据所述影响因子对未来时间段中特定业务日的外汇交易量预测值进行修正。
其中,特定业务日是可能存在对外汇交易量具有较大影响的事件的业务日。例如,可以是月初业务日、月末业务日、节假日,或者双十一、双十二等举行大促销活动的业务日。通过对特定业务日的外汇交易量预测值进行修正,能够提高预测准确度。
具体地,可以将所述特定业务日的外汇交易量预测值与所述特定业务日的外汇交易量的真实值的比值作为所述影响因子,并以此影响因子来对未来时间段中特定业务日的外汇交易量预测值进行修正。
其中,特定业务日的外汇交易量预测值的获取方式可以采用与步骤104类似的方式。即,分别将特定业务日的外汇交易量输入所述多个预测模型,获取各个预测模型对应的第二预测结果;根据各个第二预测结果计算所述特定业务日的外汇交易量预测值。可选地,这里采用的多个预测模型可以与步骤104采用的各个预测模型相同,每种模型的预测方式也可以与步骤104中各个预测模型的预测方式相同。
进一步地,在获取各个预测模型对应的第二预测结果之后,可以将各个第二预测结果的加权平均值作为所述特定业务日的外汇交易量预测值。
本说明书实施例对于没有更多的信息的时间序列,只知道特定业务日的日期属性时,将特定业务日中的T+N的N天数据预测分为两部分,一部分是序列的稳定趋势,一部分是由于特定业务日带来的影响因素与趋势,最后将两部分趋势相融合,以得到未来时间段的外汇交易量预测值,提高了预测结果的准确度。
以上实施例中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
如图4所示,本说明书实施例还提供一种外汇交易量预测装置,所述装置可包括:
预测模块402,用于分别根据各个业务日的外汇交易量预测值和对应业务日的外汇交易量真实值计算外汇交易量的变化趋势,并根据所述变化趋势对未来时间段内的外汇交易量进行预测,其中,各个业务日的外汇交易量预测值分别通过执行以下模块的功能来获取:
输入模块404,用于分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果;
计算模块406,用于根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值;N为预设的正整数。
上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书装置的实施例可以应用在计算机设备上,例如服务器或终端设备。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本说明书装置所在计算机设备的一种硬件结构图,除了图5所示的处理器502、内存504、网络接口506、以及非易失性存储器508之外,实施例中装置所在的服务器或电子设备,通常根据该计算机设备的实际功能,还可以包括其他硬件,对此不再赘述。
相应地,本说明书实施例还提供一种计算机存储介质,所述存储介质中存储有程序,所述程序被处理器执行时实现上述任一实施例中的方法。
相应地,本说明书实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例中的方法。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本领域技术人员在考虑说明书及实践这里公开的说明书后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。
Claims (11)
1.一种外汇交易量预测方法,所述方法包括:
分别根据各个业务日的外汇交易量预测值和对应业务日的外汇交易量真实值计算外汇交易量的变化趋势,并根据所述变化趋势对未来时间段内的外汇交易量进行预测,其中,各个业务日的外汇交易量预测值分别根据以下方式获取:
分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果;
根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值;N为预设的正整数。
2.根据权利要求1所述的方法,根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值的步骤包括:
将各个当前第一预测结果的加权平均值作为所述当前预测时间节点之后第N个业务日的外汇交易量预测值。
3.根据权利要求1所述的方法,所述方法还包括:
根据特定业务日的外汇交易量预测值计算所述特定业务日的影响因子;
根据所述影响因子对未来时间段中特定业务日的外汇交易量预测值进行修正。
4.根据权利要求3所述的方法,根据特定业务日的外汇交易量预测值计算所述特定业务日的影响因子的步骤包括:
将所述特定业务日的外汇交易量预测值与所述特定业务日的外汇交易量的真实值的比值作为所述影响因子。
5.根据权利要求3所述的方法,所述方法还包括:
分别将特定业务日的外汇交易量输入所述多个预测模型,获取各个预测模型对应的第二预测结果;
根据各个第二预测结果计算所述特定业务日的外汇交易量预测值。
6.根据权利要求5所述的方法,根据各个第二预测结果计算所述特定业务日的外汇交易量预测值的步骤包括:
将各个第二预测结果的加权平均值作为所述特定业务日的外汇交易量预测值。
7.根据权利要求1至6任意一项所述的方法,分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果的步骤包括:
将当前预测时间节点之前的历史外汇交易量输入预先训练的第一预测模型,获取第一预测模型对应的第一预测结果;
将距当前预测时间节点最近N个业务日的历史外汇交易量输入预先训练的第二预测模型,获取第二预测模型对应的第一预测结果;以及
将当前预测时间节点的历史同期N个业务日的历史外汇交易量输入预先训练的第三预测模型,获取第三预测模型对应的第一预测结果。
8.根据权利要求7所述的方法,所述第一预测模型为ARIMA模型,所述第二预测模型为均值估计模型,所述第三预测模型为环比趋势估计模型。
9.一种外汇交易量预测装置,所述装置包括:
预测模块,用于分别根据各个业务日的外汇交易量预测值和对应业务日的外汇交易量真实值计算外汇交易量的变化趋势,并根据所述变化趋势对未来时间段内的外汇交易量进行预测,其中,各个业务日的外汇交易量预测值分别通过执行以下模块的功能来获取:
输入模块,用于分别将当前预测时间节点之前的历史外汇交易量输入预先训练的多个预测模型,获取各个预测模型对应的当前第一预测结果;
