CN113362179A - 交易数据的预测方法、装置、设备、存储介质及程序产品 - Google Patents
交易数据的预测方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113362179A CN113362179A CN202110738317.5A CN202110738317A CN113362179A CN 113362179 A CN113362179 A CN 113362179A CN 202110738317 A CN202110738317 A CN 202110738317A CN 113362179 A CN113362179 A CN 113362179A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- transaction data
- target
- model
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000010970 precious metal Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种交易数据的预测方法、装置、设备、存储介质及程序产品。该交易数据的预测方法包括：获取待预测交易数据；根据所述待预测交易数据，确定至少两个目标预测模型；基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型；基于所述组合预测模型，根据所述待预测交易数据生成预测结果，实现了基于交易数据的特性自适应确定多个预测模型，以及基于所确定的多个预测模型的组合模型进行交易数据预测，提高了交易数据预测的准确度。
Description
技术领域
本申请实施例涉及机器学习技术领域，尤其涉及一种交易数据的预测方法、装置、设备、存储介质及程序产品。
背景技术
随着机器学习的发展，为了降低操作风险，提前指定应对措施，在交易量、资产收益率等交易数据的场景下，机器学习算法被普遍应用于交易数据的预测。
在现有技术中，对于某一业务，通常使用预先训练的一个预测模型根据其历史交易数据进行预测。然而，由于交易数据的随机性较强，采用单一预测模型进行预测的预测准确度较差。
发明内容
本申请实施例提供一种交易数据的预测方法、装置、设备、存储介质及程序产品，针对交易数据，提供了一种自适应、由多种预测模型组成的组合预测模型进行数据预测，提高了数据预测的准确度。
第一方面，本申请实施例提供了一种交易数据的预测方法，所述方法包括：
获取待预测交易数据；根据所述待预测交易数据，确定至少两个目标预测模型；基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型；基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，根据所述待预测交易数据，确定至少两个目标预测模型，包括：
根据所述待预测交易数据的数据维度和/或数据类型，确定各个所述目标预测模型。
可选的，基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型，包括：
针对每个目标预测模型，确定所述目标预测模型的目标样本，并基于所述目标样本训练所述目标预测模型；基于所述预设集成学习算法对应的结合策略，对训练后的各个所述目标预测模型进行整合，以得到所述组合预测模型。
可选的，在基于所述目标样本训练所述目标预测模型之后，所述方法还包括：
将历史交易数据对应的特征数据输入训练后的所述目标预测模型，以得到训练后的所述目标预测模型输出的目标维度的预测值；确定所述历史交易数据对应的、所述目标维度的实际值；基于目标维度的所述实际值和预测值，确定所述目标预测模型的平均绝对百分比误差；根据所述平均绝对百分比误差，确定并显示所述目标预测模型的准确度。
可选的，在得到组合预测模型之后，所述方法还包括：
根据所述组合预测模型的结合策略以及所述组合预测模型中的各个目标预测模型，生成并显示所述组合预测模型的评估结果。
可选的，所述方法还包括：
根据所述评估结果判断所述组合预测模型是否合格；若是，则基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，所述预设集成学习算法包括Bagging集成学习算法、Boosting集成学习算法和随机森林集成学习算法中的一项或多项。
可选的，在基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型之后，所述方法还包括：
确定并显示所述组合预测模型的可调参数，其中，所述可调参数包括所述组合预测模型中至少一个预设预测模型的权重、超参数或者预设金融维度的参数因子，所述参数因子与所述组合预测模型中至少一个预设预测模型的权重相关联；根据用户输入的参数调整指令，修改对应的所述可调参数；根据修改后的所述可调参数，确定所述组合预测模型的模型参数，以得到修改后的组合预测模型。
相应的，基于所述组合预测模型，根据所述待预测交易数据生成预测结果，包括：基于修改后的组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，确定所述组合预测模型的可调参数，包括：
针对所述组合预测模型中的非线性模型，基于预设近似算法将所述非线性模型线性化；根据线性化后的所述非线性模型的模型参数，确定所述组合预测模型的可调参数。
可选的，所述方法还包括：
根据所述组合预测模型以及修改后的所述组合预测模型在预设时间段内各个时间节点输出的预测值以及各个所述时间节点对应的实际值，分别绘制所述组合预测模型以及修改后的所述组合预测模型对应的预测误差曲线。
可选的，所述参数因子包括地缘因子权重、宏观因子权重、情绪因子权重、产量因子权重、动量因子权重和关联市场权重中的一项或多项。
第二方面，本申请实施例还提供了一种交易数据的预测装置，所述装置包括：
