CN110120082B

CN110120082B - 金融数据的图像处理方法、装置、设备及可读存储介质

Info

Publication number: CN110120082B
Application number: CN201910270950.9A
Authority: CN
Inventors: 李海疆
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2019-04-04
Filing date: 2019-04-04
Publication date: 2023-08-18
Anticipated expiration: 2039-04-04
Also published as: WO2020199483A1; CN110120082A

Abstract

本发明涉及一种金融数据的图像处理方法、装置、计算机设备及可读存储介质，其中的所述方法包括：获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin；对所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin进行数据处理，并根据处理后的数据建立图像样本空间的向量自回归模型；将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样。本发明的有益效果为：构建向量自回归模型，当在该模型中输入已获得的金融数据即样本外的金融数据后通过模型的运算即可得到未来的金融数据的图像化展示，实现图像识别角度对金融数据进行预测，能够扩展到所有其它类型的K线图数据，适用范围广泛。

Description

金融数据的图像处理方法、装置、设备及可读存储介质

技术领域

本发明实施例涉及金融数据处理技术领域，尤其涉及一种金融数据的图像处理方法、装置及可读存储介质。

背景技术

现代经济的发展带动了金融市场的壮大，金融市场中的各类金融数据均反映了金融市场的各类信息，金融数据包括期货、股票、利率以及信贷等的变化趋势能够反映出金融市场的当前状态，而将金融数据绘制成变化曲线图像或表格能够更加直观地对这种状态进行展示，这些均能够作为下一步交易行为的参考依据。

目前对于预测类型的金融图像都是着眼于收益率以及收益率衍生的相关指标，在因子模型的基础上以一定的机器学习算法，对未来的金融数据进行预测。然而，由于这种方式限定于收益率以及其相关的指标，如此使得这种处理预测方式有一定的局限性，也无法进行更为准确的预测。

有这样一种理论即流形分布定律，该理论可理解为：自然界中同一类别的高维数据，往往集中在某个低维流形附近。关于流形分布定律，目前理论发展还不太完备，很多时候机器学习的效果在于调参。但是，很多实际应用的问题，都可以采取流形的框架来建模，从而可以用几何的语言来来描述和梳理，用几何理论工具来加以解决。金融数据图像，以最普遍的K线图来说，投资者最关心的就是预测未来K线图走势，而流形分布定律应用于金融数据的处理暂没有相应的处理方法。

发明内容

为了克服相关技术中存在的问题，本发明提供一种金融数据的图像处理方法、装置及可读存储介质，以实现从图像识别角度更加可靠、准确地预设金融数据的走势。

第一方面，本发明实施例提供了一种金融数据的图像处理方法，所述方法包括：

获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin；

对所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin进行数据处理，并根据处理后的数据建立图像样本空间的向量自回归模型；

将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样。

结合另一方面，本发明另一可行的实施方式中，所述获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin，包括：

所述第一数据Kd的数据类型包括日开盘价格，日收盘数据，日最高价格，日最低价格四个维度的金融数据，所述第二数据Kmin包括open price，close price两个维度的数据。

结合另一方面，本发明另一可行的实施方式中，所述对所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin进行数据处理，并根据处理后的数据建立图像样本空间的向量自回归模型，包括：

构建所述向量自回归模型，包括：

构建第一数据Kd的图像信息的同胚映射：公式1：该映射使高维流形转换成低维流形；

代表对一个周期为5天的K线图样本进行坐标映射的映射序列，

i＝1，2，3，4，5，构成局部坐标卡；

建立三维向量(Pr，M，S)的时间序列：x_i＝(Pr_i，M_i，S_i)，Pr_i，M_i，S_i分别是第i个交易日的K线图实体大小，中位数和日内振幅；

回归方程为：

x_n为第n日K线图，c为三维常数向量，ε为误差向量，A_i是3*3维回归系数矩阵；

所述将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样，包括：

通过所述回归方程得出A_i和c。

结合另一方面，本发明另一可行的实施方式中，所述通过所述回归方程得出A_i和c，包括：

通过以下公式2得出所述回归方程的最优解：

x_i为样本点，在本方案里为n*m维矩阵，矩阵的L2范数定义为x_i ^Tx_i的最大特征值的平方根/>得到映射/>使得

R^d为d维向量空间，{x_i}为样本点集合。

结合另一方面，本发明另一可行的实施方式中，所述通过公式2得出所述回归方程的最优解时，损失函数

第二方面，本发明还涉及一种金融数据的图像处理装置，所述装置包括：

获取模块，用于获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin；

处理模块，用于对所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin进行数据处理，并根据处理后的数据建立图像样本空间的向量自回归模型；

