[发明专利]基于半监督学习的交易成本预测方法

权利要求书

1.一种基于半监督学习的交易成本预测方法，其特征在于，包括如下步骤：

S10，对通过实盘交易获得的真实交易订单数据、由证券交易模拟器输出的模拟交易订单数据、以及待执行交易订单数据分别进行预处理；

S20，将预处理后的模拟交易订单数据和待执行交易订单数据合并为无交易成本标记的无标记订单数据，将预处理后的真实交易订单数据确定为有交易成本标记的有标记订单数据；

S30，根据有标记订单数据和无标记订单数据建立带权无向完全图G＝(V,E)，其中带权无向完全图中的节点v_i∈V用于表征第i个订单数据；

S40，在带权无向完全图中，从有标记订单数据向无标记订单数据传播，以实现无标记订单数据的交易成本预测。

2.根据权利要求1所述的基于半监督学习的交易成本预测方法，其特征在于，根据有标记订单数据和无标记订单数据建立带权无向完全图G＝(V,E)包括：

构建带权无向完全图，将有标记订单数据和无标记订单数据分别与带权无向完全图中的各个节点建立对应关系，使带权无向完全图中的节点v_i∈V用于表征第i个订单数据，若节点v_i为真实交易订单，则该节点记录第i个订单数据的交易特征x_i和交易成本标记y_i，若节点v_i为模拟交易订单，则该节点记录第i个订单数据的交易特征x_i；

在带权无向完全图的各组相邻节点间建立连边，带权无向完全图的边集E用于表征各组相邻节点间连边的权重W；

根据各组相邻节点所表征的订单数据之间的相似性确定相应连边的权重，以确定用于表征各个有标记订单数据和各个无标记订单数据的带权无向完全图。

3.根据权利要求2所述的基于半监督学习的交易成本预测方法，其特征在于，各组相邻节点间连边的权重的确定方式包括：

其中，(W)_ij表示表征第i个订单数据的节点与表征第j个订单数据的节点之间的连边的权重，x_i表示第i个订单数据的交易特征，x_j表示第j个订单数据的交易特征，σ为径向基函数的内核参数。

4.根据权利要求2所述的基于半监督学习的交易成本预测方法，其特征在于，若表征第i个订单数据的节点与表征第j个订单数据的节点为选定连边的两个端点，第i个订单数据有交易成本标记，第j个订单数据无交易成本标记；在带权无向完全图中，从表征第i个订单数据的节点与表征第j个订单数据的节点，以预测第j个订单数据的交易成本的过程包括：

将第i个订单数据的交易成本标记在带权无向完全图上的传播过程等效为实值函数映射f，将第i个订单数据的交易特征通过实值函数映射f(x_i)和符号函数sign(·)映射，得到第i个订单数据的交易成本标记与第i个订单数据对应的映射函数f(x_i)之间的关系；

根据选定连边的权重(W)_ij、根据第i个订单数据的实值函数映射f(x_i)和第j个订单数据的实值函数映射f(x_j)确定二次能量函数E(f)，获取使二次能量函数E(f)达到0时的优选映射；

根据优选映射确定第j个订单数据的实值函数映射f(x_j)，通过符号函数映射确定第j个订单数据的交易成本标记。

5.根据权利要求4所述的基于半监督学习的交易成本预测方法，其特征在于，第i个订单数据的实值函数映射f(x_i)包括：

f(x_i)＝∑_jw_jx_ij+b,x_ij∈x_i，

其中，w_j表示第i个订单数据的交易特征x_i中第j个特征的权重，x_ij表示第i个订单数据的交易特征x_i中的第j个特征，b表示偏置项。

6.根据权利要求5所述的基于半监督学习的交易成本预测方法，其特征在于，二次能量函数E(f)包括：

其中，(W)_ij表示选定连边的权重，n表示所有订单数据的总数。