本發(fā)明涉及計算機技術，尤其涉及一種交易量預測的方法及設備。

背景技術：

隨著計算機技術的不斷發(fā)展，越來越多的投資者在證券交易過程中采用算法進行股票交易，美國證券市場已有70％以上的股票交易使用算法進行交易。股票交易采用算法進行交易，可以提高整體交易市場的流動性，以及減少市場沖擊，降低投資者的交易成本。

對掌握大量資金的機構(gòu)投資者，在做大額股票交易時，往往不能一次性成交，產(chǎn)生較大的沖擊成本，未成交部分將承擔這部分沖擊成本，導致交易成本比市場平均成本高，因此，需要將大額訂單拆成小額訂單，逐步送入市場，降低交易成本。而采用VWAP算法可以找到一種拆單方式，使得股票交易實現(xiàn)的總均價最接近交易區(qū)間內(nèi)市場的該股票的均價，從而得到將大額訂單拆成小額訂單的方法，也就是說采用VWAP算法，先預測出各區(qū)間的交易量，然后根據(jù)預測的交易量進行交易。

目前大部分股票交易量預測方法所采用的VWAP算法為基于經(jīng)典的歷史平均VWAP法或者簡單動態(tài)VWAP算法，未考慮歷史交易日的收盤價和歷史交易日的分鐘區(qū)間股票均價對當前交易日各分鐘區(qū)間交易量的影響，對當前交易日各分鐘區(qū)間交易量的預測不準確。

技術實現(xiàn)要素：

本發(fā)明提供一種交易量預測的方法及設備，以克服現(xiàn)有技術中的方法對當前交易日各區(qū)間交易量的預測不準確的技術問題。

本發(fā)明提供一種交易量預測方法，包括：

根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i；

獲取所述第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i；其中，第一調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第一漲跌方向確定的，所述第一漲跌方向是根據(jù)多個連續(xù)的歷史交易日的收盤價確定的；第二調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的第二漲跌方向確定的，所述第二漲跌方向是根據(jù)多個連續(xù)的歷史交易日的第i分鐘區(qū)間的股票均價和第i-1分鐘區(qū)間的股票均價確定的；

根據(jù)所述第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和所述預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i；

根據(jù)所述股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，預測當前交易日第i分鐘區(qū)間股票的目標交易量；

其中，i＝1、2……I。

如上所述的方法，在所述根據(jù)所述股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量之前，所述方法還包括：

根據(jù)日成交量預測模型，得到當前交易日的所述股票的成交總量X。

如上所述的方法，所述交易量比例預測模型的表達式為公式一：

vpDiff_i＝b₀+b₁×svpDiff_i-1+b₂×abs(int ervalGain_i-1) 公式一；

其中，b₀、b₁和b₂均為交易量比例預測模型的系數(shù)，vpDiff_i為當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i與N個歷史交易日的第i分鐘區(qū)間股票的平均交易量比例L_i的差值，svpDiff_i-1為當前交易日第i-1分鐘區(qū)間股票的目標交易量比例R_i-1與N個歷史交易日的第i-1分鐘區(qū)間股票的平均交易量比例L_i-1的差值，abs(intervalGain_i-1)是指當前交易日的第i-1分鐘區(qū)間的股票均價與第i-2分鐘區(qū)間的股票均價的收益率的絕對值；intervalGain₀為當前交易日的開盤價與當前交易日之前的第1歷史交易日的收盤價的收益率，svpDiff0為當前交易日的集合競價交易量比例與N個歷史交易日的平均集合競價交易量比例的差值，intervalGain₁為當前交易日第1分鐘區(qū)間的股票均價與當前交易日的開盤價的收益率；

其中，所述N個歷史交易日的第i分鐘區(qū)間股票的平均交易量比例L_i的表達式為公式二：

L_i＝(a_1i+a_2i+…+a_ni+…a_Ni)/N， 公式二；

其中，a_ni是指當前交易日之前第n歷史交易日的第i分鐘區(qū)間股票的交易量比例；

相應地，根據(jù)所述交易量比例預測模型，獲取當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i，包括：

根據(jù)所述交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的交易量比例與歷史交易日的第i分鐘區(qū)間股票的平均交易量比例的差值vpDiff_i；

通過公式三獲取當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i：

r_i＝vpDiff_i+L_i 公式三。

如上所述的方法，在所述根據(jù)所述交易量比例預測模型，獲取當前交易日第i分鐘區(qū)間股票的預測交易量比例之前，所述方法還包括：

選取第一訓練樣本集，所述第一訓練樣本集中包括多個第一訓練樣本，所述第一訓練樣本為當前交易日之前第n₁歷史交易日所述股票的第一交易參數(shù)，n₁為正整數(shù)，n₁＝1,2……N₁；

根據(jù)各所述第一訓練樣本各自的第一交易參數(shù)，采用自回歸的方法，對多個所述第一訓練樣本訓練，得到交易量比例預測模型的各系數(shù)：b₀、b₁和b₂；

根據(jù)所述b₀、b₁和b₂，得到所述交易量比例預測模型。

如上所述的方法，根據(jù)所述第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和所述預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i包括：

通過公式四得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i：

R_i＝r_i×D_i+C_i 公式四。

如上所述的方法，所述獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i包括：

選取第二訓練樣本集，所述第二訓練樣本集中包括多個第二訓練樣本，所述第二訓練樣本為當前交易日之前第h歷史交易日所述股票的技術指標參數(shù)，h為正整數(shù)，h＝1,2……H；

根據(jù)各所述第二訓練樣本各自的技術指標參數(shù)，采用機器學習算法對所述多個第二訓練樣本進行訓練，得到所述股票的當前交易日之前第h歷史交易日的收盤價相對于當前交易日之前第h+1歷史交易日收盤價的第三漲跌方向值；

根據(jù)各所述第三漲跌方向值，得到當前交易日收盤價相對于與當前交易日之前第1歷史交易日的收盤價之間的第一漲跌方向值；

若所述第一漲跌方向值為正值，且當前交易日的交易類型為買單，或者所述第一漲跌方向值為負值，且當前交易日的交易類型為賣單，則通過公式五獲取處理后的歷史交易日的第i分鐘區(qū)間股票的平均交易量比例pastVpNew_i：

pastVpNew_i＝pastVp_i×[0.8+exp(1-i/I)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式五

其中，pastVp_i為當前交易日之前H₁個歷史交易日的第i分鐘區(qū)間股票的平均交易量比例；

若所述第一漲跌方向值為負值，且當前交易日的交易類型為買單，或者所述第一漲跌方向值為正值，且當前交易日的交易類型為賣單，則通過公式六獲取處理后的歷史交易日的第i分鐘區(qū)間股票的平均交易量比例pastVpNew_i：

pastVpNew_i＝pastVp_i×[0.8+exp(i/I)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式六；

對pastVpNew_i進行歸一化，得到gpastVpNew_i

通過公式七得到第i分鐘區(qū)間的第一調(diào)整參數(shù)C_i：

C_i＝gpastVpNew_i－pastVp_i 公式七。

如上所述的方法，所述獲取第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i包括：

選取第三訓練樣本集，所述第三訓練樣本集中包括多個第三訓練樣本，所述第三訓練樣本為當前交易日之前第k歷史交易日所述股票的特征參數(shù)，k為正整數(shù)，k＝1,2……K；

根據(jù)各所述第三訓練樣本各自的特征參數(shù)，采用機器學習算法或者回歸方法對所述多個第三訓練樣本進行訓練，得到各歷史交易日第i分鐘區(qū)間所述股票的均價相對于第i-1分鐘區(qū)間所述股票的均價的第四漲跌方向值；

根據(jù)各第四漲跌方向值，得到當前交易日第i分鐘區(qū)間所述股票的均價相對于第i-1分鐘區(qū)間所述股票的均價的第二漲跌方向值；

若第二漲跌方向值為正值，且當前交易日的交易類型為賣單，或者第二漲跌方向值為負值，且當前交易日的交易類型為買單，則通過公式八獲取第二調(diào)整系數(shù)D_i：

D_i＝[exp(r_i/3)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式八；

其中，r_i為當前交易日第i分鐘區(qū)間內(nèi)所述股票的價格敏感度；

若第二漲跌方向值為正值，且當前交易日的交易類型為買單，或者第二漲跌方向值為負值，且當前交易日的交易類型為賣單，則通過公式九獲取第二調(diào)整系數(shù)D_i：