回归模块，用于将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样。

第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明通过基于流形分布定律对金融数据的K线图像样本建立图像样本空间至特征空间的同胚映射，构建向量自回归模型，当在该模型中输入已获得的金融数据即样本外的金融数据后通过模型的运算即可得到未来的金融数据的图像化展示，实现图像识别角度对金融数据进行预测，替代了传统的以收益率指标进行预测的方式，并且可以扩展到所有其它类型的K线图数据，适用范围广泛。

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，并不能限制本发明。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种金融数据的图像处理方法的流程示意图。

图2是根据一示例性实施例示出的一种金融数据的图像处理装置的框图。

图3是根据一示例性实施例示出的实现方法的计算机设备的框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图中将各步骤描述成顺序的处理，但是其中的许多步骤可以并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排，当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图内的其它步骤。处理可以对应于方法、函数、规程、子例程、子程序等。

本发明涉及一种金融数据的图像处理方法、装置、计算机设备及可读存储介质，其主要运用于对金融数据进行预测的场景中，其基本思想是：基于流形分布定律对金融数据的K线图像样本建立图像样本空间至特征空间的同胚映射，并构建向量自回归模型，当在该模型中输入已获得的金融数据即样本外的金融数据后通过模型的运算即可得到未来的金融数据的图像化展示，实现图像识别角度对金融数据进行预测，替代了传统的以收益率指标进行预测的方式，并且可以扩展到所有其它类型的K线图数据，适用范围广泛。

本实施例可适用于带有向量自回归模型的智能型终端中以进行金融数据的图像处理的情况中，该方法可以由向量自回归模型的控制装置来执行，其中该装置可以由软件和/或硬件来实现，一般地可集成于智能终端中，或者终端中的中心控制模块来控制，如图1所示，为本发明的一种金融数据的图像处理方法的基本流程示意图，所述方法具体包括如下步骤：

在步骤110中，获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin；

所述日度级别可以为1个交易日级别，所述所述预设分钟级别可以以5分钟为预设级别，本发明一种可行的实施方式中，以沪深300指数为例，首先提取连续100个交易日的日度数据，每个交易日的数据包含等同于所述第一数据Kd的K_d：(open price，日开盘价格，close price，日收盘价格，high price，日最高价格，low price，日最低价格)，以及等同于所述第二数据Kmin的K_5min：该交易日里所有5分钟级别的open price和close price。

所述第一数据Kd的数据类型为多个，例如包括open price，closeprice，highprice，lowprice等四个维度的金融数据，所述第二数据Kmin包括open price，closeprice等两个维度的数据，且一般地所述第一数据Kd的数据类型的维度高于第二数据Kmin。

本发明示例性实施例中，以A股而言，其每一个交易日的交易时长为4个小时，故在一个交易日内包括有n＝48个日度级别的第一数据Kd。

在步骤120中，对所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin进行数据处理，并根据处理后的数据建立图像样本空间的向量自回归模型；

本发明示例性实施例的一种可行实施方式中，以A股周期为5天的K线图样本建立样本坐标映射，则：

以代表对一个周期为5天的K线图样本进行坐标映射的映射序列，

i＝1，2，3，4，5，构成局部坐标卡。

在本发明示例性实施例另一种实施方式中，以沪深300指数为例，提取连续100个交易日的日度数据，每个交易日的数据包含K_d：(open price，close price，high price，low price)，以及K_5min：该交易日里所有5分钟级别的open price和close price，数据处理过程包括；对5分钟级别的open price和closeprice，计算算术平均值，即(openprice+close price)/2，称作5分钟平均值，统计一个交易日内48个5分钟平均值的中位数，具体做法是：对48个5分钟平均值从小到大进行排序，取排序为第24和25的两个数据，二者相加除以2，即为中位数M；计算日内振幅S＝high price-low price；计算日K线图实体大小Pr＝|open price-close price|，即交易日开盘价和收盘价之差的绝对值。因此，对于一个交易日的K线图来说，建立所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin与K线图、中位数M以及日内振幅S之间的映射：该映射为一同胚映射并使得实现高维流形向低维流形的转换。

