本申请属于计算机
技术领域：
，尤其涉及一种套利方式判断模型的训练方法、装置、训练设备及计算机存储介质。
背景技术：
：对于某一种可交易资源，其在不同交易所之间的价格差异越大，则该可交易资源的市场有效性就越低，交易者从中获利的可能就越大，例如，在价格低的交易所买入该可交易资源，价格高的交易所卖出该可交易资源，获取利益这一行为称为套利。套利主要分为被动套利和主动套利，被动套利在市场波动性较大的情况下容易出现，平时出现的机会较少，平时在市场较为平稳时更倾向于使用主动套利。但是，由于市场波动较小时，很难准确并且及时的判断出可以进行主动套利，使得交易者很难把握主动套利的时机，现有的监控程序中的监控模型大多数是针对被动套利的情况进行判断，并不能对主动套利的情况进行判断。技术实现要素：本申请实施例提供了一种套利方式判断模型的训练方法、装置、训练设备及计算机存储介质，可以解决现有的监控程序中的监控模型不能对主动套利的情况进行判断的问题。第一方面，本申请实施例提供了一种套利方式判断模型的训练方法，包括：获取市场交易的特征信息、主动套利的限制条件和主动套利适用结果标签；基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型；在训练过程中，所述套利方式判断模型的输入为所述特征信息；所述套利方式判断模型的标注为所述主动套利适用结果标签；所述套利方式判断模型的输出为所述主动套利适用结果信息。进一步地，所述特征信息包括至少一个特征信息集，所述特征信息集包括特定时间段内的市场交易数据的特征的有序集合。进一步地，所述调整参数为：θ＝argminθ|f(attr；θ)-y|其中，θ为调整参数，attr为特征信息，f(attr；θ)为套利方式判断模型，y为主动套利适用结果标签。进一步地，所述获取主动套利适用结果标签，包括：基于预设被动套利判断规则，判断所述特征信息集内是否存在某一时刻满足被动套利；若不存在某一时刻满足被动套利，则基于预设主动套利判断规则，判断特征信息集内是否存在某一时刻满足主动套利空间；若存在某一时刻满足主动套利空间，验证在所述限制条件下是否主动套利成功，得到主动套利结果；基于所述主动套利结果得到主动套利适用结果标签。进一步地，所述预设被动套利判断规则，包括：其中，bidmax,1为当前所有交易中最高的买一价格，askmin,1为当前所有交易中最低的卖一价格，frmax为当前所有交易中最高的手续费率。进一步地，预设主动套利判断规则，包括：或者其中，bidmin,1为当前所有交易中最低的买一价格，askmax,1为当前所有交易中最高的卖一价格，。进一步地，验证在所述限制条件下是否主动套利成功，得到主动套利结果，包括：将特征信息集中所有满足主动套利空间的时刻按照如下公式验证，若满足或则套利结果为套利成功；其中，pbuy为交易价格中的买入价格，psell为交易价格中的卖出价格，s为预设策略执行强度；pbuy＝bidmax,1-(bidmax,1-bidmin,1)*spsell＝askmin,1+(askmax,1-askmin,1)*s对应地，所述基于主动套利结果得到主动套利适用结果标签，包括：基于所有所述主动套利结果，确定主动套利成功概率；基于所述主动套利成功概率确定主动套利适用结果标签。第二方面，本申请实施例提供了一种套利方法，其特征在于，套利方式判断模型通过上述第一方面所述套利方式判断模型的训练方法训练得到，所述套利方法包括：获取待判断的目标市场交易数据对应的目标特征信息；将所述目标特征信息输入所述套利方式判断模型，得到第二标签；根据所述第二标签执行相应的主动套利操作。第三方面，本申请实施例提供了一种套利方式判断模型的训练装置，包括：第一获取单元，用于获取市场交易的特征信息、主动套利的限制条件和主动套利适用结果标签；训练单元，用于基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型；在训练过程中，所述套利方式判断模型的输入为所述特征信息；所述套利方式判断模型的标注为所述主动套利适用结果标签；所述套利方式判断模型的输出为所述主动套利适用结果信息。进一步地，所述特征信息包括至少一个特征信息集，所述特征信息集包括特定时间段内的市场交易数据的特征的有序集合。进一步地，所述调整参数为：θ＝argminθ|f(attr；θ)-y|其中，θ为调整参数，attr为特征信息，f(attr；θ)为套利方式判断模型，y为主动套利适用结果标签。