计算模块,用于根据各个当前第一预测结果计算所述当前预测时间节点之后第N个业务日的外汇交易量预测值;N为预设的正整数。
10.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1至8任意一项所述的方法。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至8任意一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871712.9A CN108846525A (zh) | 2018-08-02 | 2018-08-02 | 外汇交易量预测方法和装置 |
TW108119294A TWI714113B (zh) | 2018-08-02 | 2019-06-04 | 外匯交易量預測方法和裝置 |
PCT/CN2019/091570 WO2020024712A1 (zh) | 2018-08-02 | 2019-06-17 | 外汇交易量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871712.9A CN108846525A (zh) | 2018-08-02 | 2018-08-02 | 外汇交易量预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846525A true CN108846525A (zh) | 2018-11-20 |
Family
ID=64195258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810871712.9A Pending CN108846525A (zh) | 2018-08-02 | 2018-08-02 | 外汇交易量预测方法和装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN108846525A (zh) |
TW (1) | TWI714113B (zh) |
WO (1) | WO2020024712A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059847A (zh) * | 2019-03-01 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 模型预测加速方法和装置 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
WO2020024712A1 (zh) * | 2018-08-02 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
CN111796995A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 基于集成学习的循环序列号使用量预警方法及系统 |
CN113139686A (zh) * | 2021-04-25 | 2021-07-20 | 中国工商银行股份有限公司 | 交易量动态阈值监控方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI795949B (zh) * | 2021-10-15 | 2023-03-11 | 財團法人資訊工業策進會 | 訓練預測模型的裝置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020161677A1 (en) * | 2000-05-01 | 2002-10-31 | Zumbach Gilles O. | Methods for analysis of financial markets |
CN106503853A (zh) * | 2016-11-02 | 2017-03-15 | 华南师范大学 | 一种基于多标度卷积神经网络的外汇交易预测模型 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853480A (zh) * | 2009-03-31 | 2010-10-06 | 北京邮电大学 | 一种基于神经网络预测模型的外汇交易方法 |
CN107346464B (zh) * | 2016-05-06 | 2021-04-16 | 腾讯科技(深圳)有限公司 | 业务指标预测方法及装置 |
CN106875027B (zh) * | 2016-06-06 | 2020-11-06 | 创新先进技术有限公司 | 资源请求值的预测方法及装置、交易量的预测方法 |
TWI631525B (zh) * | 2016-06-13 | 2018-08-01 | 謝漢銘 | Financial commodity transaction data processing device and method thereof |
CN107506845A (zh) * | 2017-07-07 | 2017-12-22 | 成都阜特科技股份有限公司 | 一种基于多模型融合的售电量预测方法及其系统 |
CN108846525A (zh) * | 2018-08-02 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
-
2018
- 2018-08-02 CN CN201810871712.9A patent/CN108846525A/zh active Pending
-
2019
- 2019-06-04 TW TW108119294A patent/TWI714113B/zh active
- 2019-06-17 WO PCT/CN2019/091570 patent/WO2020024712A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020161677A1 (en) * | 2000-05-01 | 2002-10-31 | Zumbach Gilles O. | Methods for analysis of financial markets |
