CN110289862A - 金融数据的压缩和解压方法、装置以及存储介质 - Google Patents

Abstract

本申请公开了一种金融数据的压缩和解压方法、装置以及存储介质。其中，金融数据的压缩方法，包括：获取待压缩的时序金融数据；将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。通过可逆的标准化方法，将时序金融数据转化为标准化时序金融数据，或将标准化时序金融数据还原为时序金融数据。通过卷积神经网络和全连接网络对标准化时序金融数据进行压缩，然后通过全连接网络对压缩后的数据进行解压。此外，还通过引入正则化方法提升模型泛化能力的去时序化特征提取，以及通过限制正则化方法的使用减少模型信息损失。

Description

金融数据的压缩和解压方法、装置以及存储介质

技术领域

本申请涉及金融数据处理领域，特别是涉及一种金融数据的压缩和解压方法、装置以及存储介质。

背景技术

金融数据，涉及金融领域的股票、期权、期货以及每个交易日从开盘到收盘的数据记录。原始的金融数据记录通常为毫秒级，主要记录内容为特定品种某一时刻的成交量、成交价，更详细的还会有成交价附近的十档挂单数据。该类数据历史基数、日增量都相对庞大，如此海量的历史数据和日增量数据对于数据存储与分析产生了巨大的挑战。

在金融交易发展的过程中，随着人们对数据的研究越来越深入，对金融模型的探索也越来越精细，除前述原始金融数据记录以外，还有数百种衍生指标。这些衍生指标各不相同，但大体和原始金融数据一样，属于时序数据，如量比、波动率、MACD、KDJ、BOLL等等。由于这些指标各有侧重，指标本身只能反映原始金融数据的部分信息，且随时间不停积累，不同的时间粒度结果也不相同，为了保证数据完整可靠，通常不得不进行冗余存储。因此非但没有减轻金融数据的存储压力，反而使相关从业人员与公司不得不在保留原始数据的同时，存储和维护更多的衍生指标数据，从而进一步加大了数据的存储和分析的复杂度。

另一方面，传统金融工程方法对金融数据的分析处理大体可以分为静态和动态两种。其中，静态分析主要研究在不同时间切片上的指标、价格之间的相关性，不考虑时间切片之间的先后关系，按时间切片将不同时间点的样本独立看待。这样处理的好处是可以方便地将分析目标转化为传统机器学习理论中的分类、聚类问题，进而充分利用传统机器学习领域的研究进展。然而其缺点也是明显的：其一，静态分析方法割裂了时间顺序的关联性，即使目标维度是同一品种在不同时间点上的同一特征，仍假设其相互独立，这种假设尤其在金融领域上显然是站不住脚的；其二，静态分析方法引入了大量的主观量化指标，正如前文所说，这些指标本身只能反映原始金融数据的部分信息，因此研究者要么不得不提高算力引入大量指标进行分析，要么只能忍受不确定的信息流失逐批地对少量指标进行分析，而且永远没人知道自己是否收集到了足够齐全的指标集。动态分析则引入了时间序列概念，参考指标在时间序列上的先后关系，研究序列的变化和特性，这种方法大多基于线性回归分析及其变种，且以单因子分析为主，难以处理复杂模型。

由于近几年深度神经网络的兴起，许多研究人员也将目光投向了利用深度神经网络对时序金融数据进行动态分析领域，此类研究主要集中在递归神经网络领域，通过随时间不停变化的输入数据，预测输出某一指标或金融产品价格在下一时刻的变化。神经网络可以同时响应多个时间序列的输入，然而由于金融数据的复杂性以及递归神经网络自身的缺点，将递归神经网络在语音识别、自然语言处理领域的成功经验移植到金融领域的尝试十分艰难，且成果有限。事实上，成功的递归神经网络应用离不开海量的高质量样本，语音和语料的高度重复性才是神经网络在语音识别和自然语言处理领域大放异彩的关键，而金融数据因为行业自身的发展以及人类社会科技、商业模式等方面的进步，想要找到外部环境和内在价值逻辑变动高度相同的两个金融数据样本几乎是不可能的。

因此，传统金融工程方法对金融数据的分析处理主要有两方面问题：其一，存在时序数据特性与分析手段灵活性的悖论——不引入时序相关性则有悖应用场景，引入时序相关性则会使分析手段变得单一，无法充分利用传统机器学习领域的研究进展；其二，存在特征主观性强与信息完整性难以保障的问题。

