CN110197432A - 一种基于大数据的信息提示方法、装置、终端设备和介质 - Google Patents
一种基于大数据的信息提示方法、装置、终端设备和介质 Download PDFInfo
- Publication number
- CN110197432A CN110197432A CN201810792745.4A CN201810792745A CN110197432A CN 110197432 A CN110197432 A CN 110197432A CN 201810792745 A CN201810792745 A CN 201810792745A CN 110197432 A CN110197432 A CN 110197432A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- trading
- transaction
- similar
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种基于大数据的信息提示方法、装置、终端设备和介质,属于计算机技术领域,该方法包括,在备选交易对象集合中筛选出历史交易态势与目标交易对象的历史交易态势相似的各相似交易对象;根据各相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征;基于预测结果生成交易提示信息。这样,就可以根据相似交易对象的历史交易数据的数据分布特征,预测目标交易对象在未来的数据分布特征,并根据预测的数据分布特征生成交易提示信息,提高了未来交易态势预测的预测效率和准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于大数据的信息提示方法、装置、终端设备和介质。
背景技术
K线图由每个分析周期的开盘价、最高价、最低价和收盘价绘制而成,已广泛应用于股票分析领域。
在现有技术中,用户通过交易对象的K线图预测未来交易态势,以及根据预测结果执行交易操作。然而,采用上述方式,预测未来交易态势的准确度较低。
发明内容
本申请实施例提供一种基于大数据的信息提示方法、装置、终端设备和介质,用以在通过历史交易数据对目标交易对象进行预测以及执行交易操作时,提高预测结果的预测效率和准确度。
一方面,提供一种基于大数据的信息提示方法,包括:
针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象;
针对指定的交易数据类型,获取各个相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据;
基于各相似交易对象的历史交易数据,确定交易数据类型的历史交易数据的数据分布特征;
基于获得的数据分布特征,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征;
基于预测结果,生成交易提示信息。
这样,通过对目标交易对象的各相似交易对象的历史交易数据进行数据处理和分析,确定各相似交易对象的历史交易的数据分布特征,进而根据各相似交易对象的数据分布特征对目标交易对象的未来交易态势进行预测,提高了预测准确性和预测效率,降低了用户分析的难度,提高了用户交易的成功率和稳定性。
可选的,还包括:发送交易提示信息;和/或,显示交易提示信息。
可选的,针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象,具体包括:
获取目标交易对象和备选交易对象集合中的各备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据;
基于第一预设时间段内的历史交易数据,分别确定每一交易对象的历史交易态势,历史交易态势通过数据序列表示;
分别确定每一备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
在各备选交易对象中,筛选出距离低于第一预设门限值并且相关性高于第二预设门限值的各相似交易对象。
这样,通过数据序列表示历史交易态势,并通过距离和相关性,筛选出目标对象的相似交易对象,减少了后续数据处理的数据量,提高了后续数据处理的效率。
可选的,基于第一预设时间段内的历史交易数据,确定一个交易对象的历史交易态势,具体包括:
基于一个交易对象在第一预设时间段内的历史交易数据,生成初始交易数据序列;
分别将初始交易数据序列中的每一元素与指定序号的元素相除,获得一个交易对象的数据序列。
这样,将每一元素与指定序号的元素(如,最后一个元素)相除,获得数据序列,更加直观明了的表示了数据的变化。
可选的,确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性,具体包括:
判断交易对象的数据序列是否仅包含一种序列,若是,则直接确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
否则,分别确定一个备选交易对象的每一数据序列与目标交易对象的相应数据序列之间的价格距离和价格相关性,并将各价格距离的均值和各价格相关性的均值分别确定为一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
其中,数据序列包括以下序列中的任意一种或任意组合:开盘价序列、最高价序列、最低价序列和收盘价序列。
这样,在包含多种数据序列时,通过均值处理,提高了获得的距离和相关性的准确度。
可选的,基于各相似交易对象的历史交易数据,确定交易数据类型的历史交易数据的数据分布特征,具体包括:
基于各相似交易对象的历史交易数据,确定各相似交易对象的收盘价数据序列,其中,各相似交易对象的历史交易数据的交易数据类型为收盘价;
分别将每一收盘价数据序列中的每一元素与指定序号的元素相除后减一,获得各涨幅序列;
基于各涨幅序列,分别确定每一数据特征的数据特征序列,并基于各数据特征序列,确定各涨幅序列的数据分布特征;
其中,数据特征至少包含以下参数中的任意一种或任意组合:平均涨幅、最大涨幅、最低涨幅、涨幅胜率、中位数涨幅以及众数涨幅,数据特征序列的一个元素是基于各涨幅序列中与一个元素的序号相同的各元素获得的。
这样,对各相似交易对象的涨幅序列进行分析处理,获得交易数据的数据分布特征,简化了复杂的历史交易数据。
可选的,在基于预测结果,生成并显示交易提示信息之前,进一步包括:
