一种基于联邦学习的交易拆单方法和系统与流程

1.本说明书涉及智能交易领域，更具体地，涉及基于联邦学习的交易拆单方法和系统。


背景技术：

2.随着金融市场的不断开放和发展，用户对于证券交易的智能化需求不断提高。对于交易量较大的证券交易订单，往往需要对订单进行拆分（即订单拆分或拆单）以使得订单可以通过间隔的多次交易来完成，从而减小对市场的冲击和/或节约交易成本。现有的订单拆分方式（例如，交易量加权平均价格（volume weighted average price，vwap）策略、交易时间加权平均价格（time weighted average price，twap）策略等）一般没有议价能力，不能在拆单的同时降低交易成本。而基于人工智能算法的交易模型通常只能针对单一的股票，缺少通用性，不能适用于复杂的金融市场。
3.因此，需要提供一种基于联邦学习的交易拆单方法、设备、系统和介质，可以适用于多种产品（如股票、证券等多种金融产品），以更高效更准确地对交易订单进行拆分和交易量调整，从而更好地应对市场行情的变化。


技术实现要素：

4.本说明书实施例的第一方面提供了一种基于联邦学习的交易拆单方法。所述方法包括获取目标产品的待交易订单的第一交易信息。所述方法包括通过将所述第一交易信息输入订单拆分模型，确定所述待交易订单的交易策略。所述交易策略包括将所述待交易订单拆分成的多个子交易订单的数量以及每个所述子交易订单的第二交易信息。所述订单拆分模型是基于联邦学习算法生成的共享模型或基于联邦学习算法生成的所述目标产品对应的本地模型，所述共享模型基于所述目标产品对应的所述本地模型和一个或多个参考产品对应的本地模型生成。
5.在一些实施例中，所述共享模型通过以下步骤获得：获取多个产品对应的多组训练数据，其中，所述多个产品包括所述目标产品和所述一个或多个参考产品，每个所述产品对应的一组训练数据包括所述产品的历史交易订单的样本交易信息和所述历史交易订单的金标准交易指标；基于所述多组训练数据执行至少一次全局迭代，以获得所述共享模型，其中每次所述全局迭代包括：对每个所述产品，利用所述产品对应的训练数据对本次全局迭代对应的初始本地模型进行更新，以得到中间本地模型；基于每个所述产品对应的中间本地模型，确定中间共享模型；将所述中间共享模型指定为所述共享模型或下一轮全局迭代的初始本地模型。
6.在一些实施例中，所述历史交易订单的下单日期在最近预设天数内和/或所述历史交易订单的交易价格与所述最近预设天数内的所有订单的平均交易价格的差异不高于预设阈值。
7.在一些实施例中，所述历史交易订单的金标准交易指标可以通过以下步骤获得：
基于所述历史交易订单对应的交易环境执行多次模拟下单并获得每次模拟下单的交易指标；从所述多次模拟下单获得的多组交易指标中选取所述金标准交易指标。
8.在一些实施例中，所述对每个所述产品，利用所述产品对应的训练数据对本次全局迭代对应的初始本地模型进行更新，以得到中间本地模型包括：对每个所述产品，利用所述产品对应的训练数据对本次全局迭代对应的初始本地模型进行至少一次本地迭代，以得到所述中间本地模型，其中，每次所述本地迭代包括：将所述产品对应的训练数据中的所述历史交易订单的样本交易信息输入所述初始本地模型，确定所述历史交易订单的预测交易策略；基于所述历史交易订单的预测交易策略确定所述历史交易订单的预测交易指标；基于所述预测交易指标和所述金标准交易指标，将所述初始本地模型作为所述中间本地模型，或对所述初始本地模型进行更新以进行一下轮的本地迭代。
9.在一些实施例中，所述基于每个所述产品对应的中间本地模型，确定中间共享模型包括：对每个所述产品对应的中间本地模型，基于所述产品的特征信息，确定所述中间本地模型的权重；基于所述多个产品对应的多个中间本地模型的权重，对所述多个中间本地模型进行加权聚合，以确定所述中间共享模型。
10.在一些实施例中，所述基于每个所述产品对应的中间本地模型，确定中间共享模型包括：对每个所述产品对应的中间本地模型，基于所述中间本地模型的准确性，确定所述中间本地模型的权重；基于所述多个产品对应的多个中间本地模型的权重，对所述多个中间本地模型进行加权聚合，以确定所述中间共享模型。
11.在一些实施例中，所述目标产品对应的本地模型通过以下步骤获得：将所述至少一次全局迭代中的一次全局迭代中得到的所述目标产品对应的中间本地模型，作为所述目标产品对应的所述本地模型。
12.在一些实施例中，所述方法进一步包括：通过评估所述共享模型和所述目标产品对应的本地模型，从所述共享模型和所述目标产品对应的本地模型中选择一个作为所述订单拆分模型。
13.本说明书的第二方面提供了一种基于联邦学习的交易拆单设备。所述设备包括获取模块和确定模块。所述获取模块用于获取目标产品的待交易订单的第一交易信息。所述确定模块用于，通过将所述第一交易信息输入订单拆分模型，确定所述待交易订单的交易策略。所述交易策略包括将所述待交易订单拆分成的多个子交易订单的数量以及每个所述子交易订单的第二交易信息。所述订单拆分模型是基于联邦学习算法生成的共享模型或基于联邦学习算法生成的所述目标产品对应的本地模型，所述共享模型基于所述目标产品对应的所述本地模型和一个或多个参考产品对应的本地模型生成。
14.本说明书的第三方面提供了一种基于联邦学习的交易拆单系统。所述系统包括处理器。所述处理器用于执行所述基于联邦学习的交易拆单方法。
15.本说明书的第四方面提供一种计算机可读存储介质。所述存储介质存储计算机指令。当计算机读取存储介质中的计算机指令后，计算机执行所述基于联邦学习的交易拆单方法。
16.通过本说明书一些实施例所述的基于联邦学习的交易拆单方法，可以根据目标产品的待交易订单的第一交易信息，将待交易订单自动拆分成的多个子交易订单的数量以及每个所述子交易订单的第二交易信息，提高交易拆单的效率。此外，通过联邦学习生成订单