CN106503853A (zh) * | 2016-11-02 | 2017-03-15 | 华南师范大学 | 一种基于多标度卷积神经网络的外汇交易预测模型 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020024712A1 (zh) * | 2018-08-02 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
CN110059847A (zh) * | 2019-03-01 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 模型预测加速方法和装置 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN111796995A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 基于集成学习的循环序列号使用量预警方法及系统 |
CN111796995B (zh) * | 2020-06-30 | 2024-02-09 | 中国工商银行股份有限公司 | 基于集成学习的循环序列号使用量预警方法及系统 |
CN113139686A (zh) * | 2021-04-25 | 2021-07-20 | 中国工商银行股份有限公司 | 交易量动态阈值监控方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TWI714113B (zh) | 2020-12-21 |
TW202008231A (zh) | 2020-02-16 |
WO2020024712A1 (zh) | 2020-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846525A (zh) | 外汇交易量预测方法和装置 | |
CN109359758A (zh) | 外汇交易量预测方法和装置 | |
CN108364173B (zh) | 用于电商平台的数字资产处理方法及装置 | |
US20170300939A1 (en) | Optimizing promotional offer mixes using predictive modeling | |
CN109102151A (zh) | 一种可疑群组识别方法和装置 | |
CN112330358A (zh) | 产品销量预测的方法和装置、存储介质和电子设备 | |
Belke et al. | Hysteresis effects in economics–different methods for describing economic path-dependence | |
CN108389060A (zh) | 顾客忠诚度信息处理方法及装置 | |
Geebelen et al. | QoS prediction for web service compositions using kernel-based quantile estimation with online adaptation of the constant offset | |
CN109034493A (zh) | 一种账户余额预测方法及装置 | |
EP3961507A1 (en) | Optimal policy learning and recommendation for distribution task using deep reinforcement learning model | |
Xing et al. | Home bias, border effect and internal market integration in China: Evidence from inter‐provincial value‐added tax statistics | |
Pazos | Valuation of utility tokens based on the quantity theory of money | |
Abbara et al. | Modeling and forecasting intraday VaR of an exchange rate portfolio | |
CN110060089A (zh) | 一种用户画像构建方法及装置 | |
Anctil et al. | The asymptotic optimality of residual income maximization | |
Jenkins et al. | Bayesian model-based offline reinforcement learning for product allocation | |
Mohamed et al. | Forecasting electricity consumption: A Comparison of models for New Zealand | |
Semmler et al. | Liquidity, credit and output: A regime change model and empirical estimations | |
CN110210885A (zh) | 挖掘潜在客户的方法、装置、设备及可读存储介质 | |
CN109960572A (zh) | 设备资源管理方法和装置以及智能终端 | |
Reiner et al. | An encompassing view on markdown pricing strategies: an analysis of the Austrian mobile phone market | |
CN110264250A (zh) | 确定产品对等资源量在多个地域的分布数据的方法及装置 | |
Bjørnenak et al. | Customer relations and cost management | |
US20100250333A1 (en) | Optimizing cashback rates |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40000618 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |