CN111737125B - 量化交易的行情数据的生成方法、装置和服务器 - Google Patents
量化交易的行情数据的生成方法、装置和服务器 Download PDFInfo
- Publication number
- CN111737125B CN111737125B CN202010563933.7A CN202010563933A CN111737125B CN 111737125 B CN111737125 B CN 111737125B CN 202010563933 A CN202010563933 A CN 202010563933A CN 111737125 B CN111737125 B CN 111737125B
- Authority
- CN
- China
- Prior art keywords
- target
- test
- data
- preset
- scene
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 440
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 68
- 238000004088 simulation Methods 0.000 claims description 52
- 238000011990 functional testing Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 30
- 238000013112 stability test Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 23
- 238000004891 communication Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3696—Methods or tools to render software testable
Abstract
本申请实施例提供了一种量化交易的行情数据的生成方法、装置和服务器，其中，该方法包括：获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则和测试目标参数，先从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；根据目标测试场景，获取对应匹配的目标输入数据；再根据预设的处理规则，利用目标输入数据，智能地生成满足用户的测试需求、与目标测试场景匹配、适用于测试目标量化交易策略模型的目标行情数据。从而解决了现有方法中存在的所生成的行情数据单一，测试效果较差，无法满足用户的多样化的测试需求的技术问题。
Description
技术领域
本申请涉及量化交易数据处理技术领域，特别涉及一种量化交易的行情数据的生成方法、装置和服务器。
背景技术
在量化交易业务场景中，常常需要建立并使用量化交易策略模型来帮助用户更好地进行交易决策。
通常在建立量化交易策略模型后，实际应用该量化交易策略模型前，还需要先获取大量的行情数据，并利用上述行情数据对该量化交易策略模型进行测试。
但是，基于现有的量化交易的行情数据的生成方法，往往存在生成的行情数据类型单一、测试效果较差，无法满足用户的多样化的测试需求的技术问题。
针对上述技术问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种量化交易的行情数据的生成方法、装置和服务器，以解决现有方法中存在的所生成的行情数据单一、测试效果较差，无法满足用户的多样化的测试需求的技术问题，达到能够根据用户设置的测试目标参数，智能地匹配对应的测试场景，并高效生成适用于目标量化交易策略模型测试且测试效果较好的行情数据，以满足用户多样化的测试需求的技术效果。
本申请实施例提供了一种量化交易的行情数据的生成方法，包括：
获取用户针对待测试的目标量化交易策略模型的测试目标参数；
根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；
根据所述目标测试场景，获取匹配的目标输入数据；
根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
在一个实施例中，所述测试目标参数包括以下所述的一种或多种：准确度测试目标参数、功能性测试目标参数、应变性测试目标参数、稳定性测试目标参数。
在一个实施例中，所述根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景，包括：
根据预设的匹配规则，在确定所述测试目标参数包括准确度测试目标参数的情况下，确定目标测试场景包括所述历史验证场景；
根据预设的匹配规则，在确定所述测试目标参数包括功能性测试目标参数的情况下，确定目标测试场景包括所述功能性测试场景；
根据预设的匹配规则，在确定所述测试目标参数包括应变性测试目标参数的情况下，确定目标测试场景包括所述极端事件场景；
根据预设的匹配规则，在确定所述测试目标参数包括稳定性测试目标参数的情况下，确定目标测试场景包括所述市场模拟场景。
在一个实施例中，所述根据所述目标测试场景，获取匹配的目标输入数据，包括：
在确定所述目标测试场景包括历史验证场景的情况下，向用户展示第一类数据输入页面，并通过所述第一类数据输入页面接收用户导入的历史行情数据和第一类配置参数作为目标输入数据；
在确定所述目标测试场景包括功能性测试场景的情况下，向用户展示第二类数据输入页面，并通过所述第二类数据输入页面接收用户输入的待测试的目标功能和第二类配置参数作为目标输入数据；
在确定所述目标测试场景包括极端事件场景的情况下，向用户展示第三类数据输入页面，并通过所述第三类数据输入页面接收用户输入的事件类型和第三类配置参数作为目标输入数据；
在确定所述目标测试场景包括市场模拟场景的情况下，向用户展示第四类数据输入页面，并通过所述第四类数据输入页面接收用户输入的源数据和第四类配置参数作为目标输入数据。
在一个实施例中，所述根据预设的处理规则，利用所述目标输入数据，生成与目标测试场景匹配的目标行情数据，包括：
在确定所述目标测试场景包括历史验证场景的情况下，根据预设的处理规则和第一类配置参数，从历史行情数据中提取符合要求的历史行情数据作为目标行情数据；
在确定所述目标测试场景包括功能性测试场景的情况下，根据预设的处理规则，调用预设的随机模块根据所述第二类配置参数，生成对应的目标行情数据；
在确定所述目标测试场景包括极端事件场景的情况下，根据所述事件类型从多个预设的事件函数中确定出匹配的目标函数；并调用预设的随机模块根据所述目标函数和所述第三类配置参数，生成对应的目标行情数据；
在确定所述目标测试场景包括市场模拟场景的情况下，调用预设的算法模型根据所述源数据和所述第四类配置参数，生成对应的模拟数据作为目标行情数据。
在一个实施例中，在根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据后，所述方法还包括：
利用所述目标行情数据构建目标测试场景；
在目标测试场景中，对所述目标量化交易策略模型进行测试，得到测试结果；
根据所述测试结果，确定目标量化交易策略模型是否满足预设的测试目标要求；
在确定所述目标量化交易策略模型不满足所述预设的测试目标要求的情况下，根据所述测试结果，调整所述目标量化交易策略模型。