向量自回归模型为一种计量经济模型，用于估计联合内生变量的动态关系，包含有多元序列变量，建立向量自回归模型的过程包括：建立时间序列映射、对K线图样本进行坐标映射，根据上述映射建立三维向量(Pr，M，S)的时间序列：x_i＝(Pr_i，M_i，S_i)，通过回归方程x_n为第n日K线图，c为三维常数向量，ε为误差向量，A_i是3*3维回归系数矩阵，确定想要的向量数据或映射数据。

其中，Pr_i，M_i，S_i分别是第i个交易日的K线图实体大小，中位数和日内振幅。

在本发明示例性实施例的一个可行的实施方式中，K_d代表日度级别的K线图样本点，包括日K线图的四个数据：open price(日开盘价)，close price(日收盘价)，highprice(日最高价)，low price(日最低价)；

K_5min代表一个交易日里的所有5分钟级别K线图的开盘价和收盘价，是一个二维数据的集合，因为A股每天交易时长为4个小时，所以一个K_5min的样本容量是48。

当已知连续四个交易日的金融数据第一数据Kd和预设分钟级别的K_5min时，需要得到第5日的预测图样时，建立映射的公式一包括：

其中，θ₁，θ₂，θ₃，θ₄代表日度级别的四个维度数据，θ₅代表由日内5分钟级别数据构成的中位数，K_d代表日度K线图样本点，K_5min代表一个交易日里由日内5分钟级别K线图，

代表对一个周期为5天的K线图样本进行坐标映射的映射序列，i＝1，2，3，4，5，/>构成局部坐标卡。

构建向量自回归模型(VAR模型)的过程包括：当已知连续四个交易日的金融数据第一数据Kd和预设分钟级别的K_5min时，需要得到第5日的预测图样，其回归方程中n＝5，如下：

其中，x_n为第n日K线图，c为三维常数向量，ε为误差向量，A_i是3*3维回归系数矩阵，通过所述向量自回归模型可得出A_i和c，即回归得出3*3维回归系数矩阵和三维常数向量。

在本发明示例性实施例的上述回归方程中，回归系数矩阵的求解可按照如下逻辑顺序：第五日数据向量关于第一到第四日的数据向量进行回归，第六日的向量关于第二日到第五日的向量回归，以此类推，滚动进行，总共进行96次。回归的最优解为公式2：

x_i为样本点，在本方案里为n*m维矩阵，矩阵的L2范数定义为x_i ^Tx_i的最大特征值的平方根/>向量自回归模型的目的就是找到映射使得

R^d为d维向量空间，{x_i}为样本点集合。

此时，损失函数损失函数达到最小。

在步骤130中，将已获得的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述已获得的金融数据的预测图样。

在所述向量自回归模型进行逆变换和解码运算，在本发明一示例性实施例中，包括：一个拓扑空间S，被一族开集U_α所覆盖，即任意一个开集U_α都存在一个同胚映射：/>为n维欧式空间。/>被称为坐标映射，其逆映射/>被称作流形的局部坐标表示，在机器学习框架中，/>被称为编码映射，/>被称作解码映射，即逆变换和解码运算过程。

本步骤中，通过对当需要第5日的预测图样时，将第1～4日已获得的金融数据作为样本数据输入到所述VAR模型中，所述逆变换操作可以为对得到的预测数据通过所述映射和矩阵得到与其相符合的样本数据，该样本数据对应的K线图相关数据即预测得到的金融数据，所述解码操作为对所述映射和矩阵的解析运算过程，在本发明示例性实施例的一种可行实施场景中，通过对输入前4日的金融数据到VAR模型，得到预测的第5日的金融数据经过逆变换和解码的局部坐标数据，并与前4日金融数据结合形成预测K线图。

本实施例基于流形分布定律对金融数据的K线图像样本建立图像样本空间至特征空间的同胚映射，并构建向量自回归模型，当在该模型中输入已获得的金融数据即样本外的金融数据后通过模型的运算即可得到未来的金融数据的图像化展示，实现图像识别角度对金融数据进行预测，替代了传统的以收益率指标进行预测的方式，并且可以扩展到所有其它类型的K线图数据，适用范围广泛。

图2为本发明实施例提供的一种金融数据的图像处理装置的结构示意图，该装置可由软件和/或硬件实现，一般地集成于智能终端中，可通过金融数据的图像处理方法来实现。如图所示，本实施例可以以上述实施例为基础，提供了一种金融数据的图像处理装置，其主要包括了获取模块210、处理模块220以及回归模块230。

