CN109117991A - 一种股票订单交易方法和装置 - Google Patents
一种股票订单交易方法和装置 Download PDFInfo
- Publication number
- CN109117991A CN109117991A CN201810834365.2A CN201810834365A CN109117991A CN 109117991 A CN109117991 A CN 109117991A CN 201810834365 A CN201810834365 A CN 201810834365A CN 109117991 A CN109117991 A CN 109117991A
- Authority
- CN
- China
- Prior art keywords
- section
- order
- model
- stock
- transacted
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了股票订单交易方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分;根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量;根据所述区间可提交的订单量,提交股票的待交易订单。该实施方式解决现有技术对当前交易日各区间成交量的预测不准确,股票订单交易成本过高的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种股票订单交易方法和装置。
背景技术
算法交易是指在金融市场中,投资者通过计算机程序下达交易订单,并由计算机算法来确定交易订单的交易时机、价格、下单的数量等的交易方式。股票交易使用算法交易,可以提高整体交易市场的流动性,减少对市场的冲击,从而可以降低投资者的交易成本。对于需要提交大额订单的机构投资者,在提交大额订单时,交易往往不能一次性全部成交,会对市场产生较大的冲击,未成交的订单将承担这部分冲击成本,导致订单的交易成本较高。
通常大部分股票交易成交量预测方法采用的是基于简单的滚动平均的VWAP(Volume Weighted Average Price成交量加权平均价格)算法,可以将大订单拆分成小订单,一步一步提交订单,减少了市场冲击成本,使交易者降低了交易成本。但是,VWAP算法执行的效果依赖于成交量预测的准确性,并且在成交量预测过程中未使用当前区间的最近区间的成交量数据,即当市场行情产生变化时,预测的成交量比例并不能进行自动调整。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有的基于简单的滚动平均的VWAP算法,虽然有简单快速的优势,但是成交量分布预测的准确性较低,并且未使用当前区间最近区间的成交量数据,即未考虑市场行情变化的影响。例如,历史上相同区间成交量都比较高,滚动平均预测的成交量比例也会比较高,但是实际上市场在当日发生了变化,该区间实际成交量较小,当按预测的成交量比例提交订单时,会对市场造成较大的冲击,从而使用户付出较大的交易成本。
发明内容
有鉴于此,本发明实施例提供一种股票订单交易方法和装置,能够解决现有技术对当前交易日各区间成交量的预测不准确,股票订单交易成本过高的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种股票订单交易方法,包括接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分;根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量;根据所述区间可提交的订单量,提交股票的待交易订单。
可选地,通过预测模型计算区间的成交量比例的预测值之前,包括:
获取预设数据长度的待交易股票的历史成交量数据并划分为训练集和测试集;
分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,以选取成交量比例预测准确度最高的预测模型作为确定的预测模型。
可选地,分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,包括:
将历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数;Vt,i为第t个交易日第i个区间的成交量;而ωt,i为第t个交易日第i个区间的成交量比例。
可选地,根据所述区间可提交的订单量,提交股票的待交易订单,包括:
在区间的开始时间,按照该区间的可提交的订单量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间;
当在最后一个区间的时候,则将所有剩余订单量提交;其中,所有剩余订单包括未提交订单和未成交的订单。
另外,根据本发明实施例的一个方面,提供了一种股票订单交易装置,包括划分模块,用于接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分;计算模块,用于根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量;提交模块,用于根据所述区间可提交的订单量,提交股票的待交易订单。
可选地,所述计算模块通过预测模型计算区间的成交量比例的预测值之前,包括:
获取预设数据长度的待交易股票的历史成交量数据并划分为训练集和测试集;
分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,以选取成交量比例预测准确度最高的预测模型作为确定的预测模型。
可选地,所述计算模块分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,包括:
将历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数;Vt,i为第t个交易日第i个区间的成交量;而ωt,i为第t个交易日第i个区间的成交量比例。
可选地,所述提交模块根据所述区间可提交的订单量,提交股票的待交易订单,包括:
在区间的开始时间,按照该区间的可提交的订单量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间;
当在最后一个区间的时候,则将所有剩余订单量提交;其中,所有剩余订单包括未提交订单和未成交的订单。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一股票订单交易实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一基于股票订单交易实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明采用机器学习方法来进行成交量分布的预测,并且在成交量比例的预测过程中加入了最近区间的成交量数据,以适应市场行情突变导致成交量异常情况,进而提高了成交量比例预测的准确度,以及提高了VWAP算法的执行效果,进一步降低了交易成本。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的股票订单交易方法的主要流程的示意图;
图2是根据本发明可参考实施例的股票订单交易方法的主要流程的示意图;
图3是根据本发明实施例的股票订单交易装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的股票订单交易方法的主要流程的示意图,所述股票订单交易方法可以包括:
步骤S101,接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分。
步骤S102,根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量。
步骤S103,根据所述区间可提交的订单量,提交股票的待交易订单。
在一个较佳地实施例中,为了能够针对每次股票订单交易效率更高,在每次通过预测模型计算区间的成交量比例的预测值之前可以先获取预设数据长度的待交易股票的历史成交量数据并划分为训练集和测试集,然后分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,进而可以选取成交量比例预测准确度最高的预测模型作为确定的预测模型。
其中,SVR全称为Support Vector Regression,支持向量回归。随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。XGBoost全称为eXtreme GradientBoosting,极端梯度提升。
进一步地实施例,在分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练的过程中,需要将历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数;Vt,i为第t个交易日第i个区间的成交量;而ωt,i为第t个交易日第i个区间的成交量比例。
其中,所述的当前区间最近几个区间是指假设当前区间为当前交易日的第j个区间,则最近n个区间为:第j-1,第j-2,……,第j-n个区间。
在另外一个较佳地实施例中,根据所述区间可提交的订单量,提交股票的待交易订单的时候,其具体地实施过程包括:
在区间的开始时间,按照该区间的可提交的成交量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间。而当在最后一个区间的时候,则将所有剩余订单量提交。其中,所有剩余订单包括未提交订单和未成交的订单。
根据上面所述的各种实施例,可以看出通过本发明通过采用机器学习方法(SVR、随机森林、XGBoost)来进行成交量分布的预测,提高了成交量分布预测的准确性,进而提高了VWAP算法的执行效果,使交易者的交易成本更低,尤其市场冲击成本。同时,在成交量分布的预测过程中使用了当前区间最近几个区间的成交量数据,即使用了市场的实时数据,针对市场相应的变化,成交量比例的预测也会有相应的调整,也能够提高成交量分布预测的准确性,降低了交易成本。
例如:以上海证券交易所的工商银行(股票代码:601398)为例,使用2017年6月1日到2018年5月31日的1分钟成交量数据,根据本发明所述的方法,分别使用SVR模型、随机森林模型和XGBoost模型训练,此处使用MSE(Mean Square Error均方误差,一种评价标准)和MAPE(Mean Absolute Percentage Error平均绝对百分误差,一种评价标准)分别衡量成交量比例的预测效果和VWAP算法的执行效果,在测试集上XGBoost的预测效果最好,XGBoost相对于传统滚动平均方法,成交量比例预测的MSE降低了12.60%,VWAP算法执行的MAPE降低了30.42%。
图2是根据本发明可参考实施例的股票订单交易方法的主要流程的示意图,所述股票订单交易方法还可以包括:
步骤S201,获取预设数据长度的待交易股票的历史成交量数据。
其中,所述的预设数据长度为当前时间向前N长时间的数据。
例如:从数据库中获取A股全部股票1分钟成交量数据,预设数据长度为当前日期向前1年的数据。
步骤S202,对所述历史成交量数据进行预处理。
在实施例中,假设给定交易日共有M天,用t∈{1,2,,…,M}表示给定的第t个交易日,则第t个交易日的成交量记Vt。每个交易日均分成n个区间(即按照预设区间划分规则对每个交易日进行区间划分,例如:以每分钟进行区间的划分),则第t个交易日第i个区间的成交量记为Vt,i。记第t个交易日第i个区间的成交量比例为:
步骤S203,将预处理后的历史成交量数据划分为训练集和测试集,分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,选取成交量比例预测准确度最高的预测模型。
在实施例中,将预处理后得到的历史成交量数据按照7:3划分为训练集和测试集,分别使用SVR模型、随机森林模型和XGBoost模型训练,在测试集上验证结果,选取成交量比例预测准确度最高的预测模型,将预测模型存储到数据库中,用于预测。
值得说明的是,可以对于每支股票训练一个模型,存储在数据库中。进一步地,可以在每月的最后一个非交易日执行,即股票成交量比例预测模型每月重新训练一次。
在较佳地实施例中,在分别使用SVR模型、随机森林模型和XGBoost模型训练的时候,可以将预处理后得到的历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数。
优选地,l1和l2的确定可以通过ARMA模型(Auto-Regressive and Moving AverageModel自回归滑动平均模型)的定阶来确定,每支股票均需要单独确定。
步骤S204,根据用户输入的该股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分。
例如,预设区间划分规则可以为每分钟一个区间。
步骤S205,根据划分后的待交易时间段中的区间,获取该区间相对应的预处理后的历史成交量数据。
在实施例中,从数据库中获取划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,即选取的预测模型需要输入的三部分数据。
步骤S206,根据该区间相对应的预处理后的历史成交量数据,通过选取的模型计算该区间的成交量比例的预测值。
较佳地,选取的模型可以存储在内存中。
步骤S207,根据用户输入的该股票待交易的总订单量和该区间的成交量比例的预测值,获得该区间可提交的订单量。
在实施例中,用户输入的总订单量乘以区间的成交量比例的预测值,即可得到该区间可提交的成交量。
步骤S208,在区间的开始时间,按照该区间的可提交的订单量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间。
步骤S209,判断下个区间是否为最后一个区间,若是则进行步骤S210,否则返回步骤S205。
步骤S210,在最后一个区间将所有剩余订单量提交。
在实施例中,所有剩余订单量包括未提交订单量和未成交的订单量,即在最后一个区间全部提交。