拆分模型，可以整合不同股票的行情信息，提高订单拆分模型的适用性和准确性，进而提高交易拆单的效率和准确性。
附图说明
17.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要介绍，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，对于本领域的普通技术人员来讲，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。
18.图1是根据本说明书一些实施例所示的示例性交易拆单系统的应用场景示意图；图2是根据本说明书一些实施例所示的交易拆单设备的示例性模块图；图3是根据本说明书一些实施例所示的基于联邦学习的交易拆单流程的示例性流程图；图4是根据本说明书一些实施例所示的订单拆分模型的生成流程的示例性示意图。
具体实施方式
19.以下描述是为了使本领域的普通技术人员能够实施和利用本说明书，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本说明书的原则和范围的情况下，本说明书中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本说明书并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
20.本说明书中所使用的术语仅用于描述特定的示例性实施例，并不限制本说明书的范围。如本说明书使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
21.根据以下对附图的描述，本说明书的这些和其他的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本说明书的范围。应当理解的是，附图并不是按比例绘制的。
22.本说明书中使用了流程图用来说明根据本说明书的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。也可以从流程图中删除一个或以上操作。
23.本说明书中的术语“用户”可以是需要进行智能交易（例如，证券交易）的用户，例如，投资分析师、投资者、理财规划师、金融分析师等或其组合。
24.图1是根据本说明书的一些实施例的示例性交易拆单系统100的示意图。交易拆单系统100可以包括网络110、存储设备120、服务器130和终端设备140。
25.在一些实施例中，网络110可以促进信息和/或数据的交换。在一些实施例中，交易
拆单系统100的一个或以上组件（例如，存储设备120、服务器130或终端设备140）可以经由网络110将信息和/或数据发送到交易拆单系统100的另一个组件。例如，服务器130可以经由网络110从存储设备120接收数据。又例如，服务器130可以通过网络110向终端设备140发送信息（例如，交易策略、第一交易信息、第二交易信息、行情数据等）。在一些实施例中，网络110可以是有线网络、无线网络或其任意组合中的任一类型。仅作为示例，网络110可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络（lan）、广域网路（wan）、无线局域网络（wlan）、城域网（man）、公共电话转换网络（pstn）、蓝牙网络、紫蜂网络、近场通讯（nfc）网络等中的一个或其任意组合。在一些实施例中，网络110可以包括一个或以上网络接入点。例如，网络110可以包括，诸如，基站和/或互联网交换点的有线或无线网络接入点，交易拆单系统100的一个或以上组件可以通过其连接到网络110以交换数据和/或信息。
26.存储设备120可以储存数据和/或指令。在一些实施例中，存储设备120可以存储从网络110、终端设备140和/或服务器130获得的数据。在一些实施例中，存储设备120可以存储服务器130用来执行或使用以完成本说明书揭示的示例性方法的数据和/或指令。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（rom）等中的一个或其组合。在一些实施例中，存储设备120可在云平台上执行。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等中的一个或其任意组合。在一些实施例中，存储设备120可以是服务器130的一部分。
27.在一些实施例中，交易拆单系统100的一个或以上组件（例如，服务器130或终端设备140）可以具有访问存储设备120的许可。在一些实施例中，当满足一个或以上条件时，交易拆单系统100的一个或以上组件可以读取和/或修改存储设备120中的数据和/或信息。
28.在一些实施例中，服务器130可以是单个服务器或服务器组。服务器组可以是经由接入点连接到网络110的集中式服务器组，或者经由一个或一个以上的接入点分别连接到网络110的分布式服务器组。在一些实施例中，服务器130可以本地连接到网络110或者与网络110远程连接。例如，服务器130可以经由网络110访问存储在终端设备140和/或存储设备120中的信息和/或数据。又例如，存储设备120可以用作服务器130的后端存储器。在一些实施例中，服务器130可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、中间云、多重云等或其任意组合。