进一步地，所述第二获取单元，包括：第一判断单元，用于基于预设被动套利判断规则，判断所述特征信息集内是否存在某一时刻满足被动套利；第二判断单元，用于若不存在某一时刻满足被动套利，则基于预设主动套利判断规则，判断特征信息集内是否存在某一时刻满足主动套利空间；验证单元，用于若存在某一时刻满足主动套利空间，验证在所述限制条件下是否主动套利成功，得到主动套利结果；处理单元，用于基于所述主动套利结果得到主动套利适用结果标签。进一步地，所述预设被动套利判断规则，包括：其中，bidmax,1为当前所有交易中最高的买一价格，askmin,1为当前所有交易中最低的卖一价格，frmax为当前所有交易中最高的手续费率。进一步地，所述预设主动套利判断规则，包括：或者其中，bidmin,1为当前所有交易中最低的买一价格，askmax,1为当前所有交易中最高的卖一价格。进步一地，所述验证单元，具体用于：将特征信息集中所有满足主动套利空间的时刻按照如下公式验证，若满足或则套利结果为套利成功；其中，pbuy为交易价格中的买入价格，psell为交易价格中的卖出价格，s为预设策略执行强度；pbuy＝bidmax,1-(bidmax,1-bidmin,1)*spsell＝askmin,1+(askmax,1-askmin,1)*s对应地，所述处理单元，具体用于：基于所有所述主动套利结果，确定主动套利成功概率；基于所述主动套利成功概率确定主动套利适用结果标签。第四方面，本申请实施例提供了一种套利装置，包括：获取单元，用于获取待判断的目标市场交易数据对应的目标特征信息；第一处理单元，用于将所述目标特征信息输入所述套利方式判断模型，得到第二标签；第二处理单元，用于根据所述第二标签执行相应的主动套利操作。第五方面，本申请实施例提供了一种套利方式判断模型的训练设备，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的套利方式判断模型的训练方法。第六方面，本申请实施例提供了一种套利设备，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第二方面所述的套利方式判断模型的训练方法。本申请实施例中，获取市场交易的特征信息、主动套利的限制条件和主动套利适用结果标签；基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型。上述方案，基于特征信息和主动套利适用结果标签对深度神经网络训练，得到用于输出套利方式的套利方式判断模型，该模型能够对主动套利的情况进行判断，使得交易者把握主动套利的时机，高效的进行套利。另一方面，获取待判断的目标市场交易数据对应的目标特征信息；将所述目标特征信息输入所述套利方式判断模型，得到第二标签；根据所述第二标签执行相应的主动套利操作。上述方案，采用预先训练好的套利方式判断模型，基于目标市场数据对应的目标特征信息得到是否适用于主动套利交易的结果，能够对主动套利的情况进行判断，使得交易者把握主动套利的时机，高效的进行套利。附图说明为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。图1是本申请第一实施例提供的一种套利方式判断模型的训练方法的示意流程图；图2是本申请第一实施例提供的一种套利方式判断模型的训练方法中s102细化的示意流程图；图3是本申请第二实施例提供的一种套利方法的示意流程图；图4是本申请第三实施例提供的套利方式判断模型的训练装置的示意图；图5是本申请第四实施例提供的套利装置的示意图；图6是本申请第五实施例提供的套利方式判断模型的训练设备的示意图；图7是本申请第六实施例提供的套利设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。请参见图1，图1是本申请第一实施例提供的一种套利方式判断模型的训练方法的示意流程图。本实施例中一种套利方式判断模型的训练方法的执行主体为具有套利方式判断模型的训练功能的设备，设备包括但不限于台式电脑、服务器等。如图1所示的套利方式判断模型的训练方法可包括：s101：获取市场交易的特征信息、主动套利的限制条件和主动套利适用结果标签。对于某一种可交易资源，其在不同交易所之间的价格差异越大，则该可交易资源的市场有效性就越低，从中获利的可能就越大，即在价格低的交易所买入该可交易资源，价格高的交易所卖出该可交易资源。其中，可交易资源可以包括但不限于货币、贵金属等等。套利可以分为两种：被动套利与主动套利。为了描述清晰，我们用最简单的情况进行举例。例1：被动套利，假设有一种可交易资源xyz同时在a与b两个交易所有美元市场，实时监控两个市场的状态。在某一时刻检测到了两个市场的具体价格如下：交易所a交易所b第一买入价96美元98美元第一卖出价97美元99美元注意到此时交易所a的第一卖出价(或者，也可以称之为最高投标价，highestbidprice)低于交易所b的第一买入价(或者，也可以称之为最低咨询价，lowestaskprice)，并且差距大于交易成本(手续费)：这里aska，1代表该可交易资源在交易所a的卖1价格，bskb，1代表该可交易资源在交易所b的买1价格，fra代表交易所a的手续费率，frb代表交易所b的手续费率。那么此时在a交易所买入xyz，在b交易所卖出xyz即可获利，此种情况被称为被动套利，此种情况在市场波动性较大的情况下容易出现，平时出现的机会较少，因为市面上同时也有很多其他的套利程序在运行，一旦出现套利机会很可能会被别人抢先。因此平时在市场较为平稳时更倾向于使用主动套利。例2：主动套利，假设有一种可交易资源xyz同时在a与b两个交易所有美元市场，实时监控两个市场的状态。在某一时刻检测到了两个市场的具体价格如下：到此时两个交易所的买入价格和卖出价格虽然没有被动套利机会，但还是有明显差异：此时我们在交易所a下96.5美元的买入单，在交易所b下98.5美元的卖出单，实时检测这两个单的成交状态，同时继续监控两个市场的状态。假如交易所a的买入价格高于98.5美元，或者交易所b的卖出价格低于96.5美元，则立刻取消我们下的单。否则的话：假如我们在交易所a的96.5美元买入单成交，则立刻在交易所b以97美元卖出；假如我们在交易所b的98.5美元卖出单成交，则立刻在交易所a以98美元买入。此时，套利的形式被称为主动获利。主动套利在平时市场波动较小，并且交易所内部价差较小的情况下容易实现，所以为了把握住主动套利的机会，需要构建一个模型来预测接下来一段时间内的市场是否适合主动套利。在本实施例中，设备获取市场交易的特征信息和主动套利的限制条件。主动套利的限制条件为设备预先设置的，满足主动套利时必须符合的条件。市场交易的特征信息为市场交易数据的特征，市场交易数据可以包括各交易所的市场数据以及每笔交易的交易数据。举例来说，市场数据可以包括下表中的内容，在该表中，aska，1代表该可交易资源在交易所a的卖1价格，bskb，1代表该可交易资源在交易所b的买1价格，askb，1代表该可交易资源在交易所b的卖1价格，bska，1代表该可交易资源在交易所a的买1价格。每笔交易的交易数据可以包括下表所示的可交易资源种类、价格、数量、交易时间等。编号交易所种类价格数量时间1axyz99.91002020.1.100:00:01.2329832axyz99.72402020.1.100:00:01.2434763axyz99.82002020.1.100:00:01.255648市场交易数据的特征信息标识市场交易数据的特征，市场交易数据的特征信息包括价格信息、交易信息。价格信息可以包括但不限于价格的相对涨跌幅、最高价格与最低价格的相对差距、当前预设时间段内价格均值与上段预设时间段价格均值的相对涨跌幅、过去若干段预设时间段的平均价格与当前预设时间段得平均价格的相对差距；交易信息可以包括但不限于当前预设时间段内的交易量、过去若干段预设时间段的平均交易量。进一步地，所述特征信息包括至少一个特征信息集，所述特征信息集包括特定时间段内的市场交易数据的特征的有序集合。在一实施例中，特征信息总共包括2019年3月的所有市场交易数据的特征，总共包括31个特征信息集，其中特征信息集为2019年3月1日至2019年3月31日中一日的所有特征的有序集合，在其他实施例中，根据模型的不同也可以不采用有序集合，具体特征信息集的时间跨度也可以根据需要自行调整。设备获取主动套利适用结果标签，主动套利适用结果标签标识交易数据对应的主动套利适用结果，可以为适用主动套利，也可以为不适用主动套利。主动套利适用结果标签可以由设备直接获取已经打包好的数据，也可以由设备基于市场交易数据进行处理获取。在一实施例中，主动套利适用结果标签以一个特征信息集为单位，主动套利适用结果标签包括所有的特征信息集的主动套利适用结果。进步一地，为了准确的获取到主动套利适用结果标签，s102可以包括s1021～s1024，如图2所示，s1021～s1024具体如下：s1021：基于预设被动套利判断规则，判断所述特征信息集内是否存在某一时刻满足被动套利。设备基于预设被动套利判断规则，判断特征信息集内是否存在某一时刻满足被动套利，因为当存在被动套利交易的可能时，进行被动套利交易能获取更大的利益。