一种虚拟物品交易预测方法及装置与流程

本发明涉及虚拟物品信息处理
技术领域：
，尤其涉及一种虚拟物品教育预测方法及装置及一种计算机可读存储介质。
背景技术：
：随着中国居民的人均可支配收入越来越多，投资理财成为了人们对自己财富保值增值的重要手段，其中股票投资的居民统计在中国已经有1.2亿，是一个庞大的投资群体，但是股票的投资的风险相对来说比较大。很多股民甚至没有任何分析就随便购买了一只股票。而随着大数据时代的到来，基于大数据的预测分析越来越多的深入到金融领域，建立一套能够分析股票趋势的数据模型，在具有不确定性的股票市场中寻找一点相对的确定性，将能够对投资决策形成重要的帮助。目前，基于股票基于供需关系波动，当前市场上针对股票资金的研究主要是基于绝对固化的资金分层，例如以50万一笔为大单，100万一笔为超大单来区分资金流以识别主力交易，然而这种方式的弊端是：如果一个机构或者主力为了不暴露自己的意图，把100万的单子改成99万，或者说50万的单子改成49万，类似这种思路，那么这种固定的绝对值来划分资金的方式则可能认为没有超大单或者大单在交易，这显然是有问题的。并且，采用这样的方法在应对大量的历史数据时，往往效率会比较低。技术实现要素：本发明实施例提供一种虚拟物品交易预测方法及装置，能够获得合理的资金流分区参数，更好的跟踪主力资金动向，提高预测精度。为达到上述目的，本发明的实施例提供一种虚拟物品交易预测方法，应用于虚拟物品交易预测装置，该方法包括：获取一段时间的虚拟物品历史数据，其中，该虚拟物品历史数据包括成交价格、成交方向和成交数量；根据该虚拟物品历史数据获取交易走势预测图；根据该交易走势预测图与一段时间的实际交易走势图，确定预测参数pfinal％；根据该预测参数进行虚拟物品交易预测。对应地，本发明实施例还提供了一种虚拟物品交易预测装置，该装置包括：数据收集模块，用于获取一段时间的虚拟物品历史数据，其中，该虚拟物品历史数据包括成交价格、成交方向和成交数量；参数训练模块，用于根据该虚拟物品历史数据获取交易走势预测图；以及根据该交易走势预测图与一段时间的实际交易走势图，确定预测参数pfinal％；预测模块，用于根据该预测参数进行虚拟物品交易预测。本发明通过对大量历史交易行为的数据进行分析，建立数据模型以及获取交易走势预测图，通过该交易走势预测图与一段时间的实际交易走势图训练该模型得到最优预测参数，进而固化模型，能够获得合理的资金流分区参数，根据该最优预测参数预测其后续一天的走势，能够更好的跟踪主力资金动向，提高预测精度。根据该预测结果实现更加精确的客观的交易决策指导。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。图1为本发明实施例的一种虚拟物品交易预测方法流程图；图2为本发明实施例的一种获取交易走势预测图的流程图；图3为本发明实施例的一种确定预测参数的方法流程图；图4为本发明实施例的一种确定最优预测参数方法流程图；图5为本发明实施例的一种虚拟物品交易预测装置结构示意图；图6本发明实施例的一种虚拟物品交易预测装置硬件结构示意图。具体实施方式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。本发明实施例提供一种虚拟物品交易预测方法，如图1所示，为本发明的一种虚拟网络部署方法流程图，该方法应用于虚拟物品交易预测装置，该方法可以包括：步骤101、获取一段时间的虚拟物品历史数据，其中，该虚拟物品历史数据包括成交价格、成交方向和成交数量。具体的，该一段时间可以为1年、2年或者3年，通常，至少需要1年的该虚拟物品历史数据。该虚拟物品历史数据可以以每一天所有虚拟物品的每一单交易订单的形式进行记载，也可以以每一天每一个虚拟物品的每一单交易订单的形式分别进行记载，对此，本发明实施例不进行限定。该虚拟物品历史数据可以.csv的格式存在，也可以以其他格式存在，对此，本发明实施例不进行限定。以下表1是一种以.csv的格式，每一天某一个虚拟物品的每一单交易订单的形式进行记载为例进行说明，该.csv文件也可以是其他形式，本发明实施例对.csv文件的形式不进行限定。