在一个实施例中，所述目标测试场景包括多个预设的测试场景的组合。
本申请实施例还提供了一种量化交易的行情数据的生成装置，包括：
第一获取模块，用于获取用户针对待测试的目标量化交易策略模型的测试目标参数；
确定模块，用于根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；
第二获取模块，用于根据所述目标测试场景，获取匹配的目标输入数据；
生成模块，用于根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
本申请实施例还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；根据所述目标测试场景，获取匹配的目标输入数据；根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
本申请实施例还提供了一种可读存储介质，其上存储有计算机指令，所述指令被执行时实现获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；根据所述目标测试场景，获取匹配的目标输入数据；根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
在本申请实施例中，通过获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则和测试目标参数，先从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；根据目标测试场景，获取对应匹配的目标输入数据；再根据预设的处理规则，利用目标输入数据，智能地为用户生成满足用户测试需求、与目标测试场景匹配、适用于测试目标量化交易策略模型的目标行情数据，以便更好地对目标量化交易策略模型进行针对性测试。从而解决了现有方法中存在的所生成的行情数据单一、测试效果较差，无法满足用户的多样化的测试需求的技术问题。达到能根据用户设置的测试目标参数，智能地匹配对应的测试场景，并高效生成适用于目标量化交易策略模型测试且测试效果较好的行情数据，以满足用户多样化的测试需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请实施方式提供的量化交易的行情数据的生成方法的处理流程图；
图2是根据本申请实施方式提供的量化交易的行情数据的生成装置的组成结构图；
图3是基于本申请实施例提供的服务器组成结构示意图；
图4是在一个场景示例中应用本申请实施例提供的量化交易的行情数据的生成方法获得的实施例示意图；
图5是在一个场景示例中应用本申请实施例提供的量化交易的行情数据的生成方法获得的实施例示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
考虑到现有的量化交易的行情数据的生成方法所采用数据生成方式往往较为简单、单一，导致所生成的行情数据往往无法满足用户在不同情况下进行量化交易策略模型时的多样化的测试需求，测试效果也相对较差。
针对产生上述技术问题的根本原因，本申请考虑具体实施前，可以预先根据多种不同测试目标在服务器一侧配置好对应的能够基本覆盖量化交易场景中的多种测试求的多种预设的测试场景，以及与多种预设的测试场景相关的预设的匹配规则、预设的处理规则、预设的随机模块和预设的算法模型。具体实施时，可以通过服务器获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则和测试目标参数，先从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；根据目标测试场景，获取对应匹配的目标输入数据；再根据预设的处理规则，利用目标输入数据，智能地为用户生成满足用户测试需求、与目标测试场景匹配、适用于测试目标量化交易策略模型的目标行情数据，以便更好地对目标量化交易策略模型进行相应的目标测试。从而解决了现有方法中存在的所生成的行情数据单一，测试效果较差，无法满足用户的多样化的测试需求的技术问题。达到能根据用户设置的测试目标参数，智能地匹配对应的测试场景，并高效生成适用于目标量化交易策略模型测试且测试效果较好的行情数据，满足了用户多样化的测试需求的技术效果。
基于上述思考思路，本申请实施例提供了一种量化交易的行情数据的生成方法。具体请参阅图1所示。本申请实施例提供的量化交易的行情数据的生成方法，具体实施时，可以包括以下内容。
S101：获取用户针对待测试的目标量化交易策略模型的测试目标参数。
在一个实施例中，上述目标量化交易策略模型具体可以是待测试的量化交易策略模型。其中，上述量化交易策略模型具体可以是一种获取并结合市场的信息数据通过对数据的分析处理，为用户自动生成与当前市场情况匹配且符合用户投资要求的交易策略，协助用户获取更高的投资效益的数据处理模型。当然，需要说明的是，该方法也可以拓展应用到除量化交易策略模型以外合适的其他类型的业务模型。例如，还可以应用该方法为股票决策模型生成对应的行情数据，进而可以利用上述行情数据对股票决策模型进行测试，以及根据测试结果对股票决策模型进行进一步的优化改进等。
在本实施例中，上述行情数据具体可以理解为一种描述所关注的业务场景的情况变化的业务数据。对应于不同的业务场景，上述行情数据可以包括多种不同类型和/或不同内容的业务数据。具体的，例如，对于股市业务场景，上述行情数据具体可以包括：最高涨幅、成交量、成交额等等。对于区域经济业务场景，上述行情数据具体可以包括：GDP总量、人口数量、人均GDP、工业产值占比等等。
在一个实施例中，上述测试目标参数具体可以包括：准确度测试目标参数、功能性测试目标参数、应变性测试目标参数、稳定性测试目标参数等等。
其中，上述准确度测试目标参数具体可以理解为从市场变化模拟的维度来测试量化交易策略模型模拟市场变化的准确性的参数数据。上述功能性测试目标参数具体可以理解为从模型的基本功能测试的维度来测试量化交易策略模型基本功能(例如，预测功能、决策功能、数据输入功能、数据输出功能等)是否能够正常、有效的参数数据。上述稳定性测试目标参数具体可以理解为从长时间段的常规市场数据处理维度来测试量化交易策略模型在常规市场环境中进行长期数据处理时整体表现是否稳定、可靠的参数数据。上述应变性测试目标参数具体可以理解为从短时间段的处理突发市场事件的维度来测试量化交易策略在处理市场中的突发事件时的应变能力，以及模型整体的强壮性的参数数据。当然，需要说明的是，上述所列举的测试目标参数只是一种示意性说明。具体实施时，根据具体情况和处理需求，还可以引入除上述所列举的测试目标参数以外其他类型的测试目标参数。对此，本说明书不作限定。
在一个实施例中，用户可以根据实际的测试需求，和/或，自身对量化交易策略模型的关注度，灵活地设置上述所列举的一个或多个测试目标参数，作为针对目标量化交易策略模型的测试目标参数。
在一个实施例中，具体实施时，当用户生成针对目标量化交易策略模型的行情数据时，可以通过所使用的终端设备，例如，用户一侧的台式电脑或笔记本电脑等设备生成并向服务器发送针对待测试的目标量化交易策略模型的行情数据的生成请求。
服务器接收并响应上述行情数据的生成请求，通过终端设备向用户展示测试目标参数设置界面。用户可以根据具体情况，在终端设备所展示的测试目标参数设置界面设置相应的测试目标参数。相应的，服务器可以通过上述界面获取得到用户针对待测试的目标量化交易策略模型的测试目标参数。