交易数据获取模块，用于获取待预测交易数据；模型确定模块，用于根据所述待预测交易数据，确定至少两个目标预测模型；模型整合模块，用于基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型；结果预测模块，用于基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，模型确定模块，具体用于：
根据所述待预测交易数据的数据维度和/或数据类型，确定各个所述目标预测模型。
可选的，模型整合模块，包括：
模型训练单元，用于针对每个目标预测模型，确定所述目标预测模型的目标样本，并基于所述目标样本训练所述目标预测模型；模型整合单元，用于基于所述预设集成学习算法对应的结合策略，对训练后的各个所述目标预测模型进行整合，以得到所述组合预测模型。
可选的，所述模型整合模块还包括：
预测值获取单元，用于在基于所述目标样本训练所述目标预测模型之后，将历史交易数据对应的特征数据输入训练后的所述目标预测模型，以得到训练后的所述目标预测模型输出的目标维度的预测值；实际值确定单元，用于确定所述历史交易数据对应的、所述目标维度的实际值；误差确定单元，用于基于目标维度的所述实际值和预测值，确定所述目标预测模型的平均绝对百分比误差；准确度确定单元，用于根据所述平均绝对百分比误差，确定并显示所述目标预测模型的准确度。
可选的，所述装置还包括：
组合模型评估模块，用于在得到组合预测模型之后，根据所述组合预测模型的结合策略以及所述组合预测模型中的各个目标预测模型，生成并显示所述组合预测模型的评估结果。
可选的，所述装置还包括：
模型判定模块，用于根据所述评估结果判断所述组合预测模型是否合格。
相应的，结果预测模块，具体用于：
若所述组合预测模型合格，则基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，所述装置还包括：
可调参数确定模块，用于在基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型之后，确定并显示所述组合预测模型的可调参数，其中，所述可调参数包括所述组合预测模型中至少一个预设预测模型的权重、超参数或者预设金融维度的参数因子，所述参数因子与所述组合预测模型中至少一个预设预测模型的权重相关联；参数调整模块，用于根据用户输入的参数调整指令，修改对应的所述可调参数；模型参数确定模块，用于根据修改后的所述可调参数，确定所述组合预测模型的模型参数，以得到修改后的组合预测模型。
相应的，结果预测模块，具体用于：
基于修改后的组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，可调参数确定模块，具体用于：
针对所述组合预测模型中的非线性模型，基于预设近似算法将所述非线性模型线性化；根据线性化后的所述非线性模型的模型参数，确定所述组合预测模型的可调参数。
可选的，所述装置还包括：
误差曲线绘制模块，用于根据所述组合预测模型以及修改后的所述组合预测模型在预设时间段内各个时间节点输出的预测值以及各个所述时间节点对应的实际值，分别绘制所述组合预测模型以及修改后的所述组合预测模型对应的预测误差曲线。
第三方面，本申请实施例还提供了一种交易数据的预测设备，包括存储器和至少一个处理器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行本申请任意实施例提供的交易数据的预测方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如本申请任意实施例提供的交易数据的预测方法。
第五方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如本申请任意实施例提供的交易数据的预测方法。
本申请实施例提供的一种交易数据的预测方法、装置、设备、存储介质及程序产品，针对待预测交易数据，如贵金属、股票等的交易数据，根据待交易数据的特性，确定至少两个目标预测模型，基于集成学习算法，得到该至少两个预测模型对应的组合预测模型，进而基于该组合预测模型进行该待预测交易数据的数据预测，相较于采用单一模型的预测方式，预测准确度更高，且基于数据自适应确定所采用的各个模型，以确定最佳的模型组合，进一步提高模型预测的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的交易数据的预测方法的一种应用场景图；
图2为本申请一个实施例提供的交易数据的预测方法的流程图；
图3为本申请另一个实施例提供的交易数据的预测方法的流程图；
图4为本申请图3所示实施例中目标预测模型整合的示意图；
图5为本申请另一个实施例提供的交易数据的预测方法的流程图；
图6为本申请图5所示实施例中预设显示界面的示意图；
图7为本申请一个实施例提供的交易数据的预测装置的结构示意图；
图8为本申请一个实施例提供的交易数据的预测设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
下面对本申请实施例的应用场景进行解释：
图1为本申请实施例提供的交易数据的预测方法的一种应用场景图，如图1所示，在交易量、资产收益率等交易相关数据的预测场景下，基于机器人学习的预测模型，得到了广泛地应用。用户将待预测交易数据上传至预测设备100，基于该预测设备100中预先训练的预测模型，如深度神经网络模型，对该待预测交易数据进行处理，并输出预测结果，如预测交易量或预测收益率等，从而用户可以基于预测模型输出的预测结果，制定相应的交易策略。
在现有技术中，该预测模型往往是预先确定并训练好的单一模型，由于交易数据的随机性较强，采用单一预测模型进行预测的预测准确度较差。
为了提高交易数据预测的准确度，本申请实施例提供了一种交易数据的预测方法，其主要构思为：基于待预测交易数据的数据特性，自动确定所需的各个目标预测模型，通过集成学习算法将各个目标预测模型组合，得到组合预测模型，进而基于该组合预测模型进行待预测交易数据的预测，以提高交易数据预测的准确度。