D_i＝-[exp(r_i/3)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式九；

其中，r_i為當前交易日第i分鐘區(qū)間內(nèi)所述股票的價格敏感度。

如上所述的方法，所述日成交量預測模型的表達式為公式十：

hslDiff_j＝a₀+a₁×hslDiff_j-1+a₂×dayGain_j-1 公式十；

其中，a₀、a₁和a₂均為日成交量預測模型的系數(shù)，hslDiff_j為當前交易日的換手率與當前交易日對應的M個歷史交易日的平均換手率Q的差值，hslDiff_j-1為當前交易日之前第1歷史交易日的換手率與當前交易日之前第1歷史交易日對應的M個歷史交易日的平均換手率的差值，dayGain_j-1為當前交易日之前第1歷史交易日的股票均價與當前交易日之前第2歷史交易日股票股票均價的比值減去1；

相應地，所述根據(jù)日成交量預測模型，獲取當前交易日的所述股票的成交總量X包括：

根據(jù)所述日成交量預測模型，得到當前交易日的換手率與當前交易日對應的M個歷史交易日的平均換手率的差值hslDiff_j；

通過公式十二得到當前交易日的換手率hsl：

hsl＝hslDiff_j+Q 公式十一；

通過公式十三得到當前交易日的所述股票的成交總量X：

X＝hsl×Y 公式十二；

其中，Y是指所述股票在當前交易日的流通股數(shù)，所述流通股數(shù)是指所述股票發(fā)行的可在市場中交易的總股數(shù)。

如上所述的方法，在所述根據(jù)日成交量預測模型，獲取當前交易日的所述股票的成交總量X之前，所述方法還包括：

選取第四訓練樣本集，所述第四訓練樣本集中包括多個第四訓練樣本，所述第四訓練樣本為當前交易日之前第m₁歷史交易日所述股票的第二交易參數(shù)，m₁為正整數(shù)，m₁＝1,2……M₁；

根據(jù)各所述第四訓練樣本各自的第二交易參數(shù)，采用自回歸的方法對多個所述第四訓練樣本訓練，得到日成交量預測模型的各系數(shù)a₀、a₁和a₂；

根據(jù)所述a₀、a₁和a₂，得到所述日成交量預測模型。

如上所述的方法，所述根據(jù)所述股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量，包括：

通過公式十三獲取當前交易日第i分鐘區(qū)間股票的目標交易量P_i：

P_i＝R_i×X 公式十三。

本發(fā)明還提供一種交易量預測設備，所述設備包括中央處理器和圖形處理器，其中，

所述中央處理器，用于根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i；

所述圖形處理器，用于獲取所述第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i；其中，第一調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第一漲跌方向確定的，所述第一漲跌方向是根據(jù)多個連續(xù)的歷史交易日的收盤價確定的；第二調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的第二漲跌方向確定的，所述第二漲跌方向是根據(jù)多個連續(xù)的歷史交易日的第i分鐘區(qū)間的股票均價和第i-1分鐘區(qū)間的股票均價確定的；

所述中央處理器，還用于根據(jù)所述第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和所述預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i；以及

根據(jù)所述股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，預測當前交易日第i分鐘區(qū)間股票的目標交易量。

如上所述的設備，所述圖形處理器包括多個grid；每個grid包括多個并行處理的處理模塊，多個所述處理模塊并行處理多只股票的預測操作；其中，一個處理模塊對應一只股票。

本發(fā)明提供一種交易量預測的方法及設備。本發(fā)明的交易量預測的方法包括：根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i；獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i；其中，第一調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第一漲跌方向確定的，第一漲跌方向是根據(jù)多個連續(xù)的歷史交易日的收盤價確定的；第二調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的第二漲跌方向確定的，第二漲跌方向是根據(jù)多個連續(xù)的歷史交易日的第i分鐘區(qū)間的股票均價和第i-1分鐘區(qū)間的股票均價確定的；根據(jù)第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i；根據(jù)股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，預測當前交易日第i分鐘區(qū)間股票的目標交易量；其中，i＝1、2……I。本發(fā)明的交易量預測的方法及設備，通過歷史交易日的收盤價來預測當前交易日的漲跌方向值，以及通過分鐘區(qū)間的股票均價來預測當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的漲跌方向值，以對預測的交易量比例進行調(diào)整，得到當前交易日的目標交易量比例，提高了交易量預測的準確度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的交易量預測方法的流程圖一；

