[發明專利]基于高斯過程模型的銅期貨價格預測方法

在審

• 申請號: 201810839728.1
• 申請日: 2018-07-27
• 公開（公告）號: CN109858661A
• 公開（公告）日: 2019-06-07
• 發明（設計）人: 楊煒祖;李從愷;顧軍
• 申請（專利權）人: 上海源廬加佳信息科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04
• 代理公司: 上海愉騰專利代理事務所(普通合伙) 31306
• 代理人: 唐海波

1.一種基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述預測方法包括以下步驟：

獲取銅期貨歷史數據和影響銅期貨的外源特征數據；

數據處理；

構建用于預測調整后銅主力合約的對數收益的高斯回歸過程模型；

通過處理后的數據對高斯回歸過程模型進行訓練，直到模型收斂；

獲取當前日的銅主力合約數據，構建和處理后數據一樣的特征輸入模型進行預測；

輸出對數收益預測結果。

2.根據權利要求1所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述獲取銅期貨歷史數據和影響銅期貨的外源特征數據包括：獲取銅期貨近年當時的主力合約的收盤價，獲取上海期貨交易所銅庫存總量(stock)、倫敦金屬交易所銅現貨價格(spot_LME)、PHLX黃金/白銀行業指數(XAU)和WTI原油現貨價格(WTI)的特征數據。

3.根據權利要求2所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述數據處理包括：

對獲取的銅期貨歷史數據進行滾動處理，消除銅主力合約的價格不一致性，再對其做對數處理，使其遵循正態分布；

對獲取的外源特征數據做相應的處理，消除特征間的量綱不一致；

搭建數據特征和相應標簽，對獲得的特征和銅合約的對數收益按時間對應構建數據樣本。

4.根據權利要求3所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述對獲取的外源特征數據做相應的處理，消除特征間的量綱不一致包括：

對獲取的stock、WTI、spot_LME、XAU分別進行歸一化來消除特征之間量綱的不一致性：

其中，x_i為某個特征中的一個具體值，mean()為對特征X求平均值。

5.根據權利要求3所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述對獲取的銅期貨歷史數據進行滾動處理，消除銅主力合約的價格不一致性包括：

首先找出第一個主力合約的最終收盤價與第二個主力合約的第一個開盤價之間的差值；

從第二份主力合約中的所有收盤價中減去這個差值；

所有后續合約都會重復這個過程，合約之間會差值會累加，來消除不一致性。

6.根據權利要求5所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述再對其做對數處理，使其遵循正態分布包括：

銅期貨價格的幾何回報率r非常小，以下近似值確保了對數回報接近于幾何回報：

log(1+r)≈r,r＜＜1

結果選擇調整后的收盤價格P的對數回報(log-return)作為目標值y_t：

y_t＝log(P_t)-log(P_t-1)

p_t為t日收盤價的值。

7.根據權利要求4所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述搭建數據特征和相應標簽，對獲得的特征和銅合約的對數收益按時間對應構建數據樣本包括：將處理后的外源性特征作為模型的輸入x，對于銅合約價格處理后的對數收益作為模型的輸出y，并且按對應時間構成(x,y)相應的樣本。

8.根據權利要求7所述的基于高斯過程模型的銅期貨價格預測方法，其特征在于，所述構建用于預測調整后銅主力合約的對數收益的高斯回歸過程模型包括：

采用機器學習中高斯回歸過程模型(GPR)，選擇合適的核函數，構建復合的核函數，得到對應的函數模型，其中，選擇合適的核函數構成復合的核函數作為該模型的核，所述核包括以下兩個：

LinearKernel＝X^TX

其中X為對應構建的特征，X^T為對應特征的轉置,l為長度尺度參數>0,比例混合參數α>0；

復合的核為：kernel＝LinearKernel+RationlQuadratic。