表1时间成交价格成交方向成交数量成交总金额2015-05-0809:36:0013.70买入6008220.002015-05-0809:36:0113.71卖出100013710.002015-05-0809:36:0213.74买入100013740.00步骤102、根据该虚拟物品历史数据获取交易走势预测图。具体的，可以利用python对该虚拟物品历史数据进行分析，构建验证模型，通过不断迭代训练该验证模型，得到预测参数，根据该预测参数获取每一个虚拟物品每一天的预测交易信号，根据该预测交易信号生成每一个虚拟物品的交易走势预测图。步骤103、根据该交易走势预测图与一段时间的实际交易走势图，确定预测参数pfinal％。在迭代训练验证模型的过程中，每得到一个预测参数，根据该预测参数获取每一个虚拟物品每一天的预测交易信号，再根据该预测交易信号生成每一个虚拟物品的交易走势预测图，将根据该交易走势预测图获得的预测收益和预测最大回撤，与根据实际交易走势图获得实际收益和实际最大回撤进行比较，若彼此接近，若符合预设阈值，则停止迭代，将该预测参数作为最优预测参数；若不符合预设阈值，则继续以某一步长进行迭代。步骤104、根据该预测参数进行虚拟物品交易预测。根据训练得到的最优预测参数进行虚拟物品交易预测，预测结果包括：买入与卖出。该预测结果用于指导之后一天的买入和卖出。进一步的，如图2所示，为本发明实施例的一种获取交易走势预测图的流程图，即步骤102可以包括步骤201-步骤206：步骤201、按照成交数量对每一天的虚拟物品历史数据进行降序排序。步骤202、确定预测参数p％，该预测参数为降序排序的虚拟物品历史数据的前p％。步骤203、根据预测参数p％确定每一天的资金净流入。例如，初始化预测参数为20％，那么以降序排序的虚拟物品历史数据的前20％为基础，计算每一天的资金净流入。进一步的，所述根据预测参数p％确定每一天的资金净流入，可以包括：分别计算每一天降序排序的该虚拟物品历史数据的前p％的主动买入总金额和主动卖出总金额。分别计算每一天该主动买入总金额和主动卖出总金额的差值，获取每一天的资金净流入。以预测参数为25％为例，根据降序排序的虚拟物品历史数据前25％中的成交方向以及成交总金额确定每一天主动买入总金额和主动卖出总金额。根据公式资金净流入＝主动买入总金额-主动卖出总金额获取每一天的资金净流入。步骤204、根据每一天的资金净流入确定每一天的若干个算术移动平均a2，a3，……an+1，其中，该算术移动平均an+1为从当前天向前推算n天的资金净流入的平均值。例如，根据每一天的资金净流入确定每一天的4日算术移动平均a2，a3，a4和a5，即，从某一天向前分别推算1天、2天、3天和4天(包括该某一天)计算资金净流入的平均值。表2为一种表格形式的资金净流入4日算术移动平均的示例，也可以是其他形式，本发明实施例对此不进行限定。表2步骤205、根据每一天的若干个算术移动平均确定每一天的预测交易信号，该预测交易信号包括买入和卖出。具体的，可以设置预测交易信号确定规则，例如算术移动平均的正负比例，算术移动平均的具体值，也可以通过两者的结合来综合进行确定，对此，本发明实施例不进行限定。这里，以算术移动平均的正负比例进行确定，具体的，设定正负比例门限为3:1，即正负比例≥3:1，则预测交易信号为买入，否则为卖出，如表2所示，序号0-3的4天由于为历史数据起始时间段，数据由缺失，因此该4天的算术移动平均参考价值不高，预测交易信号无效。序号4指示的第5天，a2，a3，a4和a5分别为-2000、0、1800和300，买入3次，卖出1次，那么，确定预测交易信号为买入；序号5指示的第6天，a2，a3，a4和a5分别为-2200、-200、1600和100，买入2次，卖出2次，那么，确定预测交易信号为卖出。步骤206、根据每一天的交易信号生成交易走势预测图。进一步的，如图3所示，为本发明实施例的一种确定预测参数的方法流程图，即步骤103可以包括步骤301-步骤303：步骤301、根据交易走势预测图与一段时间的实际交易走势图的对比结果，调整预测参数。