1.一种基于迁移学习优化的模拟撮合方法，其特征在于，包括：获取待交易对象的第一特征数据；

根据所述第一特征数据得到所述待交易对象的多个关联对象；

获取所述多个关联对象的历史交易数据和历史行情数据；

根据所述第一特征数据和所述历史行情数据，基于迁移学习技术得到所述待交易对象的第一行情数据集和第二行情数据集；

根据所述第一行情数据集和第一神经网络得到第一行情数据模型；

根据所述第二行情数据集和第二神经网络得到第二行情数据模型；

利用所述历史交易数据和所述历史行情数据对第三神经网络进行训练得到第一交易模型；

获取当前行情数据；

将所述当前行情数据输入所述第一行情数据模型得第一当前行情数据；

将所述第一当前行情数据输入所述第二行情数据模型得到第二当前行情数据；

所述第一当前行情数据中的所述第二当前行情数据剔除，得到第三当前行情数据；

根据所述第三当前行情数据和所述第一交易模型得出模拟交易结果；

其中，所述根据所述第一特征数据和所述历史行情数据，基于迁移学习技术得到所述待交易对象的第一行情数据集和第二行情数据集的步骤，包括：将所述历史行情数据分为训练集和测试集；

将所述训练集输入深度学习神经网络进行训练，得到第一历史行情数据模型；

利用所述测试集对所述第一历史行情数据模型进行测试，并根据测试结果对所述第一历史行情数据模型进行调整得到第二历史行情数据模型；

根据所述第一特征数据获取所述待交易对象的第一目标行情数据；

基于迁移学习技术，利用所述第一目标行情数据对所述第二历史行情数据模型进行调整，得到调整后的历史行情数据模型；

将所述历史行情数据输入所述历史行情数据模型，得到所述第一行情数据集；

从所述历史行情数据剔除所述第一行情数据集，得到与所述待交易对象不相关的所述第二行情数据集，即所述第二行情数据集为不影响所述待交易对象的交易情况的行情数据。

2.根据权利要求1所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述根据所述第一特征数据得到所述待交易对象的多个关联对象的步骤，包括：对所述第一特征数据进行处理，基于不同维度生成多个特征数据集；

利用所述多个特征数据集和预先训练好的交易对象画像模型生成所述待交易对象的第一画像；

采集金融交易数据；

结合语义识别算法对所述金融交易数据进行处理，并利用所述第一画像和预先训练好的关系抽取模型得到所述多个关联对象。

3.根据权利要求2所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述根据所述第二行情数据集和第二神经网络得到第二行情数据模型的步骤，包括：将所述第二行情数据集分为训练集、验证集和测试集；

将所述训练集输入所述第二神经网络的输入层以提取训练语句特征；

将所述训练语句特征输入与所述输入层通过矩阵运算建立连接的所述第二神经网络的第一隐藏层；

所述第一隐藏层将所述训练语句特征进行合并，将合并后的训练语句特征进行特征向量的转变为特定的输出维度并利用第一激活函数进行激活得到第一输出数据；

将所述第一输出数据输入所述第二神经网络的模拟输出层；

所述模拟输出层将所述第一输出数据通过矩阵计算得出模拟输出值，并将所述模拟输出值输入第二隐藏层；

所述第二隐藏层将所述模拟输出值通过矩阵计算得出验证输出结果；

将所述测试集输入所述输入层以提取测试语句特征；

所述输入层将所述测试语句特征传输至所述第二隐藏层进行数据连接；

所述第二隐藏层将所述测试语句特征通过第二激活函数进行激活后，再通过矩阵计算得出第二输出数据，将所述第二输出数据与所述验证输出结果发送至所述第二神经网络的验证系数层进行验证得出正规化系数；

将所述正规化系数与所述模拟输出值发送至所述第二神经网络的输出层，所述输出层对所述模拟输出值进行正规化处理得到拟态结果；

根据所述拟态结果生成初始第二行情数据模型；

将所述验证集输入所述初始第二行情数据模型，得到正反馈数据和逆反馈数据；

根据所述正反馈数据和所述逆反馈数据对所述初始第二行情数据模型进行修正，生成所述第二行情数据模型。

4.根据权利要求3所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述获取所述多个关联对象的历史交易数据和历史行情数据的步骤，包括：根据所述多个关联对象的名称和代码获取所述历史交易数据；