S102：根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景。
在一个实施例中，为了能够更加精细地满足用户多样化的测试需求，服务器可以预先根据多种可能出现的测试目标，对应配置多种不同的预设的测试场景。
在一个实施例中，上述预设的测试场景具体可以包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景等。上述多种预设的测试场景可以基本覆盖量化交易场景中针对量化交易策略模型的多种测试需求。
其中，对应每一个预设的测试场景配置有预先设置的，与该测试场景对应的预设的处理规则。需要说明的是，上述所列举的测试场景只是一种示意性说明。具体实施时，根据具体情况和可能出现的测试目标参数，还可以引入其他类型的测试场景来扩展上述预设的测试场景。
在一个实施例中，上述预设的匹配规则包含有测试场景与测试目标参数的匹配对应关系。根据预设的匹配规则，上述每一个预设的测试场景可以与一个测试目标参数对应。具体的，例如，基于预设的匹配规则，历史验证场景可以与准确度测试目标参数对应，功能性测试场景可以与功能性测试目标参数对应，极端事件场景可以与应变性测试目标参数对象，市场模拟场景可以与稳定性测试目标参数对应。
在一个实施例中，服务器可以根据所接收到用户设置的测试目标参数，根据预设的匹配规则，确定出与该测试目标参数对应匹配的预测初始场景作为符合用户的测试需求的目标测试场景。
在一个实施例中，上述根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景，具体实施时，可以包括以下内容：根据预设的匹配规则，在确定所述测试目标参数包括准确度测试目标参数的情况下，确定目标测试场景包括所述历史验证场景；根据预设的匹配规则，在确定所述测试目标参数包括功能性测试目标参数的情况下，确定目标测试场景包括所述功能性测试场景；根据预设的匹配规则，在确定所述测试目标参数包括应变性测试目标参数的情况下，确定目标测试场景包括所述极端事件场景；根据预设的匹配规则，在确定所述测试目标参数包括稳定性测试目标参数的情况下，确定目标测试场景包括所述市场模拟场景。
在一个实施例中，所述目标测试场景具体还可以包括多个预设的测试场景的组合。
在一个实施例中，如果用户的测试需求比较复杂，用户可以设置多个测试目标参数作为针对目标量化交易策略模型的测试目标参数。相应的，服务器可以根据预设的匹配规则，和上述多个测试目标参数，找到多个匹配对应的预设测试场景进行组合，作为满足用户更加复杂的测试需求的目标测试场景。
S103：根据所述目标测试场景，获取匹配的目标输入数据。
在一个实施例中，服务器在确定目标测试场景后，可以先确定出与目标测试场景对应的预设的处理规则。再根据与目标测试场景对应的预设的处理规则，检测并确定还需要用户提供的、生成所对应的预设的测试场景中的行情数据所需要的数据和/或配置参数作为目标输入数据。并通过终端设备向用户展示相应的数据输入页面，来获取用户输入的目标输入数据。
在一个实施例中，上述预设的处理规则具体可以理解为服务器针对不同的预设的测试场景预先配置好的规则集。具体的，上述预设的处理规则具体可以包括与所对应的预设的测试场景所需要的目标输入数据相关的数据规则，例如，需要用户设置的配置参数的名称、需要用户输入的源数据，以及对用户输入的目标数据的数据格式的限定等。上述预设的处理规则还可以包括根据目标输入数据生成所对应的预设的测试场景中的行情数据的生成规则等。
在一个实施例中，具体实施时，服务器可以根据所确定目标测试场景确定出与目标测试场景匹配的数据输入页面，再通过终端设备向用户展示出上述与目标测试场景匹配的数据输入页面，以便接收用户通过上述数据输入页面输入的与目标测试场景相关的目标输入数据。其中，对应不同的预设的测试场景，通过不同的数据输入页面所接收到的目标输入数据可以是不同类型或不同内容的数据。
在一个实施例中，上述根据所述目标测试场景，获取匹配的目标输入数据，具体实施时，可以包括以下内容：在确定所述目标测试场景包括历史验证场景的情况下，向用户展示第一类数据输入页面，并通过所述第一类数据输入页面接收用户导入的历史行情数据和第一类配置参数作为目标输入数据；在确定所述目标测试场景包括功能性测试场景的情况下，向用户展示第二类数据输入页面，并通过所述第二类数据输入页面接收用户输入的待测试的目标功能和第二类配置参数作为目标输入数据；在确定所述目标测试场景包括极端事件场景的情况下，向用户展示第三类数据输入页面，并通过所述第三类数据输入页面接收用户输入的事件类型和第三类配置参数作为目标输入数据；在确定所述目标测试场景包括市场模拟场景的情况下，向用户展示第四类数据输入页面，并通过所述第四类数据输入页面接收用户输入的源数据和第四类配置参数作为目标输入数据。
在一个实施例中，上述历史行情数据具体可以通过查询历史交易记录所获取得到某一个历史时间段内真实的行情数据。上述第一类配置参数具体可以包括：用户设置的待重现的起始时间点和结束时间点、相邻数据点之间的时间间隔等。上述第二类配置参数具体可以包括：用户设置的测试指标，例如，模型功能的反应速度、准确性等，以及可选的测试逻辑、测试方式等等。上述事件类型具体可以包括：突然涨停、突然跌停、大盘震荡等等。上述第三类配置参数具体可以包括：涨幅幅度、跌幅幅度、震荡周期、与事件类型相关的拟合函数等等。上述源数据具体可以包括用于模拟生成仿真的行情数据的初始数据。其中，上述元数据具体可以是从历史行情数据中截取的部分真实的行情数据，也可以是根据预的函数模型拟合生成的虚拟的行情数据。上述第四类配置参数具体可以包括：市场活跃度、市场走势、待模拟仿真的起始时间和结束时间等等。当然，需要指出的是，上述所列举的目标输入数据只是一种示意性说明。具体实施时，根据具体情况和处理需求，还可以引入除上述所列举的数据以外其他类型和内容的数据作为目标输入数据。对此，本说明书不作限定。
在一个实施例中，上述数据输入页面支持用户输入不同格式类型的数据作为目标输入数据。具体的，上述目标输入数据的格式类型可以包括：图表类数据、规则类数据、表格类数据和模拟类数据。
具体实施时，当目标输入数据包括图表类数据时，服务器可以通过该图表类数据进行图像识别，获取图表类数据中的图像信息(例如，图像曲线)；同时，对该图表类数据进行OCR识别，得到图表中的文本信息；进而可以综合上述图像信息和文本信息，获得该图表类数据中所包含的信息数据作为目标输入数据。
当目标输入数据包括表格类数据时，服务器可以对上述表格类数据进行拆解；再按照逐行或逐列的顺序识别提取出表格中各个位置上的字符信息，并记录系字符信息在表格中的位置；按照字符信息在表格中的位置拼接上述字符信息，从而得到对应的目标输入数据。
当目标输入数据包括规则类数据时，服务器可以先对上述规则类数据的符号进行函数符号识别；根据所识别出函数符号，确定规则类数据的函数类型，例如，是指数函数还是正弦函数等。再根据上述函数类型来提取相应的函数参数，得到对应的目标输入数据。
在目标输入数据包括模拟类数据时，服务器可以根据用户的指令要求调用预设的模拟模型来通过数据模拟生成相应的业务数据作为虚拟数据，从而可以有效地扩展数据，得到更加丰富的源数据。
S104：根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