基于各相似交易对象对应的距离,将各相似交易对象进行排序,并确定存在距离相同的相似交易对象时,基于对应的相关性对排序进行调整;或者,基于各相似交易对象对应的相关性,将各相似交易对象进行排序,并确定存在相关性相同的相似交易对象时,基于对应的距离对排序进行调整;
基于排序结果,在各相似交易对象中确定出目标交易对象的最相似交易对象;
基于最相似交易对象的涨幅序列,预测目标交易对象的目标数据序列。
这样,获得了目标交易对象的最相似交易对象的涨幅序列,提高了目标交易对象的未来交易态势的精确性。
可选的,交易提示信息包括以下参数中的任意一种或组合:目标交易对象,预测结果,预测最佳购买价格和预测最佳购买时间。
这样,向用户呈现交易提示信息,提高了用户的交易成功率和交易稳定性。
一方面,一种基于大数据的信息提示装置,包括:
筛选单元,用于针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象;
获取单元,用于针对指定的交易数据类型,获取各个相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据;
确定单元,用于基于各相似交易对象的历史交易数据,确定交易数据类型的历史交易数据的数据分布特征;
预测单元,用于基于获得的数据分布特征,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征;
生成单元,用于基于预测结果,生成交易提示信息。
可选的,还包括:
发送单元,用于发送交易提示信息;和/或
显示单元,用于显示交易提示信息。
可选的,在针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象时,筛选单元具体用于:
获取目标交易对象和备选交易对象集合中的各备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据;
基于第一预设时间段内的历史交易数据,分别确定每一交易对象的历史交易态势,历史交易态势通过数据序列表示;
分别确定每一备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
在各备选交易对象中,筛选出距离低于第一预设门限值并且相关性高于第二预设门限值的各相似交易对象。
可选的,在基于第一预设时间段内的历史交易数据,确定一个交易对象的历史交易态势时,筛选单元具体用于:
基于一个交易对象在第一预设时间段内的历史交易数据,生成初始交易数据序列;
分别将初始交易数据序列中的每一元素与指定序号的元素相除,获得一个交易对象的数据序列。
可选的,在确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性时,筛选单元具体用于:
判断交易对象的数据序列是否仅包含一种序列,若是,则直接确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
否则,分别确定一个备选交易对象的每一数据序列与目标交易对象的相应数据序列之间的价格距离和价格相关性,并将各价格距离的均值和各价格相关性的均值分别确定为一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
其中,数据序列包括以下序列中的任意一种或任意组合:开盘价序列、最高价序列、最低价序列和收盘价序列。
可选的,在基于各相似交易对象的历史交易数据,确定交易数据类型的历史交易数据的数据分布特征时,确定单元具体用于:
基于各相似交易对象的历史交易数据,确定各相似交易对象的收盘价数据序列,其中,各相似交易对象的历史交易数据的交易数据类型为收盘价;
分别将每一收盘价数据序列中的每一元素与指定序号的元素相除后减一,获得各涨幅序列;
基于各涨幅序列,分别确定每一数据特征的数据特征序列,并基于各数据特征序列,确定各涨幅序列的数据分布特征。
其中,数据特征至少包含以下参数中的任意一种或任意组合:平均涨幅、最大涨幅、最低涨幅、涨幅胜率、中位数涨幅以及众数涨幅,数据特征序列的一个元素是基于各涨幅序列中与一个元素的序号相同的各元素获得的。
可选的,在基于预测结果,生成并显示交易提示信息之前,预测单元还用于:
基于各相似交易对象对应的距离,将各相似交易对象进行排序,并确定存在距离相同的相似交易对象时,基于对应的相关性对排序进行调整;或者,基于各相似交易对象对应的相关性,将各相似交易对象进行排序,并确定存在相关性相同的相似交易对象时,基于对应的距离对排序进行调整;
基于排序结果,在各相似交易对象中确定出目标交易对象的最相似交易对象;
基于最相似交易对象的涨幅序列,预测目标交易对象的目标数据序列。
可选的,交易提示信息包括以下参数中的任意一种或组合:目标交易对象,预测结果,预测最佳购买价格和预测最佳购买时间。
一方面,提供一种终端设备,包括至少一个处理单元、以及至少一个存储单元,其中,存储单元存储有计算机程序,当程序被处理单元执行时,使得处理单元执行上述任意一种基于大数据的信息提示方法的步骤。
一方面,提供一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当程序在终端设备上运行时,使得终端设备执行上述任意一种基于大数据的信息提示方法的步骤。
本申请实施例提供的一种基于大数据的信息提示方法、装置、终端设备和介质中,在备选交易对象集合中筛选出历史交易态势与目标交易对象的历史交易态势相似的各相似交易对象;根据各相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征;向用户呈现基于预测结果生成的交易提示信息。这样,就可以根据相似交易对象的历史交易数据的数据分布特征,预测目标交易对象在未来时刻的数据分布特征,提高了未来交易态势预测的准确性,向用户提供了简单直观的预测分析结果以及交易提示信息,为用户交易提供了便利。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例的应用场景示意图;
图2为本申请实施方式中一种基于大数据的信息提示方法的实施流程图;
图3a为本申请实施方式中一种K线示例图;
图3b为本申请实施方式中一种价格涨幅预测曲线图;
图3c为本申请实施方式中一种每日胜率柱状图;
图4为本申请实施方式中一种基于大数据的信息提示装置的结构示意图;
图5为本申请实施方式中终端设备结构示意图。
具体实施方式
为了在通过历史交易数据对目标交易对象进行预测以及执行交易操作时,提高预测结果的预测效率和准确度,本申请实施例提供了一种基于大数据的信息提示方法、装置、终端设备和介质。