图3是根据本发明实施例的股票订单交易装置,如图3所示,所述股票订单交易装置包括划分模块301、计算模块302和提交模块303。其中,划分模块301接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分。然后,计算模块302根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量。而提交模块303则根据所述区间可提交的订单量,提交股票的待交易订单。
较佳地,所述计算模块302通过预测模型计算区间的成交量比例的预测值之前,可以确定使用的预测模型。具体地:
获取预设数据长度的待交易股票的历史成交量数据并划分为训练集和测试集,分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,以选取成交量比例预测准确度最高的预测模型作为确定的预测模型。
进一步地,所述计算模块302在分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练的时候,可以将历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数;Vt,i为第t个交易日第i个区间的成交量;而ωt,i为第t个交易日第i个区间的成交量比例。
在另一个实施例中,所述提交模块303在根据所述区间可提交的订单量,提交股票的待交易订单的时候,可以在区间的开始时间,按照该区间的可提交的成交量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间。而当在最后一个区间的时候,则将所有剩余订单量提交;其中,所有剩余订单包括未提交订单和未成交的订单。
需要说明的是,在本发明所述股票订单交易装置的具体实施内容,在上面所述股票订单交易方法中已经详细说明了,故在此重复内容不再说明。
图4示出了可以应用本发明实施例的股票订单交易方法或股票订单交易装置的示例性系统架构400。或者图4示出了可以应用本发明实施例的股票订单交易方法或股票订单交易装置的示例性系统架构300。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的股票订单交易方法一般由服务器405执行,相应地,股票订单交易装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括划分模块、计算模块和提交模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分;根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量;根据所述区间可提交的订单量,提交股票的待交易订单。
根据本发明实施例的技术方案,解决现有技术对当前交易日各区间成交量的预测不准确,股票订单交易成本过高的问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种股票订单交易方法,其特征在于,包括:
接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分;
根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量;
根据所述区间可提交的订单量,提交股票的待交易订单。
2.根据权利要求1所述的方法,其特征在于,通过预测模型计算区间的成交量比例的预测值之前,包括:
获取预设数据长度的待交易股票的历史成交量数据并划分为训练集和测试集;
分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,以选取成交量比例预测准确度最高的预测模型作为确定的预测模型。
3.根据权利要求2所述的方法,其特征在于,分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,包括:
将历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数;Vt,i为第t个交易日第i个区间的成交量;而ωt,i为第t个交易日第i个区间的成交量比例。
4.根据权利要求1所述的方法,其特征在于,根据所述区间可提交的订单量,提交股票的待交易订单,包括:
在区间的开始时间,按照该区间的可提交的订单量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间;
当在最后一个区间的时候,则将所有剩余订单量提交;其中,所有剩余订单包括未提交订单和未成交的订单。
5.一种股票订单交易装置,其特征在于,包括:
划分模块,用于接收股票待交易的开始时间和结束时间,通过预设区间划分规则对待交易时间段进行划分;
计算模块,用于根据划分后的待交易时间段中区间对应的历史交易日相同区间成交量数据、历史交易日日成交量数据以及最近几个区间的成交量数据,通过预测模型计算区间的成交量比例的预测值,进而获得区间可提交的订单量;
提交模块,用于根据所述区间可提交的订单量,提交股票的待交易订单。
6.根据权利要求5所述的装置,其特征在于,所述计算模块通过预测模型计算区间的成交量比例的预测值之前,包括:
获取预设数据长度的待交易股票的历史成交量数据并划分为训练集和测试集;
分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,且在测试集上验证结果,以选取成交量比例预测准确度最高的预测模型作为确定的预测模型。
7.根据权利要求6所述的装置,其特征在于,所述计算模块分别使用SVR模型、随机森林模型和XGBoost模型在训练集上进行训练,包括:
将历史成交量数据整理为SVR模型、随机森林模型和XGBoost模型的输入和输出(xt,i,yt,i)如下:
其中,l1和l2为两个参数,分别表示使用的历史交易日相同区间成交量数据的个数和使用的当前区间最近几个区间成交量数据的个数;Vt,i为第t个交易日第i个区间的成交量;而ωt,i为第t个交易日第i个区间的成交量比例。
8.根据权利要求5所述的装置,其特征在于,所述提交模块根据所述区间可提交的订单量,提交股票的待交易订单,包括:
在区间的开始时间,按照该区间的可提交的订单量提交订单,而在区间的结束时间将未成交的订单转移至下一个区间;
当在最后一个区间的时候,则将所有剩余订单量提交;其中,所有剩余订单包括未提交订单和未成交的订单。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810834365.2A CN109117991A (zh) | 2018-07-26 | 2018-07-26 | 一种股票订单交易方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810834365.2A CN109117991A (zh) | 2018-07-26 | 2018-07-26 | 一种股票订单交易方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117991A true CN109117991A (zh) | 2019-01-01 |
Family