在一个实施例中，针对不同预设的测试场景的所关注的测试需求，具体实施时，可以根据与目标测试场景对应的预设的处理规则，利用目标输入数据生成与目标测试场景对应匹配的行情数据，作为最终提供给用户的，用于进行目标量化交易策略模型测试的目标行情数据。
在一个实施例中，上述根据预设的处理规则，利用所述目标输入数据，生成与目标测试场景匹配的目标行情数据，具体实施时，可以包括以下内容：在确定所述目标测试场景包括历史验证场景的情况下，根据预设的处理规则和第一类配置参数，从历史行情数据中提取符合要求的历史行情数据作为目标行情数据；在确定所述目标测试场景包括功能性测试场景的情况下，根据预设的处理规则，调用预设的随机模块根据所述第二类配置参数，生成对应的目标行情数据；在确定所述目标测试场景包括极端事件场景的情况下，根据所述事件类型从多个预设的事件函数中确定出匹配的目标函数；并调用预设的随机模块根据所述目标函数和所述第三类配置参数，生成对应的目标行情数据；在确定所述目标测试场景包括市场模拟场景的情况下，调用预设的算法模型根据所述源数据和所述第四类配置参数，生成对应的模拟数据作为目标行情数据。
在一个实施例中，上述预设的随机模块具体可以包括多个不同的基于预设函数的第一类随机数据生成单元，以及支持定制函数的第二类随机数据生成单元。
具体实施时，在生成与功能性测试场景匹配的行情数据时，可以先从多个预设的第一类随机数据生成单元中确定出与要测试的目标功能对应匹配的第一类随机数据生成单元作为第一类目标单元组合。通过利用上述第一类目标单元组合，根据预设的处理规则中记载的默认参数，生成多个随机数据。将上述多个随机数据组合，作为对应的目标行情数据。以便后续可以利用目标量化交易策略模型对上述行情数据进行测试，来针对模型的功能性进行评价。
具体实施时，在生成与极端事件场景匹配的行情数据时，可以先根据事件类型，从多个预设的事件函数中确定出匹配的目标函数；再利用上述目标函数与第二类随机数据生成单元进行装配，再将装配后的第二类随机数据生成单元组合，得到第二类目标单元组合。通过利用上述第二类目标单元组合，根据第三类配置参数，来生成多个随机数据。将上述多个随机数据组合，作为对应的目标行情数据。以便后续可以利用目标量化交易策略模型对上述行情数据进行测试，来针对模型面对极端事件的应变力、模型的健壮性进行评价。
在一个实施例中，上述预设的算法模型具体可以理解为一种预先对大量真实的行情数据进行学习训练，得到能够模拟仿真长时间段的相对较为真实、稳定的市场行情的模型。
具体实施之前，可以先获取长时间段的历史行情数据作为模型训练数据。再对上述模型训练数据进行标注，得到标注后的训练数据。利用上述标注后的训练数据训练初始模型，得到上述预设的算法模型。
具体实施时，在生成与市场模拟场景匹配的行情数据时，可以调用上述预设的算法模型以源数据作为输入数据，并根据第四类配置参数配置模拟参数。再根据模拟参数运行预设的算法模型，输出通过模型仿真得到的虚拟数据。将上述虚拟数据作为目标行情数据。以便后续可以利用目标量化交易策略模型针对长时间段的市场行情进行测试，来对模型的稳定性、可靠性进行评价。
在一个实施例中，在生成与历史验证场景匹配的行情数据时，可以只基于真实的历史行情数据，根据第一类配置参数，从历史行情数据中只截取部分符合要求的历史行情数据作为目标行情数据。以便后续测试时，可以通过将目标量化交易策略模型的预测数据与真实的行情数据进行比较，来对模型的准确度进行评价。
在一个实施例中，服务器可以按照上述方式根据用户设置的测试目标参数，以及用户输入的目标输入数据，智能地生成满足用户的测试需求的，适合于目标量化交易策略模型的行情数据。
在一个实施例中，在用户设置的测试目标参数包括多种不同的测试目标参数，目标测试场景包括多种不同的预设的测试场景的情况下，通过上述方式可以生成分别对应不同预设的测试场景的多种行情数据，并将上述多种行情数据的组合作为最终的目标行情数据。
在一个实施例中，在根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据后，所述方法具体实施时，还可以包括以下内容：确定目标量化交易策略模型的数据格式要求；将目标行情数据进行格式转换，转换成满足目标量化交易策略模型的数据格式要求的报文；再对外发布上述报文，或者将上述报文发送至用户一侧的终端设备。这样用户可以不需要自己再进行数据格式的转换，直接使用所接收到的报文格式的目标行情数据，就能很方便地接入并利用该目标行情数据对目标量化交易策略模型进行测试。
在一个实施例中，在根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据后，所述方法具体实施时，还可以包括以下内容：利用所述目标行情数据构建目标测试场景；在目标测试场景中，对所述目标量化交易策略模型进行测试，得到测试结果；根据所述测试结果，确定目标量化交易策略模型是否满足预设的测试目标要求；在确定所述目标量化交易策略模型不满足所述预设的测试目标要求的情况下，根据所述测试结果，调整所述目标量化交易策略模型。
在一个实施例中，按照上述方式对目标量化交易策略模型进行测试后，可以根据测试结果，有针对性地确定出目标量化交易策略模型的欠缺点；再针对该欠缺点，进行对应的模型调整，从而可以使得对目标量化交易策略模型的调整更有针对性，也更有效率。
例如，在利用与极端事件场景匹配的目标行情数据对目标量化交易策略模型进行测试后，发现测试结果不满足预设的测试目标要求，可以判定当前的目标量化交易策略模型在对极端事件的应变力的维度上还存在欠缺，进而可以只对模型中的负责极端事件应变的模型结构进行针对性的优化改进，提高模型的调整效率，从而可以更加高效地得到效果相对较好的目标量化交易策略模型。
在本申请实施例中，相较于现有方法，通过获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则和测试目标参数，先从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；根据目标测试场景，获取对应匹配的目标输入数据；再根据预设的处理规则，利用目标输入数据，智能地为用户生成满足用户测试需求、与目标测试场景匹配、适用于测试目标量化交易策略模型的目标行情数据，以便更好地对目标量化交易策略模型进行相应的目标测试。从而解决了现有方法中存在的所生成的行情数据单一，测试效果较差，无法满足用户的多样化的测试需求的技术问题。达到能根据用户设置的测试目标参数，智能地匹配对应的测试场景，并高效生成适用于目标量化交易策略模型测试且测试效果较好的行情数据，满足了用户多样化的测试需求的技术效果。
基于同一发明构思，本申请实施例中还提供了一种量化交易的行情数据的生成装置，如下面的实施例所述。由于量化交易的行情数据的生成装置解决问题的原理与量化交易的行情数据的生成方法相似，因此量化交易的行情数据的生成装置的实施可以参见量化交易的行情数据的生成方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。请参阅图2所示，是本申请实施例提供的量化交易的行情数据的生成装置的一种组成结构图，该装置具体可以包括：第一获取模块201、确定模块202、第二获取模块203、生成模块204，下面对该结构进行具体说明。
第一获取模块201，具体可以用于获取用户针对待测试的目标量化交易策略模型的测试目标参数。