图2为本申请一个实施例提供的交易数据的预测方法的流程图。该交易数据的预测方法可以由交易数据的预测设备执行，该交易数据的预测设备的具体形式可以为计算机、服务器或者其他终端设备，如图2所示，本实施例提供的交易数据的预测方法包括以下步骤：
步骤S201，获取待预测交易数据。
其中，待预测交易数据可以为交易平台输出的预设时间段的交易数据。待预测交易数据可以为任意一种商品的交易数据，如贵金属、股票等，还可以为借贷数据，具体可以为设定产品，如基础金融资产的成交量、风险敞口、收益率等交易数据。
具体的，可以由用户通过数据接口上传该待预测交易数据，如上传至交易数据的预测设备。
具体的，可以由交易平台按照设备周期或者在生成待预测交易数据之后，发送该待预测交易数据至交易数据的预测设备，或者由该交易数据的预测设备按照设定周期获取来自交易平台的待预测交易数据。
进一步地，在获取待预测交易数据之后，还可以对该待预测交易数据进行数据转换和数据清洗，以去除错误数据，提高待预测数据的准确性。
进一步地，在获取待预测交易数据之后，还可以对该待预测交易数据进行特征提取，以得到该待预测交易数据对应的特征数据。
步骤S202，根据所述待预测交易数据，确定至少两个目标预测模型。
其中，目标预测模型可以为预先存储的多个预设预测模型中的任意一种。预设预测模型可以包括自回归滑动平均模型(ARMA，Autoregressive Moving Average Model)、线性回归模型(LRM，Linear Regression Model)、深度神经网络模型(DNN，Deep NeuralNetworks)、长短记忆神经网络(LSTM，Long Short Term Memory)等模型。预设预测模型还可以包括线性模型、时序模型、深度学习模型等三种类型的模型。
具体的，可以根据待预测交易数据对应的交易类型、数据量、数据类型、数据维度等数据特性，确定该待预测数据对应的目标预测模型的组合。
进一步地，可以预先建立各个数据特性与目标预测模型的组合的对应关系，进而基于该对应关系，以及该待预测数据的各个数据特性，确定该待预测数据对应的至少两个目标预测模型。
可选的，根据所述待预测交易数据，确定至少两个目标预测模型，包括：
根据所述待预测交易数据的数据维度和/或数据类型，确定各个所述目标预测模型。
其中，数据维度可以为待预测数据对应的特征数据的维度，如可以为特征数据的特征数量、每个特征数据的长度等，以特征数据为矩阵为例，该数据维度可以为矩阵的行数和/或列数。数据类型可以为字符型、数值型、二分类类型等。
具体的，可以预先为每种预设预测模型配置相应的数据维度和/或数据类型，在获取待预测交易数据之后，基于待预测交易数据的数据维度和/或数据类型，对预设预测模型进行筛选，从而确定与该待预测交易数据的数据维度和/或数据类型匹配的各个预设预测模型，即得到各个目标预测模型。
在一些实施例中，可以由用户输入待预测交易数据的数据维度和数据类型。
具体的，还可以由用户指定各个目标预测模型。
进一步地，可以根据用户输入的选定指令以及待预测数据的数据特性，确定各个所述目标预测模型。
进一步地，当基于待预测交易数据，确定至少三个目标预测模型时，还可以显示各个目标预测模型对应的列表，根据用户输入的选定指令，对各个目标预测模型进行筛选，得到用户选定的各个目标预测模型。
步骤S203，基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型。
其中，组合预测模型对应至少两个目标预测模型，不同的目标预测模型对应的预测模型的类型或模型参数不同。
其中，预设集成学习算法可以为Bagging(引导聚集算法或装袋算法，Bootstrapaggregating)、Boosting、随机森林集成学习算法(RF，Random Forest)或者其他集成学习算法。通过采用集成学习算法可以将多个模型进行结合，从而得到较单一模型更好的泛化能力。
具体的，在确定各个目标预测模型之后，基于该预设集成学习算法，对各个目标预测模型进行训练和整合，从而得到上述组合预测模型。
具体的，可以基于预设集成学习算法，从样本数据中确定各个目标预测模型的训练集，进而基于各个目标预测模型的训练集对各个目标预测模型进行训练，从而得到训练好的各个目标预测模型。
步骤S204，基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
具体的，可以将待预测交易数据输入组合预测模型的各个目标预测模型中，得到各个目标预测模型的目标预测值，进而基于预设集成学习算法中的结合策略以及各个目标预测值，确定该待预测交易数据的预测结果。
具体的，预测结果可以为组合预测模型中各个目标预测模型输出的目标预测值的平均值，还可以基于投票机制，从各个目标预测值中确定该预测结果。
进一步地，可以根据该预测结果生成该待预测交易数据的预测报表，还可以通过显示屏显示该预测报表，或者将该预测报表发送至用户终端。
进一步地，该预测结果可以包括多个时间节点对应的预测值，还可以根据各个时间节点对应的预测值，绘制该待预测交易数据的预测值走向曲线，以提高预测结果的直观性和可视化程度，便于用户基于该走向曲线，制定交易策略。
本申请实施例提供的交易数据的预测方法，针对待预测交易数据，如贵金属、股票等的交易数据，根据待交易数据的特性，确定至少两个目标预测模型，基于集成学习算法，得到该至少两个预测模型对应的组合预测模型，进而基于该组合预测模型进行该待预测交易数据的数据预测，相较于采用单一模型的预测方式，预测准确度更高，且基于数据自适应确定所采用的各个模型，以确定最佳的模型组合，进一步提高模型预测的准确度。
图3为本申请另一个实施例提供的交易数据的预测方法的流程图，本实施例提供的交易数据的预测方法是在图2所示实施例的基础上对步骤S203进行进一步细化，以及在步骤S203之后增加组合预测模型评估相关的步骤，如图3所示，本实施例提供的交易数据的预测方法可以包括以下步骤：
步骤S301，获取待预测交易数据。
步骤S302，根据所述待预测交易数据，确定至少两个目标预测模型。