具体的，可以将根据该交易走势预测图获得的预测收益和预测最大回撤，与根据实际交易走势图获得实际收益和实际最大回撤进行比较，若不符合预设阈值，则继续以某一步长进行迭代，该步长可以为1％，也可以为其他值，对此，本发明实施例不进行限定。步骤302、根据调整后的该预测参数循环迭代降序排序的该虚拟物品历史数据，训练该交易走势预测图。通过以某一步长进行迭代，得到一个预测参数，根据该预测参数获取每一个虚拟物品每一天的预测交易信号，再根据该预测交易信号生成每一个虚拟物品的交易走势预测图。步骤303、根据训练后的该交易走势预测图与该一段时间的实际交易走势图的对比结果，确定最优预测参数pfinal％。在每一次迭代获取交易走势预测图后，将根据该交易走势预测图获得的预测收益和预测最大回撤，与根据实际交易走势图获得实际收益和实际最大回撤进行比较，若彼此接近，则停止迭代，将该预测参数作为最优预测参数。进一步的，如图4所示，为本发明实施例的一种确定最优预测参数方法流程图，即步骤303可以包括步骤401-步骤404：步骤401、确定该一段时间的实际收益和实际最大回撤。具体的，可以先计算实际交易走势图中每一段买入信号到卖出信号之间的收益率，然后计算该一段时间内的总收益率作为实际收益；先计算实际交易走势图中每一段卖出信号到买入信号之间的回撤，然后计算该一段时间内的总回撤作为实际最大回撤。步骤402、确定一段时间的预测收益和预测最大回撤。步骤402与步骤401的顺序可以不分先后。具体的，可以先计算交易走势预测图中每一段买入信号到卖出信号之间的收益率，然后计算该一段时间内的总收益率作为预测收益；先计算交易走势预测图中每一段卖出信号到买入信号之间的回撤，然后计算该一段时间内的总回撤作为预测最大回撤。步骤403、判断该预测收益与该实际收益差值的绝对值是否大于收益预设偏移，或该预测最大回撤与该实际最大回撤差值的绝对值是否小于最大回撤预设偏移。步骤404、若该预测收益与该实际收益差值的绝对值小于收益预设偏移，或该预测最大回撤与该实际最大回撤差值的绝对值大于最大回撤预设偏移，调整该预测参数，重复步骤301-步骤302以及步骤402-403。若该预测收益与该实际收益差值的绝对值大于收益预设偏移，且该预测最大回撤与该实际最大回撤差值的绝对值小于最大回撤预设偏移，停止迭代，确定该预测收益与该预测最大回撤对应的预测参数为最优预测参数pfinal％。具体的，该调整可以以某一固定步长进行迭代调整。进一步的，如图1所示，该方法还可以包括：步骤105、收集根据虚拟物品交易预测结果进行虚拟物品交易后的交易数据。步骤106、根据收集的该虚拟物品交易预测结果进行虚拟物品交易后的交易数据更新该虚拟物品历史数据和实际交易走势图。步骤107、根据更新后的该虚拟物品历史数据、更新后的实际交易走势图和预测参数pfinal％循环迭代更新该预测参数。该预测参数的更新可以为周期性的，也可以为时间触发性的，对此，本发明实施例不进行限定。本发明通过对大量历史交易行为的数据进行分析，建立数据模型以及获取交易走势预测图，通过该交易走势预测图与一段时间的实际交易走势图训练该模型得到最优预测参数，进而固化模型，能够获得合理的资金流分区参数，根据该最优预测参数预测其后续一天的走势，能够更好的跟踪主力资金动向，提高预测精度。根据该预测结果实现更加精确的客观的交易决策指导。本发明实施例提供一种虚拟物品交易预测装置，如图5所示，示出了本发明的虚拟物品交易预测装置结构示意图，图5所示的仅为示意图，并不对该虚拟物品交易预测装置的其他单元以及各个单元的交互形式构成限定。该虚拟物品交易预测装置500可以包括数据收集模块510、参数训练模块520和预测模块530。数据收集模块510，用于获取一段时间的虚拟物品历史数据，其中，该虚拟物品历史数据包括成交价格、成交方向和成交数量。具体的，该一段时间可以为1年、2年或者3年，通常，至少需要1年的该虚拟物品历史数据。该虚拟物品历史数据可以以每一天所有虚拟物品的每一单交易订单的形式进行记载，也可以以每一天每一个虚拟物品的每一单交易订单的形式分别进行记载，对此，本发明实施例不进行限定。