[發明專利]一種基于集成學習的投資交易風險趨勢預測方法及裝置

在審

• 申請號: 202110169175.5
• 申請日: 2021-02-07
• 公開（公告）號: CN112767167A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 洑佳紅;楊振華;李明潔;李玙霞
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06Q40/06;G06N20/20
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

本申請提供的一種基于集成學習的投資交易風險趨勢預測方法及裝置，可用于金融領域或其他領域，方法包括：將投資交易過程中的交易數據輸入至多個弱學習器，弱學習器輸出交易數據對應的風險等級，將弱學習器輸出的風險等級輸入至集成學習器，集成學習器輸出綜合風險等級，集成學習器用于對每個弱學習器輸出的風險等級的權重進行賦值，綜合風險等級為每個弱學習器輸出的風險等級進行加權得到；該方法可應用于信用債投資交易風險多趨勢預測，預測模型的建立無需依靠專家經驗，避免了預測的主觀性，將投資交易風險的預測模型建立在動態挖掘歷史數據對當前的風險趨勢的隱藏映射關系上，采用集成學習的思想，提高信用債投資交易風險的準確性。

技術領域

本申請涉及金融領域，具體涉及一種基于集成學習的投資交易風險預測方法及裝置。

背景技術

隨著我國債券市場的發展，債券市場開放程度也逐步加快，經濟結構轉型升級疊加經濟下行壓力加大，債券市場風險不斷積累，因此涌現了各種對債券類投資交易過程中的信用風險、市場風險的計量分析工具。在信用風險領域，例如基于KMV模型的對企業債的信用風險領域研究，運用Knight不確定性的研究政府債券的信用風險。市場風險方面，例如基于CVar的對債券回購市場利率的風險度量，利用久期衡量利率風險等手段。這些工具和方法的共同特點都是依據理論數據或交易員投資經驗建立風險評估模型進行風險計量分析，并僅適用于特定的債券種類。伴隨著債券類交易數據的不斷積累，我們期望對信用債投資交易風險評估的手段能從利用模型評估信用債當前狀況轉向挖掘債券類投資交易過程中歷史數據與當前信用債投資交易風險狀況的映射關系，采用機器學習算法有監督的訓練預測模型。

為了獲得更好的預測性能，本裝置在利用現有機器學習算法支持向量機(SVM)訓練信用債風險預測模型的基礎上，創新地采用了集成學習的思想，不僅能解決當前信用債投資交易風險評估模型依賴主觀人為因素的缺陷，還提高了SVM機器學習建立風險預測模型的可靠性。

發明內容

針對現有技術中的問題，本申請提供一種基于集成學習的投資交易風險預測方法及裝置，采用集成學習的思想，能避免單個弱學習器因過擬合導致的預測準確性降低的問題，提高信用債投資交易風險的準確性。

為解決上述技術問題，本申請提供以下技術方案：

第一方面，本申請提供一種基于集成學習的投資交易風險趨勢預測方法，包括：

獲取投資交易過程中的交易數據；

將所述交易數據輸入至多個弱學習器中，其中，所述弱學習器輸出所述交易數據對應的風險等級，所有交易數據的風險等級構成一風險等級集合；

將所述風險等級集合輸入至集成學習器中，其中，所述集成學習器輸出綜合風險等級，所述集成學習器用于對每個弱學習器輸出的風險等級的權重進行賦值，所述綜合風險等級為所述集成學習器對每個弱學習器輸出的風險等級進行加權得到；

根據所述綜合風險等級預測出投資交易的風險趨勢，以根據所述風險趨勢執行對應的風險對抗操作。

進一步地，所述投資交易風險趨勢預測方法還包括：

利用已標注風險等級的歷史交易數據訓練所述弱學習器以及所述集成學習器。

進一步地，所述利用已標注風險等級的歷史交易數據訓練所述弱學習器以及所述集成學習器，包括：

將第一歷史交易數據集輸入至多個弱學習器中，對所述弱學習器進行訓練；

將第二歷史交易數據集輸入至訓練后的多個弱學習器中，其中，所述弱學習器輸出歷史交易數據對應的風險等級測試結果，所有所述風險等級測試結果構成風險等級測試結果集，所述第二歷史交易數據集中的所有交易數據的原始風險等級構成一原始風險等級集合；