CN116862673A - 处理结果预测方法、装置、计算机设备和存储介质 - Google Patents
处理结果预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116862673A CN116862673A CN202310787616.7A CN202310787616A CN116862673A CN 116862673 A CN116862673 A CN 116862673A CN 202310787616 A CN202310787616 A CN 202310787616A CN 116862673 A CN116862673 A CN 116862673A
- Authority
- CN
- China
- Prior art keywords
- data
- processing result
- transaction
- sample
- transaction 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
- 238000012545 processing Methods 0.000 title claims abstract description 551
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012216 screening Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种处理结果预测方法、装置、计算机设备和存储介质。本申请涉及大数据技术领域。方法包括：获取多个当前交易数据，并识别各当前交易数据对应的目标交易特征；针对每个目标交易特征，通过处理结果预测模型，预测目标交易特征对应的各当前交易数据的处理结果数据，并筛选目标交易特征的各当前交易数据的处理结果数据对应的处理策略；基于所有目标交易特征的各当前交易数据的处理策略、以及所有目标交易特征的各当前交易数据的处理结果数据，确定各当前交易数据的目标处理结果。采用本方法能够提升预测的处理结果数据的精准度。
Description
技术领域
本申请涉及大数据技术领域，特别是涉及一种处理结果预测方法、装置、计算机设备和存储介质。
背景技术
随着金融技术领域的发展，金融、证券等领域的交易频率越来越大，往往因为交易数据过多，无法仅针对单一交易数据，预测每个交易数据的处理结果数据。因此如何预测每个交易数据的处理结果数据是现在的研究重点。
传统处理结果数据预测方式是通过多年经验的人员逐一梳理每个交易数据的数据信息，从而推算出该交易数据对应的处理结果数据，但是该方式需要耗费大量人工成本，且人工推测容易产生数据偏差，导致预测的处理结果数据的精准度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种处理结果预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种处理结果预测方法。所述方法包括：
获取多个当前交易数据，并识别各所述当前交易数据对应的目标交易特征；
针对每个目标交易特征，通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略；
基于所述目标交易特征的各当前交易数据的处理策略、以及所述目标交易特征的各当前交易数据的处理结果数据，确定所述目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于所述当前交易数据的各目标交易特征的处理结果，确定所述当前交易数据的目标处理结果。
可选的，所述识别各所述当前交易数据对应的目标交易特征，包括：
识别每个当前交易数据的各交易特征，并将相同交易特征的当前交易数据进行聚类处理，得到多个特征组；
针对每个特征组，在所述特征组的各当前交易数据的交易特征中，筛选所述特征组对应的交易特征，作为所述特征组的各当前交易数据的目标交易特征。
可选的，所述通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略，包括：
将所述目标交易特征的各当前交易数据，分别输入初始处理结果预测模型，得到各所述当前交易数据的处理结果数据，并通过策略优化算法，获取所述目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值；
筛选所述目标交易特征的每个当前交易数据的处理结果数据对应的各候选处理策略的评价值中最大的评价值对应的候选处理策略，作为所述目标交易特征的每个当前交易数据的处理结果数据对应的处理策略。
可选的，所述通过策略优化算法，获取所述目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值之前，还包括：
获取处理结果数据集；所述处理结果数据集包括多个处理策略、以及每个处理策略对应的处理过程信息；
针对每个当前交易数据，通过仿真处理策略，仿真所述当前交易数据的处理结果数据对应的处理过程信息，并在所述处理结果数据集中，查询每个处理过程信息对应的处理策略，得到所述当前交易数据的处理结果数据对应的各候选处理策略。
第二方面，本申请提供了一种处理结果预测方法。所述方法包括：
获取多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据；
针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据，并基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型。
可选的，所述基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型，包括：
基于各所述样本交易特征的样本交易数据的样本处理结果数据、以及各所述样本交易特征的样本交易数据第一处理结果数据，确定各所述样本交易特征的样本交易数据的数据偏差值，并在不存在低于偏差阈值的数据偏差值的情况下，在各所述样本交易特征的样本交易数据中，筛选最低数据偏差值的样本交易数据对应的初始处理结果预测模型的参数，替换当前的初始处理结果预测模型的参数；
返回执行所述基于所述样本交易特征的各样本交易数据，通过初始处理结果预测模型，确定所述样本交易特征的第一处理结果数据步骤，直到存在低于偏差阈值的数据偏差值时，将低于偏差阈值的数据偏差值对应的初始处理结果预测模型，作为处理结果预测模型。
可选的，所述针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据之前，还包括：
在所述多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据中，随机筛选多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据；
基于所述多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据，通过贝叶斯优化算法，对初始神经网络模型的超参数进行优化训练，得到初始处理结果预测模型。
第三方面，本申请还提供了一种处理结果预测装置。所述装置包括：
第一获取模块，用于获取多个当前交易数据，并识别各所述当前交易数据对应的目标交易特征；
确定模块，用于针对每个目标交易特征，通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略；
预测模块，用于基于所述目标交易特征的各当前交易数据的处理策略、以及所述目标交易特征的各当前交易数据的处理结果数据，确定所述目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于所述当前交易数据的各目标交易特征的处理结果，确定所述当前交易数据的目标处理结果。
可选的，所述第一获取模块，具体用于：
识别每个当前交易数据的各交易特征，并将相同交易特征的当前交易数据进行聚类处理，得到多个特征组；
针对每个特征组，在所述特征组的各当前交易数据的交易特征中，筛选所述特征组对应的交易特征，作为所述特征组的各当前交易数据的目标交易特征。
可选的，所述确定模块，具体用于：
将所述目标交易特征的各当前交易数据，分别输入初始处理结果预测模型，得到各所述当前交易数据的处理结果数据，并通过策略优化算法，获取所述目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值；
筛选所述目标交易特征的每个当前交易数据的处理结果数据对应的各候选处理策略的评价值中最大的评价值对应的候选处理策略，作为所述目标交易特征的每个当前交易数据的处理结果数据对应的处理策略。
可选的，所述装置还包括：
数据集获取模块，用于获取处理结果数据集；所述处理结果数据集包括多个处理策略、以及每个处理策略对应的处理过程信息；
仿真模块，用于针对每个当前交易数据，通过仿真处理策略，仿真所述当前交易数据的处理结果数据对应的处理过程信息，并在所述处理结果数据集中，查询每个处理过程信息对应的处理策略，得到所述当前交易数据的处理结果数据对应的各候选处理策略。
第四方面，本申请还提供了一种处理结果预测模型的训练装置。所述装置包括：
第二获取模块，用于获取多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据；
训练模块，用于针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据，并基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型。
可选的，所述训练模块，具体用于：
基于各所述样本交易特征的样本交易数据的样本处理结果数据、以及各所述样本交易特征的样本交易数据第一处理结果数据，确定各所述样本交易特征的样本交易数据的数据偏差值，并在不存在低于偏差阈值的数据偏差值的情况下，在各所述样本交易特征的样本交易数据中，筛选最低数据偏差值的样本交易数据对应的初始处理结果预测模型的参数，替换当前的初始处理结果预测模型的参数；
返回执行所述基于所述样本交易特征的各样本交易数据，通过初始处理结果预测模型，确定所述样本交易特征的第一处理结果数据步骤，直到存在低于偏差阈值的数据偏差值时，将低于偏差阈值的数据偏差值对应的初始处理结果预测模型，作为处理结果预测模型。
可选的，所述装置还包括：
筛选模块，用于在所述多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据中，随机筛选多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据；
优化模块，用于基于所述多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据，通过贝叶斯优化算法，对初始神经网络模型的超参数进行优化训练，得到初始处理结果预测模型。
第五方面，本申请提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面和第二方面中任一项所述的方法的步骤。
第六方面，本申请提供了一种计算机可读存储介质。其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
第七方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
上述处理结果预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取多个当前交易数据，并识别各所述当前交易数据对应的目标交易特征；针对每个目标交易特征，通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略；基于所述目标交易特征的各当前交易数据的处理策略、以及所述目标交易特征的各当前交易数据的处理结果数据，确定所述目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于所述当前交易数据的各目标交易特征的处理结果，确定所述当前交易数据的目标处理结果。通过识别每个当前交易数据的目标交易特征，并分别将每个目标交易特征对应的各当前交易数据，输入处理结果预测模型，得到每个目标交易特征对应的各当前交易数据的处理结果数据；然后，通过策略优化算法，筛选该目标交易特征的各当前交易数据对应的处理策略；最后，针对每个当前交易数据，将该当前交易数据对应的所有目标交易特征的交易结果数据、以及该当前交易数据对应的所有目标交易特征的交易策略的集合，作为每个当前交易数据的目标处理结果，不仅同时对多个交易数据的处理结果进行同时预测，提升了预测多个交易数据的效率，并且能够基于每个交易数据的各目标交易特征，通过处理结果预测模型，预测每个目标交易特征对应的各当前交易数据的交易结果数据，以及每个目标交易特征对应的各当前交易数据的交易结果数据对应的处理策略，得到每个目标交易特征对应的各当前交易数据的处理结果，从每个当前交易数据的目标交易特征的角度，分析每个当前交易数据的处理结果，得到每个当前交易数据对应的目标处理结果，从而提升了预测的处理结果数据的精准度。
附图说明
图1为一个实施例中处理结果预测方法的流程示意图；
图2为一个实施例中处理结果预测模型的训练方法的流程示意图；
图3为一个实施例中处理结果预测示例的流程示意图；
图4为一个实施例中处理结果预测装置的结构框图；
图5为一个实施例中处理结果预测模型的训练装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的处理结果预测方法，该方法可以应用于终端，可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，终端通过识别每个当前交易数据的目标交易特征，并分别将每个目标交易特征对应的各当前交易数据，输入处理结果预测模型，得到每个目标交易特征对应的各当前交易数据的处理结果数据；然后，通过策略优化算法，筛选该目标交易特征的各当前交易数据对应的处理策略；最后，针对每个当前交易数据，将该当前交易数据对应的所有目标交易特征的交易结果数据、以及该当前交易数据对应的所有目标交易特征的交易策略的集合，作为每个当前交易数据的目标处理结果，不仅同时对多个交易数据的处理结果进行同时预测，提升了预测多个交易数据的效率，并且能够基于每个交易数据的各目标交易特征，通过处理结果预测模型，预测每个目标交易特征对应的各当前交易数据的交易结果数据，以及每个目标交易特征对应的各当前交易数据的交易结果数据对应的处理策略，得到每个目标交易特征对应的各当前交易数据的处理结果，从每个当前交易数据的目标交易特征的角度，分析每个当前交易数据的处理结果，得到每个当前交易数据对应的目标处理结果，从而提升了预测的处理结果数据的精准度。
在一个实施例中，如图1所示，提供了一种处理结果预测方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，获取多个当前交易数据，并识别各当前交易数据对应的目标交易特征。
本实施例中，终端响应于用户的交易数据预测操作，获取用户需要预测的交易数据，作为当前交易数据。然后终端在历史数据库中，查询该当前交易数据对应的多个交易特征，并在多个交易特征中，筛选目标交易特征。具体的筛选过程后续将详细说明。其中，当前交易数据为限价订单薄(LOB)中的各限价单对应的数据。处理结果包括处理结果数据、以及该处理结果数据对应的处理策略。其中，目标交易特征为交易数据针对不同交易场景下的交易状态，具体的获取样本交易数据的过程后续将详细说明。具体的交易特征的类型后续将展开说明。
步骤S102，针对每个目标交易特征，通过处理结果预测模型，预测目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选目标交易特征的各当前交易数据的处理结果数据对应的处理策略。
本实施例中，终端针对每个目标交易特征，将该目标交易特征中的各当前交易数据，分别输入处理结果预测模型，预测该目标交易特征中的每个当前交易结果对应的处理结果数据。然后，终端通过策略优化算法，分别确定该目标交易特征的每个当前交易数据处理结果数据对应的处理策略(具体确定过程后续将详细说明)。其中，初始处理结果预测模型可以但不限于是任意一种能够实现上述步骤的强化学习神经网络模型。该模型优化算法为近端策略优化算法(PPO)。
步骤S103，基于目标交易特征的各当前交易数据的处理策略、以及目标交易特征的各当前交易数据的处理结果数据，确定目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于当前交易数据的各目标交易特征的处理结果，确定当前交易数据的目标处理结果。
本实施例中，终端针对每个当前交易数据，将该当前交易数据的每个目标交易特征的处理结果数据、以及该当前交易数据的每个目标交易特征的处理结果数据对应的处理策略，作为该当前交易数据的每个目标交易特征的处理结果。然后，终端当前交易数据的所有目标交易特征的处理结果的集合，作为该当前交易数据的目标处理结果。其中，该目标处理结果包括了该当前交易数据在不同交易场景下的交易状态对应的交易策略，以及该当前交易数据在不同交易场景下的交易状态对应的交易策略的处理结果数据。
基于上述方案，通过识别每个当前交易数据的目标交易特征，并分别将每个目标交易特征对应的各当前交易数据，输入处理结果预测模型，得到每个目标交易特征对应的各当前交易数据的处理结果数据；然后，通过策略优化算法，筛选该目标交易特征的各当前交易数据对应的处理策略；最后，针对每个当前交易数据，将该当前交易数据对应的所有目标交易特征的交易结果数据、以及该当前交易数据对应的所有目标交易特征的交易策略的集合，作为每个当前交易数据的目标处理结果，不仅同时对多个交易数据的处理结果进行同时预测，提升了预测多个交易数据的效率，并且能够基于每个交易数据的各目标交易特征，通过处理结果预测模型，预测每个目标交易特征对应的各当前交易数据的交易结果数据，以及每个目标交易特征对应的各当前交易数据的交易结果数据对应的处理策略，得到每个目标交易特征对应的各当前交易数据的处理结果，从每个当前交易数据的目标交易特征的角度，分析每个当前交易数据的处理结果，得到每个当前交易数据对应的目标处理结果，从而提升了预测的处理结果数据的精准度。