针对上述的现有技术中存在的目前市场上缺少一种行之有效的时序金融数据压缩和解压方法以及能使信息损失尽可能小的提取去时序化特征的技术问题，目前尚未提出有效的解决方案。

发明内容

本公开的实施例提供了一种金融数据的压缩和解压方法、装置以及存储介质，以至少解决现有技术中存在的目前市场上缺少一种行之有效的时序金融数据压缩和解压方法以及能使信息损失尽可能小的去时序化特征提取方法的的技术问题。

根据本公开实施例的一个方面，提供了一种金融数据的压缩方法，包括：获取待压缩的时序金融数据；将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。

根据本公开实施例的另一方面，还提供了一种金融数据的解压方法，包括：获取待解压的压缩特征向量，其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；获取与时序金融数据相关的标准化参数，其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数；以及利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

根据本公开实施例的另一个方面，还提供了一种金融数据的压缩装置，包括：第一获取模块，用于获取待压缩的时序金融数据；转换模块，用于将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及压缩模块，用于利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。

根据本公开实施例的另一个方面，还提供了一种金融数据的解压装置，包括：第二获取模块，用于获取待解压的压缩特征向量，其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；第三获取模块，用于获取与时序金融数据相关的标准化参数，其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数；以及解压模块，用于利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

根据本公开实施例的另一个方面，还提供了一种金融数据的压缩装置，包括：第一处理器；以及第一存储器，与第一处理器连接，用于为第一处理器提供处理以下处理步骤的指令：获取待压缩的时序金融数据；将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。

根据本公开实施例的另一个方面，还提供了一种金融数据的解压装置，包括：第二处理器；以及第二存储器，与第二处理器连接，用于为第二处理器提供处理以下处理步骤的指令：获取待解压的压缩特征向量，其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；获取与时序金融数据相关的标准化参数，其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数；以及利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

在本公开实施例中，通过可逆的标准化方法，将原始时序金融数据转化为标准化时序金融数据，或将标准化时序金融数据还原为原始时序金融数据。通过卷积神经网络和全连接网络对标准化时序金融数据进行压缩，然后通过全连接网络对压缩后的数据进行解压。并且，以最小化解压后的数据与标准化时序金融数据的差异为目标，建立训练网络，同时训练卷积模型(编码器)与解压模型(解码器)。此外，还通过引入正则化方法提升模型泛化能力的去时序化特征提取，以及通过限制正则化方法的使用减少模型信息损失。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是用于实现根据本公开实施例1所述的方法的【计算机终端(或移动设备)】的硬件结构框图；

图2是根据本公开实施例1的第一个方面所述的金融数据的压缩方法的流程示意图；

图3是根据本公开实施例1的第一个方面所述的卷积模型的应用的示意图；

图4是根据本公开实施例1的第一个方面所述的对卷积模型进行训练的示意图；

图5是根据本公开实施例1的第二个方面所述的金融数据的解压方法的流程示意图；

图6是根据本公开实施例1的第二个方面所述的解压模型的应用的示意图；

图7是根据本公开实施例1所述的数据的压缩与解压方法的整体结构示意图；

图8是根据本公开实施例2的第一个方面所述的金融数据的压缩装置的示意图；

图9是根据本公开实施例2的第二个方面所述的金融数据的解压装置的示意图；

图10是根据本公开实施例3的第一个方面所述的金融数据的压缩装置的示意图；以及

图11是根据本公开实施例3的第二个方面所述的金融数据的解压装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，提供了一种金融数据的压缩和解压方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现金融数据的压缩和解压方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本公开实施例中的金融数据的压缩和解压方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的金融数据的压缩和解压方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。

在上述运行环境下，根据本实施例的第一个方面，提供了一种金融数据的压缩方法。图2示出了该方法的流程示意图，参考图2所示，该方法包括：

S202：获取待压缩的时序金融数据；

S204：将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及

S206：利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。

正如前面背景技术中所述的，现有的目前市场上缺少一种行之有效的时序金融数据压缩和解压方法以及能使信息损失尽可能小的提取去时序化特征。

针对上述背景技术中存在的问题，结合图2所示，本实施例首先获取待压缩的时序金融数据。其中，该时序金融数据例如但不限于为行情数据或指标数据。然后将时序金融数据转换为与预先设置的卷积模型对应的形式的张量。以及利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量。其中压缩特征向量中包含的特征为去时序化特征。