首先,对本申请实施例中涉及的部分用语进行说明,以便于本领域技术人员理解。
1、终端设备:可以安装各类应用程序,并且能够将已安装的应用程序中提供的实体进行显示的设备,该电子设备可以是移动的,也可以是固定的。例如,手机、平板电脑、车载设备、个人数字助理(chgersonal digital assistant,CHGDA)或其它能够实现上述功能的电子设备等。
2、交易对象:包括备选交易对象和目标交易对象,可以是诸如股票、黄金以及白银等贵金属。
3、交易态势:是指交易数据的涨幅变化,可以通过数据序列,表格以及曲线图等形式表示。
4、交易数据类型:指交易数据的类型,包括开盘价、最高价、最低价以及收盘价等。
5、交易数据:包括历史交易数据和当前交易数据,通常包含多种交易数据类型的价格数据,可选的,还可以包括成交量。
本申请实施例提供的一种基于大数据的信息提示方法,可应用于终端设备和服务器。
请参见图1,为本申请实施例的应用场景示意图,在该场景中包括终端设备100、服务器20和数据库服务器21。
终端设备100为任何能够安装并运行应用程序的智能电子设备,例如,终端设备100可以是智能手机、平板电脑(CHGAD)、笔记本电脑或者台式电脑等。终端设备100可以通过网络与服务器20进行通信,该网络例如可以是移动运营商网络或者无线局域网(Wireless LAN,WLAN)等。
服务器20为用于支持应用程序显示交易提示信息的后台服务器,服务器20可以是一台服务器,也可以是若干台服务器组成的服务器集群或云计算中心。
数据库服务器21用于对交易数据进行存储,可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。
其中,用户在终端设备100中安装应用程序后,可以通过应用程序向服务器20发送交易提示信息请求,以及接收服务器20返回的交易提示信息。应用程序可以为浏览器,也可以为指定交易应用程序。具体的,浏览器可以是终端设备自带的浏览器,例如IE(InternetExplorer)浏览器;或者,浏览器也可以是下载的第三方提供的浏览器,例如QQ浏览器。当然,浏览器还可以是其他可能的浏览器,本发明实施例对此并不做限制。
其中,服务器20中根据用户的交易提示指令或接收的交易提示信息请求,通过数据库服务器21获取备选交易对象和目标交易对象的历史交易数据,并通过各备选交易对象的历史交易数据预测目标交易对象在未来的数据分布特征,并根据预测结果显示交易提示信息或向终端设备100发送交易提示信息。
当然,本发明实施例提供的基于大数据的信息提示方法并不限用于图1中所示的应用场景中,还可以用于其他可能的应用场景,本发明实施例并不进行限制。
参阅图2所示,为本申请提供的一种基于大数据的信息提示方法的实施流程图,该方法的具体实施流程如下:
步骤200:服务器基于目标交易对象和备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据,分别确定每一交易对象的历史交易态势。
具体的,首先,服务器基于用户的交易提示指令或终端设备发送的交易提示信息请求,获取目标交易对象和备选交易对象集合中各备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据。
本申请实施例提供的方法可应用于诸如股票分析领域和贵金属投资分析领域等金融投资领域。交易对象(包括备选交易对象和目标交易对象)可以是诸如股票、黄金以及白银等贵金属。
预设时间段(包括第一预设时间段和第二预设时间段)为预先设定的经验值,可以根据实际需求进行自定义设定。
例如,第一预设时间段为30天,第二预设时间段为20天。
其中,交易数据(包括历史交易数据和当前交易数据)通常包括多种交易数据类型的价格数据,可选的,还可以包括成交量。交易数据类型包括开盘价、最高价、最低价以及收盘价等。开盘价为设定的分析周期(如,每日或每分钟)内的第一笔交易的单价。收盘价为分析周期内最后一笔交易的单价。最高价为分析周期内所有交易的最高单价。最低价为分析周期内所有交易的最低单价。
本申请实施例中,以将每日作为分析周期为例进行说明,实际应用中,分析周期还可以是每分钟或每周,在此不再赘述。
服务器可围绕开盘价、最高价、最低价以及收盘价绘制K线图。K线图可以反应设定周期内的交易的状况和价格信息。如果把每日的K线图放在一张纸上,就能得到日K线图,同样也可画出周K线图、月K线图等。
例如,参阅图3a所示,为本申请实施方式中一种K线示例图。K1和K2中均包含开盘价、最高价、最低价、收盘价。其中,K1中收盘价高于开盘价,K2中收盘价低于开盘价。
又例如,服务器获取当前时刻之前的前50天至前20天之间的30天内的历史交易数据。其中,历史交易数据中包含交易对象的每天的开盘价、最高价、最低价以及收盘价。
然后,服务器基于每一交易对象的上述第一预设时间段内的历史交易数据以及交易数据类型,分别确定每一交易对象的初始数据序列,并将每一初始数据序列中的每一元素与指定序号的元素相除,获得数据序列。其中,数据序列用于表示历史交易态势。
可选的,历史交易态势也可以通过曲线图,表格等其他形式表示,用于表示交易对象的交易变化状况。本申请实施例中,仅以数据序列表示历史交易态势。
其中,由于交易数据类型的不同,基于历史交易数据可以获得以下序列中的任意一种或任意组合:开盘价序列、最高价序列、最低价序列和收盘价序列。实际应用中,可以根据实际需求,生成指定的交易数据类型的数据序列。
例如,假设初始数据序列根据个股在指定的5天内的每日开盘价,生成初始开盘价序列。其中,初始开盘价序列为{16,32,8,64,4}。则服务器将初始开盘价序列中的每一元素与最后一个元素(指定序号的元素)相除,获得开盘价序列{4,8,2,16,1}。其中,指定序号元素通常为序列中最早期的元素。
这样,就可以通过历史交易数据生成的数据序列,确定各交易价格的涨幅变化,进而表示历史交易态势。
步骤201:服务器在各备选交易对象中筛选出历史交易态势与目标交易对象的历史交易态势相似的各个相似交易对象。
具体的,首先,服务器分别确定每一备选交易对象的数据序列和目标交易对象的数据序列之间的欧氏距离和相关性。
其中,相关性,使用能衡量不同等长数据序列是否具有一致趋势相关性的算法进行历史交易态势的计算,典型算法如皮尔森相关系数(Pearson correlationcoefficient),又或者夹角余弦(Cosine)、修正余弦(Adjusted Cosine),等等,本申请实施例中对采用的算法不作限定。