步骤S303，针对每个目标预测模型，确定所述目标预测模型的目标样本，并基于所述目标样本训练所述目标预测模型。
具体的，可以将原始样本划分为预设数量的目标样本，并基于每一目标样本对每个目标预测模型进行训练，每个目标预测模型的目标样本中的数据均不相同。其中，预设数量为所确定的目标预测模型的数量，即组合预测模型中目标预测模型的数量。
具体的，还可以采用有放回抽样的方式，从原始样本中确定各个目标预测模型的目标样本。
示例性的，假设原始样本包括n个样本数据，从该n个样本随机选取m个样本数据，作为一个目标预测模型的目标样本，再将该m个样本数据放回该原始样本中，重复执行上述步骤，直至确定各个目标预测模型的目标样本，基于各个目标预测模型的目标样本对各个目标预测模型进行训练，得到训练好的各个目标预测模型。
具体的，可以根据预测集成学习算法，从原始样本中，确定各个目标预测模型的目标样本。
步骤S304，将历史交易数据对应的特征数据输入训练后的各个所述目标预测模型，以得到训练后的各个所述目标预测模型输出的目标维度的预测值。
其中，历史交易数据可以为待预测数据对应的历史时间的交易数据。
步骤S305，确定所述历史交易数据对应的、所述目标维度的实际值；并基于目标维度的所述实际值和预测值，确定所述目标预测模型的平均绝对百分比误差。
其中，平均绝对百分比误差(MAPE，Mean Absolute Percentage Error)的计算关系式为：
式中，n为历史交易数据对应的样本数量；AT为历史交易数据中第T个样本对应的、目标维度的实际值；PT为历史交易数据中第T个样本的预测值。
步骤S306，根据所述平均绝对百分比误差，确定并显示所述目标预测模型的准确度。
具体的，在得到各个目标预测模型的平均绝对百分比误差之后，针对每个目标预测模型，可以基于目标预测模型的各个平均绝对百分比误差，确定该目标预测模型的准确度。
进一步地，可以根据目标预测模型的各个平均绝对百分比误差最大值、平均值等统计值，确定该目标预测模型的准确度。
在一些实施例中，在得到各个目标预测模型的准确度之后，还可以显示各个目标预测模型的准确度，如通过折线图、表格等形式显示各个目标预测模型的准确度，以便于用户知悉所采用的各个目标预测模型的准确度。
步骤S307，基于所述预设集成学习算法对应的结合策略，对训练后的各个所述目标预测模型进行整合，以得到所述组合预测模型。
在一些实施例中，结合策略中可以包括各个目标预测模型的权重。
具体的，可以通过该结合策略建立对组合预测模型的输出，与训练后的各个目标预测模型输出的映射关系。
进一步地，可以基于所述预设集成学习算法对应的结合策略、加权平均法、线性融合层等处理方法，对训练后的各个目标预测模型进行整合，即对各个目标预测模型进行异质集成学习，以得到组合预测模型。
通过预测集成学习算法，得到多个模型对应的组合预测模型，大大降低了模型的误差，提高了模型预测的准确度。
具体的，图4为本申请图3所示实施例中目标预测模型整合的示意图，如图4所示，通过预设结合模块，将各个目标预测模型，如模型1至模型N，整合、时序融合，从而得到组合预测模型，以由该组合预测模型输出预测结果。
步骤S308，根据所述组合预测模型的结合策略以及所述组合预测模型中的各个目标预测模型，生成并显示所述组合预测模型的评估结果。
其中，结合策略可以包括投票法、加权取平均、学习算法中的一种或多种。
具体的，可以根据组合预测模型中各个目标预测模型的准确度以及组合预测模型的结合策略，确定组合预测模型的模型评分，进而基于该模型评分、组合预测模型中的各个目标预测模型以及组合预测模型的结合策略，生成并显示该评估结果，以便于用户知悉当前组合预测模型的构成、结合策略和性能。
步骤S309，根据所述评估结果判断所述组合预测模型是否合格。
具体的，该评估结果中可以包括组合预测模型的模型评分，若该模型评分低于预设评分，则确定该组合预测模型不合格。
步骤S310，若是，则基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
具体的，若组合预测模型合格，则基于该组合预测模型进行预测，即将待预测交易数据输入该组合预测模型的训练后或训练好的各个目标预测模型中，得到各个目标预测模型的输出，并基于该预设集成算法的结合策略，对各个目标预测模型的输出进行整合，从而得到待预测交易数据的预测结果。
进一步地，当模型评分低于预设评分时，即组合预测模型不合格时，还可以生成模型修改提示，或者重新确定各个目标预测模型，进而基于该新的各个目标预测模型以及预设集成学习算法，得到新的组合预测模型，并确定该新的组合预测模型的模型评分，直至得到模型评分高于该预设评分的组合预测模型。
在本实施例中，针对待预测交易数据，根据待交易数据的数据类型、数据维度等数据特性，确定至少两个目标预测模型，确定各个目标预测模型的目标样本，并基于目标样本进行目标预测模型的训练，同时计算各个目标预测模型的平均绝对百分比误差，得到各个目标预测模型的准确度，以便于用户掌握组合模型中所采用的各个模型的预测性能；基于集成学习算法的结合策略，对至少两个预测模型进行整合，得到组合预测模型，并基于结合策略以及组合预测模型对应的各个目标预测模型，对组合预测模型进行评估，并显示评估结果，以便于用户知悉组合预测模型的预测性能；当基于评估结果确定组合预测模型合格时，基于该组合预测模型进行该待预测交易数据的数据预测，实现了模型的自适应组合，以及提高了模型预测的准确度。
图5为本申请另一个实施例提供的交易数据的预测方法的流程图，本实施例提供的交易数据的预测方法是在图2所示实施例的基础上，在步骤S203之后增加确定可调参数以及组合预测模型修改相关的步骤，如图5所示，本实施例提供的交易数据的预测方法可以包括以下步骤：
步骤S501，获取待预测交易数据。
步骤S502，根据所述待预测交易数据的数据维度和/或数据类型，确定各个所述目标预测模型。
步骤S503，基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型。
步骤S504，确定并显示所述组合预测模型的可调参数。
