[发明专利]订单状态预测模型的获取方法、装置及存储介质

说明书

本发明公开了一种订单状态预测模型的获取方法、装置及存储介质，涉及金融科技领域。其中，该方法包括：获取M组标签数据，其中，上述M组标签数据中的每组数据包括：基于交易订单数据处理得到的训练样本，按照订单成交数据对上述训练样本进行赋值得到的样本标签，以及对上述训练样本进行特征提取处理得到的订单特征集合；使用M组标签数据通过机器学习训练神经网络模型，得到订单状态预测模型。本发明解决了现有技术中订单状态预测模型无法利用实时数据给出相应指引，造成用户体验感不佳的技术问题。

技术领域

本发明涉及金融交易技术领域，具体而言，涉及一种订单状态预测模型的获取方法、装置及存储介质。

背景技术

现有的代客账户贵金属交易模式为限价挂单模式，从历史订单数据来看，绝大部分用户选择订立获利订单或止损订单，而不是双向订单这个风险性更低的挂单方式。主要原因在于，用户对现有的挂单模式不够了解；且双向挂单模式需要同时考虑获利汇率、止损汇率、量、时间等多种因素；对于普通用户而言，往往不具有较为客观的对未来价格走势的预测能力，所以订立双向订单较为困难。

目前在代客账户贵金属交易中，用户往往选择代客交易系统生成的订单状态预测结果进行辅助交易。但是，现有的代客交易系统也无法利用实时数据在用户订立订单时给出相应指引，造成用户体验感不佳和一些潜在用户的流失。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种订单状态预测模型的获取方法、装置及存储介质，以至少解决现有技术中订单状态预测模型无法利用实时数据给出相应指引，造成用户体验感不佳的技术问题。

根据本发明实施例的一个方面，提供了一种订单状态预测模型的获取方法，包括：获取M组标签数据，其中，上述M组标签数据中的每组数据包括：基于交易订单数据处理得到的训练样本，按照订单成交数据对上述训练样本进行赋值得到的样本标签，以及对上述训练样本进行特征提取处理得到的订单特征集合；使用M组标签数据通过机器学习训练神经网络模型，得到订单状态预测模型。

可选的，上述方法还包括：获取在历史时间段内的N个交易订单数据，以及N个上述交易订单数据对应的订单成交数据，其中，N个上述交易订单包括：每个目标账户在任意一个时间点产生的一个交易订单；将N个上述交易订单数据作为上述训练样本；按照上述订单成交数据对上述训练样本进行赋值得到上述样本标签，其中，上述样本标签用于描述上述训练样本的订单成交方式，上述订单成交方式包括：获利成交、止损成交、未成交。

可选的，上述将N个上述交易订单数据作为上述训练样本，包括：识别N个上述交易订单数据中的缺失数据；对上述缺失数据进行数据预处理，得到处理后交易订单数据，其中，上述预处理包括：剔除、替换、补充；将上述处理后交易订单数据作为上述训练样本。

可选的，上述方法还包括：根据上述样本标签描述的上述订单成交方式，确定每一类成交方式在上述订单成交方式中的比例；基于上述比例对上述训练样本进行样本均衡化处理，得到处理后样本。

可选的，上述方法还包括：对上述训练样本进行特征工程处理，得到第一处理结果，其中，上述特征工程处理用于降低上述交易订单数据的特征冗余性，上述特征工程处理包括：去除上述交易订单数据中的无关维度特征，以及对相关维度特征进行特征组合处理；对上述第一处理结果进行特征过滤处理，得到上述订单特征集合，其中，上述特征过滤处理用于根据特征重要程度过滤掉上述第一处理结果中的非重要特征。

可选的，使用M组标签数据通过机器学习训练神经网络模型，得到订单状态预测模型，包括：将上述订单特征集合和上述样本标签作为上述神经网络模型的输入，并采用分布式增强梯度算法进行监督学习训练上述神经网络模型，得到上述订单状态预测模型。