从而，通过这种方式，通过使用卷积模型不仅实现了时序金融数据的压缩，还使得所生成的压缩特征向量中包含的去时序化特征的信息损失尽可能的小。进而解决了现有技术中存在的目前市场上缺少一种行之有效的时序金融数据压缩方法以及能使信息损失尽可能小的提取去时序化特征的技术问题。

可选地，卷积模型包括标准化层、卷积层以及全连接层，并且利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量的操作，包括：利用标准化层，对张量进行标准化处理，并记录标准化参数，并记录标准化参数；利用卷积层，对标准化处理后的张量进行压缩处理；以及利用全连接层，将压缩处理得到的压缩特征转化为预定长度的压缩特征向量。

具体地，图3示出了卷积模型的应用的示意图。参照图3所示，卷积模型包括标准化层、卷积层以及全连接层。参照图3所示，张量例如但不限于可以为c个长度为k的时序向量，首先利用标准化层，对张量(每组时序数据)分别进行标准化，并记录每组数据的标准化参数(均值μ和标准差σ)，标准化后的数据仍为c个长度为k的时序向量。然后输入标准化后数据至卷积层，通过训练好的卷积神经网络将时序数据进行压缩。然后，通过训练好的全连接层将卷积神经网络的输出转化为预定长度(例如长度为n，其中n为自然数)的压缩特征向量(即压缩特征)，即为该时序金融数据的压缩特征和压缩后的数据。从而，通过这种方式，实现了时序金融数据的压缩和去时序化特征的提取。

可选地，时序金融数据为预定时间段内的c组时序金融数据，并且将时序金融数据转换为与预先设置的卷积模型对应的形式的张量的操作，包括：将预定时间段内的c组时序金融数据按照相同时间粒度对齐，得到c个长度为k的时序向量，其中预定时间段包含k个时间粒度，其中c与k为自然数。

具体地，将一个目标品种某一时间段Τ的c组时序金融数据(例如行情或指标)按照相同时间粒度Δt对齐(设该时段Τ共包含k个Δt)，则经过本步骤输出的数据为c个长度为k的时序向量。其中c与k为自然数，并且Τ也为自然数。从而，通过这种方式，可以准确的、快速的将时序金融数据转换为与预先设置的卷积模型对应的形式的张量。

可选地，还包括通过以下操作对卷积模型进行训练：获取预定时间段内的c组样本时序金融数据；将预定时间段内的c组样本时序金融数据按照相同时间粒度对齐，得到c个长度为k的第一时序向量，其中预定时间段包含k个时间粒度，其中c与k为自然数；对c个长度为k的第一时序向量进行标准化处理；对标准化处理后的c个长度为k的第一时序向量进行压缩，生成预定长度的样本压缩特征向量；将所生成的预定长度的样本压缩特征向量扩展为c*k个特征值；按照预先设定的顺序将c*k个特征值转化为c个长度为k的第二时序向量；以及将第一时序向量与第二时序向量进行比较，并且根据比较的结果调节卷积模型。

具体地，图4示出了对卷积模型进行训练的示意图。参照图4所示，通过以下步骤实现对卷积模型的训练：

S1，将一个目标品种某一时间段Τ的c组时序金融数据(行情或指标)按照相同时间粒度Δt对齐(设该时段Τ共包含k个Δt)，则经过本步骤输出的数据为c个长度为k的时序向量；

S2，对每组时序数据分别进行标准化，并记录每组数据的标准化参数(均值μ和标准差σ)，标准化后的数据仍为c个长度为k的时序向量，记为第一时序向量；

S3，输入标准化后数据，通过卷积神经网络将时序数据进行压缩；

S4，通过全连接层将卷积神经网络的输出转化为长度为n的向量(即深度压缩特征)；

S5，通过全连接网络将深度压缩特征向量扩展为c*k个值；

S6，将S5步骤的输出按固定顺序转化为c个长度为k的时序向量，记为第二时序向量，将第二时序向量与S2步骤的输出的第一时序向量进行比较，根据比较的结果调节卷积模型；