其中，可调参数即为可以进行调整的组合预测模型的参数。可调参数可以包括所述组合预测模型中至少一个预设预测模型的权重、超参数或者预设金融维度的参数因子，所述参数因子与所述组合预测模型中至少一个预设预测模型的权重相关联。不同的参数因子可以是结合金融知识从不同维度整合的与组合预测模型中至少一个目标预测模型的权重或参数所得的综合性参数。
具体的，可以根据组合预测模型的结合策略以及对应的各个目标预测模型，确定组合预测模型的可调参数。
可选的，所述参数因子包括地缘因子权重、宏观因子权重、情绪因子权重、产量因子权重和关联市场权重中的一项或多项。
具体的，可以根据组合预测模型中各个目标预测模型的模型权重对应的标签，确定各个参数因子的取值。其中，地缘因子权重对应的标签可以根据各个预设地区的局势参数的加权平均值确定，如外交数据对应的参数，并添加至对应的模型权重；宏观因子权重对应的标签可以根据GDB(Gross Domestic Product，国内生产总值)指数、经济参数等的加权平均值确定，并添加至对应的模型权重；情绪因子权重对应的标签可以根据公开数据源中的舆情信息确定，并添加至对应的模型权重；产量因子权重对应的标签可以根据交易数据对应的交易物品或品种的产量数据确定，并添加至对应的模型权重；关联市场权重对应的标签可以根据交易数据对应的交易物品或品种对应的近期的市场走势数据确定，并添加至对应的模型权重。
可选的，确定所述组合预测模型的可调参数，包括：
针对所述组合预测模型中的非线性模型，基于预设近似算法将所述非线性模型线性化；根据线性化后的所述非线性模型的模型参数，确定所述组合预测模型的可调参数。
其中，预设近似算法可以为任意一种将非线性模型线性化的算法，如通过LRP(Linear Programming Relaxation，松弛线性规划)算法、GI(Gradient times Input，梯度时间输入)近似算法或灵敏度分析(Sensitivity Analysis)算法等，将LSTM等非线性模型线性化。
步骤S505，根据用户输入的参数调整指令，修改对应的所述可调参数。
具体的，用户可以通过鼠标、键盘、触控屏等输入装置，输入参数调整指令，以修改一个或多个可调参数。
步骤S506，根据修改后的所述可调参数，确定所述组合预测模型的模型参数，以得到修改后的组合预测模型。
具体的，在用户对可调参数进行修改之后，基于修改后的可调参数，以及修改后的可调参数与组合预测模型的模型参数的映射关系，确定组合预测模型的新模型参数，从而得到基于用户参数调整指令的修改后的组合预测模型。
步骤S507，基于修改后的组合预测模型，根据所述待预测交易数据生成预测结果。
在一些实施例中，可以基于修改前后的组合预测模型，分别基于该待预测交易数据进行预测，得到修改前后的组合预测模型分别对应的预测结果。
步骤S508，根据所述组合预测模型以及修改后的所述组合预测模型在预设时间段内各个时间节点输出的预测值以及各个所述时间节点对应的实际值，分别绘制所述组合预测模型以及修改后的所述组合预测模型对应的预测误差曲线。
具体的，在每次用户修改可调参数之后，便可以分别绘制修改前以及修改后的组合预测模型的预测误差曲线，以便于用户对比修改前后的组合预测模型的准确度。
具体的，可以通过显示屏的预设显示界面显示修改前和修改后的组合预测模型对应的预测误差曲线，如通过折线图的形式绘制预测误差曲线。
在一些实施例中，还可以绘制修改前后的组合预测模型的预测结果曲线以及实际值曲线，以便于用户直观地掌握修改前后的组合预测模型的预测性能。
进一步地，在该预设显示界面还可以显示各个可调参数，以及各个可调参数的当前值。
在本实施例中，通过可视化地向用户展示模型的可调参数，以及调整前后的预测误差曲线，提供了解释粒度更细的组合预测模型，且提高了模型预测过程的可视化程度，便于用户更为详细地理解组合预测模型的预测机制。
示例性的，图6为本申请图5所示实施例中预设显示界面的示意图，如图6所示，在该预设显示界面中可以显示组合预测模型的各个可调参数、各个可调参数的取值以及修改前后的组合预测模型的预测误差曲线。图6中以6个可调参数，即可调参数1至可调参数6为例，组合预测模型所需预测的待预测交易数据为交易量，如贵金属的交易量，该预测误差曲线即为交易量预测误差曲线。
在本实施例中，在基于待预测数据确定组合预测模型的基础上，实现了确定并显示组合预测模型的可调参数，进而由用户对可调参数进行调整，从而得到修改后的组合预测模型，并绘制修改前后的组合预测模型的预测误差曲线，从而便于用户知悉修改前后的组合预测模型的预测准确度，从而有利于确定预测准确度更高的组合预测模型。同时，通过可视化地展示组合预测模型的参数以及预测结果，提高了组合预测模型的可解释性和可视化程度。
图7为本申请一个实施例提供的交易数据的预测装置的结构示意图，如图7所示，本实施例提供的交易数据的预测装置包括：交易数据获取模块710、模式确定模块720、模型整合模块730和结果预测模块740。
其中，交易数据获取模块710，用于获取待预测交易数据；模型确定模块720，用于根据所述待预测交易数据，确定至少两个目标预测模型；模型整合模块730，用于基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型；结果预测模块740，用于基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，模型确定模块720，具体用于：
根据所述待预测交易数据的数据维度和/或数据类型，确定各个所述目标预测模型。
可选的，模型整合模块730，包括：
模型训练单元，用于针对每个目标预测模型，确定所述目标预测模型的目标样本，并基于所述目标样本训练所述目标预测模型；模型整合单元，用于基于所述预设集成学习算法对应的结合策略，对训练后的各个所述目标预测模型进行整合，以得到所述组合预测模型。
可选的，所述模型整合模块还包括：