该虚拟物品历史数据可以.csv的格式存在，也可以以其他格式存在，对此，本发明实施例不进行限定。参数训练模块520，用于根据该虚拟物品历史数据获取交易走势预测图；以及根据该交易走势预测图与一段时间的实际交易走势图，确定预测参数pfinal％。具体的，可以利用python对该虚拟物品历史数据进行分析，构建验证模型，通过不断迭代训练该验证模型，得到预测参数，根据该预测参数获取每一个虚拟物品每一天的预测交易信号，根据该预测交易信号生成每一个虚拟物品的交易走势预测图。在迭代训练验证模型的过程中，每得到一个预测参数，根据该预测参数获取每一个虚拟物品每一天的预测交易信号，再根据该预测交易信号生成每一个虚拟物品的交易走势预测图，将根据该交易走势预测图获得的预测收益和预测最大回撤，与根据实际交易走势图获得实际收益和实际最大回撤进行比较，若彼此接近，若符合预设阈值，则停止迭代，将该预测参数作为最优预测参数；若不符合预设阈值，则继续以某一步长进行迭代。预测模块530，用于根据该预测参数进行虚拟物品交易预测。根据训练得到的最优预测参数进行虚拟物品交易预测，预测结果包括：买入与卖出。该预测结果用于指导之后一天的买入和卖出。进一步的，所述根据该虚拟物品历史数据获取交易走势预测图可以包括：按照成交数量对每一天的虚拟物品历史数据进行降序排序；确定预测参数p％，该预测参数为降序排序的虚拟物品历史数据的前p％；根据预测参数p％确定每一天的资金净流入；根据每一天的资金净流入确定每一天的若干个算术移动平均a2，a3，……an+1，其中，该算术移动平均an+1为从当前天向前推算n天的资金净流入的平均值；根据每一天的若干个算术移动平均确定每一天的预测交易信号，该预测交易信号包括买入和卖出；根据每一天的交易信号生成交易走势预测图。进一步的，所述根据预测参数p％确定每一天的资金净流入，可以包括：分别计算每一天降序排序的该虚拟物品历史数据的前p％的主动买入总金额和主动卖出总金额。分别计算每一天该主动买入总金额和主动卖出总金额的差值，获取每一天的资金净流入。以预测参数为25％为例，根据降序排序的虚拟物品历史数据前25％中的成交方向以及成交总金额确定每一天主动买入总金额和主动卖出总金额。根据公式资金净流入＝主动买入总金额-主动卖出总金额获取每一天的资金净流入。进一步的，所述根据交易走势预测图与一段时间的实际交易走势图，确定预测参数pfinal％，可以包括：根据交易走势预测图与一段时间的实际交易走势图的对比结果，调整预测参数；根据调整后的该预测参数循环迭代降序排序的该虚拟物品历史数据，训练该交易走势预测图；根据训练后的该交易走势预测图与该一段时间的实际交易走势图的对比结果，确定最优预测参数pfinal％。具体的，可以将根据该交易走势预测图获得的预测收益和预测最大回撤，与根据实际交易走势图获得实际收益和实际最大回撤进行比较，若不符合预设阈值，则继续以某一步长进行迭代，该步长可以为1％，也可以为其他值，对此，本发明实施例不进行限定。通过以某一步长进行迭代，得到一个预测参数，根据该预测参数获取每一个虚拟物品每一天的预测交易信号，再根据该预测交易信号生成每一个虚拟物品的交易走势预测图。在每一次迭代获取交易走势预测图后，将根据该交易走势预测图获得的预测收益和预测最大回撤，与根据实际交易走势图获得实际收益和实际最大回撤进行比较，若彼此接近，则停止迭代，将该预测参数作为最优预测参数。进一步的，所述根据交易走势预测图与一段时间的实际交易走势图的对比结果，调整所述预测参数，可以包括：确定该一段时间的实际收益、实际最大回撤、预测收益和预测最大回撤；判断该预测收益与该实际收益差值的绝对值是否大于收益预设偏移，或该预测最大回撤与该实际最大回撤差值的绝对值是否小于最大回撤预设偏移；若否，调整该预测参数，重新训练该交易走势预测图，若是，停止迭代，确定该预测收益与该预测最大回撤对应的预测参数为最优预测参数pfinal％。