29.在一些实施例中，服务器130可以包括处理设备131。处理设备131可以处理与执行本说明书中描述的一个或一个以上的功能有关的信息和/或数据（例如，与智能订单拆单和/或交易相关的信息和/或数据）。例如，处理设备131可以从终端设备140和/或存储设备120中获取目标产品的待交易订单的第一交易信息。又例如，处理设备131可以获取订单拆分模型。订单拆分模型是基于联邦学习算法生成的共享模型或目标产品对应的本地模型。再例如，处理设备131可以通过将第一交易信息输入订单拆分模型，确定待交易订单的交易策略。交易策略包括将待交易订单拆分成的多个子交易订单的数量以及每个子交易订单的第二交易信息。在一些实施例中，处理设备131可以包括一个或一个以上的处理单元或处理器（例如，单核处理引擎或多核处理引擎）。仅作为示例，处理设备131可以包括中央处理单元（cpu）、专用集成电路（asic）、专用指令集处理器（asip）、图形处理单元（gpu）、物理处理单元（ppu）、数字信号处理器（dsp）、现场可编程门阵列（fpga）、可编程逻辑器件（pld）、控制
器、微控制器单元、精简指令集计算机（risc）、微处理器等或其任意组合。
30.终端设备140可以促进用户与交易拆单系统100之间的交互。例如，用户可以通过终端设备140发送待交易订单的指令。服务器130可以从终端设备140获取待交易订单。又例如，用户可以通过终端设备140设置目标产品的待交易订单的第一交易信息以发送给服务器130用于确定待交易订单的交易策略。又例如，服务器130可以通过终端设备140将确定后的待交易订单的交易策略展示给用户。在一些实施例中，终端设备140可以包括膝上型计算机141、移动设备142、平板电脑143等中的一个或其组合。在一些实施例中，终端设备140可以包括输入设备、输出设备等。在一些实施例中，终端设备140可以是处理设备131的一部分。
31.需要注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本技术的范围。可以理解，对于本领域普通技术人员来说，在了解该系统的原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。
32.图2是根据本技术的一些实施例所示的交易拆单设备的示例性模块图。如图2所示，交易拆单设备200可以包括获取模块210和确定模块220。在一些实施例中，交易拆单设备200可以集成到服务器130中。例如，交易拆单设备200可以是处理设备131的一部分。
33.获取模块210可以用于获取目标产品的待交易订单的第一交易信息。目标产品是指需要进行交易的产品。待交易订单是指目标产品需要进行的交易订单。在一些实施例中，待交易订单可以包括第一交易信息。第一交易信息可以包括目标产品在待交易订单中的交易类型、委托交易量、委托交易时间、委托交易价格等或其任意组合。关于获取目标产品的待交易订单的第一交易信息的更多描述可以参见本说明书的其他地方（例如，图3的步骤310及其相关描述）。
34.确定模块220可以用于通过将第一交易信息输入订单拆分模型，确定待交易订单的交易策略。交易策略可以包括将待交易订单拆分成的多个子交易订单的数量以及每个子交易订单的第二交易信息。订单拆分模型可以用于基于第一交易信息确定目标对象的待交易订单的交易策略。在一些实施例中，订单拆分模型可以是目标产品对应的第一本地模型、或基于联邦学习算法生成的共享模型、或基于联邦学习算法生成的目标产品对应的第二本地模型。关于确定待交易订单的交易策略的更多描述可以参见本说明书的其他地方（例如，图3的步骤320及其描述）。
35.在一些实施例中，交易拆单设备200还可以包括训练模块230。训练模块230可以用于训练一个或多个机器学习模型（例如，第一本地模型、共享模型、第二本地模型等）。在一些实施例中，训练模块230可以在处理设备131或处理设备131以外的处理设备上实现。在一些实施例中，训练模块230和其他模块（例如，获取模块210、确定模块220等）可以在相同的处理设备（处理设备131）上实现。或者，训练模块230和其他模块（例如，获取模块210、确定模块220等）可以在不同的处理设备上实现。例如，训练模块230可以在机器学习模型的供应商的处理设备上实现，而其他模块可以在机器学习模型的使用者的处理设备上实现。
36.应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计
算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器（固件）的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本技术的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合（例如，固件）来实现。
37.需要注意的是，以上对于系统及其模块的描述，仅为描述方便，并不能把本技术限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，确定模块220可以包括第一确定子单元和第二确定子单元，其中，第一确定子单元用于从第一本地模型、共享模型、第二本地模型中确定订单拆分模型，以及第二确定子单元用于通过将第一交易信息输入该订单拆分模型，确定待交易订单的交易策略。各个模块可以共用一个存储设备（例如，存储设备120），各个模块也可以分别具有各自的存储设备。诸如此类的变形，均在本技术的保护范围之内。
38.图3是根据本技术一些实施例所示的基于联邦学习的交易拆单流程300的示例性流程图。在一些实施例中，图3所示的基于联邦学习的交易拆单流程300的一个或多个操作可以通过图1所示的交易拆单系统100或图2所示的交易拆单设备200实现。例如，流程300可以以指令（例如，应用程序）的形式存储在存储设备120中，并由处理设备131执行调用和/或执行。
39.步骤310，处理设备131可以获取目标产品的待交易订单的第一交易信息。在一些实施例中，步骤310可以由获取模块210实现。