可选的，识别各当前交易数据对应的目标交易特征，包括：识别每个当前交易数据的各交易特征，并将相同交易特征的当前交易数据进行聚类处理，得到多个特征组；针对每个特征组，在特征组的各当前交易数据的交易特征中，筛选特征组对应的交易特征，作为特征组的各当前交易数据的目标交易特征。
本实施例中，终端预设交易特征提取策略，并基于该交易特征识别策略，提取每个初始交易数据的多个交易特征。其中交易特征提取策略为提取交易数据中的交易双方信息、交易数量、交易环境、以及交易时间的提取策略。终端对相同交易场景下的交易特征对应的当前交易数据进行聚类处理，得到多个当前交易数据的特征组。然后，终端针对每个特征组，将该特征组对应的交易特征，作为该特征组中每个当前交易数据的目标交易特征。
具体的交易特征包括三种，分别为：
交易特征1：在τ时刻的状态是由投标方和询问方双方(交易双方)前十级的限价订单簿中的限价单(交易数据)的数量来定义。此外，交易数据还包括最后9个分时交易的限价订单簿中的限价单的状态和交易数据的当前位置(梯度上升、梯度下降、不变)。
交易特征2：在τ时刻的状态根据当前交易特征1定义，并增加了交易数据当前未平仓位置的市值(根据定义，如果不是在一个位置，则为零)。市值标记定义为处理策略在当前决定平仓时将获得的利润。
交易特征3：在τ时刻的状态根据当前交易特征2定义，交易数据增加当前的买卖价差。这使得交易数据可以在开盘/平仓之前评估交易成本。这些影响了潜在贸易的盈利能力，从而影响估计贸易潜在净回报的能力。
基于上述方案，通过聚类相同交易特征的当前交易数据，得到特征组，并基于每个特征组，确定每个当前交易数据对应的目标交易特征，提升了确定该当前交易数据的目标交易特征的实用性。
可选的，通过处理结果预测模型，预测目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选目标交易特征的各当前交易数据的处理结果数据对应的处理策略，包括：将目标交易特征的各当前交易数据，分别输入初始处理结果预测模型，得到各当前交易数据的处理结果数据，并通过策略优化算法，获取目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值；筛选目标交易特征的每个当前交易数据的处理结果数据对应的各候选处理策略的评价值中最大的评价值对应的候选处理策略，作为目标交易特征的每个当前交易数据的处理结果数据对应的处理策略。
本实施例中，终端针对该目标交易特征的每个当前交易数据，将该当前交易数据输入初始处理结果预测模型，得到各当前交易数据的处理结果数据。终端通过策略优化算法，基于该目标交易特征的当前交易数据，计算该当前交易数据当前交易数据对应的每个候选处理策略的评价值。然后，终端在该目标交易特征的每个当前交易数据当前交易数据对应的各处理策略的评价值中，筛选最大的评价值对应的处理策略，作为该目标交易特征的当前交易数据当前交易数据对应的处理策略。最后，终端将该当前交易数据的处理策略、以及该当前交易数据的处理结果数据，作为该目标交易特征的当前交易数据的处理结果。同样的，通过上述方案，终端得到该目标交易特征的每个当前交易数据的处理结果。其中，该模型优化算法的策略损失函数LPG(Q)，其公式为：
其中Et[logπQ(at|st)]表示在目标交易特征s中采取处理策略a的预期对数概率和估计的优势函数A^t，提供当前处理策略a与当前目标交易特征s下所有其他可能动作的平均值相比的估计值(即评价值)。
该模型优化算法的目标函数公式为：
其中，logπQ(at|st)被替换为当前处理策略下的处理结果数据，与上一个处理策略rt(Q)＝πQ(at|st)πQold(at|st)下的处理结果数据之间的比率。即当rt(Q)>1，当前处理策略比上一个处理策略的评价值高，如果0<rt(Q)<1，则上一个处理策略比当前处理策略的评价值高。当rt(Q)偏离1时，选择评价值较大的处理策略。
基于上述方案，通过策略优化算法，筛选当前交易数据的处理策略，提升后续计算数据偏差值的精准度，从而提升了对处理结果预测效果。
可选的，通过策略优化算法，获取目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值之前，还包括：获取处理结果数据集；处理结果数据集包括多个处理策略、以及每个处理策略对应的处理过程信息；针对每个当前交易数据，通过仿真处理策略，仿真当前交易数据的处理结果数据对应的处理过程信息，并在处理结果数据集中，查询每个处理过程信息对应的处理策略，得到当前交易数据的处理结果数据对应的各候选处理策略。
本实施例中，终端在历史数据库中，查询每个处理策略、以及每个处理策略对应的处理过程信息。然后，针对每个当前交易数据，终端通过仿真处理策略，仿真该当前交易数据的处理结果数据对应的交易处理过程，得到该当前交易数据的处理结果数据对应的多个处理过程信息。然后，终端在该历史数据库中，查询每个处理过程信息对应的处理策略，得到该当前交易数据的处理结果数据对应的多个候选处理策略。其中不同的处理过程信息对应的仿真处理策略不同。其中，处理策略与处理结果数据对应的仿真处理策略例如：
仿真处理策略1：处理策略决定卖出，而目前并不持有该股票。因此，处理策略决定进入一个单位的空头头寸p：N→S。进入空头头寸指决定以当前的价格卖出股票，并在未来的时间以当时的市场价格再买回股票(处理过程信息为梯度下降)。
仿真处理策略2：处理策略决定购买，而目前并不持有该股票。因此，处理策略为进入一个单位的多头头寸p：N→L。进入多头头寸是决定以当前的价格购买股票，并在未来的时间以当时的市场价格卖出(处理过程信息为梯度上升)。
仿真处理策略3：独立于当前的目标交易特征，如果处理策略决定待命，它将不执行任何动作(处理过程信息为0)。
仿真处理策略4：处理策略决定卖出，处理策略已经有一个空头头寸。卖出的位置保持打开，不采取其他的卖出位置(即处理过程信息无变化)。
仿真处理策略5：处理策略决定购买，处理策略已经有一个多头头寸。买入的位置保持打开，不采取其他的买入位置(即处理过程信息无变化)。
