[发明专利]一种基于关联信息的大宗商品价格波动风险态势演化分析方法与系统

说明书

本发明公开了一种基于关联信息的大宗商品价格波动风险态势演化分析方法与系统，包括数据准备阶段，获取大宗商品价格波动关联信息数据；数据处理阶段，采用大宗商品价格波动关联信息数据构造大宗商品相关性表与关联信息时间序列；风险计算阶段，以关联信息时间序列作为输入，基于隐马尔可夫模型和GARCH模型计算历史价格波动风险值和预测第二天价格波动风险值；系统设计阶段，以报表的形式展示出大宗商品价格波动风险态势演化结果。本发明将价格波动的其他关联信息应用于价格波动风险态势演化之中，提高了价格波动风险预警的准确率。

技术领域

本发明属于风险管理技术领域，尤其涉及一种基于关联信息的大宗商品价格波动风险态势演化分析与系统。

背景技术

大宗商品交易关乎国家命脉，直接影响到国计民生。其价格波动往往同时受到市场供需，国家经济周期的限制，国内政策的实施以及成交量、美元指数等多重外部因素的影响。因此大宗商品的价格走势呈现出难以预测的波动变化。大宗商品价格的微小波动，就可以对企业及生产者的利益产生很大影响，企业合理预测大宗商品市场的价格波动，及时根据价格波动可能导致的风险采取相应地调整策略，就可以做到利益最大化。因此，对于大宗商品价格波动风险的研究具有重要意义。其关乎着企业的发展命运，也影响着国家经济的运行状况。

以往价格波动风险态势演化的研究主要集中在三个方面：一、以GARCH模型为基础，将股市或者某种商品的收盘价数据进行相应处理之后输入到GARCH模型中，再利用GARCH模型的性质进行第二天价格波动率的预测；二、以线性回归模型为基础，通过输入多种影响价格波动的相关数据，求得价格与多种影响价格波动的关联数据的线性关系，再利用线性模型进行第二天价格的预测；三、以神经网络为基础，将影响价格波动的相关因素输入到神经网络中进行模型训练，最后根据神经网络进行第二天价格的预测。

以上关于价格波动风险态势演化的研究，第一种方式输入仅仅是价格相关数据(包括开盘价，收盘价，最高价，最低价等)，未能充分考虑到影响价格波动的其他关联数据；第二种方式求解出价格与其他影响因素的线性关系，但是在大多数价格波动的研究中，价格并不一定是与其他影响因素具有线性的关系，因此导致预测结果不准确；第三种方式采用神经网络对价格进行预测，神经网络的性能很看重参数与场景的选择，并且需要的训练数据集大、训练成本高，容易产生过拟合或者欠拟合问题。

本发明首先搜集大宗商品行业的多种关联信息数据，包括大宗商品价格行情数据、交易量数据、美元指数数据、相关商品价格走势数据，对搜集到的数据进行缺失补全和归一化处理，并构造大宗商品相关性表；其次，选取大宗商品收盘价数据与其他关联信息数据构造关联信息时间序列，将关联信息时间序列输入到隐马尔可夫模型中训练三状态隐马尔可夫模型，对应于价格波动风险高，价格波动风险中，价格波动风险低三个状态；接着，将大宗商品收盘价数据划分为对应于三个状态的三个子序列，由三个子序列建立三个GARCH模型，并根据GARCH模型计算出历史价格波动率；之后，根据隐马尔可夫模型对第二天状态的预测结果，选择对应状态下子序列建立的GARCH模型，由GARCH模型预测出第二天的价格波动率。最后，将价格波动率转换为波动风险值，并在系统中以报表的形式展示出大宗商品价格波动风险态势演化结果。

发明内容

技术问题：本发明针对现有技术的不足，提出一种基于关联信息的大宗商品价格波动风险态势演化分析方法与系统，该发明首先搜集大宗商品行业多种关联信息数据，通过对关联信息数据进行处理并构造关联信息时间序列，再基于关联信息时间序列计算价格波动风险值，提高了价格波动风险预警的准确率。

技术方案：本发明的一种基于关联信息的大宗商品价格波动风险态势演化分析方法与系统，包括以下步骤：

(1)数据准备；

(2)数据处理；

(3)风险计算；

(4)系统设计；

进一步的，所述步骤(1)中的数据准备其特征在于：