CN116522206A - 一种询价用户分类方法、用于询价交易的报价方法及装置 - Google Patents
一种询价用户分类方法、用于询价交易的报价方法及装置 Download PDFInfo
- Publication number
- CN116522206A CN116522206A CN202310511525.0A CN202310511525A CN116522206A CN 116522206 A CN116522206 A CN 116522206A CN 202310511525 A CN202310511525 A CN 202310511525A CN 116522206 A CN116522206 A CN 116522206A
- Authority
- CN
- China
- Prior art keywords
- price
- inquiring
- historical
- user
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 130
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 11
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种询价用户分类方法、用于询价交易的报价方法及装置,涉及数据处理技术领域,也可用于金融领域。具体实现方案为:获取与询价用户相关的历史数据,其中,历史数据包括历史询价过程数据、历史行情数据和历史成交数据;对历史数据进行特征提取,得到预设维度的特征信息;将特征信息作为输入,基于聚类模型,确定询价用户的类型。本申请技术方案能够完成询价用户分类,为后续的报价策略提供按询价用户的分组依据,有效提升了询价交易的成交率。
Description
技术领域
本公开涉及数据处理技术领域,可以用于金融领域,具体是一种询价用户分类方法、用于询价交易的报价方法、询价用户分类装置、用于询价交易的报价装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
在金融市场交易中,询价交易是一种常见的交易模式,买方会向卖方询问某个金融产品的报价,卖方在接收到询价指令后,会根据交易所公布的市场价格,向买方提供询价产品的价格和可用数量。
其中,不同的买方(即询价用户)在询价金额,方向,做市标等方面有着不同的倾向性,且在对待市场波动时展现出来的交易情绪也各不相同。现有技术中,针对不同的询价用户均采用重复的报价方法,导致潜在客户流失,成交率难以提升。
发明内容
针对现有技术中的问题,本申请提供一种询价用户分类方法、用于询价交易的报价方法及装置,能够完成询价用户分类,提高交易成交率。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种询价用户分类方法,该方法包括:
获取与询价用户相关的历史数据,其中,所述历史数据包括历史询价过程数据、历史行情数据和历史成交数据;
对所述历史数据进行特征提取,得到预设维度的特征信息;
将所述特征信息作为输入,基于聚类模型,确定所述询价用户的类型。
第二方面,本申请提供一种用于询价交易的报价方法,该方法包括:
获取当前市场行情数据和当前询价指令,其中,所述当前询价指令包括询价用户、询价金额、询价产品和期限;
根据前述第一方面的询价用户分类方法,确定所述询价用户的类型;
根据所述当前市场行情数据、所述当前询价指令以及所述类型,确定发送至所述询价用户的报价金额。
第三方面,本申请提供一种询价用户分类装置,该装置包括:
第一获取模块,被配置为获取与询价用户相关的历史数据和属性数据,其中,所述历史数据包括历史询价过程数据、历史行情数据和历史成交数据,所述属性数据包括企业规模和财务状况;
特征提取模块,被配置为对所述历史数据和属性数据进行特征提取,得到预设维度的特征信息;
第一分类模块,被配置为将所述特征信息作为输入,基于聚类模型,确定所述询价用户的类型。
第四方面,本申请提供一种用于询价交易的报价装置,该装置包括:
第二获取模块,被配置为获取市场行情数据和询价指令,其中,所述询价指令包括询价用户、询价金额、询价产品和期限;
第二分类模块,被配置为根据权利要求7所述的询价用户分类装置,确定所述询价用户的类型;
报价模块,被配置为根据所述市场行情数据、所述询价指令以及所述类型,确定发送至询价用户的报价金额。
第五方面,本申请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所述询价用户分类方法的步骤或用于询价交易的报价方法的步骤。