仿真处理策略6：处理策略决定在多头头寸时出售。该头寸被关闭并恢复为零p：L→n。因此，与该交易相关的利润被计算并提供给处理策略，作为其动作的反馈(即处理过程信息为交易相关的利润的计算值)。
仿真处理策略7：处理策略决定在空头头寸时买入。该头寸被关闭并恢复为零p：S→n。因此，与该交易相关的利润被计算并提供给处理策略，作为其行动的反馈(即处理过程信息为交易相关的利润的计算值)。
仿真处理策略8：处理策略检查当天Rday的当前累计利润；如果Rday<0，则当前头寸关闭，并且禁用当天的进一步交易以避免过度损失(即处理过程信息为0)。
基于上述方案，终端通过仿真当前交易数据的处理过程信息，得到该样本交易数据的处理结果数据对应的处理策略，提升了筛选样本交易数据的处理结果数据对应的处理策略的精确度。
在一个实施例中，如图2所示，提供了一种处理结果预测方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S201，获取多个不同样本交易特征的样本交易数据、以及各样本交易数据对应的样本处理结果数据。
本实施例中，终端在历史数据库中，针对不同样本交易特征的已包含处理结果数据的交易数据作为样本交易数据，并将每个样本交易数据对应的处理结果数据作为样本处理结果数据。
步骤S202，针对每个样本交易特征，通过初始处理结果预测模型，预测样本交易特征对应的各样本交易数据的第一处理结果数据，并基于各样本交易特征的样本交易数据的第一处理结果数据、以及各样本交易特征的样本交易数据的样本处理结果数据，对初始处理结果预测模型的参数进行调整，得到处理结果预测模型。
本实施例中，终端针对每个样本交易特征，将该样本交易特征中的各样本交易数据，分别输入初始处理结果预测模型，分别预测该样本交易特征中的每个样本交易结果对应的第一处理结果数据。然后，终端基于样本交易数据的第一处理结果数据、以及样本交易数据的样本处理结果数据之间的数据偏差值，调整该初始处理结果预测模型的参数，得到处理结果预测模型。其中调整参数的过程后续将详细说明。
基于上述方案，通过大量的不同样本交易特征的样本交易数据、以及各样本交易数据的样本处理结果训练初始处理结果预测模型，并且在训练处理结果预测模型的过程中，通过策略优化算法，筛选每个样本交易特征的各样本交易数据对应的第一处理策略，使得每个样本交易数据使用一种最优处理策略，从而避免在基于预设处理策略训练该处理结果预测模型的过程时，导致该处理结果模型由于预设处理策略并非该样本交易数据的最优处理策略的情况下，使得该处理结果模型限于非常规局部解的问题，使得通过处理结果模型代替人工推测的过程，提升了预测的处理结果数据的精准度。
可选的，基于各样本交易特征的样本交易数据的第一处理结果数据、以及各样本交易特征的样本交易数据的样本处理结果数据，对初始处理结果预测模型的参数进行调整，得到处理结果预测模型，包括：基于各样本交易特征的样本交易数据的样本处理结果数据、以及各样本交易特征的样本交易数据第一处理结果数据，确定各样本交易特征的样本交易数据的数据偏差值，并在不存在低于偏差阈值的数据偏差值的情况下，在各样本交易特征的样本交易数据中，筛选最低数据偏差值的样本交易数据对应的初始处理结果预测模型的参数，替换当前的初始处理结果预测模型的参数；返回执行基于样本交易特征的各样本交易数据，通过初始处理结果预测模型，确定样本交易特征的第一处理结果数据步骤，直到存在低于偏差阈值的数据偏差值时，将低于偏差阈值的数据偏差值对应的初始处理结果预测模型，作为处理结果预测模型。
本实施例中，终端针对每个样本交易特征，分别计算该样本交易特征的样本交易数据的第一处理结果数据、与该样本交易特征的样本交易数据的样本处理结果数据之间的数据偏差值。然后，终端预设数据偏差阈值，并判断各数据偏差值中是否存在低于数据偏差阈值的情况。在各数据偏差值中存在低于数据偏差阈值的情况下，终端将低于数据偏差阈值的数据偏差值的样本交易数据对应的初始处理结果预测模型，作为处理结果预测模型。在所有数据偏差值中不存在低于数据偏差阈值的情况下，终端在所有数据偏差值中，筛选最低数据偏差值的样本交易数据对应的初始结果预测模型的参数，替换当前的初始处理结果预测模型的参数。然后终端返回执行基于样本交易特征的各样本交易数据，通过初始处理结果预测模型，确定样本交易特征的第一处理结果数据步骤。直到存在满足模型筛选条件的数据偏差值时，终端停止迭代操作，并将低于数据偏差阈值的数据偏差值的样本交易数据对应的初始处理结果预测模型，作为处理结果预测模型。
基于上述方案，终端通过计算该样本交易数据的样本处理结果数据与样本交易数据的第一处理结果数据之间的数据偏差值，从而优化该处理结果预测模型的参数，提升了该处理结果预测模型的预测精准度。
可选的，针对每个样本交易特征，通过初始处理结果预测模型，预测样本交易特征对应的各样本交易数据的第一处理结果数据之前，还包括：在多个不同样本交易特征的样本交易数据、以及各样本交易数据对应的样本处理结果数据中，随机筛选多个不同样本交易特征的测试交易数据、以及各测试交易数据对应的测试处理结果数据；基于多个不同样本交易特征的测试交易数据、以及各测试交易数据对应的测试处理结果数据，通过贝叶斯优化算法，对初始神经网络模型的超参数进行优化训练，得到初始处理结果预测模型。
本实施例中，终端在多个不同样本交易特征的样本交易数据、以及各样本交易数据对应的样本处理结果数据中，随机筛选多个不同样本交易特征的测试交易数据、以及各测试交易数据对应的测试处理结果数据。然后，终端将多个不同样本交易特征的测试交易数据，输入初始神经网络模型，得到多个测试交易数据的初始处理结果数据。在不存在初始处理结果数据与测试处理结果数据的测试偏差值低于预设测试偏差值阈值的情况下，终端通过贝叶斯优化算法，对初始神经网络模型的超参数进行优化，并返回执行终端将多个不同样本交易特征的测试交易数据，输入初始神经网络模型，得到多个测试交易数据的初始处理结果数据步骤，直到存在初始处理结果数据与测试处理结果数据的测试偏差值低于预设测试偏差值阈值的情况下，终端筛选最接近测试处理结果的初始处理结果数据对应的初始神经网络模型，并将该初始神经网络模型作为初始处理结果预测模型。其中，该初始处理结果预测模型的奖励函数re,E,d表示由处理结果预测模型在第d日的第e期结束时的数据值。