S7，重复上述步骤直至误差本身或其增量的绝对值足够小，从而完成卷积模型的训练。

从而，通过上述方式，完成了卷积模型的训练，使得训练好的卷积模型能够更好的应用于时序金融数据的压缩和去时序化特征的提取。

可选地，将第一时序向量与第二时序向量进行比较的操作，包括计算第一时序向量与第二时序向量之间的L1空间距离，以及根据比较的结果调节卷积模型的操作，包括：将L1空间距离作为损失函数，通过损失函数计算误差；以及基于误差，通过误差反向传递方式对卷积模型进行调节。

具体地，在上述的S6步骤中，通计算第一时序向量与第二时序向量之间的L1空间距离，将L1空间距离作为损失函数，计算损失函数计算误差。以及基于误差，通过误差反向传递方式对卷积模型进行调节。即通过损失函数计算误差，而后通过神经网络的误差反向传递方式更新网络各节点参数。从而，通过这种方式，可以不断的对卷积模型进行调节，从而不断提高卷积模型的精度。

可选地，还包括：使用正则化方法，对卷积模型的泛化能力进行调节；以及通过减少正则化方法的使用，减少卷积模型在进行时序金融数据的压缩过程中的信息损失。

具体地，由于本实施例所述的卷积模型一方面既可以实现时序金融数据的压缩，另一方面还可以实现去时序化特征的提取，因此在卷积模型的训练过程中，可以基于这两个不同的方面进行不同侧重点的训练。例如：在应用目标为去时序化特征提取的情况下，卷积模型训练过程当中会引入一些正则化方法(包括而不限于dropout、数据集增强、提前停止训练等)，以增强模型的泛化能力；在应用目标为时序金融数据的压缩时，为了减少信息损失，同时也不需要考虑对其它样本的泛化适应能力，因此会适当减少正则化方法的使用。

进一步的，在应用目标为特征提取的情况下，去时序化特征不一定是压缩的，即去时序化特征可以设置为比原始数据更高维度。但在应用目标为数据压缩的情况下，去时序化特征必须要比原始数据维度更低，才能起到压缩数据的作用。

此外，在卷积模型应用于特征提取时，其训练和应用所用的数据集不同，即训练数据集不能和应用数据重合，而卷积模型应用于时序金融数据的压缩的情况则恰恰相反，训练集应与应用数据完全一致。

此外，根据本实施例的第二个方面，提供了一种金融数据的解压方法。图5示出了该方法的流程示意图，参考图5所示，该方法包括：

S502：获取待解压的压缩特征向量，其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；

S504：获取与时序金融数据相关的标准化参数，其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数；以及

S506：利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

具体地，首先获取待解压的压缩特征向量。其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的。然后获取与时序金融数据相关的标准化参数。其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数。例如获取目标时序金融数据压缩后的压缩特征向量，及其压缩时的标准化参数(均值μ和标准差σ)。以及利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

从而，通过预先设置的解压模型，可以将待解压的压缩特征向量解压为原始的时序金融数据。进而解决了目前市场上缺少一种行之有效的时序金融数据解压方法。

可选地，解压模型为全连接网络，并且利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据的操作，包括：利用全连接网络，将压缩特征向量扩展为c*k个特征值，其中c与k为自然数；按照预先设定的顺序将c*k个特征值转化为c个长度为k的时序向量；以及根据标准化参数，对c个长度为k的时序向量进行逆标准化处理，得到时序金融数据。

具体地，图6示出了解压模型的应用的示意图。其中该解压模型为全连接网络。参照图6所示，通过训练好的全连接网络将压缩特征向量扩展为c*k个特征值，其中c与k为自然数。然后将上述步骤的输出按固定顺序转化为c个长度为k的时序向量。然后根据所获取到的标准化参数对c个长度为k的时序向量进行逆标准化，从而得到解压后的时序金融数据。通过这种方式，可以基于解压模型，实现将压缩后的时序金融数据即特征向量解压得到原始的时序金融数据。

需要进一步补充说明的是，本实施例所述的数据的压缩与解压方法的整体结构如图7所示，可以看到，模型内部可以合理切分出两个子模型，即编码器和解码器，编码器可以将输入时序金融数据转化为压缩特征(实现去时序化特征提取和数据压缩)，而解码器则可以将压缩特征转化为输入的时序金融数据(实现时序金融数据解压)。