第六方面,本申请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所述询价用户分类方法的步骤或用于询价交易的报价方法的步骤。
第七方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述询价用户分类方法的步骤或用于询价交易的报价方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
针对现有技术中的问题,本申请提供的询价用户分类方法、用于询价交易的报价方法及装置,能够从历史的询价过程数据和成交数据等中提取询价用户的特征,使用机器学习算法进行询价用户画像,从而完成询价用户分类,为后续的报价策略提供按询价用户的分组依据,提升了交易的成交率,有效提高做市报价竞争力,以及提升金融市场领域交易业务的做市水平。
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。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的询价用户分类方法的一个实施例的流程图;
图3是根据本申请的询价用户分类方法的又一个实施例的流程图;
图4是根据本申请的用于询价交易的报价方法的一个实施例的流程图;
图5是根据本申请的询价用户分类装置的一个实施例的结构示意图;
图6是根据本申请的用于询价交易的报价装置的一个实施例的结构示意图;
图7是用来实现本申请实施例的询价用户分类方法或用于询价交易的报价方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了可以应用本公开的询价用户分类方法的实施例的示例性系统架构100。如图1所示,系统架构100可以包括终端101、网络102和服务器103。网络102用以在终端101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端101可以通过网络102与服务器103交互,终端101中存储有询价用户的历史数据;服务器103可以从终端101获取与询价用户相关的历史数据,并对历史数据进行特征提取,得到预设维度的特征信息,进一步,利用服务器中的聚类模型,根据特征信息,确定询价用户的类型,并将询价用户的类型发送至终端101的显示界面,供用户查阅;同时,在确定询价用户类型后,还可以根据询价用户的询价指令、类型以及行情数据,确定发送给询价用户的报价金额。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络和服务器。
需要说明的是,本公开实施例所提供的询价用户分类方法一般由服务器103执行,相应地,用于询价用户分类的装置一般设置于服务器103中。
图2示出了本公开一个实施例提供的询价用户分类方法的示意性流程图200,如图2所示,该方法包括以下步骤:
步骤201、获取与询价用户相关的历史数据,其中,历史数据包括历史询价过程数据、历史行情数据和历史成交数据;
步骤202、对历史数据进行特征提取,得到预设维度的特征信息;
步骤203、将特征信息作为输入,基于聚类模型,确定询价用户的类型。
本实施例通过从历史的询价过程数据、历史行情数据和历史成交数据中提取询价用户的特征,使用机器学习算法进行询价用户的用户画像,能够完成对询价用户的分类,为后续的报价策略提供按询价用户类型的分组依据,有效提升了交易的成交率、做市报价竞争力,以及提升金融市场领域询价交易业务的做市水平。
下面对图2的每个步骤进行详细阐述。
步骤201、获取与询价用户相关的历史数据,其中,历史数据包括历史询价过程数据、历史行情数据和历史成交数据。
本步骤旨在由询价用户分类方法的执行主体(例如图1所示的服务器103)从终端101获取与询价用户相关的历史数据,其中,询价交易方式是金融市场交易主体以双边授信为基础,通过自主双边询价、双边清算进行的交易,询价交易通常用于场外交易,例如股票、贵金属、债券、外汇等;询价用户可以为银行、证券公司、投资公司等金融机构,本申请对此不做限定。
在本实施例中,历史询价过程数据用于刻画历史询价过程中本方和询价用户方的多次交互,通过历史询价过程数据能够明了询价用户的历史交易习惯;历史行情数据用于分析历史询价时间点对应的市场情况;历史成交数据用于刻画询价用户和本方的历史交易情况,例如历史成交结果、历史成交量和历史成交率等。应当理解,历史询价过程数据、历史行情数据以及历史成交数据为现有技术,本申请在此不再赘述。
需要说明的是,本公开的技术方案中,所涉及的数据的获取,存储、使用和处理等,均符合相关法律法规的规定,且不违背公序良俗。
步骤202、对历史数据进行特征提取,得到预设维度的特征信息。
