CN109345050A - 一种量化交易预测方法、装置及设备 - Google Patents
一种量化交易预测方法、装置及设备 Download PDFInfo
- Publication number
- CN109345050A CN109345050A CN201810864202.9A CN201810864202A CN109345050A CN 109345050 A CN109345050 A CN 109345050A CN 201810864202 A CN201810864202 A CN 201810864202A CN 109345050 A CN109345050 A CN 109345050A
- Authority
- CN
- China
- Prior art keywords
- transaction
- transaction data
- failure
- quantitative
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013139 quantization Methods 0.000 title claims abstract description 7
- 230000006399 behavior Effects 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 22
- 238000013102 re-test Methods 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010026749 Mania Diseases 0.000 description 2
- 206010016766 flatulence Diseases 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种量化交易预测方法、装置及设备,其中方法包括:获取当前时刻交易市场的当前市场指标和当前交易指标;将当前市场指标和当前交易指标代入量化交易预测模型,对量化交易预测模型中相对应的参数进行更新;获取待测交易行为的待测交易数据,将待测交易数据输入更新后的量化交易预测模型进行预测,确定出待测交易数据属于失败交易数据的失败概率,并根据该失败概率判断该待测交易行为是否属于失败交易行为。通过上述方案,有效提高交易行为预测判断的速度,并且量化交易预测模型具有学习训练的能力,能够随着市场交易的变化及时更新,进而有效提高交易行为预测的准确率。
Description
技术领域
本申请涉及金融交易技术领域,特别是涉及一种量化交易预测方法、装置及设备。
背景技术
随着人们生活水平的提高,人们手中积累的资产越来越多,有些人会将这些资产放在银行中,但是银行的收益利率非常的低,因此现在很多人选择将资产进行金融投资交易。
由于金融投资交易的收益情况不固定,为了能够更好的帮助投资者进行理财投资,很多理财公司使用量化交易的方式为投资者进行投资检测。量化交易是指以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略,极大地减少了投资者情绪波动的影响,避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
但是目前的量化交易的准确率还比较低,对于失败的量化交易只能人工分析和查询,进而来确定是否存在改进方案或者不合理的交易,然后再通过具体的策略代码进行修正,然而上述情况往往会造成过拟合的效果,而且对于量化策略的微调会带来负面的效果和影响,很难量化最终的效果。
发明内容
有鉴于此,本申请提供了一种量化交易预测方法、装置及设备,主要目的在于解决目前对于失败的量化交易只能进行人工分析和查询,使得量化交易的准确率较低的问题。
依据本申请的第一方面,提供了一种量化交易预测方法,所述方法包括:
获取当前时刻交易市场的当前市场指标和当前交易指标,其中,当前市场指标和当前交易指标均会随着时间的变化而不断变动;
将所述当前市场指标和所述当前交易指标代入量化交易预测模型,对所述量化交易预测模型中相对应的参数进行更新,进而保证所述相对应的参数的准确性,所述量化交易预测模型是根据历史失败交易数据进行学习训练获得,所述量化交易预测模型中设有分别与当前市场指标和当前交易指标相对应的参数;
获取待测交易行为的待测交易数据,将所述待测交易数据输入更新后的量化交易预测模型进行预测,确定出所述待测交易数据属于失败交易数据的失败概率;
将所述失败概率与预定概率进行对比,当所述失败概率大于等于所述预定概率时,则所述待测交易数据属于失败交易数据,否则属于成功交易数据。
依据本申请的第二方面,提供了一种量化交易预测装置,所述装置包括:
获取单元,用于获取当前时刻交易市场的当前市场指标和当前交易指标,其中,当前市场指标和当前交易指标均会随着时间的变化而不断变动;
更新单元,用于将所述当前市场指标和所述当前交易指标代入量化交易预测模型,对所述量化交易预测模型中相对应的参数进行更新,进而保证所述相对应的参数的准确性,所述量化交易预测模型是根据历史失败交易数据进行学习训练获得,所述量化交易预测模型中设有分别与当前市场指标和当前交易指标相对应的参数;
预测单元,用于获取待测交易行为的待测交易数据,将所述待测交易数据输入更新后的量化交易预测模型进行预测,确定出所述待测交易数据属于失败交易数据的失败概率;
确定单元,用于将所述失败概率与预定概率进行对比,当所述失败概率大于等于所述预定概率时,则所述待测交易数据属于失败交易数据,否则属于成功交易数据。
依据本申请的第三方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面所述的量化交易预测方法。
依据本申请的第四方面,提供了一种量化交易预测设备,所述设备包括存储介质和处理器,
所述存储介质,用于存储计算机程序;
所述处理器,用于执行所述计算机程序以实现第一方面所述的量化交易预测方法。
借由上述技术方案,本申请提供的一种量化交易预测方法、装置及设备,能够利用经过历史失败交易行为进行学习训练得到的量化交易预测模型,对用户的当前交易行为进行预测分析,确定出该待测交易数据属于失败交易数据的失败概率,并根据该失败概率判断该待测交易行为是否属于失败交易行为,这种预测方式无需人工处理,有效提高交易行为预测判断的速度,并且量化交易预测模型具有学习训练的能力,能够随着市场交易的变化及时更新,进而有效提高交易行为预测的准确率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请的量化交易预测方法的一个实施例的流程图;
图2为本申请的量化交易预测装置的一个实施例的结构框图;
图3为本申请的量化交易预测设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种量化交易预测方法,能够根据历史失败交易数据进行学习训练,得到量化交易预测模型,利用量化交易预测模型对用户的交易行为进行预测,确定出判断待测交易数据属于失败交易数据的失败概率,并根据该失败概率判断该待测交易行为是否属于失败交易行为,进而提高量化交易的准确率。
量化交易是指以先进的数学模型替代人为的主观判断,利用计算机技术对大量的数据进行海选以制定相应的量化交易策略(即本申请得到的量化交易预测模型),并根据该量化交易策略对投资者的交易行为进行预测,使投资者能够根据预测结果决定自己的投资决策,能够极大地减少了由于投资者情绪波动的影响,以及在市场极度狂热或悲观的情况下,投资者作出非理性的投资决策。
如图1所示,本申请实施例提供了一种量化交易预测方法,包括:
步骤101,获取当前时刻交易市场的当前市场指标和当前交易指标,其中,当前市场指标和当前交易指标均会随着时间的变化而不断变动。
市场指标包括:股票指标、商业投资指标、基金指标、债券指标,股票指标又包括:相对强弱指标(RSI,Relative Strength Index)、随机指标(KDJ,Stochasticsoscillator)、趋向指标(DMI,Directional Movement Index)、平滑异同平均线(MACD,Moving Average Convergence/Divergence)、能量潮(OBV,On Balance Volume)、心理线、乖离率等。
交易指标包括:交易行为的盈利比例、盈利金额等。
步骤102,将当前市场指标和当前交易指标代入量化交易预测模型,对量化交易预测模型中相对应的参数进行更新,进而保证量化交易预测模型进行量化预测的准确性,其中,量化交易预测模型是根据历史失败交易数据进行学习训练获得,量化交易预测模型中设有分别与当前市场指标和当前交易指标相对应的参数。
在上述技术方案中,由于市场指标和交易指标会随着时间的变动而产生变化,因此为了提高对用户交易行为(即,待测交易行为)预测的准确率,需要将当前时刻交易市场的当前市场指标和当前交易指标作为量化交易预测模型的基准,对量化交易模型中与当前市场指标和当前交易指标相对应的参数进行更新。
这样,在利用更新后的量化交易预测模型来对用户的交易行为进行预测时,能够有效避免量化交易预测模型使用过旧的市场指标和交易指标产生预测的准确率降低的情况。
量化交易预测模型的学习训练过程为:从大量的历史交易行为中将成功的交易行为剔除,筛选出历史失败交易行为,并利用这些历史失败交易行为进行学习训练,这样得到的量化交易预测模型能够判断用户的交易行为是否是失败的交易行为。
步骤103,获取待测交易行为的待测交易数据,将待测交易数据输入更新后的量化交易预测模型进行预测,确定出待测交易数据属于失败交易数据的失败概率。
在上述方案中,每个交易行为都有对应的交易数据,例如,买入时间、交易种类、购买数量、交易价格、到期时间等。当用户想要购买某个理财产品时,该理财产品即是待测交易行为,这样获取到的待测交易数据就是该理财产品的交易数据。然后利用上述得到的更新后的量化交易预测模型对待测交易数据进行预测分析,分析出该待测交易数据属于失败交易数据的失败概率,这样就可以根据该失败概率确定是否对该待测交易行为放行。
具体确定过程如下:
步骤104,将失败概率与预定概率进行对比,当失败概率大于等于预定概率时,则待测交易数据属于失败交易数据,否则属于成功交易数据。
当该待测交易数据属于失败交易数据时,证明用户的待测交易行为在未来市场中失败的风险比较高,需要对该待测交易行为进行拦截;当该待测交易数据属于成功交易数据时,证明用户的待测交易行为在未来市场中能够得到良好的收益,则对该待测交易行为进行放行。
例如,当用户想要购买某个理财产品时,将该理财产品的交易数据输入更新后的量化交易预测模型,经过更新后的量化交易预测模型的预测分析之后,得到的失败概率是45%,预先设定的预定概率是50%,45%<50%,证明该理财产品的交易数据属于失败交易数据,需要对该理财产品进行拦截,并建议用户放弃购买该理财产品;
若得到的失败概率是78%,78%>50%,证明该理财产品的交易数据属于成功交易数据,将该理财产品进行放行,并建议用户购买该理财产品。
通过上述技术方案,能够利用经过历史失败交易行为进行学习训练得到的量化交易预测模型,对用户的当前交易行为进行预测分析,得出该当前交易行为属于失败交易的概率,这样可以根据该概率判断出用户当前的交易行为是否是失败的交易,以便根据判断结果给用户提供正确的建议,这种预测方式无需人工处理,有效提高交易行为预测判断的速度,并且量化交易预测模型具有学习训练的能力,能够随着市场交易的变化及时更新,进而有效提高交易行为预测的准确率。
在步骤102之前,方法还包括:
步骤1021,收集预定时间段内的历史交易行为,并获取各个历史交易行为的历史交易数据。
其中,该预定时间段可以是上一年度、或者上一季度、或者其他选定时间段(例如,2017年1月1日至2017年5月8日)。
步骤1022,利用量化策略对历史交易数据进行回测,得到回测交易数据。
回测的过程就是,将历史交易数据按照量化策略以预定时间段的初始时间作为开始时间,模拟交易买入和卖出,模拟完成后得到每个历史交易数据对应的回测交易数据(例如,盈利率、风险值、最大回撤率),并将得到的这些回测交易数据与对应的历史交易数据进行列表存储,便于后期的查询和调取。
步骤1023,从回测交易数据中筛选出失败交易数据。
为了能够更好的对失败的交易行为进行学习和训练,将回测交易数据中成功的交易数据剔除出去,选出N个失败交易数据,并将N个失败交易数据与相应的历史交易行为进行对应。
步骤1024,将各个失败交易数据输入随机森林模型或逻辑回归模型中进行学习训练,得到量化交易预测模型。
将上述得到的N个失败交易数据,按照时间顺序依次输入或者随机输入随机森林模型或逻辑回归模型进行学习训练,每输入一个失败交易数据,就对随机森林模型或逻辑回归模型进行相应的调整一次,使得输入最后一个失败交易数据之后,能够得到量化交易预测模型,利用量化交易预测模型能够准确预测交易数据属于失败交易数据的失败概率,这样,就可以根据得到的失败概率判断该交易行为是否属于失败交易行为。
通过上述技术方案,减小了对历史交易数据中的失败交易数据进行人工筛选和分析时产生的误差,有效提高对交易行为进行预测的准确率。
为了能够更加精细准确地对交易行为进行预测分析,将获取到的历史失败交易数据划分为M类,则对这M类历史失败交易数据进行学习训练后得到的量化交易预测模型有M个,其中,M为正整数。
根据上述描述,对应的步骤102具体包括:
将当前市场指标和当前交易指标代入M个量化交易预测模型,对M个量化交易预测模型中相对应的参数进行更新。
根据上述描述,对应的步骤103具体包括:
步骤1031,确定出待测交易数据属于各个类型的失败交易数据的失败概率,每个更新后的量化交易模型对应一个失败概率,得到的失败概率的数量为M个。
根据上述描述,对应的步骤104具体包括:
将M个失败概率与预定概率进行一一对比,当M个失败概率中任一失败概率大于等于预定概率时,则待测交易数据属于失败交易数据,否则属于成功交易数据。
在上述技术方案中,将待测交易数据分别输入各个量化交易预测模型,进而得到待测交易数据属于各类失败交易的失败概率,一个量化交易预测模型对应一个类别,并预测得出一个对应类别的失败概率,因此得到的失败概率有M个。如果这M个失败概率中只要有一个失败概率值大于等于预定概率(例如,40%),则证明该待测交易数据属于失败交易数据建议用户放弃该交易行为。
通过上述还可以确定出有哪些类别的失败概率大于等于预定概率,进而确定出该待测交易数据的失败交易类别,该失败交易类别可以是一个或多个。失败交易类别数量越多证明该待测交易行为的失败风险越高。
例如,用户想要购买某类期货(即,交易行为),获取该期货的买入时间、卖出时间、收益利率等交易数据,将这些交易数据输入1类-M类失败交易数据对应的量化交易预测模型中后,得到该交易数据属于各类失败交易数据的失败概率如下:
属于1类失败交易数据的失败概率是23%;
属于2类失败交易数据的失败概率是67%;
……
属于M类失败交易数据的失败概率是87%。
则设置的预定概率为50%,则将上述失败概率与该预定概率进行比对,得出2类、5类、M类的概率大于50%,则确定该购买期货的行为属于2类、5类、M类对应的失败交易行为,对该购买期货的行为进行拦截,并告知用户不要购买该期货。
另外,还可以为各类失败交易设定不同的预定概率,具体数值可以根据失败交易的种类和实际情况进行设定。这样得到的概率需要与对应量化交易预测模型的类别的预定概率进行比对,然后再确定待测交易行为是否属于该类别的失败交易。
步骤1024具体包括:
步骤10241,利用无监督分类算法对失败交易数据进行分类,得到M类失败交易数据。
利用无监督分类算法能够根据失败交易数据的自然聚类情况进行分类,分类后的数量M可以根据实际聚类情况进行变动。无监督分类算法能够一边学习一边分类,通过学习找到相同的类别,然后将该类与其它类区分开,进而完成对失败交易数据的分类。
步骤10242,将获取的预定时间段内各个时刻的市场指标和对应的交易指标代入随机森林模型或逻辑回归模型,生成量化交易初始模型,其中,量化交易初始模型中生成分别与市场指标和交易指标相对应的参数。
不同时刻市场指标和交易指标都可能会发生变化,为了保证学习训练的准确性,将各个时刻的各个时刻的市场指标和对应的交易指标作为特征因子,代入随机森林模型或逻辑回归模型,生成分别与市场指标和交易指标相对应的参数,进而获得量化交易初始模型。
步骤10243,将M类失败交易数据按照类别对量化交易初始模型进行学习训练,得到对应的M个量化交易预测模型。
在上述技术方案中,M类失败交易数据会根据类别分成M个失败交易类别,对得到的量化交易初始模型进行学习训练,每类失败交易数据都会被训练得到一个量化交易预测模型。当将交易数据输入各个量化交易模型进行预测分析,各个量化交易模型就会输出该交易数据属于对应类别的失败交易数据的失败概率。这样就可以将输出的各个失败概率与相应的预定概率进行比对,进而确定用户的交易数据属于哪个类别的失败交易数据。
