[发明专利]金融衍生品价格的预测方法、预测装置、存储介质和设备

说明书

本发明公开了一种金融衍生品价格的预测方法、预测装置、存储介质和设备。预测方法包括：将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集；将无灾难交易数据集作为训练样本训练得到无灾难预测子模型，依次将每一类有灾难交易数据集分别作为训练样本训练得到有灾难预测子模型，将无灾难预测子模型和若干个有灾难预测模型共同构成总预测模型；将实时获取到的待预测数据输入到总预测模型中，得到金融衍生品的价格预测序列结果。通过将原始数据集进行拆分后分别训练对应的预测模型，有效克服了灾难数据稀疏性问题，同时原始数据集未进行简化处理，保留了更多信息，有利于提高预测准确度。

技术领域

本发明属于电子信息技术领域，具体地讲，涉及一种金融衍生品价格的预测方法、预测装置、计算机可读存储介质和计算机设备。

背景技术

如今全球范围内，自然灾难的发生频次越来越高，洪水、地震、疫情等都在潜移默化的影响着各行各业，最终集中反映在金融市场上。根据灾难降临时其带来影响的数据，对金融市场进行预测，来指导投资者及时的改变自己的投资策略躲避风险与损失是当前急需解决的问题。目前的预测方法包括事件分析法、非参数估计法、基于机器学习的方法简单线性回归。

目前的事件分析法对金融市场的研究多停留在描述性比较与分析的层面，而进行定量研究时亦多采用事件分析法，在思路上可谓非常直观，也是最为普遍的方法，通过测量事件发生当日的异常收益及事件窗口内的累积收益，并检验其统计显著性，进而验证某一事件的发生是否对市场行为产生影响。但是，要用如此简单的方法对现实数据进行拟合，需要对数据进行非常严格的分布假设，而这在现实世界中往往是难以成立的。

进一步地，使用非参数估计研究地震对金融市场的影响，考虑了收益数据的波动性、依赖性及“肥尾”等特性，研究者们提出了非参数估计方法，对数据分布没有任何要求，而是让数据自己说话，这就克服了参数估计对一大弊端。同时运用这一方法对事件发生后一段时期的影响进行研究也是可行的。但是，非参数估计也非十全十美的，它具有很高的数据依赖性，且容易过度拟合。

通过减少或控制训练周期，在数据出现拐点前停止训练，神经网络可以很好地避免过度拟合的问题。传统的人工神经网络的生成值可能不是最优值。因此，通过反向传播将权重调整为所确定历元数的最佳值，将输出层连接到隐藏层，并不断重复该过程，使得误差降到最低，预测得到改善。此过程完成后，将对模型进行训练，得到基于传统人工智能的递归神经网络。这个过程使用过去的数据，并作出未来的预测。因此应记住过去的数据以预测下一个值，然而，该模型不能存储长期记忆。为了解决该问题，LSTM模型自此诞生。

由于灾难数据的稀疏性，若将数据不经处理后地喂入LSTM模型，将导致预测结果极差或无法得到结果。因此，大多数研究选择将灾难特征直接处理成零一变量，或者将预测结果处理成分类变量，使得结果更加具备可解释性，但这两种方式都将原数据进行了简化可能会丢失很多信息。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：如何尽可能地保留灾难原始数据的所有特征，同时克服数据稀疏性的问题，以获得准确性更高的预测方法。

(二)本发明所采用的技术方案

一种金融衍生品价格的预测方法，所述预测方法包括：

将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集，其中所述无灾难交易数据集包括金融衍生品特征数据和价格数据，每类所述有灾难数据集包括灾难特征数据、金融衍生品特征数据和价格数据；

将无灾难交易数据集作为训练样本对预先构建的LSTM神经网络模型进行训练得到无灾难预测子模型，依次将每一类所述有灾难交易数据集分别作为训练样本对每一个预先构建的LSTM神经网络模型进行训练得到有灾难预测子模型，将所述无灾难预测子模型和若干个有灾难预测模型共同构成总预测模型；