CN112598526A - 资产数据的处理方法及装置 - Google Patents

Abstract

本说明书一个或多个实施例公开了一种资产数据的处理方法及装置。所述方法包括：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

Description

资产数据的处理方法及装置

技术领域

本说明书涉及数据处理技术领域，尤其涉及一种资产数据的处理方法及装置。

背景技术

随着人工智能技术的发展，人工智能技术已逐渐深入各行各业。目前，在资产交易场景中，有少量使用机器学习算法进行资产量化交易的方式，例如利用机器学习算法进行股票量化交易。但是，这种方式目前的局限性较大，一方面，这类量化交易算法大多数为传统的机器学习算法驱动，算法表达能力有限。另一方面，传统的机器学习算法不具有普适性，尤其是在某些具有固定收益类的资产交易场景中，无法预测有效、准确的资产交易策略。

因此，亟需一种更能有效、准确的预测资产交易策略的算法。

发明内容

一方面，本说明书一个或多个实施例提供一种资产数据的处理方法，包括：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

另一方面，本说明书一个或多个实施例提供一种资产数据的处理装置，包括：第一获取模块，获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。第一提取模块，通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。分析及确定模块，利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

再一方面，本说明书一个或多个实施例提供一种资产数据的处理设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

再一方面，本说明书实施例提供一种存储介质，用于存储计算机程序，所述计算机程序能够被处理器执行以实现以下流程：获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型。通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征。所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

附图说明

为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例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是根据本说明书一实施例的一种资产数据的处理方法的示意性流程图；

图2是根据本说明书一实施例的一种资产数据的处理方法中资产交易预测模型预测的示意性流程图；

图3是根据本说明书一实施例的一种资产数据的处理方法中深度学习神经网络的示意性结构图；

图4是根据本说明书一实施例的一种资产数据的处理装置的示意性框图；

图5是根据本说明书一实施例的一种资产数据的处理设备的示意性框图。

具体实施方式

本说明书一个或多个实施例提供一种资产数据的处理方法及装置，以解决现有技术中对资产交易方式的预测效果较差的问题。

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个实施例保护的范围。

图1是根据本说明书一实施例的一种资产数据的处理方法的示意性流程图，如图1所示，该方法包括：

S102，获取待交易的资产数据，将资产数据输入预先训练的资产交易预测模型。

其中，资产数据包括资产量和/或资产类别。

资产交易预测模型基于多个历史资产交易数据以及各历史资产交易数据分别对应的历史资产收益数据训练得到。历史资产交易数据包括历史资产数据（如历史资产量、历史资产类别等）和历史资产交易方式（如历史交易时间、历史交易量、历史交易资产类别等）。历史资产收益数据包括采用各种历史资产交易方式所带来的历史资产收益。

S104，通过资产交易预测模型将资产数据识别为图像数据，并提取图像数据中的图像特征。

其中，图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项。可选的，在提取时间序列特征时，可先提取图像数据（即图像）在不同时间点上的特征向量，进而按照各时间点的先后顺序组合提取出的多个特征向量，从而得到图像数据对应的时间序列特征。空间结构特征是指图像中不同区域或不同像素点之间的空间位置或相对方向关系特征，比如连接关系、重叠关系、包含关系、上下左右关系等。在提取空间结构特征时，可将图像按照预定分割规则（如随机分割、均匀分割等）分割为多个不同区域的子图像，进而分别提取各个子图像中的特征向量，并建立各个子图像和特征向量之间的对应关系，从而得到图像数据对应的空间结构特征。图像的频率特征用于表征图像中灰度 变化的剧烈程度，因此，图像数据中的噪声数据属于高频数据，平缓变化的数据则属于低频数据，通过对图像数据进行傅里叶变换、小波变换等即可得到图像数据的频率特征，其中傅里叶变换过程属于现有技术，此处不再赘述。

S106，利用资产交易预测模型分析图像特征，并根据分析结果确定使资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