40.目标产品是指需要进行交易的产品。在一些实施例中，目标产品可以为金融产品，例如，股票、基金、债券、期货等或其任意组合。例如，目标产品为单一股票。又例如，目标产品为包括多种类型的组合产品。出于描述的目的，以下以目标产品为股票为例进行描述。需要注意的是，本说明书的方法可以适用于任何类型的产品。
41.待交易订单是指目标产品需要进行的交易订单。在一些实施例中，待交易订单可以包括第一交易信息。第一交易信息可以包括目标产品在待交易订单中的交易类型、委托交易量、委托交易时间、委托交易价格等或其任意组合。交易类型包括买入或卖出。委托交易量是指需要进行交易的目标产品的数量。委托交易时间是待交易订单的期望执行时间。委托交易价格是指目标产品的期望交易价格。例如，委托交易价格是目标产品的交易价格阈值（如最低卖出价或最高买入价）。即，待交易订单中目标产品的实际交易价格需要不超过委托交易价格（买入目标产品时）或者不低于委托交易价格（卖出目标产品时）。
42.仅作为示例，当目标产品为某一股票时，待交易订单为该股票的待交易股票订单。该待交易股票订单可以为在某一个天的某个时间段（例如，2023年6月27日的9:30-10:30）以一定价格买入或卖出一定数量（例如，5万股（500手）、10万股（1千手）、50万股（5千手）、100万股（1万手）、500万股（5万手）、1000万股（10万手）等）的该股票。待交易股票订单的委托交易量的单位可以为股数或手数。手数和股数之间的换算关系为1手等于100股。
43.在一些实施例中，处理设备131可以通过终端设备140获取目标产品的待交易订单的第一交易信息。例如，用户通过终端设备140登录目标产品的交易平台（例如，网页版或应
用程序版（即app版））。目标产品的交易平台可以由交易拆单设备200的软件实现。交易平台登录成功后，用户可以在登录界面确定目标产品的待交易订单的第一交易信息。用户确定一个或多个交易参数的方式可以包括直接输入（例如，文字输入、语音输入等）、列表选择等或其任意组合。处理设备131可以通过终端设备140获取目标产品的待交易订单的第一交易信息。在一些实施例中，目标产品的待交易订单的第一交易信息可以预先设置并保存在存储设备120中，处理设备131可以从存储设备120中获取目标产品的待交易订单的第一交易信息。
44.步骤320中，处理设备131可以通过将第一交易信息输入订单拆分模型，确定待交易订单的交易策略。在一些实施例中，步骤320可以由确定模块220实现。
45.交易策略可以包括将待交易订单拆分成的多个子交易订单的数量以及每个子交易订单的第二交易信息。在一些实施例中，第二交易信息可以和第一交易信息相似。例如，对于多个子交易订单的任意子交易订单，该子交易订单的第二交易信息可以包括目标产品在该子交易订单中的交易类型、委托交易量、委托交易时间、委托交易价格等或其任意组合。
46.订单拆分模型可以用于基于第一交易信息确定目标对象的待交易订单的交易策略。例如，处理设备131可以将第一交易信息输入订单拆分模型，订单拆分模型可以输出待交易订单的交易策略。
47.在一些实施例中，订单拆分模型可以是目标产品对应的第一本地模型、或基于联邦学习算法生成的共享模型、或基于联邦学习算法生成的目标产品对应的第二本地模型。
48.目标产品对应的第一本地模型可以基于目标产品的一组训练数据训练生成。目标产品的训练数据可以包括多个训练样本。其中，每个训练样本可以包括目标产品的历史交易订单的样本交易信息和该历史交易订单的金标准交易指标。样本交易信息可以包括样本第一交易信息。在一些实施例中，历史交易订单的样本交易信息也可以称为样本第一交易信息，其与待交易订单的第一交易信息类似，可以作为训练输入。历史交易订单的金标准交易指标为训练标签（label）。例如，第一本地模型可以通过使用处理设备131或其他处理设备基于该组训练数据训练初始本地模型来确定。示例性初始本地模型可以包括卷积神经网络模型（convolutional neural network，cnn）、深度神经网络模型（deep neural network，dnn）、循环神经网络模型（recurrent neural network，rnn）、生成对抗网络模型（generative adversarial network，gan）、图神经网络（graph neural network，gnn）等或其任意组合。
49.在一些实施例中，每个训练样本还可以包括历史交易订单对应的历史行情数据。例如，处理设备131可以以目标产品的历史交易订单的样本第一交易信息和历史行情数据为训练输入，以历史交易订单的金标准交易指标为训练标签（label）训练初始本地模型，来生成第一本地模型。相应的，处理设备131可以将待交易订单的第一交易信息和与第一交易信息对应的行情数据输入订单拆分模型，订单拆分模型可以输出待交易订单的交易策略。关于行情数据的更多描述可以在图4找到，在此不再赘述。
50.共享模型可以基于目标产品对应的本地模型（例如，第一本地模型、中间本地模型或第二本地模型）和一个或多个参考产品对应的本地模型生成。参考产品是指目标产品外的其他产品。例如，参考产品可以是和目标产品不同的金融产品。仅作为示例，当目标产品
为某一股票时，参考产品可以是该股票外的其他股票，或者基金、债券、期货等其他产品。一个或多个参考产品对应的本地模型的生成方式可以和目标产品对应的第一本地模型的生成方式相似。例如，对于一个或多个参考产品中的任意参考产品，处理设备131可以获取该参考产品的一组训练数据，并基于该参考产品的训练数据训练初始模型来确定该参考产品对应的本地模型。
51.在一些实施例中，处理设备131可以基于目标产品对应的本地模型和一个或多个参考产品对应的本地模型生成共享模型。例如，处理设备131可以获取多个产品（目标产品和一个或多个参考产品）对应的多组训练数据，并且基于多个产品对应的多组训练数据执行至少一次全局迭代，以获得共享模型。
