一种限价指令簿趋势预测装置、方法、设备及存储介质与流程

1.本发明涉及机器学习预测领域，特别是涉及一种限价指令簿趋势预测装置、方法、设备及存储介质。


背景技术：

2.近年来，随着金融交易市场的迅速发展，金融资产的投资是投资者实现资产保值和资产增值的重要方式之一。同时，研究人员使用丰富多样的方式预测金融资产的价格趋势，其趋势预测的结果对交易决策起到至关重要的作用。趋势预测的传统方法主要包括上市公司的基本面分析和技术指标分析，而这些分析方法中使用的模型具有低效及难以预测未来走势的缺点。
3.在指令驱动的市场中，限价指令簿可以反映出投资者预期价格水平，提供投资者与相应交易市场的交互信息，因而使用限价指令簿来分析股票价格走势成为了研究人员的重要课题。目前基于机器学习的预测方法越来越受研究者的青睐，然而使用经典机器学习方法普遍存在预测准确率过低的问题，比如桥回归、支持向量机以及简单的多层感知机和长短期记忆网络。除此之外，部分文献仅使用对限价指令的交易数据进行预测，导致模型所使用的信息量不足。
4.因此，如何解决限价指令簿价格走势预测准确率过低的问题，是本领域技术人员亟待解决的技术问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种限价指令簿趋势预测装置、方法、设备及存储介质，可以提高预测性能和预测效果，确保准确判断出限价指令簿价格走势。其具体方案如下：
6.一种限价指令簿趋势预测装置，包括：
7.数据预处理模块，用于对训练数据集进行归一化；所述训练数据集包括限价指令簿的事实信息数据、限价指令簿的分布信息数据、限价指令簿和订单流的动态信息数据，以及对应的用于表示价格走势的标签；
8.模型构建模块，用于构建用于判断限价指令簿价格未来走势的注意力特征融合模型；所述注意力特征融合模型包括卷积层、门控循环单元层和基于特征融合的位置注意力机制；
9.模型训练模块，用于利用归一化后的所述训练数据集训练所述注意力特征融合模型，直至网络收敛；
10.限价指令簿趋势预测模块，用于采用训练完成的所述注意力特征融合模型对限价指令簿做趋势预测。
11.优选地，在本发明实施例提供的上述限价指令簿趋势预测装置中，所述训练数据集为所述标签为其中i表示样本个数为s的数据集合，
表示t时刻输入的限价指令簿的事实信息数据，表示t时刻输入的限价指令簿的分布信息数据，表示t时刻输入的限价指令簿和订单流的动态信息数据，n表示限价指令簿的级数；表示标签向量：
[0012][0013]
其中l
t
是在时刻t时的样本标签，表示时间t m对时间t的价格走势，l
t
＝1表示上涨，l
t
＝0表示不变，l
t
＝
‑
1表示下跌。
[0014]
优选地，在本发明实施例提供的上述限价指令簿趋势预测装置中，归一化后的所述训练数据集包括限价指令簿事实信息的类图像数据集、限价指令簿分布信息的类图像数据集、限价指令簿和订单流动态信息数据的类图像数据集；
[0015]
所述限价指令簿事实信息的类图像数据集为信息的类图像数据集为表示第一类图像样本，所述第一类图像样本包含时刻t
‑
δt1 1到时刻t的归一化样本，δt1表示第一时间跨度；
[0016]
所述限价指令簿分布信息的类图像数据集为表示第二类图像样本，所述第二类图像样本包含时刻t
‑
δt2 1到时刻t的归一化样本，δt2表示第二时间跨度；
[0017]
所述限价指令簿和订单流动态信息数据的类图像数据集为所述限价指令簿和订单流动态信息数据的类图像数据集为表示第三类图像样本，所述第三类图像样本包含时刻t
‑
δt3 1到时刻t的归一化样本，δt3表示第三时间跨度。
[0018]
优选地，在本发明实施例提供的上述限价指令簿趋势预测装置中，所述注意力特征融合模型分为卷积神经网络子模型、第一门控循环单元网络子模型、第二门控循环单元网络子模型和注意力特征融合模块；其中，
[0019]
所述卷积神经网络子模型，用于处理经上采样放大后的所述限价指令簿事实信息的类图像数据集；
[0020]
所述第一门控循环单元网络子模型，用于处理经变形后的所述限价指令簿分布信息的类图像数据集，并通过所述门控循环单元层学习限价指令簿分布信息的全局时间关系；
[0021]
所述第二门控循环单元网络子模型，用于处理经变形后的所述限价指令簿和订单流动态信息数据的类图像数据集，并通过所述门控循环单元层学习限价指令簿和订单流动态信息的全局时间关系；
[0022]
所述注意力特征融合模块，用于根据所述位置注意力机制，融合所述卷积神经网络子模型、所述第一门控循环单元网络子模型和所述第二门控循环单元网络子模型的输出特征。
[0023]
优选地，在本发明实施例提供的上述限价指令簿趋势预测装置中，所述注意力特征融合模块包括第一注意力特征融合子模块和第二注意力特征融合子模块；其中，
[0024]
所述第一注意力特征融合子模块，用于将所述第一门控循环单元网络子模型和所述第二门控循环单元网络子模型的输出特征进行融合，输出第一全局时间特征；
[0025]
所述第二注意力特征融合子模块，用于将所述第一注意力特征融合子模块输出的所述第一全局时间特征与所述卷积神经网络子模型的输出特征进行融合，并通过softmax函数后得到预测结果。
[0026]
优选地，在本发明实施例提供的上述限价指令簿趋势预测装置中，所述注意力特征融合模型采用交叉熵损失函数进行反向更新优化，用于更新神经网络模型的所有参数；在反向更新的过程中，通过adam算法计算并反向更新整个神经网络模型的权重和偏置值。
[0027]
优选地，在本发明实施例提供的上述限价指令簿趋势预测装置中，所述限价指令簿趋势预测模块，具体用于对待测数据进行归一化，得到待测类图像数据，并将得到的所述待测类图像数据输入至训练完成的所述注意力特征融合模型，输出在相应时间段内的限价指令簿中间价格走势的预测结果。
[0028]
本发明实施例还提供了一种本发明实施例提供的上述限价指令簿趋势预测装置的预测方法，包括：
[0029]
对训练数据集进行归一化；所述训练数据集包括限价指令簿的事实信息数据、限价指令簿的分布信息数据、限价指令簿和订单流的动态信息数据，以及对应的用于表示价格走势的标签；
[0030]
构建用于判断限价指令簿价格未来走势的注意力特征融合模型；所述注意力特征融合模型包括卷积层、门控循环单元层和基于特征融合的位置注意力机制；
[0031]
利用归一化后的所述训练数据集训练所述注意力特征融合模型，直至网络收敛；
[0032]
采用训练完成的所述注意力特征融合模型对限价指令簿做趋势预测。
[0033]
本发明实施例还提供了一种计算机设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述限价指令簿趋势预测装置。
[0034]
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述限价指令簿趋势预测装置。
[0035]
从上述技术方案可以看出，本发明所提供的一种限价指令簿趋势预测装置，包括：数据预处理模块，用于对训练数据集进行归一化；训练数据集包括限价指令簿的事实信息数据、限价指令簿的分布信息数据、限价指令簿和订单流的动态信息数据，以及对应的用于表示价格走势的标签；模型构建模块，用于构建用于判断限价指令簿价格未来走势的注意力特征融合模型；注意力特征融合模型包括卷积层、门控循环单元层和基于特征融合的位置注意力机制；模型训练模块，用于利用归一化后的训练数据集训练注意力特征融合模型，直至网络收敛；限价指令簿趋势预测模块，用于采用训练完成的注意力特征融合模型对限价指令簿做趋势预测。
[0036]
本发明使用了限价指令的事实信息，限价指令的分布信息、限价指令和订单流的动态信息作为训练数据，可以增加特征信息量，提高注意力特征融合模型对不同信息的关注程度，并且利用注意力特征融合模型将注意力机制与特征融合结合使用，提高了预测性能，能够获得比简单集成更好的预测效果，确保准确判断出限价指令簿价格走势。
[0037]
此外，本发明还针对限价指令簿趋势预测装置提供了相应的方法、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该方法、设备及计算机可读存储介质具有相应的优点。
附图说明
[0038]
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关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，还可以根据提供的附图获得其他的附图。
