[发明专利]一种基于ARMA-GARCH的金融交易预测模型

说明书

本发明公开了一种基于ARMA‑GARCH的金融交易预测模型，其构建步骤包括：数据获取，从数据集中通过滑动窗口及定期抽样的方式获取数据；数据预处理，将数据进行预处理，得到训练集与测试集；数据分析与模型构建，对训练集做基本统计分析并构建ARMA模型，进行ARCH效应检验，构建GARCH模型，将两者组合为ARMA‑GARCH模型；模型评估，利用评价指标评估模型；模型预测，基于给定交易数据，利用构建的模型，预测未来任一时间段或任一时刻的金融交易数据，采用可视化方式显示所预测的数据。通过构建基于ARMA‑GARCH建立的金融交易预测模型，分析不同时刻变量的相关关系，揭示其相关结构，并掌握规律将其延申到未来，能够提高模型预测精度，对未来交易数据做出更加精准的预测。

技术领域

本发明涉及技术预测领域，具体涉及一种基于ARMA-GARCH的金融交易预测模型。

背景技术

金融市场是国家经济生活的核心，寻找其中的变化规律，并进行有效合理的市场管理以及完善各种金融组织体系是各国政府及相关机构追求的主要目标。随着互联网行业及其附属产业的发展，信息技术逐渐占据主导地位，人们的投资意识开始转变，越来越多的投资者开始关注金融领域，如何对金融市场进行分析与预测，进而帮助投资者进行决策是当前的热点问题。在金融市场中，金融交易量是一项重要指标，一方面它能反映市场价格波动的过程，有利于发现价格形成的微观机制；另一方面，它也是交易系统策略开发、投资风险衡量与管理的重要依据，尤其是在高频交易的自动化交易系统中，风险失控带来的损失不可估量。因此，金融交易预测的研究具有极其重要的应用价值和理论意义。

金融交易数据是随时间而形成的一种随机变量，交易序列由这些交易数据构成。在一组交易序列中，每个的序列值都具有不同的特点，也具有不确定性，但序列值之间看似杂乱无章却有着一些不明显的内在联系，并且具有一定的变化规律可循，通过利用一些数学方法或是模型可刻画出数据之间的关系，并可以进一步掌握数据之间的规律以及特征。时间序列分析方法便是利用这种思路，通过对历史交易数据特征的分析与研究，揭示现象随时间变化的规律，并掌握规律将其延申到未来，从而对未来做出预测。

时间序列分析方法是通过分析不同时刻变量的相关关系，揭示其相关结构，是研究事物发展变化规律的一种量化分析方法。金融交易数据具有非线性、周期特性和不稳定性等特点，具有宏观效应，因此可以建立时间序列进行分析。早期的研究人员采用研究平稳序列的自回归移动平均模型(ARMA)进行拟合，效果并不好；而后自回归条件方差模型(ARCH)进入应用，其虽然能够较好地描述数据的波动过程，但其因参数量大在实际应用中存在诸多问题，无法较好地提供分析预测能力。随着广义自回归条件异方差模型(GARCH)的提出，其以灵活的滞后结构弥补ARCH的缺陷，具有很大优势，并广泛应用于金融领域。

发明内容

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，本发明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，提出一种基于ARMA-GARCH的金融交易预测模型，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。

本发明公开了一种基于ARMA-GARCH的金融交易预测模型，包含以下步骤：

步骤1：数据获取。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。

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。

步骤3：数据分析与模型构建。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。

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。