进一步地，所述预设被动套利判断规则，包括：其中，bidmax,1为当前所有交易中最高的买一价格，askmin,1为当前所有交易中最低的卖一价格，frmax为当前所有交易中最高的手续费率。s1022：若不存在某一时刻满足被动套利，则基于预设主动套利判断规则，判断特征信息集内是否存在某一时刻满足主动套利空间。当不存在某一时刻满足被动套利，则基于预设主动套利判断规则，判断特征信息集内是否存在某一时刻满足主动套利空间。进一步地，所述预设主动套利判断规则，包括：或者其中，bidmin,1为当前所有交易中最低的买一价格，askmax,1为当前所有交易中最高的卖一价格。s1023：若存在某一时刻满足主动套利空间，验证在所述限制条件下是否主动套利成功，得到主动套利结果。设备基于上述预设主动套利规则判断出存在主动套利的可能，设备验证没有在限制条件下是否主动套利成功，得到主动套利结果。进步一地，设备将特征信息集中所有满足主动套利空间的时刻按照如下公式验证，若满足或则套利结果为套利成功；设备基于交易价格和预设交易手续费信息判断在一定时间段内获取的利益高于手续费，既可以判断本次主动套利交易成功。例如，完成上一个步骤中的主动套利交易后，设备在时间间隔t内，出现了上述情况，则判定主动套利成功。其中，pbuy为交易价格中的买入价格，psell为交易价格中的卖出价格，s为预设策略执行强度；设备可以从市场交易数据中获取各主动套利交易对应的交易价格。设备也可以获取预设时间段内可以进行主动套利交易的时刻，计算主动套利交易对应的交易价格；设备根据目标时刻对应的所有交易中最高的买一价格、目标时刻对应的所有交易中最低的买一价格、目标时刻对应的所有交易中最高的卖一价格、目标时刻对应的所有交易中最低的卖一价格计算主动套利交易对应的交易价格，具体公式如下：pbuy＝bidmax,1-(bidmax,1-bidmin,1)*spsell＝askmin,1+(askmax,1-askmin,1)*s其中，bidmax,1为当前所有交易中最高的买一价格，bidmin,1为当前所有交易中最低的买一价格，askmax,1为当前所有交易中最高的卖一价格,askmin,1为当前所有交易中最低的卖一价格，s为预设策略执行强度。预设策略执行强度s可以为0到1之间的一个小数，策略执行强度s越大，每次主动套利获得的利润越高，但是主动套利成功的机会就越小，反之强度s越小，每次主动套利获得的利润越低，同时主动套利成功的机会越大。s1024：基于所述主动套利结果得到主动套利适用结果标签。设备基于主动套利结果得到主动套利适用结果标签，可以设定当主动套利结果满足预设条件时，主动套利适用结果标签为适用于主动套利，当主动套利结果不满足预设条件时，主动套利适用结果标签为不适用于主动套利。进步一地，s1024可以包括：基于所有所述主动套利结果，确定主动套利成功概率，基于所述主动套利成功概率确定主动套利适用结果标签。设备计算主动套利成功的时刻的数量占所有满足主动套利空间的时刻的比例，该比例即为主动套利成功概率，例如，一个特征信息集对应的时间是5分钟，其中有交易信息的时刻是100个，这100个时刻里面满足主动套利空间的时刻是20个，最后算出来满足成功判断公式的是2个，那么成功率是2除以20，成功率是10％。设备将主动套利成功概率与限制条件的概率阈值比较，判断是否满足限制条件。设备中可以预设一个概率阈值r，设备获取了主动套利成功概率，当主动套利成功概率大于或者等于概率阈值r时，将该特征信息集对应的主动套利适用结果标签标记为“适于主动套利”；当主动套利成功概率小于概率阈值r时，将该特征信息集对应的主动套利适用结果标签标记为“不适于主动套利”。在本实施例中，一种实施方式中，对所有的特征信息集进行上述操作即可得到主动套利适用结果标签，也就是说，通过所有特征信息集对应的主动套利结果来确定主动套利适用结果标签；另一种实施方式中，也可以通过一个特征信息集对应的主动套利结果来确定主动套利适用结果标签。此处不做限定。s103：基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型；在训练过程中，所述套利方式判断模型的输入为所述特征信息；所述套利方式判断模型的标注为所述主动套利适用结果标签；所述套利方式判断模型的输出为所述主动套利适用结果信息。设备可以将特征信息和主动套利适用结果标签分成多个批次，从而能够采用不同批次的训练样本进行训练。设备也可以基于特征信息和主动套利适用结果标签生成训练集，训练集中每个训练样本包括特征信息和主动套利适用结果标签。