其中,距离,使用能衡量等长数据序列之间在二维空间上的距离的算法进行历史交易态势之间的距离计算,典型算法如欧氏距离(Euclidean Distance),又或者曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、闵可夫斯基距离(Minkowski Distance),等等,本申请实施例中对采用的算法不作限定。
这样,在对历史交易态势进行相似性比较时,结合了对两个数据序列的距离和相关性的多维度考虑,有效地刻画了历史交易态势相似的本质。
其中,服务器确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性时,分别针对每一备选交易对象,可以采用以下几种方式:
第一种方式为:若数据序列中仅包含开盘价序列、最高价序列、最低价序列和收盘价序列中的任意一种,则采用欧氏距离算法和相关性算法,直接确定一个备选交易对象的数据序列和目标交易对象的数据序列之间的距离和相关性。
例如,若数据序列仅为收盘价序列,则直接确定备选交易对象的收盘价序列和目标交易对象的收盘价序列之间的距离和相关性。
第二种方式为:若数据序列中包含开盘价序列、最高价序列、最低价序列、收盘价序列中的多种,则采用距离算法和相关性算法,分别确定一个备选交易对象的每一个数据序列与目标交易对象的相应数据序列的价格距离和价格相关性,并将各价格距离的均值确定为备选交易对象和目标交易对象的距离,将各相关性的均值确定为备选交易对象和目标交易对象的价格相关性。
例如,假设数据序列包含开盘价序列、最高价序列、最低价序列以及收盘价序列,则确定备选交易对象的收盘价序列和目标交易对象的收盘价序列之间的第一距离和第一相关性;确定备选交易对象的开盘价序列和目标交易对象的开盘价序列之间的第二距离和第二相关性;确定备选交易对象的最高价序列和目标交易对象的最高价序列之间的第三距离和第三相关性;确定备选交易对象的最低价序列和目标交易对象的最低价序列之间的第四距离和第四相关性。
然后,服务器将第一距离、第二距离、第三距离和第四距离的均值确定为备选交易对象和目标交易对象的距离;将第一相关性、第二相关性、第三相关性和第四相关性的均值确定为备选交易对象和目标交易对象的相关性。
这样,通过多种序列的均值确定备选交易对象和目标交易对象的欧氏距离和相关性,减少了误差干扰,提高了精确度。
最后,服务器在各备选交易对象中,筛选出距离低于第一预设门限值并且相关性高于第二预设门限值的各相似交易对象。
其中,第一预设门限值与第二预设门限值均为正数,通常通过经验值设定。
例如,第一预设门限值可以为0.1,第二预设门限值可以为0.85。
这样,就可以通过备选交易对象与目标交易对象之间的距离和相关性,筛选出历史交易态势与目标交易对象的历史交易态势相似的各相似交易对象。从而在后续的预测步骤中,减少分析数据量,提高预测精度。
步骤202:服务器获取各个相似交易对象在当前时刻之前的第二预设时间段内的指定的交易数据类型的历史交易数据。
具体的,服务器获取指定的交易数据类型为收盘价,并获取各个相似交易对象在当前时刻之前的第二预设时间段内的收盘价的历史交易数据。
可选的,指定的交易数据类型可以为开盘价、最高价、最低价和收盘价中的任意一种或组合。本申请实施例中仅以将收盘价确定为指定的交易数据类型为例进行说明。
在实际应用中,由于每日收盘价是每日股票的最后价格,通常采用收盘价计算每日的股票最终浮盈,因此,服务器通常通过收盘价对目标交易进行预测。
第二预设时间段为通常通过经验值设定的天数等。例如,第二预设时间段为20天。
实际应用中,当前时刻之前的第一预设时间段早于当前时刻之前的第二预设时间段,两者不重叠。
例如,当前时刻之前的第一预设时间段为2018.06.1-2018.06.30,当前时刻之前的第二预设时间段为2018.07.01-2018.07.15。
这样,就可以通过当前时刻之前的第一预设时间段的历史交易数据筛选目标交易对象的相似交易对象,然后,通过当前时刻之前的第二预设时间段的历史交易数据预测目标交易对象的未来交易态势。
步骤203:服务器基于各相似交易对象的历史交易数据,获得各涨幅序列。
具体的,首先,服务器基于各相似交易对象的历史交易数据,确定各相似交易对象的收盘价数据序列。本申请实施例中,收盘价数据序列为基于每日收盘价获得的序列。
然后,服务器分别针对每一收盘价数据序列中执行以下步骤:
分别将一个收盘价数据序列中的每一元素与指定序号的元素相除后减一,获得涨幅序列。
可选的,指定序号的元素通常为最早期的元素,即最早期的收盘价,即通常将晚期的收盘价与早期的收盘价相除。
例如,假设收盘价数据序列为{c1,c2,…,c30},指定序号元素为最后一个元素,即c30,其中,c为收盘价。则分别将c1,c2,…,c30中的每一个元素与c30相除后减一,获得涨幅序列{chg1,chg2,…,chg30}。其中,收盘价数据序列中的各元素的序号与收盘价的时间成负相关,即c1为最晚时间获得的收盘价,c30为最早时间获得的收盘价。
这样,就可以通过涨幅序列确定各备选交易对象在当前时刻前的第二预设时间段内的价格涨幅变化。
步骤204:服务器基于各涨幅序列,分别确定每一数据特征的数据分布特征。
具体的,数据特征至少包含以下参数中的任意一种或任意组合:
平均涨幅、最大涨幅、最低涨幅、涨幅胜率、中位数涨幅以及众数涨幅。
其中,数据特征序列的每一个元素是基于各涨幅序列中与所述每一个元素的序号相同的各元素获得的。涨幅即涨幅序列中的各元素。
服务器基于各涨幅序列,分别获得平均涨幅序列、最大涨幅序列、最低涨幅序列、涨幅胜率序列、中位数涨幅序列以及众数涨幅序列。
其中,平均涨幅序列为基于各涨幅序列获得的包含各每日平均涨幅的序列。
其中,最大涨幅序列为基于各涨幅序列获得的包含各每日最大涨幅的序列。
其中,最低涨幅序列为基于各涨幅序列获得的包含各每日最低涨幅的序列。
其中,涨幅胜率序列为基于各涨幅序列获得的包含每日涨幅大于0的相似交易对象的比例的序列。
其中,中位数序列为基于各涨幅序列获得的包含每日各涨幅的中位数的序列。
其中,众数涨幅为基于各涨幅序列获得包含每日各涨幅的众数的序列。
可选的,确定每一数据特征的数据特征序列,可以采用以下方式。
1)基于各涨幅序列,确定平均涨幅序列:
Vi=(chg1i+chg2i+chg3i+……chgni)/n;
其中,Vi为平均涨幅序列中第i个元素,i为元素序号,chg1……chgn为涨幅序列的序号,n为涨幅序列的总数目。
2)基于各涨幅序列,确定最大涨幅序列:
mi=max(chg1i,chg2i,chg3i,……,chgni);