ID=64862201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810834365.2A Pending CN109117991A (zh) | 2018-07-26 | 2018-07-26 | 一种股票订单交易方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117991A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046259A (zh) * | 2019-03-15 | 2019-07-23 | 浙江大学城市学院 | 一种基于判决书文本的涉毒案件深度分析方法 |
WO2020168845A1 (zh) * | 2019-02-19 | 2020-08-27 | 阿里巴巴集团控股有限公司 | 一种优化交易成本的方法、系统及设备 |
WO2020199483A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 金融数据的图像处理方法、装置、设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751363A (zh) * | 2015-03-24 | 2015-07-01 | 北京工商大学 | 基于贝叶斯分类器的股票中长期趋势预测方法及系统 |
CN104766144A (zh) * | 2015-04-22 | 2015-07-08 | 携程计算机技术(上海)有限公司 | 订单预测方法及系统 |
CN106203731A (zh) * | 2016-07-25 | 2016-12-07 | 上海电机学院 | 一种基于2‑维流预测的股票趋势预测方法 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN106447135A (zh) * | 2016-11-06 | 2017-02-22 | 洪志令 | 一种基于最相似走势的股票短期预测方法 |
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 |
CN106779144A (zh) * | 2016-11-18 | 2017-05-31 | 洪志令 | 一种基于自身历史相关时间点的股票趋势预测方法 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
-
2018
- 2018-07-26 CN CN201810834365.2A patent/CN109117991A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751363A (zh) * | 2015-03-24 | 2015-07-01 | 北京工商大学 | 基于贝叶斯分类器的股票中长期趋势预测方法及系统 |
CN104766144A (zh) * | 2015-04-22 | 2015-07-08 | 携程计算机技术(上海)有限公司 | 订单预测方法及系统 |
CN106203731A (zh) * | 2016-07-25 | 2016-12-07 | 上海电机学院 | 一种基于2‑维流预测的股票趋势预测方法 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN106447135A (zh) * | 2016-11-06 | 2017-02-22 | 洪志令 | 一种基于最相似走势的股票短期预测方法 |
CN106779144A (zh) * | 2016-11-18 | 2017-05-31 | 洪志令 | 一种基于自身历史相关时间点的股票趋势预测方法 |
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 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020168845A1 (zh) * | 2019-02-19 | 2020-08-27 | 阿里巴巴集团控股有限公司 | 一种优化交易成本的方法、系统及设备 |
CN110046259A (zh) * | 2019-03-15 | 2019-07-23 | 浙江大学城市学院 | 一种基于判决书文本的涉毒案件深度分析方法 |
WO2020199483A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 金融数据的图像处理方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200286039A1 (en) | Information generation method and apparatus | |
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN113239317B (zh) | 确定订单履约仓库的方法和装置 | |
CN108985809A (zh) | 激励推送的方法、装置、电子设备和存储介质 | |
CN109961299A (zh) | 数据分析的方法和装置 | |
Liu et al. | Research on sales information prediction system of e-commerce enterprises based on time series model | |
CN109117991A (zh) | 一种股票订单交易方法和装置 | |
CN110371560A (zh) | 自动盘点的方法和装置 | |
CN113627846A (zh) | 一种库存调整方法、装置、电子设备及计算机可读介质 | |
CN110400184A (zh) | 用于生成信息的方法和装置 | |
US20140289167A1 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN107590678A (zh) | 商品推荐方法和系统 | |
CN108985808A (zh) | 一种进行商品选择的方法和装置 | |
CN110109901A (zh) | 筛选目标对象的方法和装置 | |
CN109961328A (zh) | 确定订单冷静期的方法和装置 | |
CN108932625A (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
CN112446764A (zh) | 游戏商品推荐方法、装置及电子设备 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN110020876A (zh) | 一种信息生成方法和装置 | |
CN107704357A (zh) | 日志生成方法和装置 | |
CN109993566A (zh) | 一种预测产品目标数据的方法和装置 | |
CN114119172A (zh) | 包车产品展示方法、装置、电子设备和存储介质 | |
CN112950320A (zh) | 基于机器自学习的商品自动上下线方法、装置和电子设备 | |
CN109961161B (zh) | 商品管理方法、系统、电子设备及计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |