一种订单识别方法、装置以及相关设备
阅读：868发布：2020-05-08
专利汇可以提供一种订单识别方法、装置以及相关设备专利检索，专利查询，专利分析的服务。并且本 申请 公开了一种订单识别方法，包括根据历史交易数据进行模拟交易获得模拟策略参数，利用初始交易策略生成器模型生成随机策略参数，利用初始监督者模型对两类策略参数进行训练，获得优化监督者模型和真实策略参数；利用初始辨别器模型对模拟策略参数和真实策略参数进行训练，获得优化辨别器模型，根据优化监督模型和优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；由此，基于交易策略生成器模型对待处理交易数据进行处理获得订单信息，基于辨别器模型对订单信息进行识别确定订单类别；该方法可有效提高订单识别的准确性和高效性。本申请还公开了一种订单识别装置、设备及计算机可读存储介质，均具有上述有益效果。，下面是一种订单识别方法、装置以及相关设备专利的具体信息内容。
1.一种订单识别方法，其特征在于，包括：
根据采集的历史交易数据进行模拟交易，获得模拟策略参数；
利用初始交易策略生成器模型生成随机策略参数；
利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数；
利用初始辨别器模型对所述模拟策略参数和所述真实策略参数进行训练，获得优化辨别器模型；
根据所述优化监督模型的误差损失和所述优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；
当接收到识别指令时，利用所述交易策略生成器模型对所述识别指令对应的交易数据进行处理，获得订单信息；
利用所述辨别器模型对所述订单信息进行识别，确定订单类别。
2.如权利要求1所述的订单识别方法，其特征在于，所述根据采集的历史交易数据进行模拟交易，获得模拟策略参数，包括：
利用预设算法交易策略对所述历史交易数据进行模拟交易，获得初始模拟策略参数；
对所述历史交易数据和所述初始模拟策略参数进行序列还原处理，获得所述模拟策略参数。
3.如权利要求2所述的订单识别方法，其特征在于，所述预设算法交易策略为VWAP或TWAP或VP或冰山算法策略或隐藏策略。
4.如权利要求1所述的订单识别方法，其特征在于，所述利用初始交易策略生成器模型生成随机策略参数，包括：
利用基于反卷积神经网络的所述初始交易策略生成器模型生成所述随机策略参数。
5.如权利要求4所述的订单识别方法，其特征在于，所述利用基于反卷积神经网络的所述初始交易策略生成器模型生成所述随机策略参数之后，还包括：
根据所述随机策略参数进行模拟交易，获得母单信息；
根据所述母单信息进行绩效指标计算，获得指标数据；
筛选超出预设阈值的所述指标数据作为标准随机策略参数；
则所述利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数包括：
利用所述初始监督者模型对所述模拟策略参数和所述标准随机策略参数进行训练，获得所述优化监督者模型和所述真实策略参数。
6.如权利要求1所述的订单识别方法，其特征在于，所述利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数，包括：
利用基于卷积神经网络的所述初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得所述优化监督者模型和所述真实策略参数。
7.如权利要求1所述的订单识别方法，其特征在于，还包括：
当所述订单类别为预设类别时，发出提示信息。
8.一种订单识别装置，其特征在于，包括：
第一参数生成模块，用于根据采集的历史交易数据进行模拟交易，获得模拟策略参数；
第二参数生成模块，用于利用初始交易策略生成器模型生成随机策略参数；
第一模型优化模块，用于利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数；
第二模型优化模块，用于利用初始辨别器模型对所述模拟策略参数和所述真实策略参数进行训练，获得优化辨别器模型；
反向传播模块，用于根据所述优化监督模型的误差损失和所述优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；
订单生成模块，用于当接收到识别指令时，利用所述交易策略生成器模型对所述识别指令对应的交易数据进行处理，获得订单信息；
订单识别模块，用于利用所述辨别器模型对所述订单信息进行识别，确定订单类别。
9.一种订单识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的订单识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7任意一项所述的订单识别方法的步骤。
一种订单识别方法、装置以及相关设备
技术领域
背景技术
[0002] 算法交易(Algorithmic Trading)是交易员通过算法交易程序，选择特定算法策略，输入交易参数，提交并由交易程序自动执行，也被称作黑盒交易，自动交易，无人值守交易。与传统手动交易相比，算法交易可减少人工干预及非理性因素的干扰，自动并快速分析参数和执行路径，可减少大额委托单对价格的冲击，增加成交率和市场流动性等。
[0003] 随着人工智能技术的发展，机器学习和深度学习技术被引入算法交易，用于辅助常规算法交易策略。目前市面上多数算法交易软件在执行时虽已实现高度自动化，但仍需交易员根据经验和交易风格事先设定好暴露的参数例如冰山算法中的每单占比，委托深度，间隔时间等，面对快速变化的市场情况，交易员需监控执行情况并频繁手动调整参数来控制风险，以保证交易绩效的稳定，但是，依赖于人工经验的实现过程，其最终生成的交易订单仍然具有较高的风险性，从而也为订单识别带来了较大难度，另外，人工干预也导致了较低的操作效率。
[0004] 因此，如何有效保证订单识别的准确性和高效性是本领域技术人员亟待解决的问题。发明内容
[0005] 本申请的目的是提供一种订单识别方法，该订单识别方法可以有效提高订单识别的准确性和高效性；本申请的另一目的是提供一种订单识别装置、设备以及计算机可读存储介质，也具有上述有益效果。
[0006] 为解决上述技术问题，本申请提供了一种订单识别方法，所述订单识别方法包括：
[0007] 根据采集的历史交易数据进行模拟交易，获得模拟策略参数；
[0008] 利用初始交易策略生成器模型生成随机策略参数；
[0009] 利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数；
[0010] 利用初始辨别器模型对所述模拟策略参数和所述真实策略参数进行训练，获得优化辨别器模型；
[0011] 根据所述优化监督模型的误差损失和所述优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；
[0012] 当接收到识别指令时，利用所述交易策略生成器模型对所述识别指令对应的交易数据进行处理，获得订单信息；
[0013] 利用所述辨别器模型对所述订单信息进行识别，确定订单类别。
[0014] 优选的，所述根据采集的历史交易数据进行模拟交易，获得模拟策略参数，包括：
[0015] 利用预设算法交易策略对所述历史交易数据进行模拟交易，获得初始模拟策略参数；
[0016] 对所述历史交易数据和所述初始模拟策略参数进行序列还原处理，获得所述模拟策略参数。
[0017] 优选的，所述预设算法交易策略为VWAP或TWAP或VP或冰山算法策略或隐藏策略。
[0018] 优选的，所述利用初始交易策略生成器模型生成随机策略参数，包括：
[0020] 优选的，所述利用基于反卷积神经网络的所述初始交易策略生成器模型生成所述随机策略参数之后，还包括：
[0021] 根据所述随机策略参数进行模拟交易，获得母单信息；
[0022] 根据所述母单信息进行绩效指标计算，获得指标数据；
[0023] 筛选超出预设阈值的所述指标数据作为标准随机策略参数；
[0024] 则所述利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数包括：
[0025] 利用所述初始监督者模型对所述模拟策略参数和所述标准随机策略参数进行训练，获得所述优化监督者模型和所述真实策略参数。
[0026] 优选的，所述利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数，包括：
[0027] 利用基于卷积神经网络的所述初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得所述优化监督者模型和所述真实策略参数。
[0028] 优选的，所述订单识别方法，还包括：
[0029] 当所述订单类别为预设类别时，发出提示信息。
[0030] 为解决上述技术问题，本申请还提供了一种订单识别装置，所述订单识别装置包括：
[0031] 第一参数生成模块，用于根据采集的历史交易数据进行模拟交易，获得模拟策略参数；
[0032] 第二参数生成模块，用于利用初始交易策略生成器模型生成随机策略参数；
[0033] 第一模型优化模块，用于利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数；
[0034] 第二模型优化模块，用于利用初始辨别器模型对所述模拟策略参数和所述真实策略参数进行训练，获得优化辨别器模型；
[0035] 反向传播模块，用于根据所述优化监督模型的误差损失和所述优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；
[0036] 订单生成模块，用于当接收到识别指令时，利用所述交易策略生成器模型对所述识别指令对应的交易数据进行处理，获得订单信息；
[0037] 订单识别模块，用于利用所述辨别器模型对所述订单信息进行识别，确定订单类别。
[0038] 为解决上述技术问题，本申请还提供了一种订单识别设备，所述订单识别设备包括：
[0040] 处理器，用于执行所述计算机程序时实现上述任意一种订单识别方法的步骤。
[0041] 为解决上述技术问题，本申请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上述任意一种订单识别方法的步骤。
[0042] 本申请所提供的一种订单识别方法，包括根据采集的历史交易数据进行模拟交易，获得模拟策略参数；利用初始交易策略生成器模型生成随机策略参数；利用初始监督者模型对所述模拟策略参数和所述随机策略参数进行训练，获得优化监督者模型和真实策略参数；利用初始辨别器模型对所述模拟策略参数和所述真实策略参数进行训练，获得优化辨别器模型；根据所述优化监督模型的误差损失和所述优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；当接收到识别指令时，利用所述交易策略生成器模型对所述识别指令对应的交易数据进行处理，获得订单信息；利用所述辨别器模型对所述订单信息进行识别，确定订单类别。
[0043] 可见，本申请所提供的订单识别方法，通过模拟交易和随机生成的策略参数对模型进行训练和优化，并通过模型的误差损失进行反向传播，获得相互制约且收敛的交易策略生成器模型和辨别器模型，其中，交易策略生成器模型用于进行交易数据处理，生成订单信息，辨别器模型用于进行订单信息识别，确定订单类别，由此，基于模型实现了订单的自动化生成和识别，有效避免了人工干预，进一步提高了订单识别的准确性和高效性。
[0045] 为了更清楚地说明本申请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申请的实施例，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。
[0046] 图1为本申请所提供的一种订单识别方法的流程示意图；
[0047] 图2为本申请所提供的一种模拟交易方法的流程图；
[0048] 图3为本申请所提供的一种订单识别装置的结构示意图；
[0049] 图4为本申请所提供的一种订单识别设备的结构示意图。
具体实施方式
[0050] 本申请的核心是提供一种订单识别方法，该订单识别方法可以有效提高订单识别的准确性和高效性；本申请的另一核心是提供一种订单识别装置、设备以及计算机可读存储介质，也具有上述有益效果。
[0051] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
[0052] 请参考图1，图1为本申请所提供的一种订单识别方法的流程示意图，该订单识别方法可以包括：
[0053] S101：根据采集的历史交易数据进行模拟交易，获得模拟策略参数；
[0054] 本步骤旨在实现模拟策略参数的生成，该模拟策略参数即为通过模拟交易生成的策略参数。具体的，可首先进行历史交易数据的采集，该历史交易数据的具体类型并不唯一，由技术人员根据实际需要进行设定即可，如可包括金融市场的逐笔委托和成交记录等；进一步，对这些历史交易数据进行模拟交易，即可生成相应的模拟策略参数，其中，模拟交易具体可基于模拟执行终端和模拟柜台实现。
[0055] 优选的，上述根据采集的历史交易数据进行模拟交易，获得模拟策略参数，可以包括：利用预设算法交易策略对历史交易数据进行模拟交易，获得初始模拟策略参数；对历史交易数据和初始模拟策略参数进行序列还原处理，获得模拟策略参数。
[0056] 本优选实施例提供了一种较为具体的模拟交易方法，即基于预先设定的算法交易策略实现，先利用预设算法交易策略对历史交易数据进行模拟交易，获得初始模拟策略参数，再对历史交易数据和初始模拟策略参数进行序列还原处理，以去除无用信息，获得最终的模拟策略参数，便于后续模型训练和相关数据计算。
[0057] 优选的，上述预设算法交易策略可以为VWAP或TWAP或VP或冰山算法策略或隐藏策略。
[0058] 本优选实施例提供了上述几种较为具体的预设算法交易策略，但不唯一，可根据实际需求进行选择和设定。
[0059] S102：利用初始交易策略生成器模型生成随机策略参数；
[0060] 本步骤旨在实现随机策略参数的生成，具体利用初始交易策略生成器模型实现，该初始交易策略生成器模型为预先建立的精度较低的交易策略生成器模型，存储于预设的存储空间，在使用时直接调用即可。
[0061] 优选的，上述利用初始交易策略生成器模型生成随机策略参数，可以包括：利用基于反卷积神经网络的初始交易策略生成器模型生成随机策略参数。
[0062] 本优选实施例提供了一种具体类型的初始交易策略生成器模型，即基于反卷积神经网络的初始交易策略生成器模型。当然，也可以是其他类型，并不唯一，本申请对此不做限定。
[0063] 可以理解的是，图1所示S101和S102的执行顺序并不唯一，为保证执行效率，二者可同时执行。
[0064] S103：利用初始监督者模型对模拟策略参数和随机策略参数进行训练，获得优化监督者模型和真实策略参数；
[0065] 本步骤旨在实现真实策略参数的获取，具体可利用初始监督者模型实现，同样的，该初始监督者模型为预先建立的精度较低的模型，存储于预设的存储空间，在使用时可直接调用。在实现过程中，将模拟策略参数作为正例，将随机策略参数作为反例，输入至初始监督者模型进行训练，以生成更接近真实的策略参数，即上述真实策略参数，此外，通过数据训练，还可同时获得优化监督者模型，该优化监督者模型相较于初始监督者模型具有更高的准确度。
[0066] 优选的，上述利用基于反卷积神经网络的初始交易策略生成器模型生成随机策略参数之后，还可以包括：根据随机策略参数进行模拟交易，获得母单信息；根据母单信息进行绩效指标计算，获得指标数据；筛选超出预设阈值的指标数据作为标准随机策略参数；则上述利用初始监督者模型对模拟策略参数和随机策略参数进行训练，获得优化监督者模型和真实策略参数可以包括：利用初始监督者模型对模拟策略参数和标准随机策略参数进行训练，获得优化监督者模型和真实策略参数。
[0067] 为进一步保证模型精度，进而保证最终订单识别结果的准确性，可在利用初始监督者模型进行参数训练之前，可先对被训练的随机策略参数进行标准化处理，以获得标准随机策略参数。具体而言，在模拟交易过程中，先根据随机策略参数生成母单信息，该母单信息的生成具体可基于上述预设算法交易策略实现，进一步，利用母单信息进行绩效指标计算，获得相应的指标数据，对于每一项指标，均预设有其对应的标准阈值，即上述预设阈值，因此，可将不满足该预设阈值的指标数据滤除，仅保留超出预设阈值的指标数据作为上述标准随机策略参数。
[0068] 优选的，上述利用初始监督者模型对模拟策略参数和随机策略参数进行训练，获得优化监督者模型和真实策略参数，可以包括：利用基于卷积神经网络的初始监督者模型对模拟策略参数和随机策略参数进行训练，获得优化监督者模型和真实策略参数。
[0069] 本优选实施例提供了具体类型的初始监督者模型，即基于卷积神经网络的初始监督者模型。当然，也可以是其他类型，并不唯一，本申请对此不做限定。
[0070] S104：利用初始辨别器模型对模拟策略参数和真实策略参数进行训练，获得优化辨别器模型；
[0071] 本步骤旨在实现模型优化，被优化的模型即为初始辨别器模型，用于实现订单识别，当然，类似于上述初始交易策略生成器模型和初始监督者模型，该初始辨别器模型同样为预先建立的精度较低的模型，存储于预设的存储空间，在使用时可直接调用。进一步，在实现过程中，将模拟策略参数作为正例，将真实策略参数作为反例，输入至初始辨别器模型进行优化训练，从而获得优化辨别器模型。
[0072] S105：根据优化监督模型的误差损失和优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；
[0073] 本步骤旨在通过反向传播技术实现模型收敛，以获得精度最高的模型。具体的，优化监督模型、优化辨别器模型以及初始交易策略生成器模型相互制约，通过分别计算优化监督模型和优化辨别器模型误差损失，并利用二者的误差损失进行反向传播，通过循环训练和优化更新，使得各个模型达到收敛状态，进而获得最优的交易策略生成器模型和辨别器模型。其中，交易策略生成器模型可用于实现订单生成，辨别器模型可用于实现订单识别。
[0074] 可以理解的是，上述S101至S105属于交易策略生成器模型和辨别器模型的训练优化过程，在具体的订单识别过程中，模型的获取过程仅需执行一次，在后续再次使用时，可直接调用，无需多次执行。
[0075] S106：当接收到识别指令时，利用交易策略生成器模型对识别指令对应的交易数据进行处理，获得订单信息；
[0076] S107：利用辨别器模型对订单信息进行识别，确定订单类别。
[0077] 以上两步骤旨在实现订单生成和订单识别，具体而言，当接收到识别指令时，首先根据该识别指令指定的交易数据，即待处理的数据信息，进而调用交易策略生成器模型对交易数据进行处理，生成订单信息，即实现订单的自动化生成；进一步，调用辨别器模型对订单信息进行识别，从而确定订单所属类别，即实现订单的自动化生成。
[0078] 作为一种优选实施例，该订单识别方法，还可以包括：当订单类别为预设类别时，发出提示信息。
[0079] 本优选实施例旨在实现特定类别的订单的识别和提示，对于指定类型的订单，还可进一步发出相应的提示信息，例如，对于一些不合法的订单类别，可实时生成告警信息，以提醒技术人员进行及时处理。
[0080] 本申请所提供的订单识别方法，通过模拟交易和随机生成的策略参数对模型进行训练和优化，并通过模型的误差损失进行反向传播，获得相互制约且收敛的交易策略生成器模型和辨别器模型，其中，交易策略生成器模型用于进行交易数据处理，生成订单信息，辨别器模型用于进行订单信息识别，确定订单类别，由此，基于模型实现了订单的自动化生成和识别，有效避免了人工干预，进一步提高了订单识别的准确性和高效性。
[0081] 在上述实施例的基础上，本实施例提供了一种更为具体的订单识别方法，其具体实现流程如下：
[0082] 1、历史交易数据采集：
[0083] 具体而言，采集金融市场的逐笔委托和成交记录，该数据来自股票、期货等交易所。以股票逐笔数据为例，逐笔委托数据包括委托时间，委托通道，委托索引，委托价格，委托数量，委托类别，委托代码(买或卖)，证券代码，买卖方向(买，卖，借入，借出)，订单类别(市价，限价等)等；逐笔成交记录数据包括成交时间，成交通道，成交索引，成交价格，成交数量，成交状态(成交，撤单)，买方委托索引，卖方委托索引，证券代码等。
[0084] 2、模拟交易：
[0085] 请参考图2，图2为本申请所提供的一种模拟交易方法的流程图，具体而言，主要涉及模拟执行终端和模拟柜台两个模块，其中，模拟执行终端可以利用指定的算法交易策略以及指定的参数设定生成模拟母单，其中算法交易策略包括但不限于VWAP，TWAP，冰山算法，VP，隐藏策略，游击队策略及这些策略的衍生版本；模拟柜台得到模拟的母单参数，并生成模拟委托卖单以及撮合委托买单与卖单的成交。在其执行过程中，记录下整个模拟母单，模拟委托买卖单，模拟成交记录及策略参数，其中，模拟委托买卖单及模拟成交记录的数据格式与上述历史交易数据相同，策略参数根据算法交易策略的不同而不同，以冰山算法为例，模拟执行终端生成的策略参数为[每单占比3％，委托深度0.1，下单间隔10秒]。
[0086] 3、序列还原处理：
[0087] 原始委托队列重新将模拟委托买单的每笔子单按照成交时间进行顺序排列，并移除撤单的委托单，进而按挂单价格档位和时间间隔聚合汇总成交量，具体可按十档价位(买1-买10，卖1-卖10)汇总，其中，时间间隔可按照历史每个母单的总时间来划分。进一步，还原后的订单簿主要用于计算绩效指标，包括但不限于市场占比，成交均价与市场均价价差，报撤比，冲击成本等。
[0088] 4、策略参数生成器模型(上述交易策略生成器模型)：
[0089] 策略参数生成器模型接收最近m(m取值3至5之间)个时间窗口的LEVEL2十档量价作为输入向量，且输入向量的值经缩放转换为[-1,1]的范围，维度为20m，例如，m＝4，则输入向量为4*20＝80维，经缩放转换后的向量为[-0.26335839，0.18858323，0.89553785，0.10825795，...，-0.54968832]，该输入向量与后续步骤中的辨别器模型中的订单上下文信息格式相同。
[0090] 为引入与强化学习相似的探索机制，可随机生成大量20m维，范围在[-1，1]均匀分布的向量来“试错”。输入向量经策略参数生成器模型转换输出如下方阵：
[0091] 为偶数；
[0092] 为奇数；
[0093] 其中，n为特征列表元素的数量，且n＝20m+z，其中20m为前述m个窗口的十档量价特征，z为要生成的算法交易策略的参数数量。
[0094] 以冰山算法为例，参数包含母单总量，每单占比，委托深度以及每单间隔，例如，母单总量100000，每单占比3％，委托深度为0.01，每单间隔10秒；方阵中多出来的元素用0填充；策略参数生成器模型是一个反卷积神经网络(DCNN)，由多个反卷积层组成。
[0095] 5、随机策略参数标准化：
[0096] 将上述输出方阵中的z个随机策略参数(第20m+1到20m+z的元素)作为模拟执行终端的策略输入，模拟柜台根据历史委托单和交易单撮合并生成相应的委托和交易记录，并进行绩效评估，评估指标包括但不限于市场占比，成交均价与市场均价价差，撤单比，冲击成本等。对于选定的评估指标，预先设好阈值，如撤单比要求低于10％等，设定只有符合此要求的委托单和交易记录才会被保留，并作为后续监督者模型训练的样本。该步骤主要目的在于筛选出绩效指标符合要求的优质策略参数；此外，该步骤起到了强化学习中的奖励函数的作用，但并不需要各模型将绩效指标计算引入模型中，以避免耦合。
[0097] 6、监督者模型：
[0098] 监督者模型用于区分输入的订单参数和特征是否来自交易算法，若来自交易算法，则为反例，反之为正例，其结构为卷积神经网络(CNN)。具体而言，该模型使用步骤2中的模拟单以随机采样的历史订单数据进行训练，训练后的模型主要用来对上述步骤5中绩效指标优于设定阈值的生成订单进行分类，若监督者模型认为该订单为交易算法生成，则说明生成的策略与常规算法下的委托单的分布接近，否则说明差异较大。进一步，对于两种分类结果下的策略单，可根据隐藏性需求选择正例或反例送入后述辨别器模型，若需要策略参数生成器模型尽可能模拟常规算法的交易策略，则可将正例送入辨别器模型；若需尽可能隐藏订单意图，则可将反例送入辨别器模型。此外，错误判断的数据可加入训练集中进行模型更新。
[0099] 7、策略辨别器模型(辨别器模型)：
[0100] 策略辨别器模型用于辨别一笔委托单是来自真实数据(正例)还是由策略参数生成器模型生成(反例)，其结构为卷积神经网络(CNN)，与策略参数生成器模型的结构相反，与监督者模型的结构相同，以保证模型分布统一。
[0101] 8、基于反向传播技术的模型优化：
[0102] 策略辨别器模型和监督者模型中的误差损失(分别为Ld和La)除了在各自网络中反向传播更新外，也可以传播给策略参数生成器模型进行模型更新，即策略参数生成器模型的损失为：Lg＝Ld+La，使得三个模型持续训练直至策略参数生成器模型收敛。
[0103] 9、模型输出：
[0104] 输出收敛后的策略参数生成器模型和辨别器模型，其中，策略参数生成器模型在收敛后可用于在给定LEVEL2十档量价等特征条件下生成策略参数，辨别器模型在收敛后可额外用于市场中算法单的侦测。
[0105] 10、订单生成与识别：
[0106] 调取策略参数生成器模型，根据识别指令指定的交易数据生成策略参数，实现机器自动下单；调取辨别器模型对订单进行识别。