其中,mi为最大涨幅序列中第i个元素,i为元素序号,chg1……chgn为涨幅序列的序号。
3)基于各涨幅序列,确定最低涨幅序列:
Ni=min(chg1i,chg2i,chg3i,……,chgni);
其中,ni为最低涨幅序列中第i个元素,i为元素序号,chg1……chgn为涨幅序列的序号。
4)基于各涨幅序列,确定涨幅胜率序列:
wi=numi/n;
其中,wi为涨幅胜率序列中的第i个元素,i为元素序号,num为涨幅序列的各第i个元素中大于0的元素的个数,n为涨幅序列的总数目。
5)基于各涨幅序列,确定中位数涨幅序列:
将chg1i,chg2i,chg3i,……,chgni按照大小顺序进行排序,选取排序的中间值为zi。
其中,zi为中位数涨幅序列的第i个元素,i为元素序号,chg1……chgn为涨幅序列的序号。
6)基于各涨幅序列,确定众数涨幅序列。
在chg1i,chg2i,chg3i,……,chgni中选取重复次数最多的一个元素为di。
其中,di为众位数涨幅序列中的第i个元素,i为元素序号,chg1……chgn为涨幅序列的序号。
这样,就可以各涨幅序列,确定各相似交易对象在当前时刻之前的第二预设时间段内的数据分布特征,即各数据特征序列。
步骤205:服务器基于获得的数据分布特征,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征。
具体的,服务器将获得数据分布特征,确定为预测的目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征。
可选的,为便于直观明了的查看和比较预测结果,服务器基于各数据特征序列,绘制曲线图或表格。
例如,参阅图3b所示,为本申请实施方式中一种价格涨幅预测曲线图。服务器基于最大涨幅序列绘制最大涨幅曲线,基于平均涨幅曲线序列平均涨幅曲线,以及基于最低涨幅序列绘制最低涨幅曲线。其中,横坐标为时间,单位为时间(天)。
又例如,参阅图3c所示,为本申请实施方式中一种每日胜率柱状图。服务器基于每日胜率序列,以时间(天)为横坐标,每日胜率为纵坐标,获得每日胜率的变化态势。
进一步地,分别根据每一相似交易对象对应的距离和/或相关性,在各相似交易对象中确定出目标交易对象的最相似交易对象。
具体的,确定出目标交易对象的最相似交易对象时,可以采用以下步骤:
首先,可以但不限定于采用以下几种方式,对各相似交易对象进行排序:
第一种方式为:基于各相似交易对象对应的距离,将各相似交易对象由小到大进行排序,获得第一排序。其中,若第一排序中存在距离相同的相似交易对象,则基于对应的相关性,将第一排序中距离相同的相似交易对象按照由大到小的顺序进行调整。
第二种方式为:基于各相似交易对象对应的相关性,将各相似交易对象由大到小进行排序,获得第二排序。其中,若第二排序中存在相关性相同的相似交易对象,则基于对应的距离,将第二排序中相关性相同的相似交易对象按照由小到大的顺序进行调整。
其中,相关性和距离的排序方向均可以从大到小也可以从小到大,但是,相关性的排序方向与距离的排序方向相反。
最后,服务器根据排序结果,确定目标交易对象的最相似对象。
进一步地,服务器将最相似交易对象的涨幅序列,确定为预测的目标交易对象的目标数据序列。
这样,就可以基于获得的数据分布特征,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征,并根据最涨幅序列,预测目标交易对象的目标数据序列,获得各预测结果,从而可以在后续的步骤中,根据预测结果向用户发出交易建议。
步骤206:服务器基于预测结果,生成交易提示信息。
具体的,服务器基于预测结果,生成交易提示信息。
其中,交易提示信息至少包括目标交易对象,预测结果,预测最佳购买价格和预测最佳购买时间。
预测结果为预测的目标交易对象的数据分布特征以及目标数据序列。其中,预测结果可以通过多种形式呈现,如曲线图,柱状图以及图表等形式。
预测最佳购买价格和预测最佳购买时间为根据预测结果向用户建议的买入或卖出的时间和价格。
可选的,交易提示信息还可以包括建议交易类型(如,股票买入和股票卖出),建议仓位、建议止盈位和/或建议止损位。
建议仓位是指建议用户买入或卖出的总量所对应的资金占总资金的比例。
建议止盈位是指建议用户停止盈利时的单价,建议止损位是指建议用户停止亏损时的单价。建议止盈位和/或建议止损位可由用户根据自身实际的盈利期望和亏损承受度进行自定义设定,本申请实施例对此不作限定。
进一步地,服务器直接显示交易提示信息,和/或,向终端设备发送交易提示信息,并触发终端设备显示交易提示信息。
例如,服务器将交易提示信息推送至终端设备,触发终端设备显示交易提示信息。又例如,服务器将交易提示信息通过短信的形式发送至用户的终端设备,触发终端设备通过弹窗形式显示。
基于同一发明构思,本申请实施例中还提供了一种基于大数据的信息提示装置,由于上述装置及设备解决问题的原理与一种基于大数据的信息提示方法相似,因此,上述装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,其为本申请实施例提供的一种基于大数据的信息提示装置的结构示意图,包括:
筛选单元40,用于针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象;
获取单元41,用于针对指定的交易数据类型,获取各个相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据;
确定单元42,用于基于各相似交易对象的历史交易数据,确定交易数据类型的历史交易数据的数据分布特征;
预测单元43,用于基于获得的数据分布特征,预测目标交易对象在当前时刻之后的第二预设时间段内的数据分布特征;
生成单元44,用于基于预测结果,生成交易提示信息。
可选的,还包括:
发送单元45,用于发送交易提示信息;和/或
显示单元46,用于显示交易提示信息。
可选的,在针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象时,筛选单元4具体用于:
获取目标交易对象和备选交易对象集合中的各备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据;
基于第一预设时间段内的历史交易数据,分别确定每一交易对象的历史交易态势,历史交易态势通过数据序列表示;
分别确定每一备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
