[发明专利]期权买卖时机确定方法、装置、设备、介质和程序产品

说明书

本公开提供了一种期权买卖时机确定方法，涉及金融预测以及其相关技术领域。该期权买卖时机确定方法包括：获取当前期权相关因子的数据作为第一输入数据；获取上一时刻的实际的第一隐含波动率和上一时刻的预设的长短期记忆循环神经网络模型的第一模型参数；基于第一输入数据、第一隐含波动率和第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率；以及在第二隐含波动率大于第一隐含波动率的情况下输出期权卖出信号，和/或在第二隐含波动率小于第一隐含波动率的情况下输出期权买入信号。本公开还提供了一种期权买卖时机确定装置、设备、存储介质和程序产品。

技术领域

本公开涉及金融预测及其相关领域，更具体地涉及一种期权买卖时机确定方法、装置、设备、介质和程序产品。

背景技术

隐含波动率在风险管理、资产定价以及投资组合等金融领域中具有重要作用，尤其是隐含波动率对期权价格的影响。对隐含波动率的预测一直是金融市场的重要任务，考虑到近几年神经网络在众多领域的杰出表现，越来越多的专家学者开始将神经网络引入隐含波动率预测研究中。

目前，通常使用循环神经网络(Recurrent Neural Network，简称RNN)进行隐含波动率的预测。但是，在众多研究报告和实例分析中已经发现，原生的RNN网络模型存在严重的梯度弥散和梯度爆炸问题，这会导致隐含波动率的预测结果精确度大大降低，进而导致无法准确确定期权买卖时机。

因此，如何准确高效地确定期权买卖时机是本领域技术人员亟待解决的技术问题。

发明内容

鉴于上述问题，本公开提供了提高期权买卖时机预测准确性的期权买卖时机确定方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种期权买卖时机确定方法，包括：获取当前期权相关因子的数据作为第一输入数据；获取上一时刻的实际的第一隐含波动率和上一时刻的预设的长短期记忆循环神经网络模型的第一模型参数；基于所述第一输入数据、所述第一隐含波动率和所述第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率；；以及在所述第二隐含波动率大于所述第一隐含波动率的情况下输出期权卖出信号，和/或在所述第二隐含波动率小于所述第一隐含波动率的情况下输出期权买入信号。

根据本公开的实施例，所述基于所述第一输入数据、所述第一隐含波动率和所述第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率包括：提取所述第一模型参数中的第一细胞状态；基于所述第一输入数据、所述第一隐含波动率和所述第一细胞状态，通过数理计算，得到当前时刻的第二细胞状态；基于所述第一输入数据和所述第二细胞状态，通过预设的激活函数，预测初始隐含波动率；以及对所述初始隐含波动率进行筛选，得到所述第二隐含波动率。

根据本公开的实施例，在所述基于所述第一输入数据、所述第一隐含波动率和所述第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率后，还包括：获取当前时刻的实际的第三隐含波动率；基于损失函数计算所述第二隐含波动率和所述第三隐含波动率，得到预测误差；获取第二模型参数；基于所述预测误差，更新所述第二模型参数，得到第三模型参数，其中，所述第三模型参数用于构建下一时刻的预设的长短期记忆循环神经网络模型。

根据本公开的实施例，所述预设的长短期记忆循环神经网络模型的训练方法包括：获取训练样本，所述训练样本包括不同时刻的期权相关因子和不同时刻的实际隐含波动率；基于预设的训练轮数，挑选所述训练样本中的期权相关因子样本和实际隐含波动率样本，所述期权相关因子样本的时刻和所述实际隐含波动率样本的时刻为一一对应的关系；以及基于所述期权相关因子样本和所述实际隐含波动率样本，对预设的长短期记忆循环神经网络模型进行训练，直至预设的训练轮数时截止，得到所述第一模型参数。