在通过步骤201获取到与询价用户相关的历史数据后,本步骤旨在由询价用户分类方法的执行主体(例如图1所示的服务器103)对历史数据进行特征提取,得到预设维度的特征信息。
在本实施例中,特征提取的方式包括统计方法、降维方法、模型方法、特征选择方法或预处理方法等,例如,通过统计方法统计历史数据中各个类别特征的分布情况,如历史询价笔数最高值、历史询价俩最高值等;步骤201获取的交易数据通常情况下为Excel表,其存储了大量维度的特征,可以通过降维方法提取历史数据中最有用的特征;还可以通过模型方法,通过训练一个模型,来提取出历史数据中最有用的特征;还可以通过特征选择的方法选择历史数据中具有代表性或区分度的特征;还可以通过对历史数据进行预处理,例如图像增强或文本预处理等方法,来提取历史数据中最有用的特征。
需要说明的是,本申请对特征提取的方式不做限定,本领域技术人员能够根据实际需求选择相应的特征提取方式,进而得到我方同询价用户的历史询价笔数,历史询价量最高值、历史询价量最低值、历史询价量均值,历史成交笔数,历史成交量最高值、历史成交量最低值、历史成交量均值、历史询价笔数成交率,历史询价量成交率,历史单笔询价时长均值,历史行情涨跌幅度,历史成交价格和历史行情价格的偏离度等维度下的特征信息。
应当理解,预设维度越大,提取到的特征信息越细化,即能够更加细分交易场景,量化询价用户特征,从而提高询价用户分类的准确性。
步骤203、将特征信息作为输入,基于聚类模型,确定询价用户的类型。
本步骤旨在由询价用户分类方法的执行主体(例如图1所示的服务器103)将特征信息作为输入,基于聚类模型,确定询价用户的类型。
在本实施例中,聚类模型可以为K-means聚类、层次聚类或DBSCAN聚类等,本申请对此不做限定。通过预先设定聚类个数,对输入的特征信息进行聚类。例如本实施例中,聚类个数为3,基于聚类模型,能够将输入的询价用户分为三类,也就是说,在同一类下的询价用户对应相同的类型。
本实施例通过从历史的询价过程数据、历史行情数据和历史成交数据中细分交易场景,量化询价用户特征,并使用机器学习算法刻画询价用户的用户画像,能够完成询价用户分类,提高询价用户分类的准确性和交易的成交率。
进一步参考图3,其示出了询价用户分类方法的又一个实施例流程300。该询价用户分类方法流程300包括以下步骤:
步骤301、获取与询价用户相关的历史数据,其中,历史数据包括历史询价过程数据、历史行情数据和历史成交数据。
在本实施例中,对步骤301的描述参考步骤201,本申请在此不再赘述。
步骤302、对历史数据进行特征提取,得到预设维度的特征信息。
在本实施例中,对步骤302的描述参考步骤202,本申请在此不再赘述。
为了提高特征提取的准确性,在本实施例的一些可选方式中,步骤302进一步包括:
步骤3021、对历史数据进行预设时间的时间窗处理,得到m个历史特征序列。
本步骤旨在由询价用户分类方法的执行主体对历史数据进行预设时间的时间窗处理,得到m个历史特征序列。
在本实施例中,预设时间可以为12季度,时间窗处理为5天时间窗,也就是说按照季度对不同询价用户的历史数据进行划分,并按照5天时间对历史数据做时间窗处理,其中,一个季度数据作为一个历史特征序列,即此处m为12,共使用12季度的历史数据构建特征信息。
需要说明的是,上述“12季度”和“5天”是示例性的,本领域技术人员能够根据实际需求设置相应的预设时间和时间窗处理,并根据设置的预设时间,确定历史特征序列的个数m。
步骤3022、对每个历史特征序列进行特征提取,得到n个历史属性特征,其中,历史属性特征包括历史询价笔数、历史成交笔数、历史成交价格和历史行情跌涨幅度。
本步骤旨在由询价用户分类方法的执行主体对每个历史特征序列进行特征提取,得到n个历史属性特征。
仍以前述示例进行说明,即对每个季度对应的历史特征序列,按照每5天时间做时间窗处理,在5天的时间窗内计算出不同询价用户的历史询价笔数,历史询价量最高值、历史询价量最低值、历史询价量均值,历史成交笔数,历史成交量最高值、历史成交量最低值、历史成交量均值、历史询价笔数成交率,历史询价量成交率,历史单笔询价时长均值,历史行情涨跌幅度,历史成交价格和历史行情价格的偏离度等n个历史属性特征。
其中,历史询价笔数为时间窗内的总询价次数;历史成交笔数为时间窗内的总成交次数;历史成交价格为时间窗内的成交价格均值;历史行情跌涨幅度为当前行情价格与历史行情价格的差值占历史行情价格的百分比。
应当理解,历史属性特征的数量越多,提取到的特征信息越细化,即能够更加细分交易场景,量化询价用户特征,从而提高询价用户分类的准确性。
步骤3023、根据历史特征序列和历史属性特征,确定预设维度的特征信息,其中,预设维度为m×n,m和n为大于0的自然数。