圖2為本發(fā)明提供的交易日示意圖；

圖3為本發(fā)明提供的交易量預測方法的流程圖二；

圖4為本發(fā)明提供的交易量預測方法的流程圖三；

圖5為本發(fā)明提供的交易量預測設備的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為了降低在做大額股票交易時的交易成本，需要將大額訂單拆成小額訂單，逐步送入市場，也就是將大額訂單拆分成小額訂單在分區(qū)間交易，并在一個交易日內(nèi)交易完畢。本發(fā)明采用基于機器學習的VWAP算法，預測當前分鐘區(qū)間的目標交易量，根據(jù)預測的目標交易量，進行當前預測分鐘區(qū)間的交易，接著預測下一分鐘區(qū)間的目標交易量，直至當前交易日最后一個分鐘區(qū)間的目標交易量預測完畢，并進行該分鐘區(qū)間內(nèi)的交易。下面對本發(fā)明的交易量預測方法進行詳細的說明。

以下實施例中涉及到的股票均為股票代碼相同的一只股票。

圖1為本發(fā)明提供的交易量預測方法的流程圖一，如圖1所示，本實施例的方法可以包括：

步驟S101、根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i；

其中，分鐘區(qū)間是指將股票交易的總時間以分鐘進行區(qū)間劃分，比如9：30開盤，那么第1分鐘區(qū)間就是指9：30至9：31之間，第2分鐘就是指9：31至9：32之間，依次類推，直至當前交易日收盤對應的分鐘區(qū)間。

交易量比例預測模型的表達式為公式一：

vpDiff_i＝b₀+b₁×svpDiff_i-1+b₂×abs(int ervalGain_i-1) 公式一；

其中，b₀、b₁和b₂均為交易量比例預測模型的系數(shù)，為已知量；vpDiff_i為當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i與N個歷史交易日的第i分鐘區(qū)間股票的平均交易量比例L_i的差值，svpDiff_i-1為當前交易日第i-1分鐘區(qū)間股票的目標交易量比例R_i-1與N個歷史交易日的第i-1分鐘區(qū)間股票的平均交易量比例L_i-1的差值，abs(intervalGain_i-1)是指當前交易日的第i-1分鐘區(qū)間的股票均價與第i-2分鐘區(qū)間的股票均價的收益率的絕對值；intervalGain₀為當前交易日的開盤價與當前交易日之前的第1歷史交易日的收盤價的收益率，svpDiff₀為當前交易日的集合競價交易量比例與N個歷史交易日的平均集合競價交易量比例的差值，intervalGain₁為當前交易日第1分鐘區(qū)間的股票均價與當前交易日的開盤價的收益率；

當前交易日的第i-1分鐘區(qū)間的股票均價與第i-2分鐘區(qū)間的股票均價的收益率的獲取方法為：當前交易日的第i-1分鐘區(qū)間的股票均價與第i-2分鐘區(qū)間的股票均價的比值減去1；其它相應收益率的獲取方法相同。

其中，N個歷史交易日的第i分鐘區(qū)間股票的平均交易量比例L_i的表達式為公式二：

L_i＝(a_1i+a_2i+…+a_ni+…a_Ni)/N， 公式二；

其中，a_ni是指當前交易日之前第n歷史交易日的第i分鐘區(qū)間股票的交易量比例，優(yōu)選地，N取22：

相應地，根據(jù)交易量比例預測模型，獲取當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i的具體步驟包括：

根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的交易量比例與歷史交易日的第i分鐘區(qū)間股票的平均交易量比例的差值vpDiff_i；

通過公式三獲取當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i：

r_i＝vpDiff_i+L_i 公式三；

步驟S102、獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i；其中，第一調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第一漲跌方向確定的，第一漲跌方向是根據(jù)多個連續(xù)的歷史交易日的收盤價確定的；第二調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的第二漲跌方向確定的，第二漲跌方向是根據(jù)多個連續(xù)的歷史交易日的第i分鐘區(qū)間的股票均價和第i-1分鐘區(qū)間的股票均價確定的；

具體地，在獲取到第i分鐘區(qū)間的預測交易量比例r_i后，為了使得交易成本更貼合市場均價，需要考慮歷史交易日的每日收盤價和歷史交易日的每日的分鐘區(qū)間股票均價對當前交易日各區(qū)間交易量的影響，因此，要對預測交易量比例r_i調(diào)整，得到目標交易量比例。