在各备选交易对象中,筛选出距离低于第一预设门限值并且相关性高于第二预设门限值的各相似交易对象。
可选的,在基于第一预设时间段内的历史交易数据,确定一个交易对象的历史交易态势时,筛选单元40具体用于:
基于一个交易对象在第一预设时间段内的历史交易数据,生成初始交易数据序列;
分别将初始交易数据序列中的每一元素与指定序号的元素相除,获得一个交易对象的数据序列。
可选的,在确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性时,筛选单元40具体用于:
判断交易对象的数据序列是否仅包含一种序列,若是,则直接确定一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
否则,分别确定一个备选交易对象的每一数据序列与目标交易对象的相应数据序列之间的价格距离和价格相关性,并将各价格距离的均值和各价格相关性的均值分别确定为一个备选交易对象的数据序列与目标交易对象的数据序列之间的距离和相关性;
其中,数据序列包括以下序列中的任意一种或任意组合:开盘价序列、最高价序列、最低价序列和收盘价序列。
可选的,在基于各相似交易对象的历史交易数据,确定交易数据类型的历史交易数据的数据分布特征时,确定单元42具体用于:
基于各相似交易对象的历史交易数据,确定各相似交易对象的收盘价数据序列,其中,各相似交易对象的历史交易数据的交易数据类型为收盘价;
分别将每一收盘价数据序列中的每一元素与指定序号的元素相除后减一,获得各涨幅序列;
基于各涨幅序列,分别确定每一数据特征的数据特征序列,并基于各数据特征序列,确定各涨幅序列的数据分布特征;
其中,数据特征至少包含以下参数中的任意一种或任意组合:平均涨幅、最大涨幅、最低涨幅、涨幅胜率、中位数涨幅以及众数涨幅,数据特征序列的一个元素是基于各涨幅序列中与一个元素的序号相同的各元素获得的。
可选的,在基于预测结果,生成并显示交易提示信息之前,预测单元43还用于:
基于各相似交易对象对应的距离,将各相似交易对象进行排序,并确定存在距离相同的相似交易对象时,基于对应的相关性对排序进行调整;或者,基于各相似交易对象对应的相关性,将各相似交易对象进行排序,并确定存在相关性相同的相似交易对象时,基于对应的距离对排序进行调整;
基于排序结果,在各相似交易对象中确定出目标交易对象的最相似交易对象;
基于最相似交易对象的涨幅序列,预测目标交易对象的目标数据序列。
可选的,交易提示信息包括以下参数中的任意一种或组合:目标交易对象,预测结果,预测最佳购买价格和预测最佳购买时间。
基于同一技术构思,本申请实施例还提供了一种终端设备500,参照图5所示,终端设备500用于实施上述各个方法实施例记载的方法,例如实施图2所示的实施例,终端设备500可以包括存储器501、处理器502、输入单元503和显示面板504。
所述存储器501,用于存储处理器502执行的计算机程序。存储器501可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端设备500的使用所创建的数据等。处理器502,可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元等等。输入单元503,可以用于获取用户输入的用户指令。所述显示面板504,用于显示由用户输入的信息或提供给用户的信息,本申请实施例中,显示面板504主要用于显示终端设备中各应用程序的显示界面以及各显示界面中显示的控件实体。可选的,显示面板504可以采用液晶显示器(liquidcrystal display,LCD)或OLED(organic light-emitting diode,有机发光二极管)等形式来配置显示面板504。
本申请实施例中不限定上述存储器501、处理器502、输入单元503和显示面板504之间的具体连接介质。本申请实施例在图5中以存储器501、处理器502、输入单元503、显示面板504之间通过总线505连接,总线505在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线505可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器501可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器501也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器501是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器501可以是上述存储器的组合。
处理器502,用于实现如图2所示的实施例,包括:
所述处理器502,用于调用所述存储器501中存储的计算机程序执行如实施图2所示的实施例。
本申请实施例还提供了一种计算机可读存储介质,存储为执行上述处理器所需执行的计算机可执行指令,其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中,本申请提供的一种基于大数据的信息提示方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种基于大数据的信息提示方法中的步骤。例如,所述终端设备可以执行如实施图2所示的实施例。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
本申请的实施方式的用于一种基于大数据的信息提示的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在计算设备上运行。然而,本申请的程序产品不限于此,在本文件中,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。
可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向实体的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (15)
1.一种基于大数据的信息提示方法,其特征在于,包括:
针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象;
针对指定的交易数据类型,获取各个相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据;