此外，参考图1所示，根据本实施例的第三个方面，提供了一种存储介质104。所述存储介质104包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。

从而，本实施例通过可逆的标准化方法，将原始时序金融数据转化为标准化时序金融数据，或将标准化时序金融数据还原为原始时序金融数据。通过卷积神经网络和全连接网络对标准化时序金融数据进行压缩，然后通过全连接网络对压缩后的数据进行解压。并且，以最小化解压后的数据与标准化时序金融数据的差异为目标，建立训练网络，同时训练卷积模型(编码器)与解压模型(解码器)。此外，还通过引入正则化方法提升模型泛化能力的去时序化特征提取，以及通过限制正则化方法的使用减少模型信息损失。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

图8示出了根据本实施例的第一个方面所述的金融数据的压缩装置800，该装置800与根据实施例1的第一个方面所述的方法相对应。参考图8所示，该装置800包括：第一获取模块810，用于获取待压缩的时序金融数据；转换模块820，用于将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及压缩模块830，用于利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。

可选地，卷积模型包括标准化层、卷积层以及全连接层，并且压缩模块830包括：准备化处理子模块，用于利用标准化层，对张量进行标准化处理，并记录标准化参数；压缩处理子模块，用于利用卷积层，对标准化处理后的张量进行压缩处理；以及转换子模块，用于利用全连接层，将压缩处理得到的压缩特征转化为预定长度的压缩特征向量。

可选地，时序金融数据为预定时间段内的c组时序金融数据，并且转换子模块包括：对齐单元，用于将预定时间段内的c组时序金融数据按照相同时间粒度对齐，得到c个长度为k的时序向量，其中预定时间段包含k个时间粒度，其中c与k为自然数。

可选地，还包括训练模块，用于通过以下操作对卷积模型进行训练：获取预定时间段内的c组样本时序金融数据；将预定时间段内的c组样本时序金融数据按照相同时间粒度对齐，得到c个长度为k的第一时序向量，其中预定时间段包含k个时间粒度，其中c与k为自然数；对c个长度为k的第一时序向量进行标准化处理；对标准化处理后的c个长度为k的第一时序向量进行压缩，生成预定长度的样本压缩特征向量；将所生成的预定长度的样本压缩特征向量扩展为c*k个特征值；按照预先设定的顺序将c*k个特征值转化为c个长度为k的第二时序向量；以及将第一时序向量与第二时序向量进行比较，并且根据比较的结果调节卷积模型。

可选地，将第一时序向量与第二时序向量进行比较的操作，包括计算第一时序向量与第二时序向量之间的L1空间距离，以及根据比较的结果调节卷积模型的操作，包括：将L1空间距离作为损失函数，通过损失函数计算误差；以及基于误差，通过误差反向传递方式对卷积模型进行调节。

可选地，还包括：调节模块，用于使用正则化方法，对卷积模型的泛化能力进行调节；以及减少模块，用于通过减少正则化方法的使用，减少卷积模型在进行时序金融数据的压缩过程中的信息损失。

此外，图9示出了根据本实施例的第二个方面所述的金融数据的解压装置900，该装置900与根据实施例1的第二个方面所述的方法相对应。参考图9所示，该装置900包括：第二获取模块910，用于获取待解压的压缩特征向量，其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；第三获取模块920，用于获取与时序金融数据相关的标准化参数，其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数；以及解压模块930，用于利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

可选地，解压模型为全连接网络，并且解压模块930包括：扩展子模块，用于利用全连接网络，将压缩特征向量扩展为c*k个特征值，其中c与k为自然数；转化子模块，用于按照预先设定的顺序将c*k个特征值转化为c个长度为k的时序向量；以及逆标准化处理子模块，用于根据标准化参数，对c个长度为k的时序向量进行逆标准化处理，得到时序金融数据。

从而根据本实施例，通过可逆的标准化方法，将原始时序金融数据转化为标准化时序金融数据，或将标准化时序金融数据还原为原始时序金融数据。通过卷积神经网络和全连接网络对标准化时序金融数据进行压缩，然后通过全连接网络对压缩后的数据进行解压。并且，以最小化解压后的数据与标准化时序金融数据的差异为目标，建立训练网络，同时训练卷积模型(编码器)与解压模型(解码器)。此外，还通过引入正则化方法提升模型泛化能力的去时序化特征提取，以及通过限制正则化方法的使用减少模型信息损失。