通过上述技术方案,得到能够识别各个失败交易类别的多个量化交易预测模型,使得量化交易预测模型对交易行为进行预测分析的准确率能够有效提高,不仅能够识别出交易行为是否是失败交易,还能识别出对应失败交易的类别,方便使用。
步骤10241具体包括:
步骤102411,为各个失败交易数据制定从买入到卖出时间段内的股票价格波动曲线。
步骤102412,计算各个股票价格波动曲线的股票价格数据特征。
其中,股票价格数据特征包括:均值、波动率、波动最大幅度以及波动最小幅度等。
步骤102413,基于股票价格数据特征,利用K-means无监督分类算法对为失败交易数据进行分类,得到M类失败交易数据。
上述技术方案中,每个失败交易数据从买入后,股票价格都会随着时间的变化而变化,制定相应的股票价格波动曲线能够更准确的观察和计算股票价格数据特征,这样使得到的失败交易数据的类别也能更加准确。
步骤1023具体包括:
步骤1023A,获取回测交易数据中的盈利数据,并将在预定时间段内盈利数据为负值的回测交易数据确定为失败交易数据。
或者,
步骤1023B,为各个回测交易数据制定双均线,将双均线中在预定时间段内既不满足买入条件又不满足卖出条件的回测交易数据确定为失败交易数据,其中,当双均线出现金叉时回测交易数据满足买入条件,当双均线出现死叉时回测交易数据满足卖出条件。
其中,双均线金叉主要指股票行情指标的短期线向上穿越长期线的交叉,称之为金叉,反之,行情指标的短期线向下穿越长期线的交叉,称之为死叉。当双均线出现金叉时,表示股票很强势,满足买入的交易条件;反之当双均线出现死叉时候,满足卖出的交易条件。
通过上述技术方案,利用两种方案从回测交易数据中筛选出失败交易数据,为针对失败交易数据进行学习训练提供便利。
步骤1022具体包括:
步骤10221,确定历史交易数据对应的回测时间段。
步骤10222,在回测时间段内,利用股票策略、和/或宏观策略、和/或套利策略对历史交易进行模拟买入和卖出回测,得到回测时间段内的回测交易数据。
其中,若历史交易数据是股票交易,则利用股票策略进行回测,具体过程为:根据股票策略设定股票指标组合进行选股,将投资人根据经验形成的股票投资逻辑输入计算机,并根据该股票投资逻辑模拟回测时间段内真实金融市场交易的规则对历史交易数据中的股票交易进行买入、卖出,得出回测时间段内交易的盈利率、最大回撤率等回测交易数据。
若历史交易数据注重价格的变化,则按照宏观策略进行回测,具体过程为:根据宏观策略中的价格变化规律,形成的价格变化逻辑输入计算机,获取历史交易数据中交易价格,将交易价格根据价格变化逻辑在回测时间段内进行模拟交易,得出回测时间段内历史交易数据对应的价格收益利率(即盈利率)作为回测交易数据。
若历史交易数据对应的产品是固定收益类产品,则按照套利策略进行回测,具体过程为:将套利策略中各种交易对应的收益情况形成的收益变化逻辑输入计算机,获取历史交易数据中买入价格、到期时间、利率、通胀比例、信用利差等数据,对这些数据根据收益变化逻辑在回测时间段内模拟真实金融市场进行交易,得出历史交易数据对应的收益率(即盈利率)作为回测交易数据。
本申请的另一个实施例提出了一种零花交易预测方法,步骤包括:
1)通过量化策略对历史交易数据进行回测,得到相应的回测交易数据。
收集近期内各种交易模式下的历史交易数据,利用股票策略、宏观策略或套利策略对这些历史交易数据进行回测。
具体回测过程为:设定股票指标组合,基于历史交易数据,在历史交易数据对应的时间内,选定出一个回测时间段(例如2017年1月至6月)模拟交易买入和卖出,得出该回测时间段内交易的盈利率、最大回撤率等回测交易数据。
一,若历史交易数据的交易模式是股票交易,则按照股票策略对历史交易数据进行回测。根据股票策略设定股票指标组合进行选股,将投资人根据经验形成的股票投资逻辑输入计算机,并根据该股票投资逻辑模拟回测时间段内真实金融市场交易的规则对历史交易数据中的股票交易进行买入、卖出,得出回测时间段内交易的盈利率、最大回撤率等回测交易数据。
二,若历史交易数据的交易模式注重价格的变化,则按照宏观策略对历史交易数据进行回测。根据宏观策略中的价格变化规律,形成的价格变化逻辑输入计算机,获取历史交易数据中交易价格,将交易价格根据价格变化逻辑在回测时间段内进行模拟交易,得出回测时间段内历史交易数据对应的价格收益利率(即盈利率)作为回测交易数据。
三,若历史交易数据对应的理财产品是固定收益类产品,则按照套利策略对历史交易数据进行回测。根据套利策略中各种交易对应的收益情况形成的收益变化逻辑输入计算机,获取历史交易数据中买入价格、到期时间、利率、通胀比例、信用利差等数据,对这些数据根据收益变化逻辑在回测时间段内模拟真实金融市场进行交易,得出历史交易数据对应的收益率(即盈利率)作为回测交易数据。
2)基于上述回测交易数据筛选训练集,并进行学习和训练得到量化交易预测模型。
筛选过程为:
将回测交易数据进行分类:
其一,获取回测交易数据中在预定时间段内的盈利情况,将造成盈利的回测交易数据确定为成功交易数据,将造成亏损的回测交易数据确定为失败交易数据(失败交易数据数量为N,N为正整数)。
或者
其二,为各个回测交易数据制定双均线,当双均线出现金叉时候,表示股票很强势,满足买入的条件;反之当双均线出现死叉时候,满足卖出的交易条件。将在预定时间内满足买入条件和/或卖出条件的回测交易数据确定为成功交易数据,将在预定时间内既不满足买入条件也不满足卖出条件的回测交易数据确定为失败交易数据(失败交易数据数量为N,N为正整数)。
其中,双均线金叉主要指股票行情指标的短期线向上穿越长期线的交叉,称之为金叉,反之,行情指标的短期线向下穿越长期线的交叉,称之为死叉。
将上述筛选出来的成功交易数据剔除,剩余的N个失败交易数据作为训练集。
学习训练过程为:
针对回测过程中的N个失败交易数据,制定从买入到卖出时间阶段的股票价格波动曲线并计算相应的股票价格数据特征(例如,均值、波动率、波动最大幅度、波动最小幅度等);基于上述股票价格数据特征,选择k-means无监督分类算法将上述N个失败交易数据进行分类,分为M种不同类别的失败交易数据。
将上述M种不同类别的失败交易数据作为有监督学习的标签label,并将市场指标相应时刻的各个交易指标作为学习训练的特征因子,然后再将每个类别的失败交易数据输入随机森林模型或者逻辑回归模型中进而构建有监督多分类的量化交易预测模型(每个类别的失败交易数据经过学习训练后都得到一个量化交易预测模型,则量化交易预测模型有M个)。
3)利用预测失败交易行为模型对用户的交易行为进行预测。
获取用户当前的交易行为的市场指标和交易指标作为量化交易预测模型的特征因子,对用户当前的交易行为的交易数据进行预测和判断,确定出用户当前的交易数据属于M种不同类别的失败交易数据的概率。如果上述得到的M种不同类别的失败交易数据的概率都低于一定阈值,则模型认为上述用户当前的交易行为不会导致交易失败,放行该交易行为;反之,则进行相应的智能拦截,建议放弃该交易行为。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种量化交易预测装置,装置包括:获取单元21、更新单元22、预测单元23和确定单元24。
获取单元21,用于获取当前时刻交易市场的当前市场指标和当前交易指标,其中,当前市场指标和当前交易指标均会随着时间的变化而不断变动;
更新单元22,用于将当前市场指标和当前交易指标代入量化交易预测模型,对量化交易预测模型中相对应的参数进行更新,进而保证量化交易预测模型进行量化预测的准确性,其中,量化交易预测模型是根据历史失败交易数据进行学习训练获得,量化交易预测模型中设有分别与当前市场指标和当前交易指标相对应的参数;
预测单元23,用于获取待测交易行为的待测交易数据,将待测交易数据输入更新后的量化交易预测模型进行预测,确定出待测交易数据属于失败交易数据的失败概率;
确定单元24,用于将失败概率与预定概率进行对比,当失败概率大于等于预定概率时,则待测交易数据属于失败交易数据,否则属于成功交易数据。
在具体实施例中,装置还包括:
收集单元,用于收集预定时间段内的历史交易行为,并获取各个历史交易行为的历史交易数据;
回测单元,用于利用量化策略对历史交易数据进行回测,得到回测交易数据;
筛选单元,用于从回测交易数据中筛选出失败交易数据;
训练单元,用于将各个失败交易数据输入随机森林模型或逻辑回归模型中进行学习训练,得到量化交易预测模型。
在具体实施例中,历史失败交易数据存在M类,量化交易预测模型有M个,M类历史失败交易数据与M个量化交易预测模型一一对应,其中,M为正整数;
则更新单元22具体用于:
将当前市场指标和当前交易指标代入M个量化交易预测模型,对M个量化交易预测模型中相对应的参数进行更新;
预测单元23具体用于:
获取待测交易行为的待测交易数据,利用M个更新后的量化交易预测模型分别对待测交易数据进行预测;
确定出待测交易数据属于各个类型的失败交易数据的失败概率,每个更新后的量化交易模型对应一个失败概率,得到的失败概率的数量为M个;
确定单元24具体用于:
将M个失败概率与预定概率进行一一对比,当M个失败概率中任一失败概率大于等于预定概率时,则待测交易数据属于失败交易数据,否则属于成功交易数据。
在具体实施例中,训练单元具体包括:
分类模块,用于利用无监督分类算法对失败交易数据进行分类,得到M类失败交易数据,其中,M为正整数;
代入模块,用于将获取的预定时间段内各个时刻的市场指标和对应的交易指标代入随机森林模型或逻辑回归模型,生成量化交易初始模型,其中,量化交易初始模型中生成分别与市场指标和交易指标相对应的参数;
训练模块,用于将M类失败交易数据按照类别对量化交易初始模型进行学习训练,得到对应的M个量化交易预测模型。
在具体实施例中,分类模块具体包括:
曲线制定模块,用于为各个失败交易数据制定从买入到卖出时间段内的股票价格波动曲线;
计算模块,用于计算各个股票价格波动曲线的股票价格数据特征;
计算模块,还用于基于股票价格数据特征,利用K-means无监督分类算法对为失败交易数据进行分类,得到M类失败交易数据。
在具体实施例中,筛选单元具体用于:
获取回测交易数据中的盈利数据,并将在预定时间段内盈利数据为负值的回测交易数据确定为失败交易数据;或者,
为各个回测交易数据制定双均线,将双均线中在预定时间段内既不满足买入条件又不满足卖出条件的回测交易数据确定为失败交易数据,其中,当双均线出现金叉时回测交易数据满足买入条件,当双均线出现死叉时回测交易数据满足卖出条件。
在具体实施例中,回测单元具体用于:
确定历史交易数据对应的回测时间段;
在回测时间段内,利用股票策略、和/或宏观策略、和/或套利策略对历史交易进行模拟买入和卖出回测,得到回测时间段内的回测交易数据。
基于上述如图1所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1所示的量化交易预测方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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场景所述的方法。
基于上述图1所示方法和图2所示装置的实施例,为了实现上述目的,本申请实施例还提供了一种量化交易预测设备,如图3所示,包括存储介质32和处理器31,其中存储介质32和处理器31均设置在总线33上。存储介质32,用于存储计算机程序;处理器21,用于执行该计算机程序以实现上述如图1所示的量化交易预测方法。
