基于自适应滤波的报价确定方法及其装置、电子设备与流程

1.本发明涉及金融科技领域，具体而言，涉及一种基于自适应滤波的报价确定方法及其装置、电子设备。


背景技术：

2.金融市场业务涉及外汇、结售汇、贵金属、做市商等多种业务，其中，金融市场业务涉及对外汇交易中心进行频繁做市报价，做市报价可以基于多路数据源接入，然而，不同数据源受多种客观因素影响，如网络延时、网络瞬断等，会导致接入数据存在空业务行情数据和异常业务行情数据，而有效的数据接入是支撑金融市场业务进行做市报价的唯一标准。
3.相关技术中，金融市场交易做市商现有的做市报价常常基于固定配比额度，做市报价是按照一定时间周期对外进行报价，多路数据源业务行情数据接入频率存在差异性，因此，在特定的时间周期内会存在空业务行情数据和异常业务行情数据，计算引擎在结合多路数据源数据计算基准做市报价存在较大偏差，并且，卡尔曼滤波和维纳滤波需在信号和噪声统计特性先验已知的情况下才能获得最优滤波，而实时行情随时间变化无法获取先验特性，因而无法达到最优预测，从而使得对金融业务进行做市报价时存在较大误差。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种基于自适应滤波的报价确定方法及其装置、电子设备，以至少解决相关技术中在无法获取信号和噪声统计的先验特性下，容易导致在对金融业务进行做市报价时存在较大误差的技术问题。
6.根据本发明实施例的一个方面，提供了一种基于自适应滤波的报价确定方法，应用于服务器节点，包括：获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据；基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵；将所述下一时刻的滤波系数矩阵输入至数据模型，以通过所述数据模型分析得到下一时刻的业务行情数据；基于所述下一时刻的业务行情数据确定对目标金融业务的报价参数。
7.可选地，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵的步骤，包括：计算上一时刻的业务行情数据与所述当前时刻的业务行情数据的相关矩阵；基于所述相关矩阵确定步长条件；在随机梯度步长满足所述步长条件的情况下，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
8.可选地，基于所述相关矩阵确定步长条件的步骤，包括：确定与所述相关矩阵对应的自相关特征矩阵；采用所述自相关特征矩阵计算最大特征值；采用所述最大特征值确定所述步长条件。
9.可选地，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵的步骤，还包括：获取分布式缓存空间中存储的迭代误差值和随机步长
常量；基于所述迭代误差值、所述随机步长常量、所述上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
10.可选地，在获取分布式缓存空间中存储的迭代误差值之前，还包括：基于上一时刻的业务行情数据、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，确定迭代误差值；将所述迭代误差值加载至分布式缓存空间中。
11.可选地，通过所述数据模型分析得到下一时刻的业务行情数据的步骤，包括：获取当前时刻的业务行情数据以及提供所述当前时刻的业务行情数据的数据源的数量；将所述下一时刻的滤波系数矩阵、当前时刻的业务行情数据以及所述数据源的数量输入至所述数据模型，以通过所述数据模型分析得到下一时刻的业务行情数据。
12.可选地，获取当前时刻的业务行情数据的步骤，包括：采用预先设置的报价前置节点接入多路数据源；接收每路所述数据源提供的当前时刻的业务行情数据。
13.根据本发明实施例的另一方面，还提供了一种基于自适应滤波的报价确定装置，应用于服务器节点，包括：获取单元，用于获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据；计算单元，用于基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵；分析单元，用于将所述下一时刻的滤波系数矩阵输入至数据模型，以通过所述数据模型分析得到下一时刻的业务行情数据；确定单元，用于基于所述下一时刻的业务行情数据确定对目标金融业务的报价参数。
14.可选地，所述计算单元包括：第一计算模块，用于计算上一时刻的业务行情数据与所述当前时刻的业务行情数据的相关矩阵；第一确定模块，用于基于所述相关矩阵确定步长条件；第二计算模块，用于在随机梯度步长满足所述步长条件的情况下，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
15.可选地，所述第一确定模块包括：第一确定子模块，用于确定与所述相关矩阵对应的自相关特征矩阵；第一计算子模块，用于采用所述自相关特征矩阵计算最大特征值；第二确定子模块，用于采用所述最大特征值确定所述步长条件。
16.可选地，所述计算单元还包括：第一获取模块，用于获取分布式缓存空间中存储的迭代误差值和随机步长常量；第三计算模块，用于基于所述迭代误差值、所述随机步长常量、所述上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
17.可选地，所述分析装置还包括：第二确定模块，用于在获取分布式缓存空间中存储的迭代误差值之前，基于上一时刻的业务行情数据、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，确定迭代误差值；第一加载模块，用于将所述迭代误差值加载至分布式缓存空间中。
18.可选地，所述分析单元包括：第二获取模块，用于获取当前时刻的业务行情数据以及提供所述当前时刻的业务行情数据的数据源的数量；第一分析模块，用于将所述下一时刻的滤波系数矩阵、当前时刻的业务行情数据以及所述数据源的数量输入至所述数据模型，以通过所述数据模型分析得到下一时刻的业务行情数据。
19.可选地，所述第二获取模块包括：第一接入子模块，用于采用预先设置的报价前置节点接入多路数据源；第一接收子模块，用于接收每路所述数据源提供的当前时刻的业务行情数据。
20.根据本发明实施例的另一方面，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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于自适应滤波的报价确定方法。
21.根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项所述的基于自适应滤波的报价确定方法。
22.在本公开中，获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵，将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据，基于下一时刻的业务行情数据确定对目标金融业务的报价参数。在本技术中，可以利用实时数据(包括上一时刻的实时滤波系数矩阵以及当前时刻的实时业务行情数据)，自适应调节下一时刻的滤波系数矩阵，以实现最优滤波，从而通过预设的数据模型，精准地预测下一时刻的业务行情数据，用以确定对金融业务的报价，能够在在无法获取先验特性的前提下，达到最优分析，进而解决了相关技术中在无法获取信号和噪声统计的先验特性下，容易导致在对金融业务进行做市报价时存在较大误差的技术问题。
附图说明
23.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
24.图1是根据本发明实施例的一种可选的基于自适应滤波的报价确定的流程图；
25.图2根据本发明实施例的一种可选的基于自适应算法lms实时行情预测方法的示意图；
26.图3是根据本发明实施例的一种可选的基于自适应滤波的报价确定装置的示意图；
27.图4是根据本发明实施例的一种用于基于自适应滤波的报价确定方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.为便于本领域技术人员理解本发明，下面对本发明各实施例中涉及的部分术语或名词做出解释：
31.最小均方算法(least mean square，lms)：是一种简单、应用广泛的自适应滤波算法，具有原理简单、参数少、收敛速度较快而且易于实现等优点。
32.卡尔曼滤波：是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。
33.维纳滤波：本质上是使估计误差(定义为期望响应与滤波器实际输出之差)均方值最小化。
34.需要说明的是，本公开中的基于自适应滤波的报价确定方法及其装置可用于金融科技领域在自适应滤波下确定报价的情况下，也可用于除金融科技领域之外的任意领域在自适应滤波下确定报价的情况下，本公开中对基于自适应滤波的报价确定方法及其装置的应用领域不做限定。
35.需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
36.本发明下述各实施例可应用于各种基于自适应滤波的分析行情的系统/应用/设备中，本发明涉及的业务行情数据可以用于对金融市场业务进行做市报价。
37.本发明可以基于实时业务行情数据迭代，自适应优化随机梯度步长和滤波系数，当自适应滤波器收敛后，对应行情所得的滤波输出信号为参考业务行情数据的近似，能够很好地解决网络延时、网络瞬断等导致接入数据存在空业务行情数据或异常业务行情数据场景问题，并且，在无法获取先验特性前提下，能够使得滤波输出数据与参考业务行情数据近似且能以滤波输出数据对金融市场业务进行做市报价，可以有效解决实时业务行情数据统计特性未知、非平稳特性、无法获取先验特性等问题。
38.下面结合各个实施例来详细说明本发明。
39.实施例一
40.根据本发明实施例，提供了一种基于自适应滤波的报价确定方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
41.本发明实施例下述各步骤可应用于服务器节点。
42.图1是根据本发明实施例的一种可选的基于自适应滤波的报价确定的流程图，如图1所示，该方法包括如下步骤：
43.步骤s101，获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据。
44.步骤s102，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
45.步骤s103，将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据。
46.步骤s104，基于下一时刻的业务行情数据确定对目标金融业务的报价参数。
47.通过上述步骤，可以获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵，将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据。在本发明实施例中，可以利用实时数据(包括上一时刻的实时滤波系数矩阵以及当前时刻的实时业务行情数据)，自适应调节下一时刻的滤波系数矩阵，以实现最优滤波，从而通过预设的数据模型，精准地预测下一时刻的业务行情数据，用以确定对金融业务的报价，能够在在无法获取先验特性的前提下，达到最优分析，进而解决了相关技术中在无法获取信号和噪声统计的先验特性下，容易导致在对金融业务进行做市报价时存在较大误差的技术问题。
48.下面结合上述各步骤对本发明实施例进行详细说明。
49.步骤s101，获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据。
50.在本发明实施例中，可以通过报价前置节点接入多路数据源行情(例如，路透、cmds、ubs、comstar等数据源)，之后通过报价前置节点与服务器节点之间的长连接(例如，fix长连接)将获取的业务行情数据发送至服务器节点，基于获取的上一时刻的业务行情数据可以得到该业务行情数据对应的滤波系数矩阵(即上一时刻的滤波系数矩阵)。
51.步骤s102，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
52.可选的，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵的步骤，包括：计算上一时刻的业务行情数据与当前时刻的业务行情数据的相关矩阵；基于相关矩阵确定步长条件；在随机梯度步长满足步长条件的情况下，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
53.在本发明实施例中，可以通过服务器节点程序调用预设接口(例如，python接口)计算得到上一时刻的业务行情数据和当前时刻的业务行情数据的相关矩阵，该相关矩阵可用于计算对应的自相关特征矩阵，并将该自相关特征矩阵存储于程序内存中。具体可根据公式(1)计算上一时刻的业务行情数据与当前时刻的业务行情数据的相关矩阵r
(s,t)
；
[0054][0055]
其中，x(s)表示上一时刻对应数据源输入信号(即上一时刻的业务行情数据)，x(t)表示此时刻对应数据源输入信号(即当前时刻的业务行情数据)。之后，可以基于相关矩阵确定步长条件(该步长条件用于判断是否进行滤波器系数调整，即是否计算下一时刻的滤波系数矩阵)，在随机梯度步长μ(随机梯度步长可以定义为生成的随机数的下降步长或者上升步长)迭代满足步长条件(如公式(2)所示)的情况下，可以基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵，如果随机梯度步长μ不满足步长条件，则不能进行滤波器系数调整。
[0056][0057]
其中，λk表示最大特征值。
[0058]
可选的，基于相关矩阵确定步长条件的步骤，包括：确定与相关矩阵对应的自相关特征矩阵；采用自相关特征矩阵计算最大特征值；采用最大特征值确定步长条件。
[0059]
在本发明实施例中，可以通过相关矩阵确定与该相关矩阵对应的自相关特征矩阵λk(其中，k为数据源的数量)，之后，采用自相关特征矩阵λk计算最大特征值λ
max
，通过最大特征值λk确定步长条件(即公式(2)所示的最大特征值λk与随机梯度步长μ之间的关系)。
[0060]
可选的，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵的步骤，还包括：获取分布式缓存空间中存储的迭代误差值和随机步长常量；基于迭代误差值、随机步长常量、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
[0061]
在本发明实施例中，可以在分布式缓存空间redis中获取存储的迭代误差值、随机步长常量(该值为程序系统初始化常量)、上一时刻的滤波系数矩阵和当前时刻的业务行情数据可计算此刻滤波权重系数矩阵，通过如下公式(3)计算下一时刻的滤波系数矩阵：
[0062]
w(t 1)＝w(t) 2μe
t
x(t)
ꢀꢀꢀꢀꢀꢀ
(3)；
[0063]
其中，w(t 1)表示下一时刻滤波器对应数据源业务行情数据x(t)的滤波系数(即下一时刻的滤波系数矩阵)，w(t)为上一时刻滤波器对应数据源业务行情数据x(t)的滤波系数(即上一时刻的滤波系数矩阵)，μ为随机梯度下降步长(即随机步长常量)，e
