[发明专利]基于对偶变量特征技术的期货市场行情预测方法及装置

说明书

本发明实施例提供了一种基于对偶变量特征技术的期货市场行情预测方法及装置：利用对偶变量法获取低频交易参数对应的对偶特征；获取与所述低频交易参数对应的行情标签，将所述行情标签与对应于所述低频交易参数的对偶特征的组合作为样本；将由若干个所述样本组成的样本集合拆分成训练集和测试集；使用所述训练集训练预先构建的预测模型，并是要能够所述测试集测试训练后的预测模型，直至所述预测模型收敛，得到目标预测模型，进而使用所述目标预测模型进行未来期货行情的预测。应用本发明实施例，进而可以提高模型对期货市场行情的预测准确度。

技术领域

本发明涉及金融风险预测领域，具体涉及一种基于对偶变量特征技术的期货市场行情预测方法。

背景技术

随着现代期货市场的发展成熟，期货市场通过调节手续费、保证金、涨跌停板等手段调控投机程度以及持仓风险。

现有的期货行情预测方法通常使用在对期货市场的参数调整过程中产生的原始数据，如手续费比例、保证金比例、涨跌停板的比例作为数据样本输入至模型中进行期货市场的预测。但是，发明人发现，在实际期货交易的操作中，诸如手续费比例、保证金比例、涨跌停板比例等参数均不会频繁调整，95％以上的数据都是交易参数不变的情况，进而导致所收集的参数调整数据较少。进一步的，在为数不多的参数调整中，每次调整的参数也可能会不同：以手续费比例为例：例如有时把手续费调高2倍，有时把手续费调高3倍等。这就导致在手续费比例这个特征上数据的离散程度较高；更进一步的，在参数调整过程中，99％、0.5％、0.3％、0.2％的情形下真实手续费分别是1倍、0倍、0.5倍、2倍于正常的手续费，加上不同的手续费状态转移，特征分布很不平衡，进一步加剧了数据的离散程度。因此，如果仅使用从参数调整中得到的原始数据，会存在非常严重的数据分布不平衡现象。回归预测的本质是通过大量数据(训练样本)拟合数据之间频繁出现的关系。如果在数据中某种数据关系出现的次数远少于另一种关系出现的次数，就会导致这种数据关系的重要性被淹没，从而无法被学得也就是说，如果使用这些分布不平衡的数据，有的数据样本较多对模型的训练较为充分，有的数据样本较少对模型的训练不是太充分，会导致模型在数据样本较少的数据上表现不佳，进而导致模型对期货市场的预测准确度较差。

发明内容

本发明所要解决的技术问题在于如何提供一种基于对偶变量特征技术的期货市场行情预测方法及装置以提高期货市场的预测准确度。

本发明通过以下技术手段实现解决上述技术问题的：

本发明实施例提供了一种基于对偶变量特征技术的期货市场行情预测方法，所述方法包括：

利用对偶变量法获取低频交易参数对应的对偶特征，其中，所述低频交易参数包括：涨跌停板率、手续费、保证金率中的一种或组合；所述对偶特征包括：涨跌停概率、与获利空间、安全资金线中的一种或组合；所述低频交易参数为在预设时间段内出现的次数低于预设阈值的交易参数；

获取与所述低频交易参数对应的行情标签，将所述行情标签与对应于所述低频交易参数的对偶特征的组合作为样本；

将由若干个所述样本组成的样本集合拆分成训练集和测试集；使用所述训练集训练预先构建的预测模型，并是要能够所述测试集测试训练后的预测模型，直至所述预测模型收敛，得到目标预测模型，进而使用所述目标预测模型进行未来期货行情的预测，其中，所述预测模型包括：GBRT模型以及神经网络模型中的一种。

可选的，所述获取低频交易参数转对应的对偶特征，包括：

利用公式，

计算与涨跌停板对应的涨跌停概率，并将所述涨跌停概率作为与涨跌停板对应的对偶特征。

可选的，所述获取低频交易参数转对应的对偶特征，包括：

利用公式，