实施例3

图10示出了根据本实施例的第一个方面所述的金融数据的压缩装置1000，该装置1000与根据实施例1的第一个方面所述的方法相对应。参考图10所示，该装置1000包括：第一处理器1010；以及第一存储器1020，与第一处理器1010连接，用于为第一处理器1010提供处理以下处理步骤的指令：获取待压缩的时序金融数据；将时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量，其中压缩特征向量中包含的特征为去时序化特征。

可选地，卷积模型包括标准化层、卷积层以及全连接层，并且利用卷积模型，对张量进行压缩，生成预定长度的压缩特征向量的操作，包括：利用标准化层，对张量进行标准化处理，并记录标准化参数；利用卷积层，对标准化处理后的张量进行压缩处理；以及利用全连接层，将压缩处理得到的压缩特征转化为预定长度的压缩特征向量。

可选地，时序金融数据为预定时间段内的c组时序金融数据，并且将时序金融数据转换为与预先设置的卷积模型对应的形式的张量的操作，包括：将预定时间段内的c组时序金融数据按照相同时间粒度对齐，得到c个长度为k的时序向量，其中预定时间段包含k个时间粒度，其中c与k为自然数。

可选地，第一存储器1020还用于为第一处理器1010提供处理以下处理步骤的指令：通过以下操作对卷积模型进行训练：获取预定时间段内的c组样本时序金融数据；将预定时间段内的c组样本时序金融数据按照相同时间粒度对齐，得到c个长度为k的第一时序向量，其中预定时间段包含k个时间粒度，其中c与k为自然数；对c个长度为k的第一时序向量进行标准化处理；对标准化处理后的c个长度为k的第一时序向量进行压缩，生成预定长度的样本压缩特征向量；将所生成的预定长度的样本压缩特征向量扩展为c*k个特征值；按照预先设定的顺序将c*k个特征值转化为c个长度为k的第二时序向量；以及将第一时序向量与第二时序向量进行比较，并且根据比较的结果调节卷积模型。

可选地，将第一时序向量与第二时序向量进行比较的操作，包括计算第一时序向量与第二时序向量之间的L1空间距离，以及根据比较的结果调节卷积模型的操作，包括：将L1空间距离作为损失函数，通过损失函数计算误差；以及基于误差，通过误差反向传递方式对卷积模型进行调节。

可选地，第一存储器1020还用于为第一处理器1010提供处理以下处理步骤的指令：使用正则化方法，对卷积模型的泛化能力进行调节；以及通过减少正则化方法的使用，减少卷积模型在进行时序金融数据的压缩过程中的信息损失。

此外，图11示出了根据本实施例的第二个方面所述的金融数据的解压装置1100，该装置1100与根据实施例1的第二个方面所述的方法相对应。参考图11所示，该装置1100包括：第二处理器1110；以及第二存储器1120，与第二处理器1110连接，用于为第二处理器1110提供处理以下处理步骤的指令：获取待解压的压缩特征向量，其中压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；获取与时序金融数据相关的标准化参数，其中标准化参数为在利用卷积模型对时序金融数据进行压缩时所使用的标准化参数；以及利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据。

可选地，解压模型为全连接网络，并且利用预先设置的解压模型，根据标准化参数，对压缩特征向量进行解压，得到时序金融数据的操作，包括：利用全连接网络，将压缩特征向量扩展为c*k个特征值，其中c与k为自然数；按照预先设定的顺序将c*k个特征值转化为c个长度为k的时序向量；以及根据标准化参数，对c个长度为k的时序向量进行逆标准化处理，得到时序金融数据。

从而根据本实施例，通过可逆的标准化方法，将原始时序金融数据转化为标准化时序金融数据，或将标准化时序金融数据还原为原始时序金融数据。通过卷积神经网络和全连接网络对标准化时序金融数据进行压缩，然后通过全连接网络对压缩后的数据进行解压。并且，以最小化解压后的数据与标准化时序金融数据的差异为目标，建立训练网络，同时训练卷积模型(编码器)与解压模型(解码器)。此外，还通过引入正则化方法提升模型泛化能力的去时序化特征提取，以及通过限制正则化方法的使用减少模型信息损失。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种金融数据的压缩方法，其特征在于，包括：