将特征信息和其对应的主动套利适用结果标签关联存储，形成一个训练样本，训练集有多个训练样本组成。在此对训练样本的数量不做限制，样本训练集中的训练样本的数量，可以根据实际情况进行设置，在一定程度上来说，训练样本集合中的训练样本的数量越多，使用该训练样本集合训练得到的套利方式判断模型进行是否进行主动套利的判断时，判断出的结果越准确。设备基于特征信息、所述主动套利成功限制条件、所述主动套利适用结果标签和所述调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型，在训练过程中，套利方式判断模型的输入为特征信息，套利方式判断模型的标注为主动套利适用结果标签，套利方式判断模型的输出为主动套利适用结果信息。设备可以将特征信息输入深度学习网络进行处理，预测每个特征信息的主动套利适用结果信息，将获取到的主动套利适用结果信息与对应的主动套利适用结果标签进行比较，得到比较结果，通过比较结果对调整参数和深度学习网络进行调整。其中，调整参数为设备中预先设置的参数，用于模型的训练，在模型迭代训练的过程中，根据训练情况实时对调整参数进行调整。进一步地，所述调整参数为：θ＝argminθ|f(attr；θ)-y|其中，θ为调整参数，attr为特征集，f(attr；θ)为套利方式判断模型，y为主动套利适用结果标签。在本实施例中，结果标签为“0”或者“1”，其中“0”代表不适用主动套利，“1”代表适用主动套利。所以由调整参数的公式可知，|f(attr；θ)-y|为模型预测结果标签与实际结果标签之间的差值的绝对值，所以|f(attr；θ)-y|越大则说明模型的预测与实际结果差距越大，假设只有一份特征信息集进行计算时，套利方式判断模型输出的结果标签与实际主动套利适用结果标签y不同时，|f(attr；θ)-y|的值为1，当套利方式判断模型输出的结果标签与实际主动套利适用结果标签y相同时，|f(attr；θ)-y|的值为0，所以|f(attr；θ)-y|越小说明模型的预测结果越准确，当有多组特征信息集时，也是如此，所以通过调整调整参数θ，即可调整模型的精准度。其中，本实施例中的深度神经网络包括但是不限于循环神经网络(rnn)、卷积神经网络(cnn)，长短期记忆网络(lstm)，双向循环神经网络(bidirectionalrnn)，门控循环单元神经网络(gru)。进一步地，为了得到判断结果更准确的套利方式判断模型，可以采用如下训练方法：将所述特征信息输入预设神经网络模型，基于所述主动套利成功限制条件得到第一标签，根据所述第一标签和所述主动套利适用结果标签计算损失值。在机器学习中，我们希望模型在训练数据上学到的预测数据分布与真实数据分布越相近越好，因此要设置损失函数(lossfunction)。本实施例中，预设用于评估第一标签与主动套利适用结果标签之间的差异的损失函数。设备执行训练步骤，训练步骤包括将特征信息输入预设神经网络模型进行处理，并基于主动套利成功限制条件对套利方式进行判断，得到第一标签，根据损失函数、第一标签和主动套利适用结果标签计算损失值，损失值用于衡量预测结果的准确度。若所述预设神经网络模型不满足预设迭代条件，则根据所述损失值更新所述调整参数以及所述预设神经网络模型，返回执行所述训练步骤。设备判断若预设神经网络模型不满足预设迭代条件，说明当前的判断的准确度还未达到要求，则根据损失值更新调整参数以及预设神经网络模型，返回执行所述训练步骤，即返回执行上一步骤。若所述预设神经网络模型满足预设迭代条件，则将所述预设神经网络模型作为套利方式判断模型。设备判断若预设神经网络模型满足预设迭代条件，说明当前的判断的准确度达到要求，则将预设神经网络模型作为套利方式判断模型。本申请实施例中，获取市场交易的特征信息和主动套利的限制条件；获取主动套利适用结果标签；基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型。上述方案，基于特征信息和主动套利适用结果标签对深度神经网络训练，得到用于输出套利方式的套利方式判断模型，该模型能够对主动套利的情况进行判断，使得交易者把握主动套利的时机，高效的进行套利。请参见图3，图3是本申请第二实施例提供的一种套利方法的示意流程图。本实施例中一种套利方法的执行主体为具有套利功能的设备，设备包括但不限于台式电脑、服务器等。如图3所示的套利方法可包括：s201：获取待判断的目标市场交易数据对应的目标特征信息。设备获取待判断的目标市场交易数据对应的目标特征信息，目标市场数据可以为指定时间段内的市场交易数据，目标特征信息的获取方式可以参阅s101中的相关描述，此处不再赘述。