[0039]
图1为本发明实施例提供的限价指令簿趋势预测装置的结构示意图；
[0040]
图2为本发明实施例提供的注意力特征融合模型的结构示意图；
[0041]
图3为本发明实施例提供的限价指令簿趋势预测装置的预测方法的流程图。
具体实施方式
[0042]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
本发明提供一种限价指令簿趋势预测装置，如图1所示，包括：
[0044]
数据预处理模块11，用于对训练数据集进行归一化；训练数据集包括限价指令簿的事实信息数据、限价指令簿的分布信息数据、限价指令簿和订单流的动态信息数据，以及对应的用于表示价格走势的标签；
[0045]
模型构建模块12，用于构建用于判断限价指令簿价格未来走势的注意力特征融合模型；注意力特征融合模型包括卷积层、门控循环单元层(gated recurrent unit，gru)和基于特征融合的位置注意力机制；
[0046]
模型训练模块13，用于利用归一化后的训练数据集训练注意力特征融合模型，直至网络收敛；
[0047]
限价指令簿趋势预测模块14，用于采用训练完成的注意力特征融合模型对限价指令簿做趋势预测。
[0048]
在本发明实施例提供的上述限价指令簿趋势预测装置中，使用了限价指令的事实信息，限价指令的分布信息、限价指令和订单流的动态信息作为训练数据，可以增加特征信息量，提高注意力特征融合模型对不同信息的关注程度，并且利用注意力特征融合模型将注意力机制与特征融合结合使用，提高了预测性能，能够获得比简单集成更好的预测效果，确保准确判断出限价指令簿价格走势。
[0049]
需要说明的是，在数据预处理模块中，可以使用z
‑
score方法对训练数据集进行归一化；在模型训练模块中，网络模型输入依据数据预处理模块产生的归一化样本，并开始训练模型，到达指定条件后网络停止训练，系统将自动保存最优模型；在限价指令簿趋势预测模块中，系统可以采用训练完成的特征融合模型来分析交易产生的指令信息，预测限价指令簿中间价格的短期未来走势。
[0050]
进一步地，在具体实施时，在本发明实施例提供的上述限价指令簿趋势预测装置中，数据预处理模块中的训练数据集为标签为其中i表示样本个数为s的数据集合，表示t时刻输入的限价指令簿的事实信息数据，表示t时刻输入的限价指令簿的分布信息数据，表示t时刻输入的限
价指令簿和订单流的动态信息数据，n表示限价指令簿的级数；表示标签向量：
[0051][0052]
其中l
t
是在时刻t时的样本标签，表示时间t m对时间t的价格走势，l
t
＝1表示上涨，l
t
＝0表示不变，l
t
＝
‑
1表示下跌。
[0053]
包含限价指令簿的n档行情，反映了限价指令簿的事实行情，即卖方价格和委托量买方价格和委托量其中i表示限价指令簿的级别，ask表示卖方，bid表示买方。
[0054]
描述了买卖双方委托价格和委托量的不平衡程度，能够反映限价指令簿的分布情况，包含限价指令簿同级买卖价差、每一级的中间价格、第1级和第n级的价差、卖方或买方相邻级别的价差、卖方或买方价格和成交量的均值。
[0055]
描述了限价指令簿和订单流随时间变化的信息，能够反映限价指令簿和订单流的动态变化情况，包含价格和委托量的变化率、每一类订单(限价订单、市价订单和撤销订单)的平均强度和平均强度变化率。
[0056]
在实际应用中，本发明可以采用限价指令簿的公开数据集fi
‑
2010。该数据集包含五只股票，一共包含45万个样本，每一笔限价单的标签都根据预测的区间大小不同分为5类(m＝10，20，30，50，100)，m表示预测的区间大小，每个样本有n＝10级限价指令，共144个特征。输入数据不包含竞价数据，并将144个特征分为3类：一是限价指令簿事实信息，包含40个特征；二是限价指令簿分布信息，包含48个特征；三是限价指令簿和订单流动态信息数据，包含56个特征。此时，标签为其中输入i表示样本个数为360000的数据集合，在时刻t的输入数据分为三类：限价指令簿的事实信息数据限价指令簿的分布信息数据限价指令簿和订单流的动态信息数据其中限价指令簿包含10级。
[0057]
另外，需要指出的是，数据预处理模块，具体可以用于使用z