基于上述方案，通过贝叶斯优化算法，先训练初始神经网络模型得到初始处理结果预测模型，为后续训练该初始处理结果预测模型提供模型基础。
本申请还提供了一种处理结果预测示例，如图3所示，具体处理过程包括以下步骤：
步骤S301，获取多个当前交易数据。
步骤S302，识别每个当前交易数据的各交易特征，并将相同交易特征的当前交易数据进行聚类处理，得到多个特征组。
步骤S303，针对每个特征组，在特征组的各当前交易数据的交易特征中，筛选特征组对应的交易特征，作为特征组的各当前交易数据的目标交易特征。
步骤S304，获取处理结果数据集。
步骤S305，针对每个当前交易数据，通过仿真处理策略，仿真当前交易数据的处理结果数据对应的处理过程信息，并在处理结果数据集中，查询每个处理过程信息对应的处理策略，得到当前交易数据的处理结果数据对应的各候选处理策略。
步骤S306，将目标交易特征的各当前交易数据，分别输入初始处理结果预测模型，得到各当前交易数据的处理结果数据，并通过策略优化算法，获取目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值。
步骤S307，筛选目标交易特征的每个当前交易数据的处理结果数据对应的各候选处理策略的评价值中最大的评价值对应的候选处理策略，作为目标交易特征的每个当前交易数据的处理结果数据对应的处理策略。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的处理结果预测方法的处理结果预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个处理结果预测装置实施例中的具体限定可以参见上文中对于处理结果预测方法的限定，在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种处理结果预测装置，包括：第一获取模块410、确定模块420和预测模块430，其中：
第一获取模块410，用于获取多个当前交易数据，并识别各所述当前交易数据对应的目标交易特征；
确定模块420，用于针对每个目标交易特征，通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略；
预测模块430，用于基于所述目标交易特征的各当前交易数据的处理策略、以及所述目标交易特征的各当前交易数据的处理结果数据，确定所述目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于所述当前交易数据的各目标交易特征的处理结果，确定所述当前交易数据的目标处理结果。
可选的，所述第一获取模块410，具体用于：
识别每个当前交易数据的各交易特征，并将相同交易特征的当前交易数据进行聚类处理，得到多个特征组；
针对每个特征组，在所述特征组的各当前交易数据的交易特征中，筛选所述特征组对应的交易特征，作为所述特征组的各当前交易数据的目标交易特征。
可选的，所述确定模块420，具体用于：
将所述目标交易特征的各当前交易数据，分别输入初始处理结果预测模型，得到各所述当前交易数据的处理结果数据，并通过策略优化算法，获取所述目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值；
筛选所述目标交易特征的每个当前交易数据的处理结果数据对应的各候选处理策略的评价值中最大的评价值对应的候选处理策略，作为所述目标交易特征的每个当前交易数据的处理结果数据对应的处理策略。
可选的，所述装置还包括：
数据集获取模块，用于获取处理结果数据集；所述处理结果数据集包括多个处理策略、以及每个处理策略对应的处理过程信息；
仿真模块，用于针对每个当前交易数据，通过仿真处理策略，仿真所述当前交易数据的处理结果数据对应的处理过程信息，并在所述处理结果数据集中，查询每个处理过程信息对应的处理策略，得到所述当前交易数据的处理结果数据对应的各候选处理策略。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的处理结果预测模型的训练方法的处理结果预测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个处理结果预测模型的训练装置实施例中的具体限定可以参见上文中对于处理结果预测模型的训练方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种处理结果预测模型的训练装置，包括：第二获取模块510和训练模块520，其中：
第二获取模块510，用于获取多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据；
训练模块520，用于针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据，并基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型。
可选的，所述训练模块520，具体用于：
基于各所述样本交易特征的样本交易数据的样本处理结果数据、以及各所述样本交易特征的样本交易数据第一处理结果数据，确定各所述样本交易特征的样本交易数据的数据偏差值，并在不存在低于偏差阈值的数据偏差值的情况下，在各所述样本交易特征的样本交易数据中，筛选最低数据偏差值的样本交易数据对应的初始处理结果预测模型的参数，替换当前的初始处理结果预测模型的参数；
返回执行所述基于所述样本交易特征的各样本交易数据，通过初始处理结果预测模型，确定所述样本交易特征的第一处理结果数据步骤，直到存在低于偏差阈值的数据偏差值时，将低于偏差阈值的数据偏差值对应的初始处理结果预测模型，作为处理结果预测模型。
可选的，所述装置还包括：
筛选模块，用于在所述多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据中，随机筛选多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据；