首先對獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i的方法進行說明。

選取第二訓練樣本集，第二訓練樣本集中包括多個第二訓練樣本，第二訓練樣本為當前交易日之前第h歷史交易日股票的技術指標參數(shù)，h為正整數(shù)，h＝1,2……H。

當前交易日之前第1歷史交易日是指當前交易日前一天的交易日，當前交易日之前第2歷史交易日是指當前交易日前2天的交易日，當前交易日之前第h歷史交易日是指當前交易日前h天的交易日；圖2為本發(fā)明提供的交易日示意圖，參見圖2，圖中顯示的是某年9月份的日歷，若9月16為當前交易日，那么9月15日為當前交易日之前第1歷史交易日，9月12日為當前交易日之前第2歷史交易日，9月11日為當前交易日之前第3歷史交易日；技術指標參數(shù)包括各歷史交易日的各自的指數(shù)平滑異同移動平均線MACD參數(shù)、相對強弱指標參數(shù)、心理線指標參數(shù)，但是本發(fā)明并不限于上述參數(shù)。在本實施例中，H優(yōu)選取為當前交易日前三年內(nèi)的交易日的總數(shù)。

根據(jù)各第二訓練樣本各自的技術指標參數(shù)，采用機器學習算法對多個第二訓練樣本進行訓練，得到股票的當前交易日之前第h歷史交易日的收盤價相對于當前交易日之前第h+1歷史交易日收盤價的第三漲跌方向值；其中，機器學習方法可為：神經(jīng)網(wǎng)絡學習方法，支持向量機學習方法，邏輯回歸學習方法。經(jīng)過機器學習算法可得到股票的當前交易日之前第1歷史交易日的收盤價相對于當前交易日之前第2歷史交易日收盤價的第三漲跌方向值、當前交易日之前第2歷史交易日的收盤價相對于當前交易日之前第3歷史交易日收盤價的第三漲跌方向值，直至當前交易日之前第H-1歷史交易日的收盤價相對于當前交易日之前第H歷史交易日收盤價的第三漲跌方向值，也就是一共得到H-1個第三漲跌方向值。

根據(jù)各第三漲跌方向值，得到當前交易日收盤價相對于與當前交易日之前第1歷史交易日的收盤價之間的第一漲跌方向值；具體為：根據(jù)得到的H-1個第三漲跌方向值，預測當前交易日收盤價相對于與當前交易日之前第1歷史交易日的收盤價之間的第一漲跌方向值。也就是說，根據(jù)H-1個第三漲跌方向值，統(tǒng)計出漲跌規(guī)律，根據(jù)漲跌規(guī)律得到第一漲跌方向值。

在得到第一漲跌方向值后，則根據(jù)第一漲跌方向值和當前的交易類型，獲取第一調(diào)整參數(shù)C_i，具體如下：

若第一漲跌方向值為正值，且當前交易日的交易類型為買單，或者第一漲跌方向值為負值，且當前交易日的交易類型為賣單，則通過公式五獲取處理后的歷史交易日的第i分鐘區(qū)間股票的平均交易量比例pastVpNew_i：

pastVpNew_i＝pastVp_i×[0.8+exp(1-i/I)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式五

其中，pastVp_i為H₁個歷史交易日的第i分鐘區(qū)間股票的平均交易量比例；H₁可與H相同，也可不相同。

若第一漲跌方向值為負值，且當前交易日的交易類型為買單，或者第一漲跌方向值為正值，且當前交易日的交易類型為賣單，則通過公式六獲取處理后的歷史交易日的第i分鐘區(qū)間股票的平均交易量比例pastVpNew_i：

pastVpNew_i＝pastVp_i×[0.8+exp(i/I)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式六

在得到pastVpNew_i后，對pastVpNew_i進行歸一化，得到gpastVpNew_i

通過公式七得到第i分鐘區(qū)間的第一調(diào)整參數(shù)C_i：

C_i＝gpastVpNew_i－pastVp_i 公式七。

其次，對獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)D_i的方法進行說明。

選取第三訓練樣本集，第三訓練樣本集中包括多個第三訓練樣本，第三訓練樣本為當前交易日之前第k歷史交易日股票的特征參數(shù)，k為正整數(shù)，k＝1,2……K；其中，K優(yōu)選為當前交易日前三年內(nèi)的交易日的總數(shù)；特征參數(shù)包括：歷史交易日各分鐘區(qū)間各自的最高價、最低價、開盤價、收盤價和區(qū)間交易量，但是本發(fā)明并不限于上述參數(shù)。

