[發明專利]一種基于高維點過程的金融時間序列的因果關系學習方法

在審

• 申請號: 202010409718.1
• 申請日: 2020-05-15
• 公開（公告）號: CN111597229A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 陸培麗
• 申請（專利權）人: 上海明寰科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/25;G06Q40/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于高維點過程的金融時間序列的因果關系學習方法，其特征在于，包括以下步驟：

步驟1：事件序列提取，將金融時間序列數據事件化，使得時間序列可以用點過程模型進行建模與分析；

步驟2：事件序列建模，對多維Hawkes過程進行修正，并使用該過程對步驟1中抽取得到的金融事件序列進行建模，估計轉化矩陣；

步驟3：參數估計，使用正則化的極大似然估計和EM算法估計模型參數；

步驟4：因果關系網絡構建，利用步驟3中得到的轉化矩陣構建因果關系網絡，提取多種金融數據間的因果關系。

2.根據權利要求1所述的一種基于高維點過程的金融時間序列的因果關系學習方法，其特征在于，所述步驟1包括以下步驟：

步驟1-1：將時間序列數據規范化處理；

步驟1-2：抽取其中超過閾值的時間點組成事件數據。

3.根據權利要求1所述的一種基于高維點過程的金融時間序列的因果關系學習方法，其特征在于，所述步驟2中對多維Hawkes過程進行修正具體為在原Hawkes過程的基礎上加入滯后項。

4.根據權利要求1所述的一種基于高維點過程的金融時間序列的因果關系學習方法，其特征在于，所述步驟3包括以下步驟：

步驟3-1：使用正則化的極大似然估計構建優化目標，對極大似然估計中的對數似然函數進行正則化處理，防止過擬合；

步驟3-2：EM算法估計模型參數，通過迭代計算E步和M步， 基于EM的學習算法來求解正則化的極大似然估計問題。

5.根據權利要求1所述的一種基于高維點過程的金融時間序列的因果關系學習方法，其特征在于，所述步驟4具體為：基于步驟3中估計得到的轉化矩陣，選擇其中超過指定閾值的項，將此項對應的兩種金融數據加入到因果關系網絡中，并在因果關系網絡中添加連接這兩種金融數據的邊。