本步骤旨在由询价用户分类方法的执行主体根据历史特征序列和历史属性特征,确定预设维度的特征信息。
在本实施例中,参考前述可知,对于每一个询价用户而言,其对应m个历史特征序列;而每一个历史特征序列而言,均需进行特征提取,得到n个历史属性特征,由此,对于每个询价用户而言,经过特征工程后,能够最终保留特征维度为m×n的特征信息。
仍以前述示例进行说明,获取每一个询价用户在当前询价时刻前12季度的历史数据,对于每一季度的历史数据提取得到前述15个历史属性特征,则对于每个询价用户而言,经过特征工程后,能够最终保留特征维度为12×15的特征信息。
需要说明的是,本领域技术人员能够根据实际需求设置相应的m和n,以得到特征维度为m×n的特征信息,本申请对此不做限定。
步骤303、将特征信息作为输入,基于聚类模型,输出聚类结果。
本步骤旨在由询价用户分类方法的执行主体将特征信息作为输入,基于聚类模型,输出聚类结果。
在本实施例中,聚类模型可以为K-means聚类、层次聚类或DBSCAN聚类等,本申请对此不做限定。通过预先设定聚类个数,对输入的特征信息进行聚类,得到聚类结果。例如本实施例中,聚类个数设置为3,即基于聚类模型,能够基于不同询价用户的特征信息,在确定聚类中心后,通过统计每个询价用户距离聚类中心的距离,最终得到3个聚类结果。
步骤304、根据聚类结果,确定询价用户的类型。
本步骤旨在本步骤旨在由询价用户分类方法的执行主体根据聚类结果,确定询价用户的类型。
在本实施例中,经过步骤303能够得到3个聚类结果,即得到3个聚类,具有相似特征的询价用户被聚到了同一类,可以通过确定每个聚类下询价用户的共同点,从而根据聚类结果,确定询价用户的类型。
因此,为了进一步提高询价用户分类的准确性,在输出聚类结果后,在本实施例的一些可选方式中,步骤304进一步包括:
步骤3041、确定聚类结果对应的历史询价笔数成交率均值。
本步骤旨在本步骤旨在由询价用户分类方法的执行主体确定聚类结果对应的历史询价笔数成交率均值。
在本实施例中,预先对金融机构进行穷举,并将其作为询价用户,例如,询价用户的数量为600个,通过步骤301-步骤304将600个询价用户聚为A、B和C三类,假设A、B和C三类的聚类结果中询价用户的数量分别为100、200和300。即对于聚类结果A而言,确定其对应的100个询价用户的历史询价笔数成交率均值a1;对于聚类结果B而言,确定其对应的200个询价用户的历史询价笔数成交率均值b1;对于聚类结果C而言,确定其对应的300个询价用户的历史询价笔数成交率均值c1。
需要说明的是,历史询价笔数成交率均值的计算方式为现有技术,本申请在此不再赘述。
步骤3042、响应于确定历史询价笔数成交率均值大于等于预设成交率阈值,确定询价用户的类型为第一对象。
本步骤旨在本步骤旨在由询价用户分类方法的执行主体响应于确定历史询价笔数成交率均值大于等于预设成交率阈值,确定询价用户的类型为第一对象。
在本实施例中,预设成交率阈值依据实际市场行情等需求进行设置,当历史询价笔数成交率均值大于等于预设成交率阈值时,表明我方与询价用户方的历史交易情况良好,为我方的稳定客户,可以继续按照历史交易情况进行报价,对于该类型的询价用户,将其确定为第一对象。
步骤3043、响应于确定历史询价笔数成交率均值小于预设成交率阈值,确定询价用户的类型为第二对象。
本步骤旨在由询价用户分类方法的执行主体响应于确定成交率均值小于预设成交率阈值,确定询价用户的类型为第二对象。
在本实施例中,当历史询价笔数成交率均值小于预设成交率阈值时,表明我方与询价用户方的历史交易情况不良好,交易成功率低,为我方的不稳定客户,不可以继续按照历史交易情况进行报价,需要调整报价策略进行重点关注,以提高我方与该类询价用户的成交率,对于该类型的询价用户,将其确定为第二对象。
仍以前述示例进行说明,设置预设成交率阈值为80%,聚类结果A对应的的历史询价笔数成交率均值a1为85%;聚类结果B对应的历史询价笔数成交率均值b1为50%;聚类结果C对应的历史询价笔数成交率均值c1为60%,显然,聚类结果A下的询价用户为第一对象,聚类结果B和聚类结果C下的询价用户为第二对象。
为了进一步对第二对象进行细分,提高询价用户分类的准确性,在本实施例的一些可选方式中,步骤304进一步包括:
步骤3044、确定聚类结果对应的历史询价笔数均值。
本步骤旨在由询价用户分类方法的执行主体确定聚类结果对应的历史询价笔数均值。
仍以前述示例进行说明,确定聚类结果B和聚类结果C对应的历史询价笔数均值。即对于聚类结果B而言,确定其对应的200个询价用户的历史询价笔数均值b1’;对于聚类结果C而言,确定其对应的300个询价用户的历史询价笔数均值c1’。
需要说明的是,历史询价笔数均值的计算方式为现有技术,本申请在此不再赘述。