52.目标产品对应的第二本地模型可以基于共享模型生成。例如，处理设备131可以将至少一次全局迭代中除第一次全局迭代外的其他全局迭代中得到的目标产品对应的中间本地模型，作为目标产品对应的第二本地模型。关于订单拆分模型的更多内容参见图4及其相关描述。
53.在一些实施例中，处理设备131可以从共享模型和目标产品对应的本地模型（例如，第一本地模型或第二本地模型）中选择一个作为订单拆分模型。例如，通过评估共享模型和目标产品对应的本地模型，处理设备131可以从共享模型和目标产品对应的本地模型（例如，第一本地模型或第二本地模型）中选择一个作为订单拆分模型。仅作为示例，处理设备131获取目标产品的测试数据。测试数据包括目标对象的测试交易信息（例如，测试第一交易信息）和测试交易指标。通过测试数据，处理设备131确定共享模型、目标产品对应的第一本地模型和目标产品对应的第二本地模型的预测效果。预测效果可以用模型生成的预测交易策略对应的预测交易指标和测试交易指标的差异表示。处理设备131可以根据共享模型、第一本地模型和第二本地模型的预测效果，确定订单拆分模型。例如，处理设备131将差异最小的预测交易策略对应的模型确定为订单拆分模型。又例如，处理设备131将预测效果最好的模型确定为订单拆分模型。
54.又例如，处理设备131获取目标产品的测试数据。测试数据包括目标对象的测试交易信息（例如，测试第一交易信息）。处理设备131分别用共享模型、第一本地模型和第二本地模型对测试第一交易信息进行处理，得到每个模型对应的预测的交易策略，再确定每个预测的交易策略的预测交易指标。处理设备131可以将最好的预测交易指标对应的模型确定为订单拆分模型。
55.在一些实施例中，确定订单拆分模型后，处理设备131可以将第一交易信息输入订单拆分模型，并且将订单拆分模型的输出作为目标产品的待交易订单的交易策略。
56.在一些实施例中，处理设备131可以展示待交易订单的交易策略。例如，处理设备131通过终端设备140展示待交易订单的交易策略，用户可以通过终端设备140确认或调整待交易订单的交易策略。
57.在一些实施例中，处理设备131可以执行待交易订单的交易策略。例如，基于每个子交易订单的第二交易信息（如委托交易时间t、委托交易价格p和委托交易量m），处理设备131可以在时间t，以价格p买入或卖出m量的目标产品。
58.根据本说明书的一些实施例，可以根据目标产品的待交易订单的第一交易信息和订单拆分模型，将待交易订单自动拆分成的多个子交易订单的数量以及每个所述子交易订
单的第二交易信息，从而提高交易拆单的效率。此外，本说明书的一些实施例中可以从多个模型中选择和目标产品匹配度最高的订单拆分模型。多个模型可以包括第一本地模型、第二本地模型和共享模型。第一本地模型基于目标产品的训练数据单独训练生成，可以考虑目标产品的特殊性，完全适用于目标产品。共享模型通过联邦学习方法生成，可以综合考虑不同产品的行情信息和交易特征，具有更高的普适性和准确性。第二本地模型基于目标产品的训练数据和联邦学习算法生成，既具有共享模型的普适性，又兼顾目标产品的特殊性。通过对多个模型进行评估来选择订单拆分模型，可以使得最终使用的订单拆分模型更加适合目标产品，从而提高了交易拆单的准确性。
59.需要注意的是，以上对流程300的描述仅是示例性的目的，而非限制本说明书的范围。对于本领域的技术人员，可以基于本说明书进行任意的变更或修改。在一些实施例中，流程300可以包括一个或多个额外的步骤或者流程300的一个或多个步骤可以省略。在一些实施例中，流程300中的至少两个步骤可以合并为一个步骤实现或流程300中的一个步骤可以拆分成两个步骤实现。例如，步骤320可以包括两个子步骤，分别用于确定订单拆分模型和确定待交易订单的交易策略。
60.图4是根据本说明书一些实施例所示的订单拆分模型的生成流程400的示例性示意图。
61.步骤410中，处理设备131可以获取多个产品对应的多组训练数据。在一些实施例中，步骤410可以由训练模块230实现。
62.在一些实施例中，多组训练数据中的每组训练数据可以对应一种产品。例如，如图4所示，多组训练数据包括对应产品1的训练数据d1、对应产品2的训练数据d2、
…
、对应产品n的训练数据dn。其中，n为不小于1的正整数。仅作为示例，产品1可以为目标产品，其余产品（即，产品2、
…
、产品n）可以为参考产品。
63.在一些实施例中，对于目标产品和一个或多个参考产品中的每个产品，该产品对应的一组训练数据可以包括该产品的历史交易订单的样本交易信息和历史交易订单的金标准交易指标。样本交易信息可以包括样本第一交易信息和样本交易策略。其中，样本第一交易信息为训练输入，样本交易策略和金标准交易指标为训练标签。
64.在一些实施例中，历史交易订单可以满足预设条件。例如，历史交易订单的下单日期在最近预设天数内。最近预设天数是包括任意天数。例如，历史交易订单的下单时间在最近30内。在一些实施例中，最近预设天数可以是用户设置的或者系统自动确定的。
65.又例如，历史交易订单的交易价格与最近预设天数内的所有订单的平均交易价格的差异不高于预设阈值。预设阈值可以为平均交易价格的一定百分比（例如，5%、10%、15%、20%、25%、30%等）或者预设数值（例如，5分、1角、5角、1块、5块等）。在一些实施例中，预设阈值可以是用户设置的或者系统自动确定的。
66.再例如，历史交易订单的下单者可以是特定用户。例如，历史交易订单的下单者可以是金融专家。又例如，历史交易订单的下单者的历史交易指标超过交易指标阈值。在一些实施例中，交易指标阈值可以是用户设置的或者系统自动确定的。
67.在一些实施例中，历史交易订单的金标准交易指标可以为历史交易订单对应的样本交易指标。例如，处理设备131可以基于历史交易订单和与历史交易订单对应的历史行情数据，确定历史交易订单的样本交易指标。示例性交易指标可以包括策略盈利、策略成本、