[0107] 可见本申请实施例所提供的订单识别方法，通过模拟交易和随机生成的策略参数对模型进行训练和优化，并通过模型的误差损失进行反向传播，获得相互制约且收敛的交易策略生成器模型和辨别器模型，其中，交易策略生成器模型用于进行交易数据处理，生成订单信息，辨别器模型用于进行订单信息识别，确定订单类别，由此，基于模型实现了订单的自动化生成和识别，有效避免了人工干预，进一步提高了订单识别的准确性和高效性。
[0108] 为解决上述问题，请参考图3，图3为本申请所提供的一种订单识别装置的结构示意图，该订单识别装置可包括：
[0109] 第一参数生成模块10，用于根据采集的历史交易数据进行模拟交易，获得模拟策略参数；
[0110] 第二参数生成模块20，用于利用初始交易策略生成器模型生成随机策略参数；
[0111] 第一模型优化模块30，用于利用初始监督者模型对模拟策略参数和随机策略参数进行训练，获得优化监督者模型和真实策略参数；
[0112] 第二模型优化模块40，用于利用初始辨别器模型对模拟策略参数和真实策略参数进行训练，获得优化辨别器模型；
[0113] 反向传播模块50，用于根据优化监督模型的误差损失和优化辨别器模型的误差损失进行反向传播，获得交易策略生成器模型和辨别器模型；
[0114] 订单生成模块60，用于当接收到识别指令时，利用交易策略生成器模型对识别指令对应的交易数据进行处理，获得订单信息；
[0115] 订单识别模块70，用于利用辨别器模型对订单信息进行识别，确定订单类别。
[0116] 对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。
[0117] 为解决上述问题，请参考图4，图4为本申请所提供的一种订单识别设备的结构示意图，该订单识别设备可包括：
[0118] 存储器1，用于存储计算机程序；
[0119] 处理器2，用于执行计算机程序时可实现上述任意一种订单识别方法的步骤。
[0120] 对于本申请提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
[0121] 为解决上述问题，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现上述任意一种订单识别方法的步骤。
[0122] 该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0123] 对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
[0124] 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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，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。
[0125] 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申请的范围。
[0126] 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。
[0127] 以上对本申请所提供的订单识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围要素。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 全自动储冰、送冰及售冰一体化控制方法 | 2020-05-14 | 178 |
| 水旱灾害根治工程 | 2020-05-17 | 339 |
| 渔港全自动加冰一体化应用系统的运作方法 | 2020-05-13 | 453 |
| 全自动储冰、送冰及售冰一体化控制方法 | 2020-05-16 | 712 |
| 渔港全自动加冰一体化应用系统的运作方法 | 2020-05-11 | 29 |
| 海洋威胁监视和防卫系统 | 2020-05-12 | 791 |
| 一种订单识别方法、装置以及相关设备 | 2020-05-08 | 868 |
| 海洋威胁监视和防卫系统 | 2020-05-15 | 866 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
冰山指令热门专利
QQ群二维码
意见反馈
意见反馈