s202：将所述目标特征信息输入所述套利方式判断模型，得到第二标签。设备将目标特征信息输入到套利方式判断模型，套利方式判断模型通过第一实施例中的套利方式判断模型的训练方法训练得到，具体可以参阅第一实施例中的相关描述。套利方式判断模型用于输出目标特征信息对应的套利方式，设备将目标特征信息输入到套利方式判断模型进行处理，得到第二标签，第二标签为目标特征信息对应的套利方式信息。s203：根据所述第二标签执行相应的主动套利操作。设备根据第二标签执行相应的主动套利操作，即当第二标签标识适合进行主动套利交易时，则进行主动套利；当第二标签标识不适合进行主动套利交易时，不进行主动套利。在本实施例中，获取待判断的目标市场交易数据对应的目标特征信息；将所述目标特征信息输入所述套利方式判断模型，得到第二标签；根据所述第二标签执行相应的主动套利操作。上述方案，采用预先训练好的套利方式判断模型，基于目标市场数据对应的目标特征信息得到是否适用于主动套利交易的结果，能够对主动套利的情况进行判断，使得交易者把握主动套利的时机，高效的进行套利。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。请参见图4，图4是本申请第三实施例提供的套利方式判断模型的训练装置的示意图。包括的各单元用于执行图1～图2对应的实施例中的各步骤。具体请参阅图1～图2各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，套利方式判断模型的训练装置4包括：第一获取单元410，用于获取市场交易的特征信息、主动套利的限制条件和主动套利适用结果标签；训练单元420，用于基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型；在训练过程中，所述套利方式判断模型的输入为所述特征信息；所述套利方式判断模型的标注为所述主动套利适用结果标签；所述套利方式判断模型的输出为所述主动套利适用结果信息。进一步地，所述特征信息包括至少一个特征信息集，所述特征信息集包括特定时间段内的市场交易数据的特征的有序集合。进一步地，所述调整参数为：θ＝argminθ|f(attr；θ)-y|其中，θ为调整参数，attr为特征信息集，f(attr；θ)为套利方式判断模型，y为主动套利适用结果标签。进一步地，所述第二获取单元，包括：第一判断单元，用于基于预设被动套利判断规则，判断所述特征信息集内是否存在某一时刻满足被动套利；第二判断单元，用于若不存在某一时刻满足被动套利，则基于预设主动套利判断规则，判断特征信息集内是否存在某一时刻满足主动套利空间；验证单元，用于若存在某一时刻满足主动套利空间，验证在所述限制条件下是否主动套利成功，得到主动套利结果；处理单元，用于基于所述主动套利结果得到主动套利适用结果标签。进一步地，所述预设被动套利判断规则，包括：其中，bidmax,1为当前所有交易中最高的买一价格，askmin,1为当前所有交易中最低的卖一价格，frmax为当前所有交易中最高的手续费率。进一步地，所述预设主动套利判断规则，包括：或者其中，bidmin,1为当前所有交易中最低的买一价格，askmax,1为当前所有交易中最高的卖一价格。进步一地，所述验证单元，具体用于：将特征信息集中所有满足主动套利空间的时刻按照如下公式验证，若满足或则套利结果为套利成功；其中，pbuy为交易价格中的买入价格，psell为交易价格中的卖出价格，s为预设策略执行强度；pbuy＝bidmax,1-(bidmax,1-bidmin,1)*spsell＝askmin,1+(askmax,1-askmin,1)*s对应地，所述处理单元，具体用于：基于所有所述主动套利结果，确定主动套利成功概率；基于所述主动套利成功概率确定主动套利适用结果标签。请参见图5，图5是本申请第四实施例提供的套利装置的示意图。包括的各单元用于执行图3对应的实施例中的各步骤。具体请参阅图3对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，套利装置5包括：获取单元510，用于获取待判断的目标市场交易数据对应的目标特征信息；第一处理单元520，用于将所述目标特征信息输入所述套利方式判断模型，得到第二标签；第二处理单元530，用于根据所述第二标签执行相应的主动套利操作。图6是本申请第五实施例提供的套利方式判断模型的训练设备的示意图。