基于各相似交易对象的历史交易数据,确定所述交易数据类型的历史交易数据的数据分布特征;
基于获得的数据分布特征,预测所述目标交易对象在当前时刻之后的所述第二预设时间段内的数据分布特征;
基于预测结果,生成交易提示信息。
2.如权利要求1所述的方法,其特征在于,还包括:
发送所述交易提示信息;和/或,显示所述交易提示信息。
3.如权利要求1所述的方法,其特征在于,针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象,具体包括:
获取所述目标交易对象和所述备选交易对象集合中的各备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据;
基于所述第一预设时间段内的历史交易数据,分别确定每一交易对象的历史交易态势,所述历史交易态势通过数据序列表示;
分别确定每一备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性;
在各备选交易对象中,筛选出距离低于第一预设门限值并且相关性高于第二预设门限值的各相似交易对象。
4.如权利要求3所述的方法,其特征在于,基于所述第一预设时间段内的历史交易数据,确定一个交易对象的历史交易态势,具体包括:
基于所述一个交易对象在所述第一预设时间段内的历史交易数据,生成初始交易数据序列;
分别将所述初始交易数据序列中的每一元素与指定序号的元素相除,获得所述一个交易对象的数据序列。
5.如权利要求3所述的方法,其特征在于,确定一个备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性,具体包括:
判断交易对象的数据序列是否仅包含一种序列,若是,则直接确定所述一个备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性;
否则,分别确定所述一个备选交易对象的每一数据序列与所述目标交易对象的相应数据序列之间的价格距离和价格相关性,并将各价格距离的均值和各价格相关性的均值分别确定为所述一个备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性;
其中,所述数据序列包括以下序列中的任意一种或任意组合:开盘价序列、最高价序列、最低价序列和收盘价序列。
6.如权利要求3-5任一项所述的方法,其特征在于,基于各相似交易对象的历史交易数据,确定所述交易数据类型的历史交易数据的数据分布特征,具体包括:
基于各相似交易对象的历史交易数据,确定各相似交易对象的收盘价数据序列,其中,各相似交易对象的历史交易数据的交易数据类型为收盘价;
分别将每一收盘价数据序列中的每一元素与指定序号的元素相除后减一,获得各涨幅序列;
基于各涨幅序列,分别确定每一数据特征的数据特征序列,并基于各数据特征序列,确定各涨幅序列的数据分布特征;
其中,所述数据特征至少包含以下参数中的任意一种或任意组合:平均涨幅、最大涨幅、最低涨幅、涨幅胜率、中位数涨幅以及众数涨幅,所述数据特征序列的一个元素是基于各涨幅序列中与所述一个元素的序号相同的各元素获得的。
7.如权利要求6所述的方法,其特征在于,在基于预测结果,生成并显示交易提示信息之前,进一步包括:
基于各相似交易对象对应的距离,将各相似交易对象进行排序,并确定存在距离相同的相似交易对象时,基于对应的相关性对排序进行调整;或者,基于各相似交易对象对应的相关性,将各相似交易对象进行排序,并确定存在相关性相同的相似交易对象时,基于对应的距离对排序进行调整;
基于排序结果,在各相似交易对象中确定出所述目标交易对象的最相似交易对象;
基于所述最相似交易对象的涨幅序列,预测所述目标交易对象的目标数据序列。
8.如权利要求7所述的方法,其特征在于,所述交易提示信息包括以下参数中的任意一种或组合:目标交易对象,预测结果,预测最佳购买价格和预测最佳购买时间。
9.一种基于大数据的信息提示装置,其特征在于,包括:
筛选单元,用于针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象;
获取单元,用于针对指定的交易数据类型,获取各个相似交易对象在当前时刻之前的第二预设时间段内的历史交易数据;
确定单元,用于基于各相似交易对象的历史交易数据,确定所述交易数据类型的历史交易数据的数据分布特征;
预测单元,用于基于获得的数据分布特征,预测所述目标交易对象在当前时刻之后的所述第二预设时间段内的数据分布特征;
生成单元,用于基于预测结果,生成交易提示信息。
10.如权利要求9所述的装置,其特征在于,还包括:
发送单元,用于发送所述交易提示信息;和/或
显示单元,用于显示所述交易提示信息。
11.如权利要求9所述的装置,其特征在于,在针对目标交易对象,从备选交易对象集合中筛选出当前时刻之前的第一预设时间段内,历史交易态势和目标交易对象的历史交易态势相似的各个相似交易对象时,所述筛选单元具体用于:
获取所述目标交易对象和所述备选交易对象集合中的各备选交易对象在当前时刻之前的第一预设时间段内的历史交易数据;
基于所述第一预设时间段内的历史交易数据,分别确定每一交易对象的历史交易态势,所述历史交易态势通过数据序列表示;
分别确定每一备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性;
在各备选交易对象中,筛选出距离低于第一预设门限值并且相关性高于第二预设门限值的各相似交易对象。
12.如权利要求11所述的装置,其特征在于,在基于所述第一预设时间段内的历史交易数据,确定一个交易对象的历史交易态势时,所述筛选单元具体用于:
基于所述一个交易对象在所述第一预设时间段内的历史交易数据,生成初始交易数据序列;
分别将所述初始交易数据序列中的每一元素与指定序号的元素相除,获得所述一个交易对象的数据序列。
13.如权利要求11所述的装置,其特征在于,在确定一个备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性时,所述筛选单元具体用于:
判断交易对象的数据序列是否仅包含一种序列,若是,则直接确定所述一个备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性;
否则,分别确定所述一个备选交易对象的每一数据序列与所述目标交易对象的相应数据序列之间的价格距离和价格相关性,并将各价格距离的均值和各价格相关性的均值分别确定为所述一个备选交易对象的数据序列与所述目标交易对象的数据序列之间的距离和相关性;