t
为迭代误差值。
[0064]
可选的，在获取分布式缓存空间中存储的迭代误差值之前，还包括：基于上一时刻的业务行情数据、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，确定迭代误差值；将迭代误差值加载至分布式缓存空间中。
[0065]
在本发明实施例中，服务器节点可以通过误差函数(如公式(4)所示)反向调整不同数据源的滤波系数，通过最优迭代使得误差值最小且存储于分布式缓存redis，具体为可以根据公式(4)，基于上一时刻的业务行情数据、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，确定迭代误差值，并将迭代误差值加载至分布式缓存空间中。
[0066]et
＝d
t-y
t
＝d
t-w'x(t)
ꢀꢀꢀꢀꢀꢀꢀ
(4)；
[0067]
其中，e
t
表示误差函数，d
t
表示选择的参考信号(即上一时刻的业务行情数据)，y
t
表示输出信号，w'表示滤波器系数矩阵(即上一时刻的滤波系数矩阵)，x(t)表示输入信号矩阵(输入的是当前时刻的业务行情数据)。
[0068]
步骤s103，将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据。
[0069]
可选的，通过数据模型分析得到下一时刻的业务行情数据的步骤，包括：获取当前时刻的业务行情数据以及提供当前时刻的业务行情数据的数据源的数量；将下一时刻的滤波系数矩阵、当前时刻的业务行情数据以及数据源的数量输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据。
[0070]
在本发明实施例中，在获取当前时刻的业务行情数据以及提供当前时刻的业务行情数据的数据源的数量之后，可以将下一时刻的滤波系数矩阵、当前时刻的业务行情数据以及数据源的数量输入至数据模型(如公式(5)所示)，通过公式(5)可以计算得到下一时刻的业务行情数据。
[0071][0072]
其中，y
t
表示输入信号(多路数据源的业务行情数据)在滤波器作用下的输出信号(即下一时刻的业务行情数据)，ωk表示滤波器系数(即下一时刻的滤波系数矩阵)，x
t k
表示对应数据源输入信号(即输入当前时刻的业务行情数据)，p表示对应数据源的数量。
[0073]
可选的，获取当前时刻的业务行情数据的步骤，包括：采用预先设置的报价前置节点接入多路数据源；接收每路数据源提供的当前时刻的业务行情数据。
[0074]
在本发明实施例中，可以通过预先设置的报价前置节点接入多路数据源(例如，路透、cmds、ubs、comstar等数据源)，之后通过报价前置节点与服务器节点之间的长连接(例如，fix长连接)将获取的业务行情数据发送至服务器节点(即接收每路数据源提供的当前时刻的业务行情数据)。
[0075]
步骤s104，基于下一时刻的业务行情数据确定对目标金融业务的报价参数。
[0076]
图2根据本发明实施例的一种可选的基于自适应算法lms实时行情预测方法的示意图，如图2所示为整个数据流向以及反向优化滤波系数直至滤波器收敛的过程，具体表现为：基于多数据源的输入信号(x(0)、x(1)、x(...)、x(i))，自适应调整滤波系数(w(0)、w(1)、w(...)、w(j))，当自适应滤波器收敛后，通过自适应算法，可以得到误差函数e(t)，基于该误差函数，可以使得期望输出y(t)与参考行情d(t)近似。
[0077]
本发明实施例中，可以基于实时业务行情数据迭代，自适应优化随机梯度步长μ和滤波系数w'，当自适应滤波器收敛后，对应行情所得的滤波输出信号y
t
为参考行情d
t
的近似，能够很好地解决网络延时、网络瞬断等导致接入数据存在空业务行情数据或异常业务行情数据场景问题，同时，当参考数据缺失时，本实施例能够使得滤波输出数据与参考数据近似，且能以滤波输出数据对金融市场业务进行做市报价。
[0078]
实施例二
[0079]
本实施例中提供的一种基于自适应滤波的报价确定装置包含了多个实施单元，每个实施单元对应于上述实施例一中的各个实施步骤。
[0080]
图3是根据本发明实施例的一种可选的基于自适应滤波的报价确定装置的示意图，如图3所示，该分析装置可以包括：获取单元30，计算单元31，分析单元32，其中，
[0081]
获取单元30，用于获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据；
[0082]
计算单元31，用于基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵；
[0083]
分析单元32，用于将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据；
[0084]
确定单元33，用于基于下一时刻的业务行情数据确定对目标金融业务的报价参数。
[0085]
