[发明专利]一种基于ARMA-GARCH的金融交易预测模型

权利要求书

1.一种基于ARMA-GARCH的金融交易预测模型，其特征在于包括以下步骤：

步骤1：数据获取；金融交易数据其数据量往往非常大，若数据全部用于模型的构建会不可避免地引入噪声，加大模型的构建难度，因此从数据集中通过滑动窗口及定期抽样的方式获取样本数据，缩小数据量级，更加高效地进行模型构建；

步骤2：数据预处理；将步骤1获取的样本数据进行数据预处理，包括数据清洗、数据筛选、特征化、数据分类，得到训练样本集与测试样本集；通过进行缺失值处理、异常值处理，引入决策树等算法进行数据筛选，进行数据特征化等方法，尽可能地降低数据损失，提高数据质量，保证数据的正确性与合理性，从而提高模型预测的准确性；

步骤3：数据分析与模型构建；针对金融交易数据的复杂性和不确定性以及现有技术中的缺陷，结合传统有效的时间序列分析方法中的自回归移动平均模型ARMA，与广义自回归异方差模型GARCH进行耦合；基于步骤2得到的训练样本集，做基本统计分析并构建ARMA模型；在构建好的ARMA模型的基础上，进行ARCH效应检验，构建GARCH模型；将构建好的ARMA模型与GARCH模型组合为ARMA-GARCH模型；其可以在特定的场景下构建金融交易预测模型，基于历史金融交易数据，更加准确地预测未来任一时间段或任意时刻的金融交易数据，提升用户体验；

步骤4：模型评估；通过相应评价指标评价模型的预测精度，检验所拟合模型的充分性；

步骤5：模型预测；基于给定的交易数据，利用所构建的金融交易预测模型，预测未来任一时间段或任一时刻的金融交易数据，同时采用可视化的方式显示所预测的金融交易数据。

2.根据权利要求1所述的一种基于ARMA-GARCH的金融交易预测模型，其特征在于步骤1中，所述数据获取具体步骤为：

从数据集中通过滑动窗口及定期抽样的方式获取样本数据；设置不同时间步长的滑动窗口；根据数据集的时间单位、时间跨越长度不同，选择不同时间步长的滑动窗口；利用所设定时间步长的滑动窗口，在数据集上按时间顺序进行滑动，获取多个窗口数据，通过对窗口内定期抽样的方式获得对应时间步长的样本数据。

3.根据权利要求1所述的一种基于ARMA-GARCH的金融交易预测模型，其特征在于步骤2中，所述数据预处理具体步骤为：

进行数据预处理，包括数据清洗、数据筛选、特征化、数据分类，得到训练样本集与测试样本集；对数据进行预处理时，包括缺失值处理、异常值处理；具体来说，对于缺失值，采取聚类填充、热卡填充或直接删除的方法进行处理；对于异常值，采取平均值修正或不处理的方法进行处理，得到处理后的样本数据；视样本数据大小，将样本数据通过决策树或最优子集法进行数据筛选，筛选出其中对交易成功贡献最大的n种目标参数，得到经筛选后的样本数据；将筛选后的样本数据进行数据离散化处理，得到最终的样本集；将最终的样本集按比例划分为训练样本集和测试样本集；通过数据清洗，可以尽可能地降低数据损失，提高数据质量，保证数据的正确性，提高模型预测的准确性。

4.根据权利要求1所述的一种基于ARMA-GARCH的金融交易预测模型，其特征在于步骤3中，所述数据分析与模型构建具体步骤为：

数据分析与模型构建，对训练样本集做基本统计分析并构建ARMA模型，之后进行ARCH效应检验，构建GARCH模型，将ARMA模型GARCH模型组合为ARMA-GARCH模型；对数据进行分析与进行模型构建时，包括以下步骤：基于步骤训练样本集，通过平稳性检验和处理得到平稳的时间序列训练样本集；基于平稳的时间序列训练样本集，进行基本统计分析，为构建ARMA模型提供参考数据并结合定阶准则构建ARMA模型；基于ARMA模型，进行ARCH效应检验，构建GARCH模型，并组合为ARMA-GARCH模型。