根據(jù)各第三訓練樣本各自的特征參數(shù)，采用機器學習算法或者回歸方法對多個第三訓練樣本進行訓練，得到各歷史交易日第i分鐘區(qū)間股票的均價相對于第i-1分鐘區(qū)間股票的均價的第四漲跌方向值；其中，機器學習方法可為：神經(jīng)網(wǎng)絡學習方法，支持向量機學習方法，邏輯回歸學習方法。也就是說，在獲取當前交易日第i分鐘區(qū)間的調(diào)整系數(shù)D_i時，只需獲取K個歷史交易日各自的第i分鐘區(qū)間股票的均價相對于第i-1分鐘區(qū)間股票的均價的第四漲跌方向值，一共K個第四漲跌方向值。

根據(jù)各第四漲跌方向值，得到當前交易日第i分鐘區(qū)間股票的均價相對于第i-1分鐘區(qū)間股票的均價的第二漲跌方向值；具體為：根據(jù)K個第四漲跌方向值，預測當前交易日第i分鐘區(qū)間股票的均價相對于第i-1分鐘區(qū)間股票的均價的第二漲跌方向值。

在得到第二漲跌方向值后，則根據(jù)第二漲跌方向值和當前的交易類型，獲取第一調(diào)整參數(shù)D_i，具體如下：

若第二漲跌方向值為正值，且當前交易日的交易類型為賣單，或者第二漲跌方向值為負值，且當前交易日的交易類型為買單，則通過公式八獲取第二調(diào)整系數(shù)D_i：

D_i＝[exp(r_i/3)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式八；

其中，r_i為當前交易日第i分鐘區(qū)間內(nèi)股票的價格敏感度；

若第二漲跌方向值為正值，且當前交易日的交易類型為買單，或者第二漲跌方向值為負值，且當前交易日的交易類型為賣單，則通過公式九獲取第二調(diào)整系數(shù)D_i：

D_i＝-[exp(r_i/3)-exp(-1)]/[exp(1)-exp(-1)×0.2] 公式九；

其中，r_i為當前交易日第i分鐘區(qū)間內(nèi)所述股票的價格敏感度，可通過現(xiàn)有技術中的獲取方法得到。

步驟S103、根據(jù)第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i；

具體地，通過公式四得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i：

R_i＝r_i×D_i+C_i 公式四。

步驟S104、根據(jù)股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，預測當前交易日第i分鐘區(qū)間股票的目標交易量；

具體地，首先根據(jù)日成交量預測模型，得到當前交易日的股票的成交總量X，具體方法如下：

日成交量預測模型的表達式為公式十：

hslDiff_j＝a₀+a₁×hslDiff_j-1+a₂×dayGain_j-1 公式十；

其中，a₀、a₁和a₂均為日成交量預測模型的系數(shù)，為已知量，hslDiff_j為當前交易日的換手率與當前交易日對應的M個歷史交易日的平均換手率Q的差值，hslDiff_j-1為當前交易日之前第1歷史交易日的換手率與當前交易日之前第1歷史交易日對應的M個歷史交易日的平均換手率的差值，dayGain_j-1為當前交易日之前第1歷史交易日的股票均價與當前交易日之前第2歷史交易日股票均價的比值減去1；在本實施例中，M優(yōu)選為66～69。