获取待压缩的时序金融数据；

将所述时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及

利用所述卷积模型，对所述张量进行压缩，生成预定长度的压缩特征向量，其中所述压缩特征向量中包含的特征为去时序化特征。

2.根据权利要求1所述的方法，其特征在于，所述卷积模型包括标准化层、卷积层以及全连接层，并且利用所述卷积模型，对所述张量进行压缩，生成预定长度的压缩特征向量的操作，包括：

利用所述标准化层，对所述张量进行标准化处理，并记录标准化参数；

利用所述卷积层，对标准化处理后的所述张量进行压缩处理；以及

利用所述全连接层，将压缩处理得到的压缩特征转化为预定长度的压缩特征向量。

3.根据权利要求1所述的方法，其特征在于，所述时序金融数据为预定时间段内的c组时序金融数据，并且将所述时序金融数据转换为与预先设置的卷积模型对应的形式的张量的操作，包括：将所述预定时间段内的c组时序金融数据按照相同时间粒度对齐，得到c个长度为k的时序向量，其中所述预定时间段包含k个时间粒度，其中c与k为自然数。

4.根据权利要求1所述的方法，其特征在于，还包括通过以下操作对所述卷积模型进行训练：

获取预定时间段内的c组样本时序金融数据；

将所述预定时间段内的c组样本时序金融数据按照相同时间粒度对齐，得到c个长度为k的第一时序向量，其中所述预定时间段包含k个时间粒度，其中c与k为自然数；

对所述c个长度为k的第一时序向量进行标准化处理；

对标准化处理后的所述c个长度为k的第一时序向量进行压缩，生成预定长度的样本压缩特征向量；

将所生成的预定长度的样本压缩特征向量扩展为c*k个特征值；

按照预先设定的顺序将所述c*k个特征值转化为c个长度为k的第二时序向量；以及

将所述第一时序向量与所述第二时序向量进行比较，并且根据比较的结果调节所述卷积模型。

5.根据权利要求4所述的方法，其特征在于，将所述第一时序向量与所述第二时序向量进行比较的操作，包括计算所述第一时序向量与所述第二时序向量之间的L1空间距离，以及根据比较的结果调节所述卷积模型的操作，包括：

将所述L1空间距离作为损失函数，通过所述损失函数计算误差；以及

基于所述误差，通过误差反向传递方式对所述卷积模型进行调节。

6.根据权利要求5所述的方法，其特征在于，还包括：

使用正则化方法，对所述卷积模型的泛化能力进行调节；以及

通过减少正则化方法的使用，减少所述卷积模型在进行时序金融数据的压缩过程中的信息损失。

7.一种金融数据的解压方法，其特征在于，包括：

获取待解压的压缩特征向量，其中所述压缩特征向量为利用预先设置的卷积模型对时序金融数据进行压缩得到的；

获取与所述时序金融数据相关的标准化参数，其中所述标准化参数为在利用所述卷积模型对所述时序金融数据进行压缩时所使用的标准化参数；以及

利用预先设置的解压模型，根据所述标准化参数，对所述压缩特征向量进行解压，得到所述时序金融数据。

8.根据权利要求7所述的方法，其特征在于，所述解压模型为全连接网络，并且利用预先设置的解压模型，根据所述标准化参数，对所述压缩特征向量进行解压，得到所述时序金融数据的操作，包括：

利用所述全连接网络，将所述压缩特征向量扩展为c*k个特征值，其中c与k为自然数；

按照预先设定的顺序将所述c*k个特征值转化为c个长度为k的时序向量；以及

根据所述标准化参数，对所述c个长度为k的时序向量进行逆标准化处理，得到所述时序金融数据。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至8中任意一项所述的方法。

10.一种金融数据的压缩装置，其特征在于，包括：

第一获取模块，用于获取待压缩的时序金融数据；

转换模块，用于将所述时序金融数据转换为与预先设置的卷积模型对应的形式的张量；以及

压缩模块，用于利用所述卷积模型，对所述张量进行压缩，生成预定长度的压缩特征向量，其中所述压缩特征向量中包含的特征为去时序化特征。