根据所述多个关联对象的名称、所属行业领域名称、所涉业务名称确定关键词数据；

基于词向量技术进行语义相似度分析以获取与所述关键词数据的词向量相似的衍生关键词数据；

根据所述关键词数据和所述衍生关键词数据获取相关的文本、音频、图像和视频作为原始历史行情数据；

对所述原始历史行情数据进行分析处理，得到所述历史行情数据。

5.根据权利要求4所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述根据所述第三当前行情数据和所述第一交易模型得出模拟交易结果的步骤，包括：获取所述待交易对象的待交易对象历史交易数据；

根据所述第一行情数据和所述待交易对象历史交易数据对所述第一交易模型进行修改得到第二交易模型；

将所述第三当前行情数据输入所述第二交易模型，得到出模拟交易结果。

6.根据权利要求5所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述利用所述历史交易数据和所述历史行情数据对第三神经网络进行训练得到第一交易模型的步骤，包括：根据所述第一特征数据确定所述待交易对象所属的行业领域；

从所述历史交易数据和所述历史行情数据提取出与所述行业领域对应的行业历史交易数据和行业历史行情数据；

将所述行业历史交易数据和所述行业历史行情数据输入所述第三神经网络进行训练得到行业交易模型；

将所述行业交易模型作为所述第一交易模型。

7.根据权利要求6所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述待交易对象为公司股票；所述将所述行业交易模型作为所述第一交易模型的步骤之后，还包括：根据所述第一特征数据确定所述待交易对象的所有同类公司清单；

根据所述同类公司清单，从所述历史交易数据和所述历史行情数据提取出对应的同类公司历史交易数据和同类公司历史行情数据；

利用所述同类公司历史交易数据和所述同类公司历史行情数据对所述行业交易模型进行修正，得到同类公司交易模型；

用所述同类公司交易模型替换所述行业交易模型，作为所述第一交易模型。

8.根据权利要求7所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述用所述同类公司交易模型替换所述行业交易模型，作为所述第一交易模型的步骤之后，还包括：根据所述同类公司清单，获取所有同类公司的年报数据以得到所述所有同类公司的同类公司体量数据和同类公司业绩数据；

获取所述待交易对象所属交易对象公司的年报数据以得到所述交易对象公司的交易对象公司体量数据和交易对象公司业绩数据；

将所述同类公司体量数据和所述同类公司业绩数据与所述交易对象公司体量数据和所述交易对象公司业绩数据进行比对分析，确定出与所述交易对象公司在体量和业绩方面最接近的第一同类公司；

从所述历史交易数据和所述历史行情数据提取出所述第一同类公司的第一同类公司历史交易数据和第一同类公司历史行情数据；

利用所述第一同类公司历史交易数据和所述第一同类公司历史行情数据对所述同类公司交易模型进行修正，得到第一同类公司交易模型；

用所述第一同类公司交易模型替换所述同类公司交易模型，作为所述第一交易模型。

9.根据权利要求8所述的基于迁移学习优化的模拟撮合方法，其特征在于，所述用所述第一同类公司交易模型替换所述同类公司交易模型，作为所述第一交易模型的步骤之后，还包括：将所述同类公司体量数据和所述同类公司业绩数据与所述交易对象公司体量数据和所述交易对象公司业绩数据进行比对分析，确定出预设时间间隔前与所述交易对象公司在体量和业绩方面最接近的第二同类公司；

从所述历史交易数据和所述历史行情数据提取出所述第二同类公司的第二同类公司历史交易数据和第二同类公司历史行情数据；

利用所述第二同类公司历史交易数据和所述第二同类公司历史行情数据对所述第一同类公司交易模型进行修正，得到第二同类公司交易模型；

用所述第二同类公司交易模型替换所述第一同类公司交易模型，作为所述第一交易模型。