步骤3045、响应于确定询价笔数均值大于等于预设询价笔数阈值,确定询价用户的类型为第三对象。
本步骤旨在由询价用户分类方法的执行主体响应于确定历史询价笔数均值大于等于预设询价笔数阈值,确定询价用户的类型为第三对象。
在本实施例中,预设询价笔数阈值依据实际市场行情等需求进行设置,当历史询价笔数均值大于等于预设询价笔数阈值时,表明我方与询价用户方曾进行过多次的询价交易,但成交率很低,对于该类型的询价用户,将其确定为第三对象。
步骤3046、响应于确定历史询价笔数均值小于预设询价笔数阈值,确定询价用户的类型为第四对象。
本步骤旨在由询价用户分类方法的执行主体响应于确定历史询价笔数均值小于预设询价笔数阈值,确定询价用户的类型为第四对象。
在本实施例中,历史询价笔数均值小于预设询价笔数阈值时,表明我方与询价用户进行的询价交易次数相对于高价值对象而言较少,对于该类型的询价用户,将其确定为第四对象。
仍以前述示例进行说明,设置预设询价笔数阈值设置为300,聚类结果B对应的历史询价笔数均值b1’为400;聚类结果C对应的历史询价笔数均值c1’为280,显然,聚类结果B下的询价用户为第三对象,聚类结果C下的询价用户为第四对象。
本实施例通过从历史的询价过程数据、历史行情数据和历史成交数据中细分交易场景,量化询价用户特征,能够完成询价用户分类;同时,进一步细化第二对象的划分标准,有效提高询价用户分类的准确性和交易的成交率。
图4示出了本公开一个实施例提供的用于询价交易的报价方法的示意性流程图400,如图4所示,该方法包括以下步骤:
步骤401、获取当前市场行情数据和当前询价指令,其中,当前询价指令包括询价用户、询价金额、询价产品和期限;
步骤402、根据前述实施例的询价用户分类方法,确定询价用户的类型;
步骤403、根据当前市场行情数据、当前询价指令以及类型,确定发送至询价用户的报价金额。
本实施例提供的用于询价交易的报价方法,在接收到询价用户的询价指令后,通过细分询价用户的类型,结合当前市场行情数据、当前询价指令,对不同的询价用户,采取不同的报价方式,能够减少客户流失,提高询价交易成交率,有效提升做市报价竞争力,以及在金融市场领域交易业务的做市水平。
下面对图4的每个步骤进行详细阐述。
步骤401、获取当前市场行情数据和当前询价指令,其中,当前询价指令包括询价用户、询价金额、询价产品和期限。
在本实施例中,市场行情数据可以由设置在服务器上的行情获取解析模块获得,其中,以询价交易中的外汇交易为例,当前市场行情数据一般包括汇率、货币对、K线图等信息等,需要说明的是,市场行情数据为现有技术,本领域技术人员能够根据询价交易的具体场景,例如外汇交易、债券交易或股票交易等获取对应的当前市场行情数据,本申请在此不再赘述。
在本实施例中,当前询价指令可以由设置在服务器上的询价指令接收处理模块获得,其中,询价指令包括询价用户、询价金额、询价产品和期限等。
其中,询价金额通常指的是询价交易中询价用户要求的交易金额,也就是询价用户希望进行交易的数量和价格。在询价交易中,询价用户提出对某个金融产品的询价,交易方向、数量和价格,卖方可以根据此询价金额向询价用户报价或者给出相应的执行价格;询价产品,即询价交易中涉及到的金融产品,其包括但不限于股票、债券、货币、商品、基金等;在金融市场中,期限通常指合同规定的特定时间段内某一金融交易或投资的时限,具体而言,期限指的是合同给出的规定,其包括但不限于合同开始和结束的时间、债券到期日、合约到期日、期货合约交割日等规定时间。
另外,在外汇市场交易中,询价指令通常还包括币种对和交易币种等,需要说明的是,上述询价指令及其相关内容为现有技术,本领域技术人员能够根据不同的交易场景,例如外汇交易、债券交易或股票交易等获取对应的询价指令,本申请在此不再赘述。
步骤402、根据前述实施例的询价用户分类方法,确定询价用户的类型。
在本实施例中,根据前述实施例的询价用户分类方法,在对询价用户进行穷举后,基于与询价用户相关的历史数据,能够确定每个询价用户的类型,例如,确定询价用户为第一对象或第二对象,另外,还可以基于前述实施例的步骤将第二对象进一步细分为第三对象或第四对象。
步骤403、根据当前市场行情数据、当前询价指令以及类型,确定发送至所述询价用户的报价金额。
需要说明的是,在金融市场交易中,与询价用户的询价金额相对应的是卖价,也称卖出价或报价,它是卖方愿意出售某一金融资产的最低价格,也就是询价用户所能得到的最低报价。
在本实施例中,在确定当前市场行情数据、当前询价指令以及询价用户的类型后,能够根据条件转换和报价计算公式,确定发送至询价用户的报价金额。还需要说明的是,本实施例中,不同的询价用户类型对应不同的条件转换和报价计算公式,具体的:
当询价用户的类型为第三对象时,采用中间价和点差结合的报价计算方法,具体采用买卖双边第一层的价格,其中,bid1为买方向第一层价格,ask1为卖方向第一层价格,计算中间价格进行报价,例如:
如果询价用户要买,报价金额为1/2(bid1+ask1)+点差;如果询价用户要卖,报价金额为1/2(bid1+ask1)-点差。
当询价用户的类型为第四对象时,采用最优价报价法,例如:如果询价用户要买,报价为ask1+点差;如果询价用户要卖,报价为bid1-点差。
当询价用户的类型为第一对象时,采用vwap加权平均价格报价法,例如:如果询价用户要买,报价为vwap(ask)+点差;如果询价用户要卖,报价为vwap(ask)-点差。
由此,本实施例能够克服现有技术中针对不同的询价用户采用重复报价方法所导致的客户流失问题,提高了询价交易成交率,有效提升做市报价竞争力,以及在金融市场领域交易业务的做市水平。
进一步参考图5,作为对上述各图所示的询价用户分类方法的实现,本公开提供了一种询价用户分类装置500的一个实施例,该装置与图2所示的方法实施例相对应,该装置具体可以应用于服务器中。
如图5所示,该询价用户分类装置500包括:
第一获取模块501,被配置为获取与询价用户相关的历史数据,其中,历史数据包括历史询价过程数据、历史行情数据和历史成交数据;
特征提取模块502,被配置为对历史数据进行特征提取,得到预设维度的特征信息;
第一分类模块503,被配置为将特征信息作为输入,基于聚类模型,确定询价用户的类型。
在本实施例的一些可选方式中,特征提取模块进一步被配置为:
对历史数据进行预设时间的时间窗处理,得到m个历史特征序列;
对每个历史特征序列进行特征提取,得到n个历史属性特征,其中,历史属性特征包括历史询价笔数、历史成交笔数、历史成交价格和历史行情跌涨幅度;
根据历史特征序列和历史属性特征,确定预设维度的特征信息,其中,预设维度为m×n,m和n为大于0的自然数。
在本实施例的一些可选方式中,第一分类模块进一步包括:
聚类单元,被配置为将特征信息作为输入,基于聚类模型,输出聚类结果;
分类单元,被配置为根据聚类结果,确定询价用户的类型。
在本实施例的一些可选方式中,分类单元进一步被配置为:
确定聚类结果对应的历史询价笔数成交率均值;
响应于确定历史询价笔数成交率均值大于等于预设成交率阈值,确定询价用户的类型为第一对象;
响应于确定历史询价笔数成交率均值小于预设成交率阈值,确定询价用户的类型为第二对象。
在本实施例的一些可选方式中,第二对象包括第三对象和第四对象,分类单元进一步被配置为:
确定聚类结果对应的历史询价笔数均值;
响应于确定历史询价笔数均值大于等于预设询价笔数阈值,确定询价用户的类型为第三对象;
响应于确定历史询价笔数均值小于预设询价笔数阈值,确定询价用户的类型为第四对象。
进一步参考图6,作为对上述各图所示的用于询价交易的报价方法的实现,本公开提供了一种用于询价交易的报价装置600的一个实施例,该装置与图4所示的方法实施例相对应,该装置具体可以应用于服务器中。
如图6所示,该询价用户分类装置600包括:
第二获取模块601,被配置为获取当前市场行情数据和当前询价指令,其中,当前询价指令包括询价用户、询价金额、询价产品和期限;
第二分类模块602,被配置为根据前述实施例的询价用户分类装置,确定询价用户的类型;
报价模块603,被配置为根据当前市场行情数据、当前询价指令以及类型,确定发送至询价用户的报价金额。
本公开的技术方案中,所涉及的数据的获取,存储、使用和处理等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述实施例的询价用户分类方法或用于询价交易的报价方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行前述实施例的询价用户分类方法或用于询价交易的报价方法。
一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现前述实施例的询价用户分类方法或用于询价交易的报价方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如询价用户分类方法或用于询价交易的报价方法。
例如,在一些实施例中,询价用户分类方法或用于询价交易的报价方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的询价用户分类方法或用于询价交易的报价的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行询价用户分类方法或用于询价交易的报价方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种询价用户分类方法,其特征在于,包括:
获取与询价用户相关的历史数据,其中,所述历史数据包括历史询价过程数据、历史行情数据和历史成交数据;
对所述历史数据进行特征提取,得到预设维度的特征信息;
将所述特征信息作为输入,基于聚类模型,确定所述询价用户的类型。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史数据进行特征提取,得到预设维度的特征信息,包括:
对所述历史数据进行预设时间的时间窗处理,得到m个历史特征序列;
对每个历史特征序列进行特征提取,得到n个历史属性特征,其中,所述历史属性特征包括历史询价笔数、历史成交笔数、历史成交价格和历史行情跌涨幅度;
根据所述历史特征序列和历史属性特征,确定预设维度的特征信息,其中,所述预设维度为m×n,m和n为大于0的自然数。
3.根据权利要求1所述的方法,其特征在于,所述将所述特征信息作为输入,基于聚类模型,确定所述询价用户的类型,包括:
将所述特征信息作为输入,基于聚类模型,输出聚类结果;
根据所述聚类结果,确定所述询价用户的类型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述聚类结果,确定所述询价用户的类型,包括:
确定所述聚类结果对应的历史询价笔数成交率均值;
响应于确定所述历史询价笔数成交率均值大于等于预设成交率阈值,确定所述询价用户的类型为第一对象;
响应于确定所述历史询价笔数成交率均值小于预设成交率阈值,确定所述询价用户的类型为第二对象。
5.根据权利要求4所述的方法,其特征在于,所述第二对象包括第三对象和第四对象,所述响应于确定所述成交率均值小于预设均值阈值,确定所述询价用户的类型为第二对象,包括:
确定所述聚类结果对应的历史询价笔数均值;
响应于确定所述历史询价笔数均值大于等于预设询价笔数阈值,确定所述询价用户的类型为第三对象;
响应于确定所述历史询价笔数均值小于预设询价笔数阈值,确定所述询价用户的类型为第四对象。
6.一种用于询价交易的报价方法,其特征在于,包括:
获取当前市场行情数据和当前询价指令,其中,所述当前询价指令包括询价用户、询价金额询价产品、和期限;
根据权利要求1-5任一项所述的询价用户分类方法,确定所述询价用户的类型;
根据所述当前市场行情数据、所述当前询价指令以及所述类型,确定发送至所述询价用户的报价金额。
7.一种询价用户分类装置,其特征在于,包括:
第一获取模块,被配置为获取与询价用户相关的历史数据和属性数据,其中,所述历史数据包括历史询价过程数据、历史行情数据和历史成交数据,所述属性数据包括企业规模和财务状况;
特征提取模块,被配置为对所述历史数据和属性数据进行特征提取,得到预设维度的特征信息;
第一分类模块,被配置为将所述特征信息作为输入,基于聚类模型,确定所述询价用户的类型。
8.一种用于询价交易的报价装置,其特征在于,包括:
第二获取模块,被配置为获取当前市场行情数据和当前询价指令,其中,所述询价指令包括询价用户、询价产品、询价金额和期限;
第二分类模块,被配置为根据权利要求7所述的询价用户分类装置,确定所述询价用户的类型;
报价模块,被配置为根据所述当前市场行情数据、所述当前询价指令以及所述类型,确定发送至所述询价用户的报价金额。
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程序时实现权利要求1至5任一项所述的询价用户分类方法的步骤或权利要求6所述的用于询价交易的报价方法的步骤。
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,该计算机程序被处理器执行时实现权利要求1至5任一项所述的询价用户分类方法的步骤或权利要求6所述的用于询价交易的报价方法的步骤。
11.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至5任一项所述的询价用户分类方法的步骤或权利要求6所述的用于询价交易的报价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310511525.0A CN116522206A (zh) | 2023-05-08 | 2023-05-08 | 一种询价用户分类方法、用于询价交易的报价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310511525.0A CN116522206A (zh) | 2023-05-08 | 2023-05-08 | 一种询价用户分类方法、用于询价交易的报价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522206A true CN116522206A (zh) | 2023-08-01 |