预测值获取单元，用于在基于所述目标样本训练所述目标预测模型之后，将历史交易数据对应的特征数据输入训练后的所述目标预测模型，以得到训练后的所述目标预测模型输出的目标维度的预测值；实际值确定单元，用于确定所述历史交易数据对应的、所述目标维度的实际值；误差确定单元，用于基于目标维度的所述实际值和预测值，确定所述目标预测模型的平均绝对百分比误差；准确度确定单元，用于根据所述平均绝对百分比误差，确定并显示所述目标预测模型的准确度。
可选的，所述装置还包括：
组合模型评估模块，用于在得到组合预测模型之后，根据所述组合预测模型的结合策略以及所述组合预测模型中的各个目标预测模型，生成并显示所述组合预测模型的评估结果。
可选的，所述装置还包括：
模型判定模块，用于根据所述评估结果判断所述组合预测模型是否合格。
相应的，结果预测模块740，具体用于：
若所述组合预测模型合格，则基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，所述装置还包括：
可调参数确定模块，用于在基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型之后，确定并显示所述组合预测模型的可调参数，其中，所述可调参数包括所述组合预测模型中至少一个预设预测模型的权重、超参数或者预设金融维度的参数因子，所述参数因子与所述组合预测模型中至少一个预设预测模型的权重相关联；参数调整模块，用于根据用户输入的参数调整指令，修改对应的所述可调参数；模型参数确定模块，用于根据修改后的所述可调参数，确定所述组合预测模型的模型参数，以得到修改后的组合预测模型。
相应的，结果预测模块740，具体用于：
基于修改后的组合预测模型，根据所述待预测交易数据生成预测结果。
可选的，可调参数确定模块，具体用于：
针对所述组合预测模型中的非线性模型，基于预设近似算法将所述非线性模型线性化；根据线性化后的所述非线性模型的模型参数，确定所述组合预测模型的可调参数。
可选的，所述装置还包括：
误差曲线绘制模块，用于根据所述组合预测模型以及修改后的所述组合预测模型在预设时间段内各个时间节点输出的预测值以及各个所述时间节点对应的实际值，分别绘制所述组合预测模型以及修改后的所述组合预测模型对应的预测误差曲线。
本申请实施例所提供的交易数据的预测装置可执行本申请图2、图3和图5对应的任意实施例所提供的交易数据的预测方法，具备执行方法相应的功能模块和有益效果。
图8为本申请一个实施例提供的交易数据的预测设备的结构示意图，如图8所示，该交易数据的预测设备包括：存储器810，处理器820以及计算机程序。
其中，计算机程序存储在存储器810中，并被配置为由处理器820执行以实现本申请图2、图3和图5所对应的任意实施例提供的交易数据的预测方法。该透传装置可以为上述主设备或从设备。
其中，存储器810和处理器820通过总线830连接。
相关说明可以对应参见图2、图3和图5的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
本申请一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本申请图2、图3和图5所对应的实施例中任一实施例提供的交易数据的预测方法。
其中，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请一个实施例提供一种计算机程序产品，包括计算机程序，计算机程序被交易数据的预测设备的处理器执行以控制交易数据的预测装置实现本申请图图2、图3和图5所对应的实施例中任一实施例提供的交易数据的预测方法。
其中，处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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。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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种交易数据的预测方法，其特征在于，所述方法包括：
获取待预测交易数据；
根据所述待预测交易数据，确定至少两个目标预测模型；
基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型；
基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述待预测交易数据，确定至少两个目标预测模型，包括：
根据所述待预测交易数据的数据维度和/或数据类型，确定各个所述目标预测模型。
3.根据权利要求1所述的方法，其特征在于，基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型，包括：
针对每个目标预测模型，确定所述目标预测模型的目标样本，并基于所述目标样本训练所述目标预测模型；
基于所述预设集成学习算法对应的结合策略，对训练后的各个所述目标预测模型进行整合，以得到所述组合预测模型。
4.根据权利要求3所述的方法，其特征在于，在基于所述目标样本训练所述目标预测模型之后，所述方法还包括：
将历史交易数据对应的特征数据输入训练后的各个所述目标预测模型，以得到训练后的各个所述目标预测模型输出的目标维度的预测值；
确定所述历史交易数据对应的、所述目标维度的实际值；
基于目标维度的所述实际值和预测值，确定所述目标预测模型的平均绝对百分比误差；
根据所述平均绝对百分比误差，确定并显示所述目标预测模型的准确度。
5.根据权利要求1所述的方法，其特征在于，在得到组合预测模型之后，所述方法还包括：
根据所述组合预测模型的结合策略以及所述组合预测模型中的各个目标预测模型，生成并显示所述组合预测模型的评估结果。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述评估结果判断所述组合预测模型是否合格；
若是，则基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述预设集成学习算法包括Bagging集成学习算法、Boosting集成学习算法和随机森林集成学习算法中的一项或多项。
