[发明专利]预测模型的训练方法和装置、价格预测方法和装置

说明书

本申请涉及一种预测模型的训练方法和装置、价格预测方法和装置。涉及人工智能领域，可用于金融科技领域。所述方法包括：从多个目标对象的样本价格关联数据中，获取各指标特征对应的价格指标数据；采用特征权重算法，根据各指标特征对应的价格指标数据，从全部指标特征中确定初始价格特征；根据各初始价格特征对应的价格指标数据，从全部初始价格特征中确定目标价格特征；根据目标价格特征对应的价格指标数据，构建训练集，并通过训练集对初始预测模型进行训练，得到预测模型。采用本方法能够提升预测模型的预测精度。

技术领域

本申请涉及人工智能领域，特别是涉及一种预测模型的训练方法和装置、价格预测方法和装置。

背景技术

黄金作为金融市场中重要的配置资产，对整个金融宏观市场有着重要影响。由于许多人都利用黄金的价格走势来判断市场对冲风险的情绪、衡量市场风险，找到对黄金的价格走势进行精准预测的方法对金融决策意义重大。

当前，业界的主流黄金价格预测模型是统计模型。统计模型通过收集大量的历史黄金价格信息，通过统计学方法预测黄金的未来价格走势。由于统计模型需要的数据量较大，难以推广，基于此，业界提出了使用人工智能模型对黄金价格进行预测的方法，例如采用时间序列预测模型、线性回归模型进行预测等。

然而，现有的人工智能模型在预测黄金价格时，普遍存在预测精度较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种预测模型的训练方法和装置、价格预测方法和装置。

第一方面，本申请提供了一种预测模型的训练方法。所述方法包括：

从多个目标对象的样本价格关联数据中，获取各指标特征对应的价格指标数据；

采用特征权重算法，根据各所述指标特征对应的所述价格指标数据，从全部所述指标特征中确定初始价格特征；

根据各所述初始价格特征对应的所述价格指标数据，从全部所述初始价格特征中确定目标价格特征；

根据所述目标价格特征对应的所述价格指标数据，构建训练集，并通过所述训练集对初始预测模型进行训练，得到所述预测模型。

在其中一个实施例中，所述通过所述训练集对初始预测模型进行训练，得到所述预测模型，包括：

在通过所述训练集训练所述预测模型对应的初始预测模型的过程中，采用粒子群算法确定所述预测模型的最优超参数，并在采用粒子群算法确定所述预测模型的最优超参数的过程中，实时基于粒子运动过程中的历史数据，更新所述粒子群算法中的惯性因子，采用更新后的所述粒子群算法确定所述预测模型的最优超参数。

在其中一个实施例中，所述实时基于粒子运动过程中的历史数据，更新所述粒子群算法中的惯性因子，包括：

根据所述粒子运动过程中的历史数据，确定所述粒子在运动过程中的历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值；

根据所述历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值，确定第一惯性因子调整值；

将所述历史最小惯性因子与所述第一惯性因子调整值的和，作为所述粒子群算法在当前时刻的惯性因子。

在其中一个实施例中，所述预测模型至少包括两个价格预测模型，所述方法还包括：

确定各所述价格预测模型的精度；

根据各所述价格预测模型的精度，确定各所述价格预测模型的预测权重，以在采用所述预测模型进行目标对象价格的预测时，根据各所述价格预测模型的预测权重对各所述价格预测模型的初步预测结果进行融合处理，得到最终预测结果。

第二方面，本申请还提供了一种价格预测方法。所述方法包括：