具体的，可以先计算实际交易走势图中每一段买入信号到卖出信号之间的收益率，然后计算该一段时间内的总收益率作为实际收益；先计算实际交易走势图中每一段卖出信号到买入信号之间的回撤，然后计算该一段时间内的总回撤作为实际最大回撤。可以先计算交易走势预测图中每一段买入信号到卖出信号之间的收益率，然后计算该一段时间内的总收益率作为预测收益；先计算交易走势预测图中每一段卖出信号到买入信号之间的回撤，然后计算该一段时间内的总回撤作为预测最大回撤。进一步的，所述数据收集模块510还用于，收集根据虚拟物品交易预测结果进行虚拟物品交易后的交易数据。参数训练模块520还用于，根据收集的该虚拟物品交易预测结果进行虚拟物品交易后的交易数据更新该虚拟物品历史数据和实际交易走势图；以及根据更新后的该虚拟物品历史数据、更新后的实际交易走势图和预测参数pfinal％循环迭代更新该预测参数。该预测参数的更新可以为周期性的，也可以为时间触发性的，对此，本发明实施例不进行限定。如图6所示，为本发明实施例的一种虚拟物品交易预测装置硬件结构示意图，该虚拟物品交易预测装置500包括处理器601，通信线路602，存储器603以及至少一个通信接口(图6中仅是示例性的以包括通信接口604为例进行说明)。处理器601可以是一个通用中央处理器(centralprocessingunit，cpu)，微处理器，特定应用集成电路(application-specificintegratedcircuit，asic)，或一个或多个用于控制本申请方案程序执行的集成电路，处理器601可以包括一个或多个cpu，例如图6中的cpu0和cpu1。通信线路602可包括一通路，在上述组件之间传送信息。通信接口604，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radioaccessnetwork，ran)，无线局域网(wirelesslocalareanetworks，wlan)等。存储器603可以是只读存储器(read-onlymemory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路602与处理器相连接。存储器也可以和处理器集成在一起。其中，存储器603用于存储执行本申请方案的计算机执行指令。本发明通过对大量历史交易行为的数据进行分析，建立数据模型以及获取交易走势预测图，通过该交易走势预测图与一段时间的实际交易走势图训练该模型得到最优预测参数，进而固化模型，能够获得合理的资金流分区参数，根据该最优预测参数预测其后续一天的走势，能够更好的跟踪主力资金动向，提高预测精度。根据该预测结果实现更加精确的客观的交易决策指导。在本申请所提供的几个实施例中，应该理解到，所揭露的方法、系统和装置，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述功能模块的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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网络单元上。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。另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理包括，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，也可以采用硬件加软件功能单元的形式实现。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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(可以是个人计算机，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部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。当前第1页12