可选地,该设备还可以连接用户接口、网络接口、摄像头、射频(Radio Frequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种量化交易预测设备的结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和量化交易设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与量化交易设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。
通过应用本申请的技术方案,能够利用经过历史失败交易行为进行学习训练得到的量化交易预测模型,对用户的当前交易行为进行预测分析,这样可以直接判断出用户当前的交易行为是否是失败的交易,这种预测方式无需人工处理,有效提高交易行为预测判断的速度,并且量化交易预测模型具有学习训练的能力,能够随着市场交易的变化及时更新,进而有效提高交易行为预测的准确率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种量化交易预测方法,其特征在于,所述方法包括:
获取当前时刻交易市场的当前市场指标和当前交易指标,其中,当前市场指标和当前交易指标均会随着时间的变化而不断变动;
将所述当前市场指标和所述当前交易指标代入量化交易预测模型,对所述量化交易预测模型中相对应的参数进行更新,进而保证所述量化交易预测模型进行量化预测的准确性,其中,所述量化交易预测模型是根据历史失败交易数据进行学习训练获得,所述量化交易预测模型中设有分别与当前市场指标和当前交易指标相对应的参数;
获取待测交易行为的待测交易数据,将所述待测交易数据输入更新后的量化交易预测模型进行预测,确定出所述待测交易数据属于失败交易数据的失败概率;
将所述失败概率与预定概率进行对比,当所述失败概率大于等于所述预定概率时,则所述待测交易数据属于失败交易数据,否则属于成功交易数据。
2.根据权利要求1所述的方法,其特征在于,在将所述当前市场指标和所述当前交易指标代入量化交易预测模型之前,所述方法还包括:
收集预定时间段内的历史交易行为,并获取各个历史交易行为的历史交易数据;
利用量化策略对所述历史交易数据进行回测,得到回测交易数据;
从所述回测交易数据中筛选出失败交易数据;
将各个所述失败交易数据输入随机森林模型或逻辑回归模型中进行学习训练,得到量化交易预测模型。
3.根据权利要求1或2所述的方法,其特征在于,所述历史失败交易数据存在M类,所述量化交易预测模型有M个,所述M类历史失败交易数据与所述M个量化交易预测模型一一对应,其中,M为正整数;
所述将所述当前市场指标和所述当前交易指标代入量化交易预测模型,对所述量化交易预测模型中相对应的参数进行更新,具体包括:
将所述当前市场指标和所述当前交易指标代入M个量化交易预测模型,对所述M个量化交易预测模型中相对应的参数进行更新;
所述获取待测交易行为的待测交易数据,将所述待测交易数据输入更新后的量化交易预测模型进行预测,确定出所述待测交易数据属于失败交易数据的失败概率,具体包括:
获取待测交易行为的待测交易数据,利用M个更新后的量化交易预测模型分别对所述待测交易数据进行预测;
确定出所述待测交易数据属于各个类型的失败交易数据的失败概率,每个更新后的量化交易模型对应一个失败概率,得到的失败概率的数量为M个;
将所述失败概率与预定概率进行对比,当所述失败概率大于等于所述预定概率时,则所述待测交易数据属于失败交易数据,对所述待测交易行为进行拦截,否则属于成功交易数据,对所述待测交易行为进行放行,具体包括:
将所述M个失败概率与预定概率进行一一对比,当所述M个失败概率中任一失败概率大于等于预定概率时,则所述待测交易数据属于失败交易数据,否则属于成功交易数据。
4.根据权利要求2所述的方法,其特征在于,将各个所述失败交易数据输入随机森林模型或逻辑回归模型中进行学习训练,得到量化交易预测模型,具体包括:
利用无监督分类算法对所述失败交易数据进行分类,得到M类失败交易数据;
将获取的预定时间段内各个时刻的市场指标和对应的交易指标代入随机森林模型或逻辑回归模型,生成量化交易初始模型,其中,所述量化交易初始模型中生成分别与市场指标和交易指标相对应的参数;
将所述M类失败交易数据按照类别对所述量化交易初始模型进行学习训练,得到对应的M个量化交易预测模型。
5.根据权利要求4所述的方法,其特征在于,所述利用无监督分类算法对所述失败交易数据进行分类,得到M类失败交易数据,具体包括:
为各个失败交易数据制定从买入到卖出时间段内的股票价格波动曲线;
计算各个股票价格波动曲线的股票价格数据特征;
基于所述股票价格数据特征,利用K-means无监督分类算法对为所述失败交易数据进行分类,得到M类失败交易数据。
6.根据权利要求2所述的方法,其特征在于,从所述回测交易数据中筛选出失败交易数据,具体包括:
获取所述回测交易数据中的盈利数据,并将在所述预定时间段内盈利数据为负值的回测交易数据确定为失败交易数据;或者,
为各个所述回测交易数据制定双均线,将所述双均线中在所述预定时间段内既不满足买入条件又不满足卖出条件的回测交易数据确定为失败交易数据,其中,当所述双均线出现金叉时所述回测交易数据满足买入条件,当所述双均线出现死叉时所述回测交易数据满足卖出条件。
7.根据权利要求2-6任一项所述的方法,其特征在于,所述利用量化策略对所述历史交易数据进行回测,得到回测交易数据,具体包括:
确定历史交易数据对应的回测时间段;
在所述回测时间段内,利用股票策略、和/或宏观策略、和/或套利策略对所述历史交易进行模拟买入和卖出回测,得到所述回测时间段内的回测交易数据。