相應地，根據(jù)日成交量預測模型，獲取當前交易日的所述股票的成交總量X包括：

根據(jù)日成交量預測模型，得到當前交易日的換手率與當前交易日對應的M個歷史交易日的平均換手率的差值hslDiff_j；

通過公式十二得到當前交易日的換手率hsl：

hsl＝hslDiff_j+Q 公式十一；

通過公式十三得到當前交易日的所述股票的成交總量X：

X＝hsl×Y 公式十二；

其中，Y是指股票在當前交易日的流通股數(shù)，流通股數(shù)是指所述股票發(fā)行的可在市場中交易的總股數(shù)。

在獲取到當前交易日的股票的成交總量X后，接著通過公式十三獲取當前交易日第i分鐘區(qū)間股票的目標交易量P_i：

P_i＝R_i×X 公式十三

在獲取了第i分鐘區(qū)間的目標交易量后，按照第i分鐘區(qū)間的目標交易量進行交易，交易完成后，接著按照獲取第i分鐘區(qū)間的目標交易量的方法預測第i+1分鐘區(qū)間的目標交易量，具體方法為：先預測第i+1分鐘區(qū)間的預測交易量比例r_i+1，接著獲取第i+1分鐘區(qū)間的第一調(diào)整系數(shù)C_i+1、第二調(diào)整系數(shù)D_i+1，根據(jù)第一調(diào)整系數(shù)C_i+1、第二調(diào)整系數(shù)D_i+1獲得第i+1分鐘區(qū)間的目標交易量比例R_i+1，最后根據(jù)目標交易量比例R_i+1獲取目標交易量P_i+1，按照目標交易量P_i+1進行第i+1分鐘區(qū)間的交易；重復上述過程，直至當前交易日的最后一個分鐘區(qū)間的交易進行完畢。

在本實施例，i＝1、2……I，I優(yōu)選為240。

本實施例的交易量預測的方法，包括：根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i；獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i；其中，第一調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第一漲跌方向確定的，第一漲跌方向是根據(jù)多個連續(xù)的歷史交易日的收盤價確定的；第二調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的第二漲跌方向確定的，第二漲跌方向是根據(jù)多個連續(xù)的歷史交易日的第i分鐘區(qū)間的股票均價和第i-1分鐘區(qū)間的股票均價確定的；根據(jù)第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i；根據(jù)股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，預測當前交易日第i分鐘區(qū)間股票的目標交易量；其中，i＝1、2……I。本實施例的易量預測的方法，通過歷史交易日的收盤價來預測當前交易日的漲跌方向值，以及通過分鐘區(qū)間的股票均價來預測當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的漲跌方向值，以對預測的交易量比例進行調(diào)整，得到當前交易日的目標交易量比例，提高了交易量預測的準確度。

下面采用幾個具體的實施例，對圖1所示方法實施例的技術方案進行詳細說明。

圖3為本發(fā)明提供的交易量預測方法的流程圖二，如圖3所示，本實施例的方法是上一實施例中交易量比例預測模型的獲取方法，本實施例的方法可以包括：

步驟S301、選取第一訓練樣本集，第一訓練樣本集中包括多個第一訓練樣本，第一訓練樣本為當前交易日之前第n₁歷史交易日股票的第一交易參數(shù)，n₁為正整數(shù)，n₁＝1,2……N₁；

步驟S302、根據(jù)各第一訓練樣本各自的第一交易參數(shù)，采用自回歸的方法，對多個第一訓練樣本訓練，得到交易量比例預測模型的各系數(shù)：b₀、b₁和b₂；

步驟S303、根據(jù)b₀、b₁和b₂，得到交易量比例預測模型。

具體地，本實施例中的第一交易參數(shù)是指歷史交易日各分鐘區(qū)間的交易量比例，以及各歷史交易日第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間股票均價的收益率。

也就是說，將N₁個歷史交易日各自的第二交易參數(shù)作為訓練數(shù)據(jù)，以公式vpDiff_i＝y(tǒng)₀+y₁×vpDiff_i-1+y₂×abs(intervalGain_i-1)為目標，訓練得到交易量比例預測模型的各系數(shù)y₀＝b₀、y₁＝b₁和y₂＝b₂，其中，y₀、y₁和y₂是訓練前的未知系數(shù)，b₀、b₁和b₂是訓練后得到的已知系數(shù)。在訓練過程中，vpDiff_i是指當前交易日前第n₂歷史交易日的第i分鐘區(qū)間的交易量比例與當前交易日前第n₂歷史交易日對應的N₂個歷史交易日第i分鐘區(qū)間的平均交易量比例的差值，其中，n₂+N₂≤N₁。

本實施例通過自回歸的方法獲取交易量比例預測模型的各系數(shù)b₀、b₁和b₂，從而得到了交易量比例預測模型。

圖4為本發(fā)明提供的交易量預測方法的流程圖二，如圖4所示，本實施例的方法是圖1所示的實施例中日成交量預測模型的獲取方法，本實施例的方法可以包括：

步驟S401、選取第四訓練樣本集，第四訓練樣本集中包括多個第四訓練樣本，第四訓練樣本為當前交易日之前第m₁歷史交易日所述股票的第二交易參數(shù)，m₁為正整數(shù)，m₁＝1,2……M₁；