其中，预设收益条件包括以下至少一项：资产收益最大、资产收益达到预设的期望收益值。目标资产交易方式包括交易时间、交易量、交易资产类别等一项或多项。

采用本说明书一个或多个实施例的技术方案，通过获取待交易的资产数据，将资产数据输入预先训练的资产交易预测模型，并通过资产交易预测模型将资产数据识别为图像数据，以及提取图像数据的图像特征，进而利用资产交易预测模型分析图像特征，根据分析结果确定使资产数据对应的资产收益达到预设收益条件的目标资产交易方式。可见，该技术方案通过资产交易预测模型将资产数据抽象为图像数据，由于图像数据具有如时间序列特征、空间结构特征、频率特征等丰富、多维的特征，使得资产数据的数据特征能够被多维、全面的识别，从而使基于图像特征所预测的资产交易方式更加准确。进一步的，该技术方案利用计算机视觉技实现端到端地自动识别和预测，使资产交易方式的预测更简便快速，无需人工参与，对资产交易市场带来非常大的贡献。

举例而言，交易资产为固定收益类回购（即repo）或者外汇（USDCNY），网络银行将流动性资产在二级市场进行交易，以达到降本增收的目的，交易策略为数据驱动、量化交易。该场景中，需要对交易市场上的repo、外汇价格等资产数据进行预测，从而发出交易信号，即资产交易方式。由于外汇市场与repo市场所受到的影响因素较多、瞬息万变，因此通过传统的机器学习算法很难准确、有效的预测出使资产收益最高的资产交易方式，而如果采用上述实施例提供的技术方案，通过将外汇市场或repo市场中的资产数据抽象为图像数据，进而通过分析图像数据的图像特征，有效、准确地预测出使得资产收益最大的资产交易方式。

在一个实施例中，在获取待交易的资产数据之前，需对资产交易预测模型进行训练。资产交易预测模型的训练过程可包括如图2所示的S202-S208：

S202，获取多个历史资产交易数据以及各历史资产交易数据分别对应的历史资产收益数据。

其中，历史资产交易数据包括历史资产数据（如历史资产量、历史资产类别等）和历史资产交易方式（如历史交易时间、历史交易量、历史交易资产类别等）。历史资产收益数据包括采用各种历史资产交易方式所带来的历史资产收益。

S204，确定历史资产数据对应的历史图像数据。

S206，利用深度神经网络对历史图像数据对应的历史图像特征以及历史资产交易方式进行深度学习，得到学习结果，该学习结果包括：使资产收益满足预设收益条件的资产交易方式和有效图像特征之间的映射关系。

S208，根据学习结果构建资产交易预测模型。

在一个实施例中，深度神经网络包括如图3所示的多层网络结构。从输入层到输出层依次包括：空间滤波网络（λ-Net）、异质频率融合网络（MIF-Net）、赫布网络（Hebbian- Net）、时间序列学习网络（Absorbing-Net）和意识学习网络（Awareness-Net）。在利用深度神经网络对历史图像数据对应的历史图像特征以及历史资产交易方式进行深度学习时，深度学习的过程及各层网络在深度学习中的作用具体如下：

步骤A1，将历史资产资产交易数据输入输入层，并将历史资产收益数据输入输出层。

步骤A2，确定历史资产收益数据中、满足预设收益条件的第一历史资产收益数据对应的第一历史资产数据。其中，预设收益条件包括以下至少一项：资产收益最大、资产收益达到预设的期望收益值。

步骤A3，利用空间滤波网络，提取第一历史资产数据对应的第一历史图像数据的第一空间结构特征。

即，输入到空间滤波网络中的数据包括不同空间结构的历史资产数据。由于资产数据具有低信噪比的特定，因此将资产数据抽象为具有复杂空间结构的图像数据，从而利用计算机视觉技术更有效地提取资产数据中更高质量的信号信息。

空间结构特征是指图像中不同区域或不同像素点之间的空间位置或相对方向关系特征，比如连接关系、重叠关系、包含关系、上下左右关系等。在提取空间结构特征时，可将图像按照预定分割规则（如随机分割、均匀分割等）分割为多个不同区域的子图像，进而分别提取各个子图像中的特征向量，并建立各个子图像和特征向量之间的对应关系，从而得到图像数据对应的空间结构特征。对空间结构的学习可使用传统机器学习算法，例如决策树模型。