8.一种量化交易预测装置,其特征在于,所述装置包括:
获取单元,用于获取当前时刻交易市场的当前市场指标和当前交易指标,其中,当前市场指标和当前交易指标均会随着时间的变化而不断变动;
更新单元,用于将所述当前市场指标和所述当前交易指标代入量化交易预测模型,对所述量化交易预测模型中相对应的参数进行更新,进而保证所述相对应的参数的准确性,所述量化交易预测模型是根据历史失败交易数据进行学习训练获得,所述量化交易预测模型中设有分别与当前市场指标和当前交易指标相对应的参数;
预测单元,用于获取待测交易行为的待测交易数据,将所述待测交易数据输入更新后的量化交易预测模型进行预测,确定出所述待测交易数据属于失败交易数据的失败概率;
确定单元,用于将所述失败概率与预定概率进行对比,当所述失败概率大于等于所述预定概率时,则所述待测交易数据属于失败交易数据,否则属于成功交易数据。
9.一种存储介质,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权利要求1至7任一项所述的量化交易预测方法。
10.一种量化交易预测设备,其特征在于,所述设备包括存储介质和处理器,
所述存储介质,用于存储计算机程序;
所述处理器,用于执行所述计算机程序以实现权利要求1至7任一项所述的量化交易预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864202.9A CN109345050A (zh) | 2018-08-01 | 2018-08-01 | 一种量化交易预测方法、装置及设备 |
PCT/CN2018/111689 WO2020024456A1 (zh) | 2018-08-01 | 2018-10-24 | 一种量化交易预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864202.9A CN109345050A (zh) | 2018-08-01 | 2018-08-01 | 一种量化交易预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109345050A true CN109345050A (zh) | 2019-02-15 |
Family
ID=65291450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864202.9A Pending CN109345050A (zh) | 2018-08-01 | 2018-08-01 | 一种量化交易预测方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109345050A (zh) |
WO (1) | WO2020024456A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443707A (zh) * | 2019-07-26 | 2019-11-12 | 上海量锐信息科技有限公司 | 一种高频量化交易策略回测验证方法及系统 |
CN110490671A (zh) * | 2019-08-28 | 2019-11-22 | 中国银行股份有限公司 | 量化报价策略模型的测试方法、系统及装置 |
CN111127084A (zh) * | 2019-12-11 | 2020-05-08 | 广州优策科技有限公司 | 交易量预测的方法、装置、可读存储介质及电子设备 |
CN111427935A (zh) * | 2020-02-28 | 2020-07-17 | 中信建投证券股份有限公司 | 量化交易指标的预测和显示方法、电子设备和介质 |
CN112488831A (zh) * | 2020-11-20 | 2021-03-12 | 东软集团股份有限公司 | 区块链网络交易方法、装置、存储介质及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12045119B2 (en) * | 2021-09-02 | 2024-07-23 | Amazon Technologies, Inc. | Techniques for detecting outages of an external system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890803B (zh) * | 2011-07-21 | 2016-01-06 | 阿里巴巴集团控股有限公司 | 电子商品异常交易过程的确定方法及其装置 |
CN105046566A (zh) * | 2015-08-28 | 2015-11-11 | 苗青 | 基于风控的量化趋势交易决策系统及方法 |
KR101719430B1 (ko) * | 2015-10-08 | 2017-04-04 | 김성훈 | 가상화폐를 이용하는 실시간 예측 기반 금융거래 시스템 |
CN105761000A (zh) * | 2016-02-17 | 2016-07-13 | 中国工商银行股份有限公司 | 交易数据处理及风险预警系统和方法 |
CN107798609A (zh) * | 2017-11-08 | 2018-03-13 | 上海宽全智能科技有限公司 | 量化交易策略生成方法与装置、设备及存储介质 |
-
2018
- 2018-08-01 CN CN201810864202.9A patent/CN109345050A/zh active Pending