步驟S402、根據(jù)各第四訓練樣本各自的第二交易參數(shù)，采用自回歸的方法對多個第四訓練樣本訓練，得到日成交量預測模型的各系數(shù)a₀、a₁和a₂；

步驟S403、根據(jù)a₀、a₁和a₂，得到日成交量預測模型。

具體地，本實施例中的第二交易參數(shù)是指歷史交易日的換手率和當前交易日之前第m歷史交易日的股票交易均價相對于當前交易日之前第m+1歷史交易日的股票交易均價的收益率。

也就是說，將M₁個歷史交易日各自的第二交易參數(shù)作為訓練數(shù)據(jù)，以公式hslDiff_j＝x₀+x₁×hslDiff_j-1+x₂×dayGain_j-1為目標，訓練得到日成交量預測模型的各系數(shù)x₀＝a₀、x₁＝a₁和x₂＝a₂，其中，x₀、x₁和x₂是訓練前的未知系數(shù)，a₀、a₁和a₂是訓練后得到的已知系數(shù)。在訓練過程中，hslDiff_j是指當前交易日之前第m₂歷史交易日的換手率與當前交易日之前第m₂歷史交易日對應的M₂個歷史交易日的換手率的差值，其中m₂+M₂≤M₁，m₂為正整數(shù)，m₂＝1,2……M₂。

本實施例通過自回歸的方法獲取日成交量預測模型的各系數(shù)a₀、a₁和a₂，從而得到了日成交量預測模型。

圖5為本發(fā)明提供的交易量預測設備的結(jié)構(gòu)示意圖，參見圖5，本發(fā)明的交易量預測設備，包括中央處理器51和圖形處理器52，其中，中央處理器，用于根據(jù)交易量比例預測模型，得到當前交易日第i分鐘區(qū)間股票的預測交易量比例r_i；圖形處理器，用于獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i；其中，第一調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第一漲跌方向確定的，所述第一漲跌方向是根據(jù)多個連續(xù)的歷史交易日的收盤價確定的；第二調(diào)整系數(shù)是根據(jù)預測得到的當前交易日的第i分鐘區(qū)間的股票均價相對于第i-1分鐘區(qū)間的股票均價的第二漲跌方向確定的，第二漲跌方向是根據(jù)多個連續(xù)的歷史交易日的第i分鐘區(qū)間的股票均價和第i-1分鐘區(qū)間的股票均價確定的；

中央處理器51還用于根據(jù)所述第一調(diào)整系數(shù)C_i、第二調(diào)整系數(shù)D_i和所述預測交易量比例r_i，得到當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i；以及根據(jù)股票的成交總量和當前交易日第i分鐘區(qū)間股票的目標交易量比例R_i，預測當前交易日第i分鐘區(qū)間股票的目標交易量。

其中，獲取交易量比例預測模型及日成交量預測模型的過程也由中央處理器完成。

圖形處理器包括多個網(wǎng)格grid 53；每個網(wǎng)格包括多個并行處理的處理模塊54，多個處理模塊54并行處理多只股票的預測操作；其中，一個處理模塊54對應一只股票。此處所指的預測操作指的是“獲取第i分鐘區(qū)間的第一調(diào)整系數(shù)C_i和第i分鐘區(qū)間的第二調(diào)整系數(shù)D_i”，對當前交易日的預測只需要一個處理模塊的一個線程。

此外，每個處理模塊包含多個并行運行的線程，每個線程可用于處理上方法實施例中獲取第一調(diào)整系數(shù)C_i和第二調(diào)整系數(shù)D_i過程中相應股票一個歷史交易日的交易數(shù)據(jù)。

本實施例提供的設備，可執(zhí)行上述方法實施例的技術方案，其實現(xiàn)原理和技術效果類似，本實施例此處不再贅述。

本領域普通技術人員可以理解：實現(xiàn)上述各方法實施例的全部或部分步驟可以通過程序指令相關的硬件來完成。前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟；而前述的存儲介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明各實施例技術方案的范圍。