‑
score方法采用下述公式对训练数据集进行归一化：
[0058][0059]
其中，d为总特征数，u
td
为第d维特征在时刻t的值，为第d维特征的均值，σ
d
为第d维特征的标准差，s为训练样本数据的总个数。这里的s可以为360000，d可以为144，s和d的值根据限价指令簿的数据集有关，在此不做限定。
[0060]
在具体实施时，在本发明实施例提供的上述限价指令簿趋势预测装置中，归一化后的训练数据集包括限价指令簿事实信息的类图像数据集、限价指令簿分布信息的类图像数据集、限价指令簿和订单流动态信息数据的类图像数据集；也就是将归一化数据按三个类别分别处理为三类类图像数据集；其中，
[0061]
限价指令簿事实信息的类图像数据集为限价指令簿事实信息的类图像数据集为表示第一类图像样本，第一类图像样本包含时刻t
‑
δt1 1到时刻t的归一化样本，δt1表示第一时间跨
度；当时，δt1＝100；
[0062]
限价指令簿分布信息的类图像数据集为限价指令簿分布信息的类图像数据集为表示第二类图像样本，第二类图像样本包含时刻t
‑
δt2 1到时刻t的归一化样本，δt2表示第二时间跨度；当时，δt2＝10；
[0063]
限价指令簿和订单流动态信息数据的类图像数据集为限价指令簿和订单流动态信息数据的类图像数据集为表示第三类图像样本，第三类图像样本包含时刻t
‑
δt3 1到时刻t的归一化样本，δt3表示第三时间跨度；当时，δt3＝10。
[0064]
在具体实施时，在本发明实施例提供的上述限价指令簿趋势预测装置中，注意力特征融合模型可以分为卷积神经网络子模型、第一门控循环单元网络子模型、第二门控循环单元网络子模型和注意力特征融合模块；其中，
[0065]
卷积神经网络子模型，用于处理经上采样放大后的限价指令簿事实信息的类图像数据集u1；
[0066]
第一门控循环单元网络子模型，用于处理经变形后的限价指令簿分布信息的类图像数据集u2，并通过门控循环单元层学习限价指令簿分布信息的全局时间关系；
[0067]
第二门控循环单元网络子模型，用于处理经变形后的限价指令簿和订单流动态信息数据的类图像数据集u3，并通过门控循环单元层学习限价指令簿和订单流动态信息的全局时间关系；
[0068]
注意力特征融合模块，用于根据位置注意力机制，融合卷积神经网络子模型、第一门控循环单元网络子模型和第二门控循环单元网络子模型的输出特征。
[0069]
需要说明的是，本发明的注意力特征融合模型的输入为处理好的三个类图像数据集：限价指令簿事实信息的类图像数据集u1，限价指令簿分布信息的类图像数据集u2和限价指令簿和订单流动态信息数据的类图像数据集u3。如图2所示，注意力特征融合模型包含三个子模型，其输入1、输入2和输入3分别为u1，u2和u3。
[0070]
卷积神经网络子模型(cnn子模型)用于处理输入1，该子模型分为8层。在输入至子模型之前，系统通过上采样的方法将输入1的特征图放大。模型的第1层是二维卷积层，其卷积核大小为1
×
40，步长为1
×
8，通过该卷积核，系统能够学习每个样本的相邻5档限价指令的关系(相邻5档共包含20
×
2个特征)；第2层和第3层是相同的二维卷积层，其卷积核大小均为8
×
1，步长均为1
×
1，这两个卷积层可以学习8个步长之间的局部关系；第4层为最大池化层，通过该池化层对特征维度进行压缩，简化网络复杂度，采样核大小为2
×
1，步长为2
×
1。第5层是二维卷积层，其卷积核大小为4
×
1，步长为1
×
1，通过该层学习压缩后的4个步长的数据之间的局部关系；第6层为最大池化层，通过该池化层对特征图进行压缩，防止模型产生过拟合，从而提高网络性能，采样核大小为2
×
2，步长为2
×
2。第7层为二维卷积层，其卷积核大小为3
×
3，步长为1
×
1。除此之外，在cnn子模型中本发明使用了dropout方法，通过随机删掉部分神经元来减少参数的数量，防止过拟合，随机采样概率为0.5。第8层为全连接层，神经元的个数为16。本发明通过该卷积神经网络子模型，可以将卷积核的设计与限价指令的实际意义相结合，提高了模型的可解释性，另外还通过池化层和dropout层等方法防止过拟合，进一步提高了网络梯度下降的计算性能以及预测结果的精确度。