优化模块，用于基于所述多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据，通过贝叶斯优化算法，对初始神经网络模型的超参数进行优化训练，得到初始处理结果预测模型。
上述处理结果预测装置和处理结果预测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种处理结果预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现第一方面和第二方面中任一项所述的方法的步骤。
在一个实施例中，提供了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时实现第一方面和第二方面中任一项所述的方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面和第二方面中任一项所述的方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种处理结果预测方法，其特征在于，所述方法包括：
获取多个当前交易数据，并识别各所述当前交易数据对应的目标交易特征；
针对每个目标交易特征，通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略；
基于所述目标交易特征的各当前交易数据的处理策略、以及所述目标交易特征的各当前交易数据的处理结果数据，确定所述目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于所述当前交易数据的各目标交易特征的处理结果，确定所述当前交易数据的目标处理结果。
2.根据权利要求1所述的方法，其特征在于，所述识别各所述当前交易数据对应的目标交易特征，包括：
识别每个当前交易数据的各交易特征，并将相同交易特征的当前交易数据进行聚类处理，得到多个特征组；
针对每个特征组，在所述特征组的各当前交易数据的交易特征中，筛选所述特征组对应的交易特征，作为所述特征组的各当前交易数据的目标交易特征。
3.根据权利要求1所述的方法，其特征在于，所述通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略，包括：
将所述目标交易特征的各当前交易数据，分别输入初始处理结果预测模型，得到各所述当前交易数据的处理结果数据，并通过策略优化算法，获取所述目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值；
筛选所述目标交易特征的每个当前交易数据的处理结果数据对应的各候选处理策略的评价值中最大的评价值对应的候选处理策略，作为所述目标交易特征的每个当前交易数据的处理结果数据对应的处理策略。
4.根据权利要求1所述的方法，其特征在于，所述通过策略优化算法，获取所述目标交易特征的每个当前交易数据的处理结果数据对应的多个候选处理策略的评价值之前，还包括：
获取处理结果数据集；所述处理结果数据集包括多个处理策略、以及每个处理策略对应的处理过程信息；
针对每个当前交易数据，通过仿真处理策略，仿真所述当前交易数据的处理结果数据对应的处理过程信息，并在所述处理结果数据集中，查询每个处理过程信息对应的处理策略，得到所述当前交易数据的处理结果数据对应的各候选处理策略。
5.一种处理结果预测模型的训练方法，其特征在于，所述方法包括：
获取多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据；
针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据，并基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型，包括：
基于各所述样本交易特征的样本交易数据的样本处理结果数据、以及各所述样本交易特征的样本交易数据第一处理结果数据，确定各所述样本交易特征的样本交易数据的数据偏差值，并在不存在低于偏差阈值的数据偏差值的情况下，在各所述样本交易特征的样本交易数据中，筛选最低数据偏差值的样本交易数据对应的初始处理结果预测模型的参数，替换当前的初始处理结果预测模型的参数；
返回执行所述基于所述样本交易特征的各样本交易数据，通过初始处理结果预测模型，确定所述样本交易特征的第一处理结果数据步骤，直到存在低于偏差阈值的数据偏差值时，将低于偏差阈值的数据偏差值对应的初始处理结果预测模型，作为处理结果预测模型。
7.根据权利要求5所述的方法，其特征在于，所述针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据之前，还包括：
在所述多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据中，随机筛选多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据；
基于所述多个不同样本交易特征的测试交易数据、以及各所述测试交易数据对应的测试处理结果数据，通过贝叶斯优化算法，对初始神经网络模型的超参数进行优化训练，得到初始处理结果预测模型。
8.一种处理结果预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个当前交易数据，并识别各所述当前交易数据对应的目标交易特征；
确定模块，用于针对每个目标交易特征，通过处理结果预测模型，预测所述目标交易特征对应的各当前交易数据的处理结果数据，并通过策略优化算法，筛选所述目标交易特征的各当前交易数据的处理结果数据对应的处理策略；
预测模块，用于基于所述目标交易特征的各当前交易数据的处理策略、以及所述目标交易特征的各当前交易数据的处理结果数据，确定所述目标交易特征的各当前交易数据的处理结果，并针对每个当前交易数据，基于所述当前交易数据的各目标交易特征的处理结果，确定所述当前交易数据的目标处理结果。
9.一种处理结果预测模型的训练装置，其特征在于，所述装置包括：