8.根据权利要求1-6任一项所述的方法，其特征在于，在基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型之后，所述方法还包括：
确定并显示所述组合预测模型的可调参数，其中，所述可调参数包括所述组合预测模型中至少一个预设预测模型的权重、超参数或者预设金融维度的参数因子，所述参数因子与所述组合预测模型中至少一个预设预测模型的权重相关联；
根据用户输入的参数调整指令，修改对应的所述可调参数；
根据修改后的所述可调参数，确定所述组合预测模型的模型参数，以得到修改后的组合预测模型；
相应的，基于所述组合预测模型，根据所述待预测交易数据生成预测结果，包括：
基于修改后的组合预测模型，根据所述待预测交易数据生成预测结果。
9.根据权利要求8所述的方法，其特征在于，确定所述组合预测模型的可调参数，包括：
针对所述组合预测模型中的非线性模型，基于预设近似算法将所述非线性模型线性化；
根据线性化后的所述非线性模型的模型参数，确定所述组合预测模型的可调参数。
10.根据权利要求8所述的方法，其特征在于，所述方法还包括：
根据所述组合预测模型以及修改后的所述组合预测模型在预设时间段内各个时间节点输出的预测值以及各个所述时间节点对应的实际值，分别绘制所述组合预测模型以及修改后的所述组合预测模型对应的预测误差曲线。
11.一种交易数据的预测装置，其特征在于，所述装置包括：
交易数据获取模块，用于获取待预测交易数据；
模型确定模块，用于根据所述待预测交易数据，确定至少两个目标预测模型；
模型整合模块，用于基于预设集成学习算法，对所述至少两个目标预测模型进行整合，以得到组合预测模型；
结果预测模块，用于基于所述组合预测模型，根据所述待预测交易数据生成预测结果。
12.一种交易数据的预测设备，其特征在于，包括：存储器和至少一个处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-10任一项所述的交易数据的预测方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-10任一项所述的交易数据的预测方法。
14.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-10任一项所述的交易数据的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110738317.5A CN113362179B (zh) | 2021-06-30 | 2021-06-30 | 交易数据的预测方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110738317.5A CN113362179B (zh) | 2021-06-30 | 2021-06-30 | 交易数据的预测方法、装置、设备、存储介质及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113362179A true CN113362179A (zh) | 2021-09-07 |
| CN113362179B CN113362179B (zh) | 2024-01-30 |
Family
ID=77537521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110738317.5A Active CN113362179B (zh) | 2021-06-30 | 2021-06-30 | 交易数据的预测方法、装置、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362179B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
| CN109086927A (zh) * | 2018-07-26 | 2018-12-25 | 同济大学 | 结合大数据舆情分析与融合模型的多因子交易方法 |
| CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技（深圳）有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
| US20190220877A1 (en) * | 2018-01-12 | 2019-07-18 | Fujitsu Limited | Computer-readable recording medium, demand forecasting method and demand forecasting apparatus |
| CN111260156A (zh) * | 2020-02-18 | 2020-06-09 | 中国农业银行股份有限公司 | 现金流预测模型的构建方法及现金流预测方法及装置 |
| WO2021012783A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于大数据的保单核保模型训练方法和核保风险评估方法 |
| CN112348261A (zh) * | 2020-11-09 | 2021-02-09 | 招商银行股份有限公司 | 一种交易量预测方法、设备、装置及存储介质 |
-
2021
- 2021-06-30 CN CN202110738317.5A patent/CN113362179B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
| US20190220877A1 (en) * | 2018-01-12 | 2019-07-18 | Fujitsu Limited | Computer-readable recording medium, demand forecasting method and demand forecasting apparatus |