[0071]
第一门控循环单元网络子模型(第一grui子模型)用于处理输入2，为了能够匹配
输入形状，输入2的特征图通过变形输入至子模型中，其门控循环单元层的输出神经元的个数为16，激活函数为“relu”。通过gru层，模型可以学习限价指令簿分布信息的全局时间关系。
[0072]
第二门控循环单元网络子模型(第二gru子模型)用于处理输入3，为了能够匹配输入形状，输入3的特征图通过变形输入至子模型中，其门控循环单元层的输出神经元的个数为16，激活函数为“relu”。通过gru层，模型可以学习限价指令簿和订单流动态信息的全局时间关系。这样通过两个gru层充分利用了这两部分信息，提取全局时间特征。
[0073]
注意力特征融合模块参考位置注意力机制，用于融合三个子模型的输出特征。该模块一共分为五步，涉及的公式包括公式(3)～(7)：
[0074][0075]
s＝c
·
c
t
ꢀꢀꢀꢀ
(4)
[0076][0077]
m＝c
·
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0078]
o＝c m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0079]
其中，表示向量的拼接，
·
表示矩阵乘法， 表示矩阵对应元素相加，和分别表示注意力特征融合模块的两个输入，o表示该模块的输出，a
ij
和s
ij
分别表示矩阵a和s在位置(i，j)上的元素。
[0080]
第一步将两个输入向量i1和i2连接，得到大小为(a b)
×
1特征向量c；第二步通过矩阵乘法，得到某个特征与所有特征之间的关系矩阵s；第三步通过softmax函数，得到能够表示特征重要程度的权重矩阵；第四步和第五步通过权重矩阵与原始特征图做矩阵乘法和矩阵加法，得到最终的特征融合向量o。
[0081]
进一步地，在具体实施时，在本发明实施例提供的上述限价指令簿趋势预测装置中，注意力特征融合模块可以包括：
[0082]
第一注意力特征融合子模块，用于将第一门控循环单元网络子模型和第二门控循环单元网络子模型的输出特征进行融合，输出第一全局时间特征；
[0083]
第二注意力特征融合子模块，用于将第一注意力特征融合子模块输出的第一全局时间特征与卷积神经网络子模型的输出特征进行融合，并通过softmax函数后得到预测结果。
[0084]
如图2所示，本发明共包含两个结构相同的注意力特征融合子模块。因为第一门控循环单元网络子模型和第二门控循环单元网络子模型输出特征图均为全局时间特征，所以本发明先将第一门控循环单元网络子模型和第二门控循环单元网络子模型的结果输入至第一注意力特征融合子模块，然后将第一注意力特征融合子模块的输出与cnn子模型的结果输入至第二注意力特征融合子模块，最终通过softmax函数得到预测结果。这样通过使用两次位置注意力机制来融合三个子模型所得到的特征向量，进而使用集成思想结合了三个模型的优点。
[0085]
在具体实施时，在本发明实施例提供的上述限价指令簿趋势预测装置中，注意力特征融合模型采用交叉熵损失函数进行反向更新优化，用于更新神经网络模型的所有参数；在反向更新的过程中，通过adam算法计算并反向更新整个神经网络模型的权重和偏置
值。
[0086]
在具体实施时，在本发明实施例提供的上述限价指令簿趋势预测装置中，限价指令簿趋势预测模块，具体用于对待测数据进行归一化，得到待测类图像数据，并将得到的待测类图像数据输入至训练完成的注意力特征融合模型，输出在相应时间段内的限价指令簿中间价格走势的预测结果。具体地，依据上述数据预处理模块将待测数据处理为待测类图像数据其中，所包含的时间段为i
‑
δt
j
1～i。其次，将待测类图像数据输入至已训练好的注意力特征融合模型中，得到预测结果。
[0087]
本发明的实验结果如表一：
[0088]
表1 实验结果
[0089][0090]
从表一中可以看出，本发明提出的注意力特征融合网络模型在准确率(accuracy)、精确率(precision)、召回率(recall)和f1分数(f1
‑
score)上优于deeplob模型和tabn模型。
[0091]