- 2018-10-24 WO PCT/CN2018/111689 patent/WO2020024456A1/zh active Application Filing
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443707A (zh) * | 2019-07-26 | 2019-11-12 | 上海量锐信息科技有限公司 | 一种高频量化交易策略回测验证方法及系统 |
CN110490671A (zh) * | 2019-08-28 | 2019-11-22 | 中国银行股份有限公司 | 量化报价策略模型的测试方法、系统及装置 |
CN111127084A (zh) * | 2019-12-11 | 2020-05-08 | 广州优策科技有限公司 | 交易量预测的方法、装置、可读存储介质及电子设备 |
CN111127084B (zh) * | 2019-12-11 | 2024-06-11 | 广州优策科技有限公司 | 交易量预测的方法、装置、可读存储介质及电子设备 |
CN111427935A (zh) * | 2020-02-28 | 2020-07-17 | 中信建投证券股份有限公司 | 量化交易指标的预测和显示方法、电子设备和介质 |
CN111427935B (zh) * | 2020-02-28 | 2023-05-30 | 中信建投证券股份有限公司 | 量化交易指标的预测和显示方法、电子设备和介质 |
CN112488831A (zh) * | 2020-11-20 | 2021-03-12 | 东软集团股份有限公司 | 区块链网络交易方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020024456A1 (zh) | 2020-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345050A (zh) | 一种量化交易预测方法、装置及设备 | |
CN110928764B (zh) | 移动应用众包测试报告自动化评估方法及计算机存储介质 | |
CN102890803B (zh) | 电子商品异常交易过程的确定方法及其装置 | |
CN106651574A (zh) | 一种个人信用评估方法及装置 | |
CN108960719A (zh) | 选品方法和装置以及计算机可读存储介质 | |
CN107633455A (zh) | 基于数据模型的信用评估方法及装置 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN113449942A (zh) | 客户体验评测方法、系统及管理平台 | |
CN111931992A (zh) | 一种电力负荷预测指标选取方法及装置 | |
CN111626855A (zh) | 债券信用利差预测方法及系统 | |
CN112434862B (zh) | 上市企业财务困境预测方法及装置 | |
Härting et al. | Cost-benefit considerations for data analytics-an SME-oriented framework enhanced by a management perspective and the process of idea generation | |
Camelia et al. | A Computational Grey Based Model for Companies Risk Forecasting. | |
Domashova et al. | Application of machine learning methods for risk analysis of unfavorable outcome of government procurement procedure in building and grounds maintenance domain | |
CN112116197A (zh) | 一种基于供应商评价体系的不良行为预警方法及系统 | |
US11960499B2 (en) | Sales data processing apparatus, method, and medium storing program for sales prediction | |
CN116911994A (zh) | 对外贸易风险预警系统 | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine | |
Krasteva et al. | EVALUATION OF THE FINANCIAL STANDING OF BUSINESSES IN A CERTAIN SECTOR OF THE NATIONAL ECONOMY. | |
CN111612626A (zh) | 一种债券评估数据预处理方法和装置 | |
Sharma et al. | Prediction of Real-Time Estate Pricing using Train-Test Splitting Techniques | |
CN113763181A (zh) | 一种风险压力测试系统 | |
CN111913940B (zh) | 一种温度会员标签预测方法、装置、电子设备及存储介质 | |
CN114239964B (zh) | 用户风险预测模型处理方法、装置及电子设备 |
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 |