执行落差、胜率等或其任意组合。策略盈利是指交易完成之后的总资产和交易储器设置的总资产的差值。策略成本是指交易成本（例如，包括过户费、佣金、印花税等）。因为不同的交易策略存在差异（例如，子交易订单的数量、子交易订单的第二交易信息），所以也会带来交易成本的差异。执行落差是指预期交易回报与实际执行回报之间的差额。胜率是指反应策略稳定性的指标。例如，胜率是将每一个策略，在每一个时间段所下的每一单的盈利进行比较，在不考虑盈利净值的情况下，若该策略跑赢基准策略，则胜数记1。基准策略可以为vwap策略、twap策略等通用策略。
68.又例如，处理设备131可以基于历史交易订单对应的交易环境执行多次模拟下单并获得每次模拟下单的交易指标，并且从多次模拟下单获得的多组交易指标中选取金标准交易指标。具体的，处理设备131可以基于历史交易订单对应的交易环境确定多个模拟交易策略，并且确定每个模拟交易策略在历史交易订单对应的交易环境下的模拟下单的交易指标。处理设备131可以将多个模拟下单的交易指标中最好的交易指标确认为历史交易订单的金标准交易指标。
69.再例如，处理设备131可以将金融专家下单的历史交易订单的实际交易指标作为金标准交易指标。
70.在一些实施例中，可以为不同的交易指标设置不同的权重。该权重代表某一交易指标对交易策略的影响程度。例如，可以赋予策略盈利最高的权重。相应地，基于策略盈利的权重最高的训练数据得到的模型可以输出盈利能力最高的交易策略，从而提高交易策略的盈利能力。通过为不同的交易指标设置不同的权重，可以获得不同交易目标的订单拆分模型，从而增加订单拆分模型的应用场景。
71.在一些实施例中，每组训练数据还可以包括该产品的历史交易订单对应的历史行情数据。例如，历史交易订单的委托交易时间为2023年6月27日的9:30-10:30，历史行情数据可以为2023年6月27日的9:30-10:30的行情数据。历史行情数据可以包括历史level2数据（例如，多档实时市场行情或深度行情数据）。level2数据包括十档行情、买卖队列、逐笔成交、委托总量和加权价格等多种形式数据。具体而言，level2数据能够很好的反应市场偏卖方还是卖方、流动性高低等等，所以可以用于挖掘未来股价走势。在一些实施例中，可以将样本第一交易信息和对应的历史行情数据作为训练输入，金标准交易指标为训练标签。
72.步骤420中，处理设备131可以基于多组训练数据执行至少一次全局迭代，以获得订单拆分模型。在一些实施例中，步骤420可以由训练模块230实现。
73.在一些实施例中，每一轮全局迭代可以包括以下步骤。对于多个产品中的每个产品，处理设备131可以通过使用该产品的训练数据训练本轮全局迭代的初始本地模型，生成该产品对应的中间本地模型。基于每个所述产品对应的中间本地模型，处理设备131可以确定中间共享模型。进一步地，处理设备131可以将所述中间共享模型指定为所述共享模型或下一轮全局迭代的初始本地模型。
74.例如，如图4的步骤421所示，处理设备131可以通过使用对应产品1的训练数据d1训练初始本地模型，生成产品1对应的中间本地模型i1；通过使用对应产品2的训练数据d2训练初始本地模型，生成产品2对应的中间本地模型i2；
…
；通过使用对应产品n的训练数据dn训练初始本地模型，生成产品n对应的中间本地模型in。在第一轮全局迭代中，初始本地模型可以是未经训练的本地模型。在第二轮及以后的全局迭代中，初始本地模型可以是上
一轮全局迭代中生成的全局模型。
75.在一些实施例中，对于多个产品中的每个产品，训练初始本地模型可以包括本地迭代过程，该产品的训练数据可以用于迭代地更新初始本地模型直到满足第一终止条件。示例性的第一终止条件包括初始本地模型对应的第一损失函数值小于第一阈值，当前迭代的第一损失函数值和上一次迭代的第一损失函数值的差值小于第一差值阈值，本地迭代次数超过一定数量等。例如，在当前迭代中，将目标产品对应的训练数据中的一个训练样本的历史交易订单的样本第一交易信息输入初始本地模型，确定历史交易订单的预测交易策略。然后基于历史交易订单的预测交易策略确定历史交易订单的预测交易指标。处理设备131基于预测交易指标和该训练样本中的金标准交易指标的差异确定第一损失函数值。又例如，在当前迭代中，将目标产品对应的训练数据中的一个训练样本的历史交易订单的样本第一交易信息和历史交易订单对应的历史行情数据输入初始本地模型，初始本地模型输出预测结果（例如，预测交易指标）。处理设备131基于预测结果和训练标签（该训练样本中的金标准交易指标）的差异确定第一损失函数值。如果第一损失函数值满足第一终止条件，则初始本地模型被确定为目标产品对应的第一本地模型。否则，基于第一损失函数值继续更新初始本地模型。例如，处理设备131可以通过机器学习算法（例如，随机梯度下降法）更新初始本地模型的参数，以最小化第一损失函数，直到模型训练完成；或迭代训练次数达到一定次数后则停止训练。
76.在一些实施例中，不同产品对应的第一终止条件可以相同或者不同。仅作为示例，在第一次全局迭代中，每个产品对应的第一终止条件均为本地迭代次数达到k1次；
…
在第n次全局迭代中，每个产品对应的第一终止条件均为本地迭代次数达到kn次。也就是说，在每一轮全局迭代中，每个产品对应的训练数据均会用来对该轮全局迭代中的初始本地模型进行相同次数的本地迭代。
77.在一些实施例中，处理设备131可以基于多个产品（例如，目标产品或一个或多个参考产品）中的每个产品对应的中间本地模型，确定中间共享模型。例如，处理设备131可以确定每个产品对应的中间本地模型的权重，然后基于每个产品对应的中间本地模型及其权重确定中间共享模型。仅作为示例，如图4的步骤422所示，处理设备131可以确定产品1对应的中间本地模型i1的权重w1，确定产品2对应的中间本地模型i2的权重w2，
…