基于同一发明构思，本发明实施例还提供了一种限价指令簿趋势预测装置的预测方法，由于该方法解决问题的原理与前述一种限价指令簿趋势预测装置相似，因此该方法的实施可以参见限价指令簿趋势预测装置的实施，重复之处不再赘述。
[0092]
在具体实施时，本发明实施例提供的限价指令簿趋势预测装置的预测方法，如图3所示，具体包括以下步骤：
[0093]
s301、对训练数据集进行归一化；训练数据集包括限价指令簿的事实信息数据、限价指令簿的分布信息数据、限价指令簿和订单流的动态信息数据，以及对应的用于表示价格走势的标签；
[0094]
s302、构建用于判断限价指令簿价格未来走势的注意力特征融合模型；注意力特征融合模型包括卷积层、门控循环单元层和基于特征融合的位置注意力机制；
[0095]
s303、利用归一化后的训练数据集训练注意力特征融合模型，直至网络收敛；
[0096]
s304、采用训练完成的注意力特征融合模型对限价指令簿做趋势预测。
[0097]
在本发明实施例提供的上述限价指令簿趋势预测装置的预测方法中，可以通过执行上述步骤，增加特征信息量，提高注意力特征融合模型对不同信息的关注程度，并且利用注意力特征融合模型将注意力机制与特征融合结合使用，提高预测性能，获得比简单集成更好的预测效果，确保准确判断出限价指令簿价格走势。
[0098]
关于上述各个步骤更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
[0099]
相应地，本发明实施例还公开了一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的限价指令簿趋势预测装置。
[0100]
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0101]
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的限价指令簿趋势预测装置。
[0102]
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0103]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0104]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0105]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
[0106]
综上，本发明实施例提供的一种限价指令簿趋势预测装置，包括：数据预处理模块，用于对训练数据集进行归一化；训练数据集包括限价指令簿的事实信息数据、限价指令簿的分布信息数据、限价指令簿和订单流的动态信息数据，以及对应的用于表示价格走势的标签；模型构建模块，用于构建用于判断限价指令簿价格未来走势的注意力特征融合模型；注意力特征融合模型包括卷积层、门控循环单元层和基于特征融合的位置注意力机制；模型训练模块，用于利用归一化后的训练数据集训练注意力特征融合模型，直至网络收敛；限价指令簿趋势预测模块，用于采用训练完成的注意力特征融合模型对限价指令簿做趋势预测。本发明使用了限价指令的事实信息，限价指令的分布信息、限价指令和订单流的动态信息作为训练数据，可以增加特征信息量，提高注意力特征融合模型对不同信息的关注程度，并且利用注意力特征融合模型将注意力机制与特征融合结合使用，提高了预测性能，能够获得比简单集成更好的预测效果，确保准确判断出限价指令簿价格走势。此外，本发明还针对限价指令簿趋势预测装置提供了相应的方法、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该方法、设备及计算机可读存储介质具有相应的优点。
[0107]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那
些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0108]
以上对本发明所提供的限价指令簿趋势预测装置、方法、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。