Family
ID=87402724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310511525.0A Pending CN116522206A (zh) | 2023-05-08 | 2023-05-08 | 一种询价用户分类方法、用于询价交易的报价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522206A (zh) |
-
2023
- 2023-05-08 CN CN202310511525.0A patent/CN116522206A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230214927A1 (en) | System and method for processing composite trading orders | |
US20190156418A1 (en) | System and method for processing composite trading orders at a client | |
US10846796B2 (en) | Computer-implemented methods and computer systems for an electronic financial platform | |
US11216885B2 (en) | Coupon blending of a swap portfolio | |
KR102447254B1 (ko) | 고속 거래 체결을 지원하는 거래소 운영 방법 및 시스템 | |
CN106910129B (zh) | 资产数据的处理方法、客户端及服务器 | |
US20230351505A1 (en) | Listed options position compression system | |
CN116522206A (zh) | 一种询价用户分类方法、用于询价交易的报价方法及装置 | |
US20180204283A1 (en) | Systems and methods for generating a navigation tool for routing between multivariate datasets | |
KR102447248B1 (ko) | 다른 사용자와 연동하여 종목을 거래할 수 있는 시스템을 제공하는 거래소 운영 방법 및 시스템 | |
KR102447258B1 (ko) | 투자 가이드 모델을 지원하는 거래소 운영 방법 및 시스템 | |
WO2019017032A1 (ja) | 時間の経過につれて価値が変動するアセットを積み立てるためのコンピュータシステム、方法、および、プログラム | |
US12026776B2 (en) | Computer-implemented methods and computer systems for an electronic financial platform | |
CN116563026A (zh) | 一种用于外汇交易的数据聚合方法及装置 | |
US20110131126A1 (en) | Trade Management System For Reducing Securities Positions | |
AU2016203336A1 (en) | System and method for processing composite trading orders at a client | |
CN114065136A (zh) | 用于资产的处理方法、装置、电子设备和存储介质 | |
CN114331724A (zh) | 期权估值方法、装置、设备、介质和产品 | |
CN115271947A (zh) | 一种票据交易撮合成交方法、装置及存储介质 | |
CN114240653A (zh) | 一种贵金属配对交易方法、装置、设备及可读存储介质 | |
CN112016724A (zh) | 一种基于人工智能的股票对比方法 | |
AU2016266008A1 (en) | System and method for processing composite trading orders |
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 |