| CN109086927A (zh) * | 2018-07-26 | 2018-12-25 | 同济大学 | 结合大数据舆情分析与融合模型的多因子交易方法 |
| CN109816158A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技（深圳）有限公司 | 预测模型的组合方法、装置、设备及可读存储介质 |
| WO2021012783A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于大数据的保单核保模型训练方法和核保风险评估方法 |
| CN111260156A (zh) * | 2020-02-18 | 2020-06-09 | 中国农业银行股份有限公司 | 现金流预测模型的构建方法及现金流预测方法及装置 |
| CN112348261A (zh) * | 2020-11-09 | 2021-02-09 | 招商银行股份有限公司 | 一种交易量预测方法、设备、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113362179B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
| Zhao et al. | Revolutionizing finance with llms: An overview of applications and insights | |
| Cumming et al. | An investigation into the use of reinforcement learning techniques within the algorithmic trading domain | |
| EP3843017A2 (en) | Automated, progressive explanations of machine learning results | |
| JP2022033695A (ja) | モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 | |
| US20230031050A1 (en) | Key-value memory network for predicting time-series metrics of target entities | |
| Eiamkanitchat et al. | Fundamental analysis and technical analysis integrated system for stock filtration | |
| CN107679987A (zh) | 资产配置策略获取方法、装置、计算机设备和存储介质 | |
| Jabeen et al. | An Empirical Study of Macroeconomic Factors and Stock Returns in the Context of Economic Uncertainty News Sentiment Using Machine Learning | |
| Azamjon et al. | Enhanced Bitcoin Price Direction Forecasting with DQN | |
| CN112950218A (zh) | 一种业务风险评估方法、装置、计算机设备和存储介质 | |
| TWI768265B (zh) | 智能投資輔助系統及其方法 | |
| López-Martín et al. | Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects | |
| CN113362179B (zh) | 交易数据的预测方法、装置、设备、存储介质及程序产品 | |
| US20230153843A1 (en) | System to combine intelligence from multiple sources that use disparate data sets | |
| Gutiérrez et al. | Benefits and trade-offs of different model representations in decision support systems for non-expert users | |
| KR102284440B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
| US20210150595A1 (en) | Experience Sensing Engine | |
| JP2023046621A (ja) | 融資承認確率算出装置、融資承認確率算出方法及びプログラム | |
| CN114595630A (zh) | 活动效应评估模型训练方法、装置、计算机设备和介质 | |
| Pooja et al. | Sentiment based stock market prediction | |
| KR20220001065A (ko) | 컨텐츠와 자산의 관련도 평가 방법 및 장치 | |
| US20150262204A1 (en) | Sales and fundraising computer management system with staged display. | |
| CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
| KR20220001063A (ko) | 컨텐츠와 자산의 관련도 평가 방법 및 장치 |
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 |