确定模块202，具体可以用于根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景。
第二获取模块203，具体可以用于根据所述目标测试场景，获取匹配的目标输入数据。
生成模块204，具体可以用于根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
在一个实施例中，所述测试目标参数具体可以包括以下所述的一种或多种：准确度测试目标参数、功能性测试目标参数、应变性测试目标参数、稳定性测试目标参数等。
在一个实施例中，所述确定模块202具体实施时，可以用于根据预设的匹配规则，在确定所述测试目标参数包括准确度测试目标参数的情况下，确定目标测试场景包括所述历史验证场景；根据预设的匹配规则，在确定所述测试目标参数包括功能性测试目标参数的情况下，确定目标测试场景包括所述功能性测试场景；根据预设的匹配规则，在确定所述测试目标参数包括应变性测试目标参数的情况下，确定目标测试场景包括所述极端事件场景；根据预设的匹配规则，在确定所述测试目标参数包括稳定性测试目标参数的情况下，确定目标测试场景包括所述市场模拟场景。
在一个实施例中，所述第二获取模块203具体实施时可以用于在确定所述目标测试场景包括历史验证场景的情况下，向用户展示第一类数据输入页面，并通过所述第一类数据输入页面接收用户导入的历史行情数据和第一类配置参数作为目标输入数据；在确定所述目标测试场景包括功能性测试场景的情况下，向用户展示第二类数据输入页面，并通过所述第二类数据输入页面接收用户输入的待测试的目标功能和第二类配置参数作为目标输入数据；在确定所述目标测试场景包括极端事件场景的情况下，向用户展示第三类数据输入页面，并通过所述第三类数据输入页面接收用户输入的事件类型和第三类配置参数作为目标输入数据；在确定所述目标测试场景包括市场模拟场景的情况下，向用户展示第四类数据输入页面，并通过所述第四类数据输入页面接收用户输入的源数据和第四类配置参数作为目标输入数据。
在一个实施例中，所述生成模块204具体实施时，可以用于在确定所述目标测试场景包括历史验证场景的情况下，根据预设的处理规则和第一类配置参数，从历史行情数据中提取符合要求的历史行情数据作为目标行情数据；在确定所述目标测试场景包括功能性测试场景的情况下，根据预设的处理规则，调用预设的随机模块根据所述第二类配置参数，生成对应的目标行情数据；在确定所述目标测试场景包括极端事件场景的情况下，根据所述事件类型从多个预设的事件函数中确定出匹配的目标函数；并调用预设的随机模块根据所述目标函数和所述第三类配置参数，生成对应的目标行情数据；在确定所述目标测试场景包括市场模拟场景的情况下，调用预设的算法模型根据所述源数据和所述第四类配置参数，生成对应的模拟数据作为目标行情数据。
在一个实施例中，所述装置具体实施时，还可以包括测试模块，具体可以用于利用所述目标行情数据构建目标测试场景；在目标测试场景中，对所述目标量化交易策略模型进行测试，得到测试结果；根据所述测试结果，确定目标量化交易策略模型是否满足预设的测试目标要求；在确定所述目标量化交易策略模型不满足所述预设的测试目标要求的情况下，根据所述测试结果，调整所述目标量化交易策略模型。
在一个实施例中，所述目标测试场景具体可以包括多个预设的测试场景的组合。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，上述实施方式阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，在本说明书中，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
此外，在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
从以上的描述中，可以看出，本申请实施例提供的量化交易的行情数据的生成装置，能解决生成的行情数据单一，测试效果较差，无法满足用户的多样化的测试需求的技术问题，达到能根据用户设置的测试目标参数，智能地匹配对应的测试场景，并高效生成适用于目标量化交易策略模型测试且测试效果较好的行情数据，满足了用户多样化的测试需求。
本说明书实施例还提供一种服务器，参阅图3所示。所述服务器包括网络通信端口301、处理器302以及存储器303，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。
其中，所述网络通信端口301，具体可以用于获取用户针对待测试的目标量化交易策略模型的测试目标参数。
所述处理器302，具体可以用于根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景。
所述网络通信端口301，具体还可以用于根据所述目标测试场景，获取匹配的目标输入数据。
所述处理器302，具体还可以用于根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
所述存储器303，具体可以用于存储相应的指令程序。
在本实施例中，所述网络通信端口301可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行FTP数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如GSM、CDMA等；其还可以为Wifi芯片；其还可以为蓝牙芯片。
在本实施例中，所述处理器302可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中，所述存储器303可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
本申请实施例还提供了一种基于量化交易的行情数据的生成方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：获取用户针对待测试的目标量化交易策略模型的测试目标参数；根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；根据所述目标测试场景，获取匹配的目标输入数据；根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型。
在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
在一个具体实施场景示例中，可以应用本申请实施例的提供量化交易的行情数据的生成方法和装置来根据用户的需求，智能地生成多样化的行情数据。具体可以参阅以下内容。
参阅图4所示。所使用的系统的核心包括定制/选择情景装置1(相当于确定模块)和市场情景生成装置2(相当于生成模块)。其中定制/选择情景装置1与市场情景生成装置2相连接。
具体的，定制/选择情景装置1用于进行行情情景的选择及具体的参数配置，比如与行情价格，金额相关的随机区间、涨跌幅、标准差等。将配置好的的参数发送给市场情景生成装置2以进行行情数据的实时生成。根据不同的需求，上述参数(即目标输入数据)可以分为四大类：图表输入(即图表类数据)、规则输入(即规则类数据)、表格输入(即表格类数据)和机器学习(即模拟类数据)。
具体的，上述图表输入，具体可以通过读取并解析图表中的行情数据，结合配置参数如点差、档位等，实现对图中价格走势的复制，又可以根据配置参数中指定的需求稍作调整。