其中的获取模块210，用于获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin；

其中的处理模块220，用于对所述日度级别的第一数据Kd和预设分钟级别的第二数据Kmin进行数据处理，并根据处理后的数据建立图像样本空间的向量自回归模型；

其中的回归模块230，用于将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样。

在本发明示例性实施例的一种实施方式中，所述获取模块的所述第一数据Kd的数据类型包括open price(日开盘价格)，close price(日收盘数据)，high price(日最高价格)，low price(日最低价格)四个维度的金融数据，所述第二数据Kmin包括open price，close price两个维度的数据。

在本发明示例性实施例的一种实施方式中，所述处理模220块包括：

构建子模块，用于构建所述向量自回归模型：

i＝1，2，3，4，5，构成局部坐标卡；

回归方程为：

通过所述回归方程得出A_i和c。

上述实施例中提供的金融数据的图像处理装置可执行本发明中任意实施例中所提供的金融数据的图像处理方法，具备执行该方法相应的功能模块和有益效果，未在上述实施例中详细描述的技术细节，可参见本发明任意实施例中所提供的金融数据的图像处理方法。

将意识到的是，本发明也扩展到适合于将本发明付诸实践的计算机程序，特别是载体上或者载体中的计算机程序。程序可以以源代码、目标代码、代码中间源和诸如部分编译的形式的目标代码的形式，或者以任何其它适合在按照本发明的方法的实现中使用的形式。也将注意的是，这样的程序可能具有许多不同的构架设计。例如，实现按照本发明的方法或者系统的功能性的程序代码可能被再分为一个或者多个子例程。

用于在这些子例程中间分布功能性的许多不同方式将对技术人员而言是明显的。子例程可以一起存储在一个可执行文件中，从而形成自含式的程序。这样的可执行文件可以包括计算机可执行指令，例如处理器指令和/或解释器指令(例如，Java解释器指令)。可替换地，子例程的一个或者多个或者所有子例程都可以存储在至少一个外部库文件中，并且与主程序静态地或者动态地(例如在运行时间)链接。主程序含有对子例程中的至少一个的至少一个调用。子例程也可以包括对彼此的函数调用。涉及计算机程序产品的实施例包括对应于所阐明方法中至少一种方法的处理步骤的每一步骤的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

另一个涉及计算机程序产品的实施例包括对应于所阐明的系统和/或产品中至少一个的装置中每个装置的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

计算机程序的载体可以是能够运载程序的任何实体或者装置。例如，载体可以包含存储介质，诸如(ROM例如CDROM或者半导体ROM)或者磁记录介质(例如软盘或者硬盘)。进一步地，载体可以是可传输的载体，诸如电学或者光学信号，其可以经由电缆或者光缆，或者通过无线电或者其它手段传递。当程序具体化为这样的信号时，载体可以由这样的线缆或者装置组成。可替换地，载体可以是其中嵌入有程序的集成电路，所述集成电路适合于执行相关方法，或者供相关方法的执行所用。

应该留意的是，上文提到的实施例是举例说明本发明，而不是限制本发明，并且本领域的技术人员将能够设计许多可替换的实施例，而不会偏离所附权利要求的范围。在权利要求中，任何放置在圆括号之间的参考符号不应被解读为是对权利要求的限制。动词“包括”和其词形变化的使用不排除除了在权利要求中记载的那些之外的元素或者步骤的存在。在元素之前的冠词“一”或者“一个”不排除复数个这样的元素的存在。本发明可以通过包括几个明显不同的组件的硬件，以及通过适当编程的计算机而实现。在列举几种装置的装置权利要求中，这些装置中的几种可以通过硬件的同一项来体现。在相互不同的从属权利要求中陈述某些措施的单纯事实并不表明这些措施的组合不能被用来获益。

如果期望的话，这里所讨论的不同功能可以以不同顺序执行和/或彼此同时执行。此外，如果期望的话，以上所描述的一个或多个功能可以是可选的或者可以进行组合。

如果期望的话，上文所讨论的各步骤并不限于各实施例中的执行顺序，不同步骤可以以不同顺序执行和/或彼此同时执行。此外，在其他实施例中，以上所描述的一个或多个步骤可以是可选的或者可以进行组合。

虽然本发明的各个方面在独立权利要求中给出，但是本发明的其它方面包括来自所描述实施方式的特征和/或具有独立权利要求的特征的从属权利要求的组合，而并非仅是权利要求中所明确给出的组合。