步骤A4，利用异质频率融合网络，提取第一历史图像数据的第一频率特征。

即，输入到异质频率融合网络中的数据包括不同频率的历史资产数据。由于资产数据往往由不同频率的信息组成，因此利用异质频率融合网络能够对资产数据对应的图像数据中的不同频率信号进行学习，并在学习过程中将不同频率中的有用信号进行融合。图像的频率特征用于表征图像中灰度变化的剧烈程度，因此，图像数据中的噪声数据属于高频数据，平缓变化的数据则属于低频数据，对频率特征的学习可使用现有的经典算法，如傅里叶变换、小波变换等。

步骤A5，利用赫布网络，对第一空间结构特征和第一频率特征进行联合学习，根据联合学习的结果确定历史图像数据对应的有效图像特征。

赫布网络能够对空间滤波网络和异质频率融合网络所学习到的信号相互刺激，进行联合学习，提升神经元性能，对学习到的信息进行提纯。

在步骤A6中，利用赫布网络得到联合学习的结果后，首先利用时间序列学习网络提取第一历史图像数据的第一时间序列特征，然后利用意识学习网络分析第一时间序列特征对应的权重信息，进而根据联合学习的结果以及第一时间序列特征对应的权重信息，确定历史图像数据对应的有效图像特征。

时间序列学习网络能够使用深度学习中的循环神经网络技术对时间信号进行学习，意识学习网络能够利用自注意力机制（Self-Attention）技术学习不同时间的权重信息。在提取时间序列特征时，可先提取图像数据（即图像）在不同时间点上的特征向量，进而按照各时间点的先后顺序组合提取出的多个特征向量，从而得到图像数据对应的时间序列特征。对时间序列信息（即时间信号）的学习可使用现有的经典时序算法，如ARIMA算法。

步骤A7，构建有效图像特征和第一历史图像数据对应的历史交易方式之间的映射关系，得到学习结果。

本实施例中，在深度学习过程中，可预先确定深度学习神经网络对应的损失函数，并基于该损失函数，循环执行上述步骤A2-A7的深度学习过程，直至收敛满足损失函数。

从本实施例可看出，基于上述深度学习神经网络训练出的资产交易预测模型，不仅能更加全面、准确地从多维度分析资产数据、进而预测资产数据对应的目标资产交易方式，同时由于上述深度学习神经网络具备自我持续学习和优化的能力，因此能够使资产交易预测模型不受资产数据的波动影响，如固定收益类回购或者外汇受环境因素（如国家宏观调控、中观经济、政策等）瞬息万变，使资产交易预测模型能够减少信号的衰减，从而使资产交易方式的预测结果稳定、准确。

在一个实施例中，利用资产交易预测模型分析图像特征，并根据分析结果确定使资产数据对应的资产收益达到预设收益条件的目标资产交易方式时，可首先利用资产交易预测模型，提取图像特征中与有效图像特征相匹配的目标图像特征；进而根据资产交易方式和有效图像特征之间的映射关系，确定目标图像特征对应的资产交易方式，作为使资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

综上，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

以上为本说明书一个或多个实施例提供的资产数据的处理方法，基于同样的思路，本说明书一个或多个实施例还提供一种资产数据的处理装置。

图4是根据本说明书一实施例的一种资产数据的处理装置的示意性框图。如图4所示，该装置包括：

第一获取模块410，获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；

第一提取模块420，通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；

分析及确定模块430，利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

在一个实施例中，所述资产数据包括资产量和/或资产类别；所述目标资产交易方式包括交易时间、交易量、交易资产类别中的至少一项。

在一个实施例中，所述资产交易预测模型基于多个历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据训练得到；

所述装置还包括：

第二获取模块，所述获取待交易的资产数据之前，获取多个所述历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据；所述历史资产交易数据包括历史资产数据和历史资产交易方式；

确定模块，确定所述历史资产数据对应的历史图像数据；

深度学习模块，利用深度神经网络对所述历史图像数据对应的历史图像特征以及所述历史资产交易方式进行深度学习，得到学习结果；所述学习结果包括：使资产收益满足所述预设收益条件的资产交易方式和有效图像特征之间的映射关系；

构建模块，根据所述学习结果构建所述资产交易预测模型。

在一个实施例中，所述深度神经网络包括空间滤波网络、异质频率融合网络和赫布网络；

所述深度学习模块包括：

第一确定单元，确定所述历史资产收益数据中、满足所述预设收益条件的第一历史资产收益数据对应的第一历史资产数据；

第一提取单元，利用所述空间滤波网络，提取所述第一历史资产数据对应的第一历史图像数据的第一空间结构特征；

第二提取单元，利用所述异质频率融合网络，提取所述第一历史图像数据的第一频率特征；

学习单元，利用所述赫布网络，对所述第一空间结构特征和所述第一频率特征进行联合学习，根据所述联合学习的结果确定所述历史图像数据对应的所述有效图像特征；

构建单元，构建所述有效图像特征和所述第一历史图像数据对应的所述历史交易方式之间的映射关系，得到所述学习结果。

在一个实施例中，所述深度神经网络还包括时间序列学习网络和意识学习网络；

所述学习单元还用于：

利用所述时间序列学习网络，提取所述第一历史图像数据的第一时间序列特征；

利用所述意识学习网络，分析所述第一时间序列特征对应的权重信息；

根据所述联合学习的结果以及所述第一时间序列特征对应的权重信息，确定所述历史图像数据对应的所述有效图像特征。

在一个实施例中，所述分析及确定模块430包括：

第三提取单元，利用所述资产交易预测模型，提取所述图像特征中与所述有效图像特征相匹配的目标图像特征；

第二确定单元，根据所述资产交易方式和有效图像特征之间的映射关系，确定所述目标图像特征对应的资产交易方式，作为使所述资产数据对应的资产收益达到所述预设收益条件的所述目标资产交易方式。

在一个实施例中，所述预设收益条件包括以下至少一项：所述资产收益最大、所述资产收益达到预设的期望收益值。

本领域的技术人员应可理解，上述资产数据的处理装置能够用来实现前文所述的资产数据的处理方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。

基于同样的思路，本说明书一个或多个实施例还提供一种资产数据的处理设备，如图5所示。资产数据的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块（图示未示出），每个模块可以包括对资产数据的处理设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在资产数据的处理设备上执行存储器502中的一系列计算机可执行指令。资产数据的处理设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。

具体在本实施例中，资产数据的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对资产数据的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；

通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；

利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

本说明书一个或多个实施例还提出了一种存储介质，该存储介质存储一个或多个计算机程序，该一个或多个计算机程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述资产数据的处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

上述实施例阐明的系统、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。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例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。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。

还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例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、数据结构等等。也可以在分布式计算环境中实践本说明书，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。

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。

以上所述仅为本说明书一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (13)

1.一种资产数据的处理方法，包括：

获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；

通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；

利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

2.根据权利要求1所述的方法，所述资产数据包括资产量和/或资产类别；所述目标资产交易方式包括交易时间、交易量、交易资产类别中的至少一项。

3.根据权利要求1所述的方法，所述资产交易预测模型基于多个历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据训练得到；

所述获取待交易的资产数据之前，还包括：

获取多个所述历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据；所述历史资产交易数据包括历史资产数据和历史资产交易方式；

确定所述历史资产数据对应的历史图像数据；

利用深度神经网络对所述历史图像数据对应的历史图像特征以及所述历史资产交易方式进行深度学习，得到学习结果；所述学习结果包括：使资产收益满足预设收益条件的资产交易方式和有效图像特征之间的映射关系；

根据所述学习结果构建所述资产交易预测模型。

4.根据权利要求3所述的方法，所述深度神经网络包括空间滤波网络、异质频率融合网络和赫布网络；

所述利用深度神经网络对所述历史图像数据对应的历史图像特征以及所述历史资产交易方式进行深度学习，得到学习结果，包括：

确定所述历史资产收益数据中、满足所述预设收益条件的第一历史资产收益数据对应的第一历史资产数据；

利用所述空间滤波网络，提取所述第一历史资产数据对应的第一历史图像数据的第一空间结构特征；

利用所述异质频率融合网络，提取所述第一历史图像数据的第一频率特征；

利用所述赫布网络，对所述第一空间结构特征和所述第一频率特征进行联合学习，根据所述联合学习的结果确定所述历史图像数据对应的所述有效图像特征；

构建所述有效图像特征和所述第一历史图像数据对应的所述历史交易方式之间的映射关系，得到所述学习结果。

5.根据权利要求4所述的方法，所述深度神经网络还包括时间序列学习网络和意识学习网络；

所述根据所述联合学习的结果确定所述历史图像数据对应的有效图像特征，包括：

利用所述时间序列学习网络，提取所述第一历史图像数据的第一时间序列特征；

利用所述意识学习网络，分析所述第一时间序列特征对应的权重信息；

根据所述联合学习的结果以及所述第一时间序列特征对应的权重信息，确定所述历史图像数据对应的所述有效图像特征。

6.根据权利要求3所述的方法，所述利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式，包括：

利用所述资产交易预测模型，提取所述图像特征中与所述有效图像特征相匹配的目标图像特征；

根据所述资产交易方式和有效图像特征之间的映射关系，确定所述目标图像特征对应的资产交易方式，作为使所述资产数据对应的资产收益达到所述预设收益条件的所述目标资产交易方式。

7.根据权利要求1所述的方法，所述预设收益条件包括以下至少一项：所述资产收益最大、所述资产收益达到预设的期望收益值。

8.一种资产数据的处理装置，包括：

第一获取模块，获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；

第一提取模块，通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；

分析及确定模块，利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

9.根据权利要求8所述的装置，所述资产交易预测模型基于多个历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据训练得到；

所述装置还包括：

第二获取模块，所述获取待交易的资产数据之前，获取多个所述历史资产交易数据以及各所述历史资产交易数据分别对应的历史资产收益数据；所述历史资产交易数据包括历史资产数据和历史资产交易方式；

确定模块，确定所述历史资产数据对应的历史图像数据；

深度学习模块，利用深度神经网络对所述历史图像数据对应的历史图像特征以及所述历史资产交易方式进行深度学习，得到学习结果；所述学习结果包括：使资产收益满足所述预设收益条件的资产交易方式和有效图像特征之间的映射关系；

构建模块，根据所述学习结果构建所述资产交易预测模型。

10.根据权利要求9所述的装置，所述深度神经网络包括空间滤波网络、异质频率融合网络和赫布网络；

所述深度学习模块包括：

第一确定单元，确定所述历史资产收益数据中、满足所述预设收益条件的第一历史资产收益数据对应的第一历史资产数据；

第一提取单元，利用所述空间滤波网络，提取所述第一历史资产数据对应的第一历史图像数据的第一空间结构特征；

第二提取单元，利用所述异质频率融合网络，提取所述第一历史图像数据的第一频率特征；

学习单元，利用所述赫布网络，对所述第一空间结构特征和所述第一频率特征进行联合学习，根据所述联合学习的结果确定所述历史图像数据对应的所述有效图像特征；

构建单元，构建所述有效图像特征和所述第一历史图像数据对应的所述历史交易方式之间的映射关系，得到所述学习结果。

11.根据权利要求10所述的装置，所述深度神经网络还包括时间序列学习网络和意识学习网络；

所述学习单元还用于：

利用所述时间序列学习网络，提取所述第一历史图像数据的第一时间序列特征；

利用所述意识学习网络，分析所述第一时间序列特征对应的权重信息；

根据所述联合学习的结果以及所述第一时间序列特征对应的权重信息，确定所述历史图像数据对应的所述有效图像特征。

12.一种资产数据的处理设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：

获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；

通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；

利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

13.一种存储介质，用于存储计算机程序，所述计算机程序能够被处理器执行以实现以下流程：

获取待交易的资产数据，将所述资产数据输入预先训练的资产交易预测模型；

通过所述资产交易预测模型将所述资产数据识别为图像数据，并提取所述图像数据中的图像特征；所述图像特征包括时间序列特征、空间结构特征、频率特征中的至少一项；

利用所述资产交易预测模型分析所述图像特征，并根据分析结果确定使所述资产数据对应的资产收益达到预设收益条件的目标资产交易方式。

Images