上述规则输入，具体可以通过配置一个行情生成函数，比如震荡型的正弦类函数上涨型的指数类函数，下跌型的对数类函数等。通过改变正弦类函数的周期、指数型函数的指数、对数类函数的底来控制震荡程度，涨跌幅等。
上述表格输入，具体可以在已有行情记录表的情况下，比如该行情表来源可以是历史行情，也可以是手工自定义的行情明细等，通过后续装置解析表格数据，并组装成没有任何随机性的行情报文进行发布。
上述机器学习，具体可以是假设已有一份行情数据(例如，历史行情数据)，但是数据不够丰富，或者有缺失的部分，可利用序列化模型等机器学习方法通过训练获取符合真实市场场景且更加丰富的行情数据(或者通过预设的模拟模型模拟生成相应的业务数据作为行情数据)。
在本场景示例中，上述定制/选择情景装置1可以包括解析图表单元11、解析配置文件单元12、解析表格文件单元13和机器学习算法单元14。
上述市场情景生成装置2可以用于接收定制/选择情景装置1发送过来的源数据或者配置参数，通过不同的行情生成模型来实时生成符合预期的行情数据。
在本场景示例中，根据不同的需求，可以包括以下四类情景(即四种预设的测试场景)：
历史情景(即历史验证场景)。基于该情景，可以通过读取历史行情数据，根据历史行情的时间戳来决定发布行情的频率，历史价格的行情明细构成对外发布的报价组成，从而实现历史情景再现。
极端情景(即极端事件场景)。通常市场上的极端情景并不常见，而一个健壮的交易策略应当能够处理这种情景，通过对配置文件的修改，比如对涨幅维度、振荡维度、极值范围等配置不同的参数来生成相应的极端场景。
测试情景(即功能性测试场景)。该测试情景既可提供基础性的功能测试，也可以进一步提供场景测试。其中，通过上述基础性的功能测试，可以保证模型单一逻辑的正确性，通过上述场景测试，可以保证在某一场景下量化交易策略逻辑的准确性。
仿真情景(市场模拟场景)。通过借助于机器学习算法，可以训练模拟生成符合市场行情的数据。其中，用户可以通过指定活跃度等参数，来摆脱对外部真实环境的依赖，生成满足用户需求的长时间段的市场行情数据。
上述市场情景生成装置2，可以包括播放表格数据单元21、规则生成数据单元22、配置随机数据单元23和机器学习运行时单元24等。
在本场景示例，参阅图5所示，可以应用上述系统进行行情的仿真处理。
S1：业务/测试人员根据自已的需求选择不同的测试情景，目前提供的四种情景已基本覆盖所有的测试需求；
S2：选择好测试情景之后，根据不同的需求进行行情数据定制化。一般需要准备两块内容，一是涉及历史场景的则需要准备历史行情数据文件，二是需要配置参数，比如初始行情的振荡程度、活跃程度、行情生成算法等；
S3：通过配置解析模块和数据文件读取模块来解析上一步操作中的准备内容。并将解析后的内容作为入参传入下一步骤；
S4：根据情景的不同，有两种行情生成器。一个是随机模块，主要由配置文件来随机生成指定的行情情景，比如震荡情景，随机模块会根据初始行情、震荡幅度等参数随机生成一个波动的行情序列。二是算法模块，可根据准备好的训练数据，借助于机器学习算法来模拟生成行情数据，可提供比准备数据更加丰富的场景。
S5：将生成的行情由结构组装模块来构建下游所需要的报文格式；
S6：发布上一步中准备好的报文。
通过上述场景示例，验证了本申请实施例提供的量化交易的行情数据的生成方法，可以建立了一套完整的量化交易实时行情仿真装置或系统，摆脱了对上游数据源提供方的依赖，同时能够支持多市场场景的自定义，极大提升了量化交易策略的测试效率和验证效果。具体地，可以达到了以下效果：可以快速地实现历史市场情景再现，并结合机器学习算法，通过训练历史数据，能够实时自动生成与历史情景一致的行情数据，还可以将策略结果与存量策略进行横向比较，从而达到快速回测的目的。实现了市场行情情景自由定制，通过可配置化的参数，可轻松实现上涨，下跌，震荡等行情走势、极端场景以及测试人员需要的测试场景等。实现了海量行情数据的自由产出，其中系统的行情数据的吞吐量可自定义，可以实现市场的活跃程度实时仿真。实现了行情结构灵活配置，不同的报文字段不同，通过CSV配置文件，可指定报文的关键字段信息，比如外汇行情，交易行情等不同结构的报文均可以通过配置文件来指定。
尽管本申请内容中提到不同的具体实施例，但是，本申请并不局限于必须是行业标准或实施例所描述的情况等，某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、处理、输出、判断方式等的实施例，仍然可以属于本申请的可选实施方案范围之内。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的实施方式包括这些变形和变化而不脱离本申请。
Claims (14)
1.一种量化交易的行情数据的生成方法，其特征在于，包括：
获取用户针对待测试的目标量化交易策略模型的测试目标参数；
根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；
根据所述目标测试场景，获取匹配的目标输入数据；
根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型；
其中，根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，包括：在确定所述目标测试场景包括功能性测试场景的情况下，根据预设的处理规则，调用预设的随机模块根据第二类配置参数，生成对应的目标行情数据；在确定所述目标测试场景包括极端事件场景的情况下，根据事件类型从多个预设的事件函数中确定出匹配的目标函数；并调用预设的随机模块根据所述目标函数和第三类配置参数，生成对应的目标行情数据；其中，所述预设的随机模块包括多个不同的基于预设函数的第一类随机数据生成单元，以及支持定制函数的第二类随机数据生成单元；所述第二类配置参数、事件类型、第三类配置参数根据目标输入数据获得；具体的，基于预设的随机模块生成与极端事件场景匹配的目标行情数据，包括：根据事件类型，从多个预设的事件函数中确定出匹配的目标函数；利用目标函数与第二类随机数据生成单元进行装配，再将装配后的第二类随机数据生成单元组合，得到第二类目标单元组合；通过利用第二类目标单元组合根据第三类配置参数来生成多个随机数据；将所述多个随机数据组合，作为对应的目标行情数据。
2.根据权利要求1所述的方法，其特征在于，所述测试目标参数包括以下所述的一种或多种：准确度测试目标参数、功能性测试目标参数、应变性测试目标参数、稳定性测试目标参数。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景，包括：
根据预设的匹配规则，在确定所述测试目标参数包括准确度测试目标参数的情况下，确定目标测试场景包括所述历史验证场景；
根据预设的匹配规则，在确定所述测试目标参数包括功能性测试目标参数的情况下，确定目标测试场景包括所述功能性测试场景；
根据预设的匹配规则，在确定所述测试目标参数包括应变性测试目标参数的情况下，确定目标测试场景包括所述极端事件场景；根据预设的匹配规则，在确定所述测试目标参数包括稳定性测试目标参数的情况下，确定目标测试场景包括所述市场模拟场景。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标测试场景，获取匹配的目标输入数据，包括：
在确定所述目标测试场景包括历史验证场景的情况下，向用户展示第一类数据输入页面，并通过所述第一类数据输入页面接收用户导入的历史行情数据和第一类配置参数作为目标输入数据；