第二获取模块，用于获取多个不同样本交易特征的样本交易数据、以及各所述样本交易数据对应的样本处理结果数据；
训练模块，用于针对每个样本交易特征，通过初始处理结果预测模型，预测所述样本交易特征对应的各样本交易数据的第一处理结果数据，并基于各所述样本交易特征的样本交易数据的第一处理结果数据、以及各所述样本交易特征的样本交易数据的样本处理结果数据，对所述初始处理结果预测模型的参数进行调整，得到处理结果预测模型。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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4和权利要求5至7中任一项所述的方法的步骤。
11.一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4和权利要求5至7中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，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4和权利要求5至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787616.7A CN116862673A (zh) | 2023-06-29 | 2023-06-29 | 处理结果预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787616.7A CN116862673A (zh) | 2023-06-29 | 2023-06-29 | 处理结果预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116862673A true CN116862673A (zh) | 2023-10-10 |
Family
ID=88227989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310787616.7A Pending CN116862673A (zh) | 2023-06-29 | 2023-06-29 | 处理结果预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862673A (zh) |
-
2023
- 2023-06-29 CN CN202310787616.7A patent/CN116862673A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021135562A1 (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
| US20230084638A1 (en) | Method and apparatus for classification model training and classification, computer device, and storage medium | |
| CN111898675B (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
| CN110288459A (zh) | 贷款预测方法、装置、设备及存储介质 | |
| CN116701896A (zh) | 画像标签确定方法、装置、计算机设备和存储介质 | |
| CN116862673A (zh) | 处理结果预测方法、装置、计算机设备和存储介质 | |
| CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
| CN115186890A (zh) | 预警方法、装置、计算机设备和存储介质 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN113724064A (zh) | 基于人工智能的参数确定方法、装置、电子设备 | |
| CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
| CN117350461B (zh) | 企业异常行为预警方法、系统、计算机设备及存储介质 | |
| CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 | |
| CN118313625A (zh) | 金融服务资源配置方法、装置、设备和存储介质 | |
| CN118353791A (zh) | 资源交互等级的输出方法、装置、计算机设备、可读存储介质 | |
| CN115578186A (zh) | 授信额度预测方法、装置、计算机设备、存储介质和产品 | |
| CN117094828A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
| CN118364317A (zh) | 样本扩充方法、装置、计算机设备和可读存储介质 | |
| CN114418729A (zh) | 白户违约风险评估方法、装置、电子设备和存储介质 | |
| CN117151884A (zh) | 资产管理数据处理方法、装置、计算机设备和存储介质 | |
| CN117829951A (zh) | 三维模型推荐方法、装置、计算机设备和存储介质 | |
| CN117333301A (zh) | 基于投资者画像的基金组合构建方法及设备 | |
| CN117459576A (zh) | 基于边缘计算的数据推送方法、装置和计算机设备 | |
| CN115907969A (zh) | 账户风险评估方法、装置、计算机设备和存储介质 | |
| CN118505230A (zh) | 检测模型的训练方法、装置、计算机设备和存储介质 |
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 |