，确定产品n对应的中间本地模型in的权重wn。然后，处理设备131可以基于每个产品对应的中间本地模型和权重，确定中间共享模型。具体的，中间共享模型中的每个参数值可以通过每个产品的中间本地模型的对应参数值进行加权求平均来确定。
78.在一些实施例中，对于目标产品或一个或多个参考产品中的每个产品，处理设备131可以基于该产品的特征信息，确定该产品对应的中间本地模型的权重。示例性特征信息包括产品的类型、价格、流动性等或其任意组合。例如，如果共享模型用于白酒领域，与白酒相关的产品对应的中间本地模型的权重高于与白酒不相关或不直接相关的产品对应的中间本地模型的权重。又例如，如果共享模型用于高价股，与高价股产品对应的中间本地模型的权重高于与低价股产品对应的中间本地模型的权重。再例如，如果共享模型用于高流动性股票，与高流动性股票对应的中间本地模型的权重高于与低流动性股票对应的中间本地模型的权重。
79.在一些实施例中，对于多个中间本地模型中的每个中间本地模型，处理设备131可
以基于该中间本地模型的准确性，确定该产品对应的中间本地模型的权重。例如，如果中间本地模型i1的准确性为0.9，中间本地模型i2的准确性为0.7，中间本地模型i3的准确性为0.8，那么中间本地模型i1的权重为0.5，中间本地模型i2的权重为0.2，和中间本地模型i3的权重为0.3。以中间本地模型i1为例，该模型的准确性可以基于该模型对训练数据d1中历史交易订单的预测交易指标和金标准交易指标来确定。
80.应当理解，中间本地模型的权重也可以同时基于其对应的产品的特征和模型准确性来确定。通过不同的加权方式，可以获得具有不同侧重的共享模型，从而提高共享模型的专用性和准确性。
81.进一步地，处理设备131可以将中间共享模型指定为共享模型或下一轮迭代的初始本地模型。
82.在一些实施例中，对于每次全局迭代生成的中间共享模型，处理设备131可以确定该中间共享模型是否满足第二终止条件。该第二终止条件可以和第一终止条件相似。例如，第二终止条件包括中间共享模型对应的第二损失函数值小于第二阈值，当前迭代的第二损失函数值和上一次迭代的第二损失函数值的第二差值小于第二差值阈值，全局迭代次数超过一定数量等。当中间共享模型满足第二终止条件时，该中间共享模型可以确定为共享模型。当中间共享模型不满足第二终止条件时，该中间共享模型可以确定为目标产品或一个或多个参考产品中的每个产品在下一轮全局迭代中的初始本地模型。例如，在当前全局迭代中，将一个或多个产品对应的训练数据中的一个训练样本的历史交易订单的样本第一交易信息输入中间共享模型，确定历史交易订单的预测交易策略。然后基于历史交易订单的预测交易策略确定历史交易订单的预测交易指标。处理设备131基于预测交易指标和该训练样本中的金标准交易指标的差异确定第二损失函数值。又例如，在当前全局迭代中，将一个或多个产品对应的训练数据中的一个训练样本的历史交易订单的样本第一交易信息和历史交易订单对应的历史行情数据输入中间共享模型，中间共享模型输出预测结果（例如，预测交易指标）。处理设备131基于预测结果和训练标签（该训练样本中的金标准交易指标）的差异确定第二损失函数值。如果第二损失函数值满足第二终止条件，则中间共享模型被确定为共享模型。否则，需要继续更新中间共享模型。例如，处理设备131可以将中间共享模型作为下一轮全局训练的初始本地模型，以最小化第二损失函数，直到模型训练完成；或迭代训练次数达到一定次数后则停止训练。
83.仅作为示例，如图4的步骤423所示，处理设备131可以确定全局迭代条件是否被满足，即，确定中间共享模型是否满足第二终止条件。如果满足全局迭代条件，可以执行步骤424。在步骤424，处理设备131可以将中间共享模型作为共享模型，全局迭代可以停止。如果不满足全局迭代条件，可以执行步骤425。在步骤425，处理设备131可以将中间共享模型作为下一轮全局迭代的初始本地模型。进一步地，可以执行下一轮的全局迭代，直到全局迭代条件被满足。
84.在一些实施例中，处理设备131可以将至少一次全局迭代中的一次全局迭代中得到的目标产品对应的中间本地模型，作为目标产品对应的本地模型。例如，处理设备131可以将第一轮全局迭代前得到的目标产品对应的中间本地模型，作为目标产品对应的第一本地模型。仅作为示例，处理设备131可以保存基于对应产品1的训练数据d1生成的产品1对应的中间本地模型i1，并将该中间本地模型i1指定为目标产品对应的第一本地模型。第一本
地模型未参与联邦学习过程的模型综合过程（即从中间本地模型到全局共享模型的过程），仅基于目标产品对应的训练数据生成，因而更具有专有性。
85.又例如，处理设备131可以将第二轮或之后的全局迭代中得到的目标产品对应的中间本地模型，作为目标产品对应的第二本地模型。仅作为示例，可以将最后一次全局迭代中的中间本地模型作为第二本地模型。即，当中间共享模型满足第二终止条件，处理设备131可以将当前迭代的目标产品对应的中间本地模型指定为目标产品对应的第二本地模型。第二本地模型是通过利用目标产品对应的训练数据对对上一轮迭代的中间共享模型进行进一步训练后生成，因而即具有联邦学习模型的普适性，也有针对目标产品的专有性。
86.需要注意的是，以上对流程400的描述仅是示例性的目的，而非限制本说明书的范围。对于本领域的技术人员，可以基于本说明书进行任意的变更或修改。在一些实施例中，流程400可以包括一个或多个额外的步骤或者流程400的一个或多个步骤可以省略。在一些实施例中，流程400中的至少两个步骤可以合并为一个步骤实现或流程400中的一个步骤可以拆分成两个步骤实现。