在确定所述目标测试场景包括功能性测试场景的情况下，向用户展示第二类数据输入页面，并通过所述第二类数据输入页面接收用户输入的待测试的目标功能和第二类配置参数作为目标输入数据；
在确定所述目标测试场景包括极端事件场景的情况下，向用户展示第三类数据输入页面，并通过所述第三类数据输入页面接收用户输入的事件类型和第三类配置参数作为目标输入数据；
在确定所述目标测试场景包括市场模拟场景的情况下，向用户展示第四类数据输入页面，并通过所述第四类数据输入页面接收用户输入的源数据和第四类配置参数作为目标输入数据。
5.根据权利要求4所述的方法，其特征在于，所述根据预设的处理规则，利用所述目标输入数据，生成与目标测试场景匹配的目标行情数据，包括：
在确定所述目标测试场景包括历史验证场景的情况下，根据预设的处理规则和第一类配置参数，从历史行情数据中提取出符合要求的历史行情数据作为对应的目标行情数据；
在确定所述目标测试场景包括市场模拟场景的情况下，调用预设的算法模型根据所述源数据和所述第四类配置参数，生成模拟数据作为对应的目标行情数据。
6.根据权利要求1所述的方法，其特征在于，在根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据后，所述方法还包括：
利用所述目标行情数据构建目标测试场景；
在目标测试场景中，对所述目标量化交易策略模型进行测试，得到测试结果；
根据所述测试结果，确定目标量化交易策略模型是否满足预设的测试目标要求；
在确定所述目标量化交易策略模型不满足所述预设的测试目标要求的情况下，根据所述测试结果，调整所述目标量化交易策略模型。
7.根据权利要求1所述的方法，其特征在于，所述目标测试场景包括多个预设的测试场景的组合。
8.一种量化交易的行情数据的生成装置，其特征在于，包括：
第一获取模块，用于获取用户针对待测试的目标量化交易策略模型的测试目标参数；
确定模块，用于根据预设的匹配规则，和所述测试目标参数，从多个预设的测试场景中确定适用于目标量化交易策略模型的目标测试场景；其中，所述预设的测试场景包括以下至少之一：历史验证场景、功能性测试场景、极端事件场景、市场模拟场景；
第二获取模块，用于根据所述目标测试场景，获取匹配的目标输入数据；
生成模块，用于根据预设的处理规则，利用目标输入数据，生成与目标测试场景匹配的目标行情数据，其中，所述目标行情数据用于在目标测试场景中测试目标量化交易策略模型；
其中，所述生成模块具体用于在确定所述目标测试场景包括功能性测试场景的情况下，根据预设的处理规则，调用预设的随机模块根据第二类配置参数，生成对应的目标行情数据；在确定所述目标测试场景包括极端事件场景的情况下，根据事件类型从多个预设的事件函数中确定出匹配的目标函数；并调用预设的随机模块根据所述目标函数和第三类配置参数，生成对应的目标行情数据；其中，所述预设的随机模块包括多个不同的基于预设函数的第一类随机数据生成单元，以及支持定制函数的第二类随机数据生成单元；所述第二类配置参数、事件类型、第三类配置参数根据目标输入数据获得；
具体的，基于预设的随机模块生成与极端事件场景匹配的目标行情数据，包括：根据事件类型，从多个预设的事件函数中确定出匹配的目标函数；利用目标函数与第二类随机数据生成单元进行装配，再将装配后的第二类随机数据生成单元组合，得到第二类目标单元组合；通过利用第二类目标单元组合根据第三类配置参数来生成多个随机数据；将所述多个随机数据组合，作为对应的目标行情数据。
9.根据权利要求8所述的装置，其特征在于，所述测试目标参数包括以下所述的一种或多种：准确度测试目标参数、功能性测试目标参数、应变性测试目标参数、稳定性测试目标参数。
10.根据权利要求9所述的装置，其特征在于，所述确定模块具体用于根据预设的匹配规则，在确定所述测试目标参数包括准确度测试目标参数的情况下，确定目标测试场景包括所述历史验证场景；根据预设的匹配规则，在确定所述测试目标参数包括功能性测试目标参数的情况下，确定目标测试场景包括所述功能性测试场景；根据预设的匹配规则，在确定所述测试目标参数包括应变性测试目标参数的情况下，确定目标测试场景包括所述极端事件场景；根据预设的匹配规则，在确定所述测试目标参数包括稳定性测试目标参数的情况下，确定目标测试场景包括所述市场模拟场景。
11.根据权利要求10所述的装置，其特征在于，所述第二获取模块具体用于在确定所述目标测试场景包括历史验证场景的情况下，向用户展示第一类数据输入页面，并通过所述第一类数据输入页面接收用户导入的历史行情数据和第一类配置参数作为目标输入数据；在确定所述目标测试场景包括功能性测试场景的情况下，向用户展示第二类数据输入页面，并通过所述第二类数据输入页面接收用户输入的待测试的目标功能和第二类配置参数作为目标输入数据；在确定所述目标测试场景包括极端事件场景的情况下，向用户展示第三类数据输入页面，并通过所述第三类数据输入页面接收用户输入的事件类型和第三类配置参数作为目标输入数据；在确定所述目标测试场景包括市场模拟场景的情况下，向用户展示第四类数据输入页面，并通过所述第四类数据输入页面接收用户输入的源数据和第四类配置参数作为目标输入数据。
12.根据权利要求11所述的装置，其特征在于，所述生成模块具体用于在确定所述目标测试场景包括历史验证场景的情况下，根据预设的处理规则和第一类配置参数，从历史行情数据中提取出符合要求的历史行情数据作为对应的目标行情数据；在确定所述目标测试场景包括市场模拟场景的情况下，调用预设的算法模型根据所述源数据和所述第四类配置参数，生成模拟数据作为对应的目标行情数据。
13.一种服务器，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。
14.一种可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563933.7A CN111737125B (zh) | 2020-06-19 | 2020-06-19 | 量化交易的行情数据的生成方法、装置和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563933.7A CN111737125B (zh) | 2020-06-19 | 2020-06-19 | 量化交易的行情数据的生成方法、装置和服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111737125A CN111737125A (zh) | 2020-10-02 |
| CN111737125B true CN111737125B (zh) | 2024-01-30 |
Family
ID=72650162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010563933.7A Active CN111737125B (zh) | 2020-06-19 | 2020-06-19 | 量化交易的行情数据的生成方法、装置和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111737125B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516333B (zh) * | 2021-03-10 | 2023-11-14 | 福建省农村信用社联合社 | 一种基于精准化业务模型的性能测试方法和系统 |