如图6所示，该实施例的套利方式判断模型的训练设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如套利方式判断模型的训练程序。所述处理器60执行所述计算机程序62时实现上述各个套利方式判断模型的训练方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块410至420的功能。示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述套利方式判断模型的训练设备6中的执行过程。例如，所述计算机程序62可以被分割成第一获取单元、第二获取单元、训练单元，各单元具体功能如下：第一获取单元，用于获取市场交易的特征信息、主动套利的限制条件和主动套利适用结果标签；训练单元，用于基于所述特征信息、所述主动套利的限制条件、所述主动套利适用结果标签和调整参数对深度神经网络训练，得到用于输出主动套利适用结果信息的套利方式判断模型；在训练过程中，所述套利方式判断模型的输入为所述特征信息；所述套利方式判断模型的标注为所述主动套利适用结果标签；所述套利方式判断模型的输出为所述主动套利适用结果信息。所述套利方式判断模型的训练设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是套利方式判断模型的训练设备6的示例，并不构成对套利方式判断模型的训练设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述套利方式判断模型的训练设备还可以包括输入输出设备、网络接入设备、总线等。所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器61可以是所述套利方式判断模型的训练设备6的内部存储单元，例如套利方式判断模型的训练设备6的硬盘或内存。所述存储器61也可以是所述套利方式判断模型的训练设备6的外部存储设备，例如所述套利方式判断模型的训练设备6上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述套利方式判断模型的训练设备6还可以既包括所述套利方式判断模型的训练设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述套利方式判断模型的训练设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。图7是本申请第六实施例提供的套利设备的示意图。如图7所示，该实施例的套利设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如套利程序。所述处理器70执行所述计算机程序72时实现上述各个套利方法实施例中的步骤，例如图4所示的步骤201至203。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块77至730的功能。示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述套利设备7中的执行过程。例如，所述计算机程序72可以被分割成获取单元、第一处理单元、第二处理单元，各单元具体功能如下：获取单元，用于获取待判断的目标市场交易数据对应的目标特征信息；第一处理单元，用于将所述目标特征信息输入所述套利方式判断模型，得到第二标签；第二处理单元，用于根据所述第二标签执行相应的主动套利操作。所述套利设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是套利设备7的示例，并不构成对套利设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述套利设备还可以包括输入输出设备、网络接入设备、总线等。所称处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器71可以是所述套利设备7的内部存储单元，例如套利设备7的硬盘或内存。所述存储器71也可以是所述套利设备7的外部存储设备，例如所述套利设备7上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述套利设备7还可以既包括所述套利设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述套利设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。当前第1页12