这里所要注意的是，虽然以上描述了本发明的示例实施方式，但是这些描述并不应当以限制的含义进行理解。相反，可以进行若干种变化和修改而并不背离如所附权利要求中所限定的本发明的范围。

本领域普通技术人员应该明白，本发明实施例的装置中的各模块可以用通用的计算装置来实现，各模块可以集中在单个计算装置或者计算装置组成的网络组中，本发明实施例中的装置对应于前述实施例中的方法，其可以通过可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本发明并不局限于特定的硬件或者软件及其结合。

本领域普通技术人员应该明白，本发明实施例的装置中的各模块可以用通用的移动终端来实现，各模块可以集中在单个移动终端或者移动终端组成的装置组合中，本发明实施例中的装置对应于前述实施例中的方法，其可以通过编辑可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本发明并不局限于特定的硬件或者软件及其结合。

本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图3所示。需要指出的是，图3仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如实施例一的RNNs神经网络的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如实现深度学习模型的各层结构，以实现上述实施例的金融数据的图像处理方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储金融小程序，被处理器执行时实现上述实施例的金融数据的图像处理方法。

注意，上述仅为本发明的示例性实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种金融数据的图像处理方法，其特征在于，所述方法包括：

获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，所述第一数据Kd为多维数据类型且维度高于所述第二数据Kmin；

将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样；

构建所述向量自回归模型，包括：

构建第一数据Kd的图像信息的同胚映射：公式1：(K_d，K_5min)→(Pr,M,S)，该映射使高维流形转换成低维流形；/>表示对一个周期为5天的5分钟级别K线图样本进行坐标映射的映射序列；i＝1,2,3,4,5,/>构成局部坐标卡；/>表示对一个周期为5天的日度K线图样本点进行坐标映射的映射序列；

建立三维向量(Pr,M,S)的时间序列：x_i＝(Pr_i,M_i,S_i),Pr_i,M_i,S_i分别是第i个交易日的K线图实体大小，中位数和日内振幅；

回归方程为：

通过所述回归方程得出A_i和c；

其中，回归系数矩阵的求解可按照如下逻辑顺序：第五日数据向量关于第一到第四日的数据向量进行回归，第六日的向量关于第二日到第五日的向量回归，以此类推，滚动进行，回归方程中的i在每次回归运算中逐次加一。

2.根据权利要求1所述的方法，其特征在于，所述获取日度级别的第一数据Kd和预设分钟级别的第二数据Kmin，其中，第一数据Kd为多维数据类型且维度高于第二数据Kmin，包括：

所述第一数据Kd的数据类型包括日开盘价格、日收盘数据、日最高价格、日最低价格四个维度的金融数据，所述第二数据Kmin包括open price，close price两个维度的数据。

3.根据权利要求1所述的方法，其特征在于，所述通过所述回归方程得出A_i和c，包括：

通过以下公式2得出所述回归方程的最优解：

公式2：x_i为样本点，在本方案里为n*m维矩阵，矩阵的L2范数定义为/>的最大特征值的平方根/>得到映射/>使得

{x_i}→R^d，R^d为d维向量空间，{x_i}为样本点集合，其中，m＝3。

4.根据权利要求3所述的方法，其特征在于，在n的取值为100且基于四个已知交易日数据预测第5个交易日数据的情况下，所述通过公式2得出所述回归方程的最优解时，损失函数

5.一种金融数据的图像处理装置，其特征在于，所述装置包括：

回归模块，用于将待处理的金融数据输入到所述向量自回归模型中逆变换和解码运算之后得到所述待处理的金融数据的预测图样；

所述处理模块包括：

构建第一数据Kd的图像信息的同胚映射：公式1：(K_d,K_5min)→(Pr,M,S)，该映射使高维流形转换成低维流形；/>表示对一个周期为5天的5分钟级别K线图样本进行坐标映射的映射序列；i＝1,2,3,4,5,/>构成局部坐标卡；/>表示对一个周期为5天的日度K线图样本点进行坐标映射的映射序列；

回归方程为：

通过所述回归方程得出A_i和c；

6.根据权利要求5所述的装置，其特征在于，所述获取模块的所述第一数据Kd的数据类型包括日开盘价格，日收盘数据，日最高价格，日最低价格四个维度的金融数据，所述第二数据Kmin包括open price，close price两个维度的数据。

7.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。