上述分析装置，可以通过获取单元30获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据，通过计算单元31基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵，通过分析单元32将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据，通过确定单元33基于下一时
刻的业务行情数据确定对目标金融业务的报价参数。在本发明实施例中，可以利用实时数据(包括上一时刻的实时滤波系数矩阵以及当前时刻的实时业务行情数据)，自适应调节下一时刻的滤波系数矩阵，以实现最优滤波，从而通过预设的数据模型，精准地预测下一时刻的业务行情数据，用以确定对金融业务的报价，能够在在无法获取先验特性的前提下，达到最优分析，进而解决了相关技术中在无法获取信号和噪声统计的先验特性下，容易导致在对金融业务进行做市报价时存在较大误差的技术问题。
[0086]
可选的，计算单元包括：第一计算模块，用于计算上一时刻的业务行情数据与当前时刻的业务行情数据的相关矩阵；第一确定模块，用于基于相关矩阵确定步长条件；第二计算模块，用于在随机梯度步长满足步长条件的情况下，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
[0087]
可选的，第一确定模块包括：第一确定子模块，用于确定与相关矩阵对应的自相关特征矩阵；第一计算子模块，用于采用自相关特征矩阵计算最大特征值；第二确定子模块，用于采用最大特征值确定步长条件。
[0088]
可选的，计算单元还包括：第一获取模块，用于获取分布式缓存空间中存储的迭代误差值和随机步长常量；第三计算模块，用于基于迭代误差值、随机步长常量、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵。
[0089]
可选的，分析装置还包括：第二确定模块，用于在获取分布式缓存空间中存储的迭代误差值之前，基于上一时刻的业务行情数据、上一时刻的滤波系数矩阵和当前时刻的业务行情数据，确定迭代误差值；第一加载模块，用于将迭代误差值加载至分布式缓存空间中。
[0090]
可选的，分析单元包括：第二获取模块，用于获取当前时刻的业务行情数据以及提供当前时刻的业务行情数据的数据源的数量；第一分析模块，用于将下一时刻的滤波系数矩阵、当前时刻的业务行情数据以及数据源的数量输入至数据模型，以通过数据模型分析得到下一时刻的业务行情数据。
[0091]
可选的，第二获取模块包括：第一接入子模块，用于采用预先设置的报价前置节点接入多路数据源；第一接收子模块，用于接收每路数据源提供的当前时刻的业务行情数据。
[0092]
上述的分析装置还可以包括处理器和存储器，上述获取单元30，计算单元31，分析单元32等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0093]
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于下一时刻的业务行情数据确定对目标金融业务的报价参数。
[0094]
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0095]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取上一时刻的滤波系数矩阵和当前时刻的业务行情数据，基于上一时刻的滤波系数矩阵和当前时刻的业务行情数据，计算下一时刻的滤波系数矩阵，将下一时刻的滤波系数矩阵输入至数据模型，以通过数据模型分析得到下一时刻的业
务行情数据，基于下一时刻的业务行情数据确定对目标金融业务的报价参数。
[0096]
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的基于自适应滤波的报价确定方法。
[0097]
根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项的基于自适应滤波的报价确定方法。
[0098]
图4是根据本发明实施例的一种用于基于自适应滤波的报价确定方法的电子设备(或移动设备)的硬件结构框图。如图4所示，电子设备可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
[0099]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0100]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0101]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0102]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0103]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0104]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0105]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。