| CN113159773B (zh) * | 2021-04-28 | 2024-03-22 | 中国工商银行股份有限公司 | 一种量化交易回测数据生成方法及装置 |
| CN113989011B (zh) * | 2021-12-28 | 2022-04-22 | 深圳华锐分布式技术股份有限公司 | 行情数据处理方法、装置、计算机设备及可读存储介质 |
| CN114625805B (zh) * | 2022-05-16 | 2022-09-20 | 杭州时代银通软件股份有限公司 | 一种回测配置方法、装置、设备及介质 |
| CN114693307B (zh) * | 2022-05-30 | 2022-09-02 | 深圳市泰铼科技有限公司 | 一种证券期货程序化交易策略风险压力测试系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457224A (zh) * | 2019-08-15 | 2019-11-15 | 中国银行股份有限公司 | 生成测试数据的方法及装置 |
| CN110503556A (zh) * | 2019-08-28 | 2019-11-26 | 中国银行股份有限公司 | 交易策略模型的可视化配置方法及装置 |
| CN110688106A (zh) * | 2019-09-26 | 2020-01-14 | 中国银行股份有限公司 | 基于可视化配置的量化交易策略编写方法及装置 |
| CN110740184A (zh) * | 2019-10-23 | 2020-01-31 | 中国银行股份有限公司 | 基于微服务架构的交易策略测试系统 |
| CN111221726A (zh) * | 2019-12-25 | 2020-06-02 | 平安普惠企业管理有限公司 | 一种测试数据生成方法、装置、存储介质和智能设备 |
| CN111274157A (zh) * | 2020-02-27 | 2020-06-12 | 平安医疗健康管理股份有限公司 | 测试数据模拟方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150178646A1 (en) * | 2013-12-20 | 2015-06-25 | Sas Institute Inc. | Integrated stress testing framework system and method |
-
2020
- 2020-06-19 CN CN202010563933.7A patent/CN111737125B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457224A (zh) * | 2019-08-15 | 2019-11-15 | 中国银行股份有限公司 | 生成测试数据的方法及装置 |
| CN110503556A (zh) * | 2019-08-28 | 2019-11-26 | 中国银行股份有限公司 | 交易策略模型的可视化配置方法及装置 |
| CN110688106A (zh) * | 2019-09-26 | 2020-01-14 | 中国银行股份有限公司 | 基于可视化配置的量化交易策略编写方法及装置 |
| CN110740184A (zh) * | 2019-10-23 | 2020-01-31 | 中国银行股份有限公司 | 基于微服务架构的交易策略测试系统 |
| CN111221726A (zh) * | 2019-12-25 | 2020-06-02 | 平安普惠企业管理有限公司 | 一种测试数据生成方法、装置、存储介质和智能设备 |
| CN111274157A (zh) * | 2020-02-27 | 2020-06-12 | 平安医疗健康管理股份有限公司 | 测试数据模拟方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111737125A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111737125B (zh) | 量化交易的行情数据的生成方法、装置和服务器 | |
| CN109242013B (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
| US9588813B1 (en) | Determining cost of service call | |
| CN109309596B (zh) | 一种压力测试方法、装置及服务器 | |
| CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
| Yan et al. | Detection of crashes and rebounds in major equity markets | |
| CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
| CN112085087B (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
| CN111582341A (zh) | 用户异常操作预测方法及装置 | |
| EP4138004A1 (en) | Method and apparatus for assisting machine learning model to go online | |
| CN107577587A (zh) | 积分报表的生成方法 | |
| CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
| CN111177562A (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
| CN105245380B (zh) | 一种消息的传播方式识别方法及装置 | |
| CN109542729A (zh) | 设备性能参数数据分析方法及装置 | |
| CN115270923A (zh) | 一种基于场景的可视化智能决策方法及系统 | |
| CN110618881B (zh) | 一种模拟消息队列的方法及系统 | |
| CN109992614B (zh) | 数据获取方法、装置和服务器 | |
| CN114003567A (zh) | 数据采集的方法及相关装置 | |
| CN113792211A (zh) | 一种资源推送处理方法、装置、电子设备及存储介质 | |
| CN108512731B (zh) | 一种设备参数的配置方法、移动终端及设备 | |
| CN108460077B (zh) | 一种指标分析方法、系统以及计算机可读存储介质 | |
| CN113742226B (zh) | 一种软件性能测试方法、装置、介质及电子设备 | |
| CN109358968B (zh) | 一种服务器资源配置方法及装置 | |
| CN111339748B (zh) | 一种解析模型的评估方法、装置、设备和介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |