CN113065718A - 一种预测模型的调整方法及装置 - Google Patents
一种预测模型的调整方法及装置 Download PDFInfo
- Publication number
- CN113065718A CN113065718A CN202110439909.7A CN202110439909A CN113065718A CN 113065718 A CN113065718 A CN 113065718A CN 202110439909 A CN202110439909 A CN 202110439909A CN 113065718 A CN113065718 A CN 113065718A
- Authority
- CN
- China
- Prior art keywords
- liquidity
- prediction
- model
- value
- submodel
- 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
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种预测模型的调整方法及装置,涉及人工智能技术领域。所述方法包括:获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。所述装置用于执行上述方法。本发明实施例提供的预测模型的调整方法及装置,提高了模型预测的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种预测模型的调整方法及装置。
背景技术
目前,传统的预测模型是通过将样本集划分为训练集和测试集,来实现对各种机器学习模型的训练,然后将训练后的模型应用到实际生产环境中进行预测。
为了提高模型预测的准确性,在实际应用中采用由多个子模型组成的集成模型进行预测。现有技术中,往往在机器学习模型的训练之初已经指定了多个子模型,在多个模型训练完成之后,即可应用到实际生产环境中。由于实际生产环境数据的变化,经过一段时间的使用,会出现集成模型预测准确性下降的情况,通常会更新训练数据重新对各个子模型进行训练,耗费大量时间和成本。
发明内容
针对现有技术中的问题,本发明实施例提供一种预测模型的调整方法及装置,能够至少部分地解决现有技术中存在的问题。
一方面,本发明提出一种预测模型的调整方法,包括:
获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;
基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;
基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;
根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
另一方面,本发明提供一种预测模型的调整装置,包括:
预处理模块,用于获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;
预测模块,用于基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;
获得模块,用于基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;
调整模块,用于根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
再一方面,本发明提供一种电子设备,包括存储器、处理器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程序时实现上述任一实施例所述预测模型的调整方法的步骤。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述预测模型的调整方法的步骤。
本发明实施例提供的预测模型的调整方法及装置,能够获取预设时间段内交易对象的交易数据,并对交易数据进行预处理,获得交易特征数据,基于交易特征数据和市场流动性预测模型,获得交易对象的流动性预测值,基于预设时间段内交易对象对应的流动性参数,获得交易对象的流动性实际值,根据交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重,能够在市场流动性预测模型的使用过程中调整各个子模型的权重,提高了模型预测的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。在附图中:
图1是本发明一实施例提供的预测模型的调整方法的流程示意图。
图2是本发明另一实施例提供的预测模型的调整方法的流程示意图。
图3是本发明一实施例提供的预测模型的调整装置的结构示意图。
图4是本发明另一实施例提供的预测模型的调整装置的结构示意图。
图5是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的相关内容进行说明。市场流动性是指在保持价格基本稳定的情况下,达成交易的速度或者说是市场参与者以市场价格成交的可能性。对于股票、基金、期权等金融产品,可以基于交易数据进行市场流动性的预测,获得对应的流动性预测值。还可以通过流动性参数对市场流动性进行量化,获得流动性实际值。在本发明实施例中,交易对象可以是某只股票、基金或者期权等类似的金融产品。交易数据可以包括行情数据和成交数据。行情数据可以包括买价、卖价等数据。成交数据可以包括交易价格、交易量、市场流通量、评级价格等数据。
图1是本发明一实施例提供的预测模型的调整方法的流程示意图,如图1所示,本发明实施例提供的预测模型的调整方法,包括:
S101、获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;
具体地,服务器可以获取预设时间段内交易对象的交易数据,然后对所述交易数据进行预处理,将所述交易数据转换成数值数据,获得交易特征数据。其中,所述预设时间段根据实际需要进行设置,例如设置为5分钟,本发明实施例不做限定。所述交易对象的交易数据可以包括行情数据和成交数据等数据,根据实际需要进行设置,本发明实施例不做限定。所述预处理可以包括归一化处理,one-hot编码等方式,根据实际需要进行设置,本发明实施例不做限定。
例如,对于单位时间内的成交量、成交金额等数值,可以进行归一化处理。对于市场tick级行情和敞口,可以通过one-hot编码等方式转换成数值数据。
S102、基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;
具体地,所述服务器在获得所述交易特征数据之后,将所述交易特征数据输入到市场流动性预测模型中,所述市场流动性预测模型包括N个子模型,每个子模型会对所述交易特征数据进行处理,获得每个子模型的预测结果,计算各个子模型的预测结果与对应的权重的乘积之和的结果,作为所述交易对象的流动性预测值。所述流动性预测值大于等于0且小于等于1。N为大于等于2的正整数。其中,各个子模型对应的权重的初始值是预设的,各个子模型对应的权重的初始值大于0且小于1。所述市场流动性预测模型是预先获得的,可以基于所述交易对象的历史交易数据训练获得。
S103、基于所述预设时间段内交易对象对应的流动性参数,获得所述交易对象的流动性实际值;
具体地,所述服务器根据所述预设时间段内交易对象的交易数据可以获得所述交易对象对应的流动性参数,然后基于所述预设时间段内交易对象对应的流动性参数,可以获得所述交易对象的流动性实际值。其中,所述交易对象对应的流动性参数可以包括相对买卖价差、换手率等,根据实际需要进行设置,本发明实施例不做限定。
例如,所述流动性参数包括相对买卖价差和换手率;所述服务器可以计算所述相对买卖价差和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。
S104、根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
具体地,所述服务器在获得所述交易对象的流动性实际值之后,可以根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重,子模型的权重实时反馈调整是模型实时自动化学习的体现,通过调整子模型的权重以适应市场流动性的实时预测,以提高后续市场流动性预测模型预测的准确性。
例如,所述服务器根据所述交易对象的流动性实际值和每个子模型的预测结果,获得每个子模型的预测效果评估值;然后根据每个子模型的预测效果评估值和各个子模型对应的权重,获得每个子模型对应的调整后权重。
本发明实施例提供的预测模型的调整方法,能够获取预设时间段内交易对象的交易数据,并对交易数据进行预处理,获得交易特征数据,基于交易特征数据和市场流动性预测模型,获得交易对象的流动性预测值,基于预设时间段内交易对象对应的流动性参数,获得交易对象的流动性实际值,根据交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重,能够在市场流动性预测模型的使用过程中调整各个子模型的权重,提高了模型预测的准确性。此外,通过子模型的权重的调整,能够及时调整市场流动性预测模型,相对于现有技术更新训练数据重新进行模型训练,提高了模型调整的及时性,并减少了模型训练的时间和成本。
图2是本发明另一实施例提供的预测模型的调整方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地,所述根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重包括:
S201、根据所述交易对象的流动性实际值和每个子模型的预测结果,获得每个子模型的预测效果评估值;
具体地,对于每个子模型,所述服务器可以根据所述交易对象的流动性实际值和每个子模型的预测结果,对子模型的预计结果进行评估,获得每个子模型的预测效果评估值。
例如,所述服务器根据公式计算获得第i个子模型的预测效果评估值δi,其中,pi表示第i个子模型的预测结果,L表示所述交易对象的流动性实际值,k为常数且k大于0且小于1,i表示正整数且i小于等于N,e为自然常数。
S202、根据每个子模型的预测效果评估值和各个子模型对应的权重,获得每个子模型对应的调整后权重。
具体地,所述服务器根据每个子模型的预测效果评估值和各个子模型对应的权重,对每个子模型的权重进行调整,获得每个子模型对应的调整后权重。
在上述各实施例的基础上,进一步地,所述根据所述交易对象的流动性实际值和每个子模型的预测结果,获得每个子模型的预测效果评估值包括:
具体地,所述服务器将第i个子模型的预测结果pi,所述交易对象的流动性实际值L,所述市场流动性预测模型包括的子模型的数量N,输入到公式中,可以计算获得第i个子模型的预测效果评估值δi。所述市场流动性预测模型包括的每个子模型,都可以通过上述公式计算出每个子模型的预测效果评估值。其中,k为常数,表示对子模型预测准确率的期望,根据实际需要进行设置,比如设置为0.7,本发明实施例不做限定。e为自然常数。
例如,所述市场流动性预测模型包括10个子模型,10个子模型的预测结果分别为p1,p2,…,p10,常数k设置为0.7,获得的交易对象的流动性实际值为L,那么所述服务器可以根据如下公式计算第i个子模型的预测效果评估值δi:
在上述各实施例的基础上,进一步地,所述根据每个子模型的预测效果评估值和各个子模型对应的权重,获得每个子模型对应的调整后权重包括:
其中,如果某个子模型对应的调整后权重接近于0,说明这个子模型的预测效果不好,可以考虑删除该子模型。
在上述各实施例的基础上,进一步地,所述流动性参数包括相对买卖价差和换手率;相应地,所述基于预设时间段内的流动性参数,获得所述交易对象的流动性实际值包括:
计算所述买卖差价和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。
具体地,所述流动性参数包括相对买卖价差和换手率。所述服务器计算所述买卖差价和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。所述交易对象的流动性实际值大于等于0且小于等于1。
例如,所述服务器可以根据公式L=αS+βT计算获得所述交易对象对应的流动性实际值L,其中,S表示所述交易对象对应的相对买卖价差,T表示所述交易对象对应的换手率,α表示相对买卖价差对应的权重,β表示换手率对应的权重,α+β=1。α和β根据实际需要进行设置,本发明实施例不做限定,比如设置α和β都等于0.5。
买卖价差是一笔交易最主要的成本。对于一笔交易,假设卖价为pa,买价为pb,那么可以根据如下公式计算单笔交易的相对买卖价差。
其中,PM表示最近M笔交易的相对买卖价差的最大值。单笔交易的相对买卖价差大于0且小于1。
换手率是衡量资产持有时间的指标,换手率越大,则表明资产持有时间越短,即流动性越大。所述交易对象对应的换手率,可以根据如下公式计算获得:
其中,T表示所述交易对象对应的换手率,pj表示所述预设时间段内第j笔交易的交易价格,qj表示所述预设时间段内第j笔交易的交易量,Q表示所述预设时间段内市场流通量,C表示所述预设时间段内的平均交易价格,Tmax表示与当前预设时间段最接近的连续设定数量个预设时间段对应的换手率的最大值。其中,所述设定数量根据实际需要进行设置,比如设置为3,本发明实施例不做限定。所述交易对象对应的换手率大于0且小于等于1。
图3是本发明一实施例提供的预测模型的调整装置的结构示意图,如图3所示,本发明实施例提供的预测模型的调整装置包括预处理模块301、预测模块302、获得模块303和调整模块304,其中:
预处理模块301用于获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;预测模块302用于基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;获得模块303用于基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;调整模块304用于根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
具体地,预处理模块301可以获取预设时间段内交易对象的交易数据,然后对所述交易数据进行预处理,将所述交易数据转换成数值数据,获得交易特征数据。其中,所述预设时间段根据实际需要进行设置,例如设置为5分钟,本发明实施例不做限定。所述交易对象的交易数据可以包括行情数据和成交数据等数据,根据实际需要进行设置,本发明实施例不做限定。所述预处理可以包括归一化处理,one-hot编码等方式,根据实际需要进行设置,本发明实施例不做限定。
在获得所述交易特征数据之后,预测模块302将所述交易特征数据输入到市场流动性预测模型中,所述市场流动性预测模型包括N个子模型,每个子模型会对所述交易特征数据进行处理,获得每个子模型的预测结果,计算各个子模型的预测结果与对应的权重的乘积之和的结果,作为所述交易对象的流动性预测值。所述流动性预测值大于等于0且小于等于1。N为大于等于2的正整数。其中,各个子模型对应的权重的初始值是预设的,各个子模型对应的权重的初始值大于0且小于1。所述市场流动性预测模型是预先获得的,可以基于所述交易对象的历史交易数据训练获得。
获得模块303根据所述预设时间段内交易对象的交易数据可以获得所述交易对象对应的流动性参数,然后基于所述预设时间段内交易对象对应的流动性参数,可以获得所述交易对象的流动性实际值。其中,所述交易对象对应的流动性参数可以包括相对买卖价差、换手率等,根据实际需要进行设置,本发明实施例不做限定。
在获得所述交易对象的流动性实际值之后,调整模块304可以根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重,子模型的权重实时反馈调整是模型实时自动化学习的体现,通过调整子模型的权重以适应市场流动性的实时预测,以提高后续市场流动性预测模型预测的准确性。
本发明实施例提供的预测模型的调整方法,能够获取预设时间段内交易对象的交易数据,并对交易数据进行预处理,获得交易特征数据,基于交易特征数据和市场流动性预测模型,获得交易对象的流动性预测值,基于预设时间段内交易对象对应的流动性参数,获得交易对象的流动性实际值,根据交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重,能够在市场流动性预测模型的使用过程中调整各个子模型的权重,提高了模型预测的准确性。此外,通过子模型的权重的调整,能够及时调整市场流动性预测模型,相对于现有技术更新训练数据重新进行模型训练,提高了模型调整的及时性,并减少了模型训练的时间和成本。
图4是本发明另一实施例提供的预测模型的调整装置的结构示意图,如图4所示,在上述各实施例的基础上,进一步地,调整模块304包括第一获得单元3041和第二获得单元3042,其中:
第一获得单元3041用于根据所述交易对象的流动性实际值和每个子模型的预测结果,获得每个子模型的预测效果评估值;第二获得单元3042用于根据每个子模型的预测效果评估值和各个子模型对应的权重,获得每个子模型对应的调整后权重。
具体地,对于每个子模型,第一获得单元3041可以根据所述交易对象的流动性实际值和每个子模型的预测结果,对子模型的预计结果进行评估,获得每个子模型的预测效果评估值。
第二获得单元3042根据每个子模型的预测效果评估值和各个子模型对应的权重,对每个子模型的权重进行调整,获得每个子模型对应的调整后权重。
在上述各实施例的基础上,进一步地,所述流动性参数包括相对买卖价差和换手率;相应地,获得模块303具体用于:
计算所述相对买卖价差和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。
具体地,所述流动性参数包括相对买卖价差和换手率。获得模块303计算所述买卖差价和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。所述交易对象的流动性实际值大于等于0且小于等于1。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图5是本发明一实施例提供的电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行如下方法:获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
此外,上述的存储器503中的逻辑指令可以通过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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种预测模型的调整方法,其特征在于,包括:
获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;
基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;
基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;
根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
2.根据权利要求1所述的方法,其特征在于,所述根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重包括:
根据所述交易对象的流动性实际值和每个子模型的预测结果,获得每个子模型的预测效果评估值;
根据每个子模型的预测效果评估值和各个子模型对应的权重,获得每个子模型对应的调整后权重。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述流动性参数包括相对买卖价差和换手率;相应地,所述基于预设时间段内的流动性参数,获得所述交易对象的流动性实际值包括:
计算所述相对买卖价差和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。
6.一种预测模型的调整装置,其特征在于,包括:
预处理模块,用于获取预设时间段内交易对象的交易数据,并对所述交易数据进行预处理,获得交易特征数据;
预测模块,用于基于所述交易特征数据和市场流动性预测模型,获得所述交易对象的流动性预测值;其中,所述市场流动性预测模型是预先获得的,包括N个子模型,N为大于等于2的正整数;所述流动性预测值等于各个子模型的预测结果与对应的权重的乘积之和;
获得模块,用于基于所述预设时间段内所述交易对象对应的流动性参数,获得所述交易对象的流动性实际值;
调整模块,用于根据所述交易对象的流动性实际值和各个子模型的预测结果调整各个子模型对应的权重。
7.根据权利要求6所述的装置,其特征在于,所述调整模块包括:
第一获得单元,用于根据所述交易对象的流动性实际值和每个子模型的预测结果,获得每个子模型的预测效果评估值;
第二获得单元,用于根据每个子模型的预测效果评估值和各个子模型对应的权重,获得每个子模型对应的调整后权重。
8.根据权利要求6或7所述的装置,其特征在于,所述流动性参数包括相对买卖价差和换手率;相应地,所述获得模块具体用于:
计算所述相对买卖价差和换手率与各自对应的权重的乘积之和,作为所述交易对象的流动性实际值。
9.一种电子设备,包括存储器、处理器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5任一项所述方法的步骤。
10.一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5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439909.7A CN113065718A (zh) | 2021-04-23 | 2021-04-23 | 一种预测模型的调整方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439909.7A CN113065718A (zh) | 2021-04-23 | 2021-04-23 | 一种预测模型的调整方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065718A true CN113065718A (zh) | 2021-07-02 |
Family
ID=76567583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110439909.7A Pending CN113065718A (zh) | 2021-04-23 | 2021-04-23 | 一种预测模型的调整方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065718A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
-
2021
- 2021-04-23 CN CN202110439909.7A patent/CN113065718A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
Fécamp et al. | Risk management with machine-learning-based algorithms | |
CN113065718A (zh) | 一种预测模型的调整方法及装置 | |
Izumi et al. | An Artificial Market Analysis of Exchange Rate Dynamics. | |
CN115280353A (zh) | 基于人工智能的基金组合更新方法、装置、设备及介质 | |
Cao et al. | Gamma and vega hedging using deep distributional reinforcement learning | |
CN115393088A (zh) | 股票交易时点的推荐方法、装置、存储介质和设备 | |
Carmona et al. | High frequency market making | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
CN114266418A (zh) | 一种数据分配权重的预测方法、装置、设备及存储介质 | |
CN114358950A (zh) | 一种研发投资决策系统及投资决策方法 | |
CN113610646A (zh) | 基于hhl算法求解含约束的二次规划问题的方法及终端 | |
CN114239949A (zh) | 一种基于双阶段注意力机制的网站访问量预测方法及系统 | |
PĂUNA | Automated Trading Software-Design and Integration in Business Intelligence Systems. | |
Janosek et al. | Knowledge discovery in dynamic data using neural networks | |
Nahorski et al. | Simulation of an uncertain emission market for greenhouse gases using agent-based methods | |
CN111160662A (zh) | 一种风险预测方法、电子设备及存储介质 | |
CN111461803A (zh) | 一种强化学习跨国电力市场报价竞标策略选择方法及系统 | |
CN114881436B (zh) | 资源更新方法及装置 | |
CN111340632A (zh) | 资源管控方法以及装置 | |
CN110210959A (zh) | 财务数据的分析方法、装置及存储介质 | |
Serra et al. | Market capture by two competitors: The pre-emptive location problem | |
TWI743625B (zh) | 交易決策產生系統及方法 | |
CN111784389B (zh) | 一种产品的客户数量预测方法及装置 |
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 |