[發(fā)明專(zhuān)利]金融衍生品價(jià)格的預(yù)測(cè)方法、預(yù)測(cè)裝置、存儲(chǔ)介質(zhì)和設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202210324409.3
• 申請(qǐng)日: 2022-03-29
• 公開(kāi)（公告）號(hào): CN114820199A
• 公開(kāi)（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 姜青山;吳胤旭;周亞雯
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳先進(jìn)技術(shù)研究院
• 主分類(lèi)號(hào): G06Q40/06
• 分類(lèi)號(hào): G06Q40/06;G06Q40/04;G06Q10/04;G06N3/04;G06K9/62
• 代理公司: 深圳市銘粵知識(shí)產(chǎn)權(quán)代理有限公司 44304
• 代理人: 孫偉峰;劉燚圣

本發(fā)明公開(kāi)了一種金融衍生品價(jià)格的預(yù)測(cè)方法、預(yù)測(cè)裝置、存儲(chǔ)介質(zhì)和設(shè)備。預(yù)測(cè)方法包括：將獲取到的金融衍生品交易歷史數(shù)據(jù)集按照時(shí)間順序和災(zāi)難類(lèi)型分割成無(wú)災(zāi)難交易數(shù)據(jù)集和若干類(lèi)有災(zāi)難交易數(shù)據(jù)集；將無(wú)災(zāi)難交易數(shù)據(jù)集作為訓(xùn)練樣本訓(xùn)練得到無(wú)災(zāi)難預(yù)測(cè)子模型，依次將每一類(lèi)有災(zāi)難交易數(shù)據(jù)集分別作為訓(xùn)練樣本訓(xùn)練得到有災(zāi)難預(yù)測(cè)子模型，將無(wú)災(zāi)難預(yù)測(cè)子模型和若干個(gè)有災(zāi)難預(yù)測(cè)模型共同構(gòu)成總預(yù)測(cè)模型；將實(shí)時(shí)獲取到的待預(yù)測(cè)數(shù)據(jù)輸入到總預(yù)測(cè)模型中，得到金融衍生品的價(jià)格預(yù)測(cè)序列結(jié)果。通過(guò)將原始數(shù)據(jù)集進(jìn)行拆分后分別訓(xùn)練對(duì)應(yīng)的預(yù)測(cè)模型，有效克服了災(zāi)難數(shù)據(jù)稀疏性問(wèn)題，同時(shí)原始數(shù)據(jù)集未進(jìn)行簡(jiǎn)化處理，保留了更多信息，有利于提高預(yù)測(cè)準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明屬于電子信息技術(shù)領(lǐng)域，具體地講，涉及一種金融衍生品價(jià)格的預(yù)測(cè)方法、預(yù)測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)設(shè)備。

背景技術(shù)

如今全球范圍內(nèi)，自然災(zāi)難的發(fā)生頻次越來(lái)越高，洪水、地震、疫情等都在潛移默化的影響著各行各業(yè)，最終集中反映在金融市場(chǎng)上。根據(jù)災(zāi)難降臨時(shí)其帶來(lái)影響的數(shù)據(jù)，對(duì)金融市場(chǎng)進(jìn)行預(yù)測(cè)，來(lái)指導(dǎo)投資者及時(shí)的改變自己的投資策略躲避風(fēng)險(xiǎn)與損失是當(dāng)前急需解決的問(wèn)題。目前的預(yù)測(cè)方法包括事件分析法、非參數(shù)估計(jì)法、基于機(jī)器學(xué)習(xí)的方法簡(jiǎn)單線性回歸。

目前的事件分析法對(duì)金融市場(chǎng)的研究多停留在描述性比較與分析的層面，而進(jìn)行定量研究時(shí)亦多采用事件分析法，在思路上可謂非常直觀，也是最為普遍的方法，通過(guò)測(cè)量事件發(fā)生當(dāng)日的異常收益及事件窗口內(nèi)的累積收益，并檢驗(yàn)其統(tǒng)計(jì)顯著性，進(jìn)而驗(yàn)證某一事件的發(fā)生是否對(duì)市場(chǎng)行為產(chǎn)生影響。但是，要用如此簡(jiǎn)單的方法對(duì)現(xiàn)實(shí)數(shù)據(jù)進(jìn)行擬合，需要對(duì)數(shù)據(jù)進(jìn)行非常嚴(yán)格的分布假設(shè)，而這在現(xiàn)實(shí)世界中往往是難以成立的。

進(jìn)一步地，使用非參數(shù)估計(jì)研究地震對(duì)金融市場(chǎng)的影響，考慮了收益數(shù)據(jù)的波動(dòng)性、依賴(lài)性及“肥尾”等特性，研究者們提出了非參數(shù)估計(jì)方法，對(duì)數(shù)據(jù)分布沒(méi)有任何要求，而是讓數(shù)據(jù)自己說(shuō)話，這就克服了參數(shù)估計(jì)對(duì)一大弊端。同時(shí)運(yùn)用這一方法對(duì)事件發(fā)生后一段時(shí)期的影響進(jìn)行研究也是可行的。但是，非參數(shù)估計(jì)也非十全十美的，它具有很高的數(shù)據(jù)依賴(lài)性，且容易過(guò)度擬合。

通過(guò)減少或控制訓(xùn)練周期，在數(shù)據(jù)出現(xiàn)拐點(diǎn)前停止訓(xùn)練，神經(jīng)網(wǎng)絡(luò)可以很好地避免過(guò)度擬合的問(wèn)題。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的生成值可能不是最優(yōu)值。因此，通過(guò)反向傳播將權(quán)重調(diào)整為所確定歷元數(shù)的最佳值，將輸出層連接到隱藏層，并不斷重復(fù)該過(guò)程，使得誤差降到最低，預(yù)測(cè)得到改善。此過(guò)程完成后，將對(duì)模型進(jìn)行訓(xùn)練，得到基于傳統(tǒng)人工智能的遞歸神經(jīng)網(wǎng)絡(luò)。這個(gè)過(guò)程使用過(guò)去的數(shù)據(jù)，并作出未來(lái)的預(yù)測(cè)。因此應(yīng)記住過(guò)去的數(shù)據(jù)以預(yù)測(cè)下一個(gè)值，然而，該模型不能存儲(chǔ)長(zhǎng)期記憶。為了解決該問(wèn)題，LSTM模型自此誕生。

由于災(zāi)難數(shù)據(jù)的稀疏性，若將數(shù)據(jù)不經(jīng)處理后地喂入LSTM模型，將導(dǎo)致預(yù)測(cè)結(jié)果極差或無(wú)法得到結(jié)果。因此，大多數(shù)研究選擇將災(zāi)難特征直接處理成零一變量，或者將預(yù)測(cè)結(jié)果處理成分類(lèi)變量，使得結(jié)果更加具備可解釋性，但這兩種方式都將原數(shù)據(jù)進(jìn)行了簡(jiǎn)化可能會(huì)丟失很多信息。

發(fā)明內(nèi)容

(一)本發(fā)明所要解決的技術(shù)問(wèn)題

本發(fā)明解決的技術(shù)問(wèn)題是：如何盡可能地保留災(zāi)難原始數(shù)據(jù)的所有特征，同時(shí)克服數(shù)據(jù)稀疏性的問(wèn)題，以獲得準(zhǔn)確性更高的預(yù)測(cè)方法。

(二)本發(fā)明所采用的技術(shù)方案

一種金融衍生品價(jià)格的預(yù)測(cè)方法，所述預(yù)測(cè)方法包括：

將獲取到的金融衍生品交易歷史數(shù)據(jù)集按照時(shí)間順序和災(zāi)難類(lèi)型分割成無(wú)災(zāi)難交易數(shù)據(jù)集和若干類(lèi)有災(zāi)難交易數(shù)據(jù)集，其中所述無(wú)災(zāi)難交易數(shù)據(jù)集包括金融衍生品特征數(shù)據(jù)和價(jià)格數(shù)據(jù)，每類(lèi)所述有災(zāi)難數(shù)據(jù)集包括災(zāi)難特征數(shù)據(jù)、金融衍生品特征數(shù)據(jù)和價(jià)格數(shù)據(jù)；

將無(wú)災(zāi)難交易數(shù)據(jù)集作為訓(xùn)練樣本對(duì)預(yù)先構(gòu)建的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到無(wú)災(zāi)難預(yù)測(cè)子模型，依次將每一類(lèi)所述有災(zāi)難交易數(shù)據(jù)集分別作為訓(xùn)練樣本對(duì)每一個(gè)預(yù)先構(gòu)建的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到有災(zāi)難預(yù)測(cè)子模型，將所述無(wú)災(zāi)難預(yù)測(cè)子模型和若干個(gè)有災(zāi)難預(yù)測(cè)模型共同構(gòu)成總預(yù)測(cè)模型；