87.本说明书实施例可以实现的有益效果可以包括但不限于：（1）根据目标产品的待交易订单的第一交易信息和订单拆分模型，可以将待交易订单自动拆分成的多个子交易订单的数量以及每个所述子交易订单的第二交易信息，从而提高交易拆单的效率；（2）通过联邦学习生成共享模型，可以综合考虑不同产品的行情信息和交易特征，使得全局模型具有更高的普适性和准确性，进而提高交易拆单的效率和准确性；（3）订单拆分模型包括多个模型（例如，第一本地模型、第二本地模型和共享模型），可以通过评估选择和目标产品匹配度最高的模型，从而提高了交易拆单的准确性；（4）通过赋予交易指标不同的权重，可以获得不同交易目标的订单拆分模型，从而增加了订单拆分模型的应用场景。
88.本说明书实施例是参照根据本发明实施例的方法、设备（系统）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
89.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
90.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
91.尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
92.显然，本领域的技术人员可以对本说明书实施例进行各种改动和变型而不脱离本说明书实施例的精神和范围。这样，倘若本说明书实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于联邦学习的交易拆单方法，其特征在于，包括：获取目标产品的待交易订单的第一交易信息；通过将所述第一交易信息输入订单拆分模型，确定所述待交易订单的交易策略，所述交易策略包括将所述待交易订单拆分成的多个子交易订单的数量以及每个所述子交易订单的第二交易信息，其中，所述订单拆分模型是基于联邦学习算法生成的共享模型或基于联邦学习算法生成的所述目标产品对应的本地模型，所述共享模型基于所述目标产品对应的所述本地模型和一个或多个参考产品对应的本地模型生成。2.根据权利要求1所述的方法，其特征在于，所述共享模型通过以下步骤获得：获取多个产品对应的多组训练数据，其中，所述多个产品包括所述目标产品和所述一个或多个参考产品，每个所述产品对应的一组训练数据包括所述产品的历史交易订单的样本交易信息和所述历史交易订单的金标准交易指标；基于所述多组训练数据执行至少一次全局迭代，以获得所述共享模型，其中每次所述全局迭代包括：对每个所述产品，利用所述产品对应的训练数据对本次全局迭代对应的初始本地模型进行更新，以得到中间本地模型；基于每个所述产品对应的中间本地模型，确定中间共享模型；将所述中间共享模型指定为所述共享模型或下一轮全局迭代的初始本地模型。3.根据权利要求2所述的方法，其特征在于，所述历史交易订单的下单日期在最近预设天数内和/或所述历史交易订单的交易价格与所述最近预设天数内的所有订单的平均交易价格的差异不高于预设阈值。4.根据权利要求2所述的方法，其特征在于，所述历史交易订单的金标准交易指标可以通过以下步骤获得：基于所述历史交易订单对应的交易环境执行多次模拟下单并获得每次模拟下单的交易指标；从所述多次模拟下单获得的多组交易指标中选取所述金标准交易指标。5.根据权利要求2所述的方法，其特征在于，所述对每个所述产品，利用所述产品对应的训练数据对本次全局迭代对应的初始本地模型进行更新，以得到中间本地模型包括：对每个所述产品，利用所述产品对应的训练数据对本次全局迭代对应的初始本地模型进行至少一次本地迭代，以得到所述中间本地模型，其中，每次所述本地迭代包括：将所述产品对应的训练数据中的所述历史交易订单的样本交易信息输入所述初始本地模型，确定所述历史交易订单的预测交易策略；基于所述历史交易订单的预测交易策略确定所述历史交易订单的预测交易指标；基于所述预测交易指标和所述金标准交易指标，将所述初始本地模型作为所述中间本地模型，或对所述初始本地模型进行更新以进行一下轮的本地迭代。6.根据权利要求2所述的方法，其特征在于，所述基于每个所述产品对应的中间本地模型，确定中间共享模型包括：对每个所述产品对应的中间本地模型，基于所述产品的特征信息，确定所述中间本地模型的权重；
基于所述多个产品对应的多个中间本地模型的权重，对所述多个中间本地模型进行加权聚合，以确定所述中间共享模型。7.根据权利要求2所述的方法，其特征在于，所述基于每个所述产品对应的中间本地模型，确定中间共享模型包括：对每个所述产品对应的中间本地模型，基于所述中间本地模型的准确性，确定所述中间本地模型的权重；基于所述多个产品对应的多个中间本地模型的权重，对所述多个中间本地模型进行加权聚合，以确定所述中间共享模型。8.根据权利要求2所述的方法，其特征在于，所述目标产品对应的本地模型通过以下步骤获得：将所述至少一次全局迭代中的一次全局迭代中得到的所述目标产品对应的中间本地模型，作为所述目标产品对应的所述本地模型。9.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：通过评估所述共享模型和所述目标产品对应的本地模型，从所述共享模型和所述目标产品对应的本地模型中选择一个作为所述订单拆分模型。10.一种基于联邦学习的交易拆单系统，包括处理器，所述处理器用于执行权利要求1~9中任一项所述的基于联邦学习的交易拆单方法。

技术总结
本说明书实施例提供了一种基于联邦学习的交易拆单方法和系统。该方法包括获取目标产品的待交易订单的第一交易信息。该方法还包括通过将第一交易信息输入订单拆分模型，确定待交易订单的交易策略。交易策略包括将待交易订单拆分成的多个子交易订单的数量以及每个子交易订单的第二交易信息。订单拆分模型基于联邦学习算法生成，可以综合考虑不同产品的行情信息和交易特征，使得订单拆分模型具有更高的普适性和准确性，进而提高交易拆单的效率和准确性。确性。确性。


技术研发人员：张浩海 谌明 马天翼
受保护的技术使用者：杭州星锐网讯科技有限公司
技术研发日：2023.08.16
技术公布日：2023/9/19