其中,所述数据序列包括以下序列中的任意一种或任意组合:开盘价序列、最高价序列、最低价序列和收盘价序列。
14.一种终端设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~8任一权利要求所述方法的步骤。
15.一种计算机可读介质,其特征在于,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行权利要求1~8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792745.4A CN110197432A (zh) | 2018-07-18 | 2018-07-18 | 一种基于大数据的信息提示方法、装置、终端设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792745.4A CN110197432A (zh) | 2018-07-18 | 2018-07-18 | 一种基于大数据的信息提示方法、装置、终端设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197432A true CN110197432A (zh) | 2019-09-03 |
Family
ID=67751365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810792745.4A Pending CN110197432A (zh) | 2018-07-18 | 2018-07-18 | 一种基于大数据的信息提示方法、装置、终端设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197432A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128323A (zh) * | 2023-04-07 | 2023-05-16 | 阿里巴巴达摩院(杭州)科技有限公司 | 电力交易决策处理方法、存储介质和电子设备 |
-
2018
- 2018-07-18 CN CN201810792745.4A patent/CN110197432A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128323A (zh) * | 2023-04-07 | 2023-05-16 | 阿里巴巴达摩院(杭州)科技有限公司 | 电力交易决策处理方法、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11010740B1 (en) | Merchant cash advance payment deferrals | |
US10970733B2 (en) | Systems and methods for coupon issuing | |
TW202008257A (zh) | 後付費交易資料處理方法、裝置、處理設備、及伺服器 | |
US11803902B1 (en) | Intelligent modification of capital loan offerings at point-of-sale | |
KR102260569B1 (ko) | 금융상품 추천 장치 및 방법 | |
US20170161758A1 (en) | Systems and methods for interactive annuity product services using machine learning modeling | |
US20240232835A9 (en) | Dynamic subscription plan aggregator | |
US11423373B1 (en) | Intelligent subscription identification using transaction data | |
US10402807B1 (en) | Estimating interchange fees for card payments | |
US20160034952A1 (en) | Control apparatus and accelerating method | |
CN110083765A (zh) | 理财信息推送方法、装置、计算机设备和存储介质 | |
KR20140090088A (ko) | 콘텍스트 기반 키보드 | |
US11138680B1 (en) | Updating menus based on predicted efficiencies | |
US11748759B1 (en) | Using transaction data to present search results | |
US11379913B1 (en) | Electronic payroll funds transfer delay and failed transfer coverage | |
JP2023547002A (ja) | ケイ線パターンの識別方法及び電子機器 | |
CN110766184A (zh) | 订单量预测方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN110705654B (zh) | 用于监控资产的方法、装置、电子设备及介质 | |
CN110197432A (zh) | 一种基于大数据的信息提示方法、装置、终端设备和介质 | |
Putra et al. | Application of artificial neural networks to predict intraday trading signals | |
CN111292186B (zh) | 一种数据分析方法和数据分析装置 | |
US20220237694A1 (en) | Price Superhighway | |
CN108596751A (zh) | 一种账户还款方法、装置、终端设备和存储介质 | |
WO2022040249A1 (en) | Credit card curator |
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 |