金融衍生品价格的预测方法、预测装置、存储介质和设备与流程

1.本发明属于电子信息技术领域，具体地讲，涉及一种金融衍生品价格的预测方法、预测装置、计算机可读存储介质和计算机设备。


背景技术：

2.如今全球范围内，自然灾难的发生频次越来越高，洪水、地震、疫情等都在潜移默化的影响着各行各业，最终集中反映在金融市场上。根据灾难降临时其带来影响的数据，对金融市场进行预测，来指导投资者及时的改变自己的投资策略躲避风险与损失是当前急需解决的问题。目前的预测方法包括事件分析法、非参数估计法、基于机器学习的方法简单线性回归。
3.目前的事件分析法对金融市场的研究多停留在描述性比较与分析的层面，而进行定量研究时亦多采用事件分析法，在思路上可谓非常直观，也是最为普遍的方法，通过测量事件发生当日的异常收益及事件窗口内的累积收益，并检验其统计显著性，进而验证某一事件的发生是否对市场行为产生影响。但是，要用如此简单的方法对现实数据进行拟合，需要对数据进行非常严格的分布假设，而这在现实世界中往往是难以成立的。
4.进一步地，使用非参数估计研究地震对金融市场的影响，考虑了收益数据的波动性、依赖性及“肥尾”等特性，研究者们提出了非参数估计方法，对数据分布没有任何要求，而是让数据自己说话，这就克服了参数估计对一大弊端。同时运用这一方法对事件发生后一段时期的影响进行研究也是可行的。但是，非参数估计也非十全十美的，它具有很高的数据依赖性，且容易过度拟合。
5.通过减少或控制训练周期，在数据出现拐点前停止训练，神经网络可以很好地避免过度拟合的问题。传统的人工神经网络的生成值可能不是最优值。因此，通过反向传播将权重调整为所确定历元数的最佳值，将输出层连接到隐藏层，并不断重复该过程，使得误差降到最低，预测得到改善。此过程完成后，将对模型进行训练，得到基于传统人工智能的递归神经网络。这个过程使用过去的数据，并作出未来的预测。因此应记住过去的数据以预测下一个值，然而，该模型不能存储长期记忆。为了解决该问题，lstm模型自此诞生。
6.由于灾难数据的稀疏性，若将数据不经处理后地喂入lstm模型，将导致预测结果极差或无法得到结果。因此，大多数研究选择将灾难特征直接处理成零一变量，或者将预测结果处理成分类变量，使得结果更加具备可解释性，但这两种方式都将原数据进行了简化可能会丢失很多信息。


技术实现要素：

7.(一)本发明所要解决的技术问题
8.本发明解决的技术问题是：如何尽可能地保留灾难原始数据的所有特征，同时克服数据稀疏性的问题，以获得准确性更高的预测方法。
9.(二)本发明所采用的技术方案
10.一种金融衍生品价格的预测方法，所述预测方法包括：
11.将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集，其中所述无灾难交易数据集包括金融衍生品特征数据和价格数据，每类所述有灾难数据集包括灾难特征数据、金融衍生品特征数据和价格数据；
12.将无灾难交易数据集作为训练样本对预先构建的lstm神经网络模型进行训练得到无灾难预测子模型，依次将每一类所述有灾难交易数据集分别作为训练样本对每一个预先构建的lstm神经网络模型进行训练得到有灾难预测子模型，将所述无灾难预测子模型和若干个有灾难预测模型共同构成总预测模型；
13.将实时获取到的待预测数据输入到所述总预测模型中，得到金融衍生品的价格预测序列结果。
14.优选地，所述金融衍生品交易历史数据集包括金融市场行情历史数据和灾难历史数据，将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集的方法包括：
15.将各条金融市场行情历史数据和灾难历史数据都加上时间戳并按时间顺序进行排序；
16.按照时间先后顺序，筛选出非空集的金融市场行情历史数据和灾难历史数据；
17.将非空集的金融市场行情历史数据和灾难历史数据按照灾难类型组合成无灾难交易数据集、地震灾难交易数据集、洪水灾难交易数据集、热带风暴灾难交易数据集。
18.优选地，若干个有灾难预测子模型分别是地震灾难预测子模型、洪水灾难预测子模型、热带风暴灾难预测子模型。
19.优选地，所述实时获取到的待预测数据包括金融衍生品特征数据和灾难特征数据，所述将实时获取到待预测数据输入到所述总预测模型中，得到金融衍生品的价格预测序列结果的方法包括：
20.按照时间先后顺序，依次判断在同一时间上金融衍生品特征数据是否附带有灾难特征数据；
21.若有，则将所述金融衍生品特征数据和灾难特征数据同时输入到与灾难特征数据的灾难类型相同的有灾难预测子模型中，得到预测值；
22.若无，则将所述金融衍生品特征数据输入到无灾难预测子模型中，得到预测值；
23.将得到的各个预测值按照时间先后顺序进行排序得到价格预测序列结果。
24.本技术还公开了一种金融衍生品价格的预测装置，所述预测装置包括：
25.数据分割模块，用于将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集，其中所述无灾难交易数据集包括金融衍生品特征数据和价格数据，每类所述有灾难数据集包括灾难特征数据、金融衍生品特征数据和价格数据；
26.模型训练模块，用于将无灾难交易数据集作为训练样本对预先构建的lstm神经网络模型进行训练得到无灾难预测子模型，依次将每一类所述有灾难交易数据集分别作为训练样本对每一个预先构建的lstm神经网络模型进行训练得到有灾难预测子模型，将所述无灾难预测子模型和若干个有灾难预测模型共同构成总预测模型；
27.价格预测模块，用于将实时获取到的待预测数据输入到所述总预测模型中，得到金融衍生品的价格预测序列结果。
28.优选地，所述金融衍生品交易历史数据集包括金融市场行情历史数据和灾难历史数据，所述数据分割模块包括：
29.排序单元，用于将各条金融市场行情历史数据和灾难历史数据都加上时间戳并按时间顺序进行排序；
30.筛选单元，用于按照时间先后顺序，筛选出非空集的金融市场行情历史数据和灾难历史数据；
31.组合单元，用于将非空集的金融市场行情历史数据和灾难历史数据按照灾难类型组合成无灾难交易数据集、地震灾难交易数据集、洪水灾难交易数据集、热带风暴灾难交易数据集。
32.优选地，所述实时获取到的待预测数据包括金融衍生品特征数据和灾难特征数据，所述价格预测模块包括：
33.判断单元，用于按照时间先后顺序，依次判断在同一时间上金融衍生品特征数据是否附带有灾难特征数据；
34.第一输入单元，用于当同一时间上金融衍生品特征数据附带有灾难特征数据时，将所述金融衍生品特征数据和灾难特征数据同时输入到与灾难特征数据的灾难类型相同的有灾难预测子模型中，得到预测值；
35.第二输入单元，用于当同一时间上金融衍生品特征数据附带有灾难特征数据时，将所述金融衍生品特征数据输入到无灾难预测子模型中，得到预测值；
36.拼接单元，用于将得到的各个预测值按照时间先后顺序进行排序得到价格预测序列结果。
37.本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有金融衍生品价格的预测程序，所述金融衍生品价格的预测程序被处理器执行时实现上述的金融衍生品价格的预测方法。
38.本技术还提供了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的金融衍生品价格的预测程序，所述金融衍生品价格的预测程序被处理器执行时实现上述的金融衍生品价格的预测方法。
39.(三)有益效果
40.本发明公开了一种金融衍生品价格的预测方法、预测装置、存储介质和设备，相对于现有技术，具有如下技术效果：
41.该方法先对原始数据集进行拆分，分别训练单个预测模型，再整合得到总预测模型，有效地解决了灾难数据稀缺性的问题，保留了原始数据的更多信息，有效融合来自不同灾难对金融衍生品的影响，在突发灾难下金融衍生品价格预测实现全面提升。
附图说明
42.图1为本发明的实施例一的金融衍生品价格的预测方法的流程图；
43.图2为本发明的实施例一的金融衍生品交易历史数据集的分割流程图；
44.图3为本发明的实施例一的利用测试数据集进行预测的过程图；
45.图4为本发明的实施例二的金融衍生品价格的预测装置的原理框图；
46.图5为本发明的实施例四的计算机设备示意图。
具体实施方式
47.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.在详细描述本技术的各个实施例之前，首先简单描述本技术的发明构思：现有技术在利用与金融交易行情相关的灾难数据对机器学习模型进行训练时，为了克服灾难数据的稀疏性问题，往往直接将灾难数据直接处理成零一变量，或者将预测结果处理成分类变量，但是这两种处理方式都将原始数据进行了简化，导致丢失很多信息，为此，本技术提供了一种金融衍生品价格的预测方法，按照不同灾难类型将原始数据分割多类数据集，同时未对原始数据进行零一化处理，接着利用各个数据集单独训练lstm神经网络模型，得到相应的预测子模型，各个预测子模型共同构成总预测模型，在实际应用时将各条待预测数据输入到相匹配的预测子模型中，最后将各个预测结果按照时间顺序排列得到完整的价格预测序列，本方法通过拆分后形成的各个数据集单独训练预测模型，可以避免数据的稀疏性，同时由于原始数据未进行简化处理，可以保留更多信息。
49.具体地，如图1所示，本实施例一的金融衍生品价格的预测方法包括如下步骤：
50.步骤s10：将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集，其中无灾难交易数据集包括金融衍生品特征数据和价格数据，每类有灾难数据集包括灾难特征数据、金融衍生品特征数据和价格数据；
51.步骤s20：将无灾难交易数据集作为训练样本对预先构建的lstm神经网络模型进行训练得到无灾难预测子模型，依次将每一类有灾难交易数据集分别作为训练样本对每一个预先构建的lstm神经网络模型进行训练得到有灾难预测子模型，将无灾难预测子模型和若干个有灾难预测模型共同构成总预测模型；
52.步骤s30：将实时获取到的待预测数据输入到总预测模型中，得到金融衍生品的价格预测序列结果。
53.具体地，在步骤s10中，金融衍生品交易历史数据集包括金融市场行情历史数据和灾难历史数据，金融市场行情历史数据即为金融衍生品特征数据和对应的价格数据。针对灾难历史数据，利用网络爬虫技术，从灾难新闻中爬取相应的财产损失金额、死亡人数等信息，形成灾难历史数据库。其中灾难新闻来源端可以是全球各国国家的新闻网站，并将灾难历史数据库存储在本地数据库中。进一步地，步骤s10包括如下步骤：
54.步骤s101、将各条金融市场行情历史数据和灾难历史数据都加上时间戳并按时间顺序进行排序；
55.步骤s102、按照时间先后顺序，筛选出非空集的金融市场行情历史数据和灾难历史数据；
56.步骤s103、将非空集的金融市场行情历史数据和灾难历史数据按照灾难类型组合成无灾难交易数据集、地震灾难交易数据集、洪水灾难交易数据集、热带风暴灾难交易数据
集。
57.示例性地，如图2所示，将获取金融市场行情和灾难的历史数据后，将每条数据都加上时间戳，并按时间戳合并，按时间排序并拆分成训练集和测试集。对训练集和测试集分别进行相同的处理，即按灾难类型进行拆分。首先，判断数据是否为空集，若为空集则跳过该条数据，否则获取第一条数据；接着，判断该第一条条数据是否附带有地震灾难特征数据，若有则加入地震灾难交易数据集；然后，判断该条数据是否附带有洪水灾难特征数据，若有，则加入洪水灾难交易数据集；接着，判断该条数据是否附带有热带风暴灾难特征数据，若有则加入热带风暴灾难交易数据集；然后，若有其他灾难类型，接着判断，并将数据加入相应的数据集。最后若以上判断结果均为否，则加入无灾难交易数据集。一条数据判断完成，进行下一条数据判断，直到所有数据集中所有数据判断完成，至此将金融衍生品交易历史数据集分割形成无灾难交易数据集、地震灾难交易数据集、洪水灾难交易数据集、热带风暴灾难交易数据集，这里的无灾难交易数据集包括金融衍生品特征数据价格数据；地震灾难交易数据集包括金融衍生品特征数据、价格数据和地震灾难特征数据；洪水灾难交易数据集包括金融衍生品特征数据、价格数据和洪水灾难特征数据；热带风暴灾难交易数据集包括金融衍生品特征数据、价格数据和热带风暴灾难特征数据。
58.进一步地，在步骤s20中，每个lstm神经网络模型包括三层结构，一层输入层、一层隐含层和一层输出层。维度为n
×
1的lstm层作为输入层，将tanh函数作为输入层内部激活函数和输入层与隐含层之间的激活函数，输入层网络节点是n个；tanh函数作为隐含层内部激活函数，其中隐含层是lstm结构，隐含层的维度是j
×
k的，有j个网络节点；linear函数作为输出层的激活函数，输出节点为1。
59.进一步地，在训练每个lstm神经网络模型时，将每一类训练样本的80％作为训练集，20％作为验证集，训练的过程中利用交叉验证的方法来调节参数，选择平均平方误差作为损失函数，选择rmsprop作为随机梯度下降算法训练模型，具体的训练过程为现有技术，在此不进行赘述。具体来说，本实施例一利用无灾难交易数据集训练得到无灾难预测子模型，利用地震灾难交易数据集训练得到地震灾难预测子模型，利用洪水灾难交易数据集训练得到洪水灾难预测子模型，利用热带风暴灾难交易数据集训练得到热带风暴灾难预测子模型。
60.最后，实时获取到的待预测数据包括金融衍生品特征数据和灾难特征数据，在实际应用模型时，按照时间先后顺序，依次判断在同一时间上金融衍生品特征数据是否附带有灾难特征数据；若有，则将金融衍生品特征数据和灾难特征数据同时输入到与灾难特征数据的灾难类型相同的有灾难预测子模型中，得到预测值；若无，则将金融衍生品特征数据输入到无灾难预测子模型中，得到预测值；将得到的各个预测值按照时间先后顺序进行排序得到价格预测序列。
61.示例性地，如图3所示，按照时间先后顺序，对于每条金融衍生品特征数据，判断该数据是否附带有地震灾难特征数据，若是，则输入地震灾难预测子模型；若否，判断是否附带有洪水灾难特征数据，若是，则输入洪水灾难预测子模型；然后，判断是否附带有热带风暴灾难特征数据，若是，则输入热带风暴灾难预测子模型；最后，若前面的判断结果均为否，则输入无灾难预测子模型。概括来说，即先判断是当天发生了哪个灾难，投入对应的训练模型，得到一个预测值，最后再将所有得到的预测值按时间戳排列得到一条完整的价格预测
序列。
62.为了验证本实施例一的有效性和先进性，在地震、洪水、热带风暴三个基准数据集上进行了广泛的实验，以评估所提出的方法的性能。采用准确度、召回率、f1值三个方面的评价指标对本方法的效果进行评估，与经典cnn模型、svm模型以及线性回归模型进行比对，实验结果一致表明，利用本实施例一所提出的预测方法可有效利用稀疏的灾难数据，可以被广泛地应用于金融产品价格的预测，具有十分广阔的应用前景。
63.本实施例二还公开了一种金融衍生品价格的预测装置，如图4所示，预测装置包括数据分割模块100、模型训练模块200和价格预测模块300。数据分割模块100用于将获取到的金融衍生品交易历史数据集按照时间顺序和灾难类型分割成无灾难交易数据集和若干类有灾难交易数据集，其中无灾难交易数据集包括金融衍生品特征数据和价格数据，每类有灾难数据集包括灾难特征数据、金融衍生品特征数据和价格数据。模型训练模块200用于将无灾难交易数据集作为训练样本对预先构建的lstm神经网络模型进行训练得到无灾难预测子模型，依次将每一类有灾难交易数据集分别作为训练样本对每一个预先构建的lstm神经网络模型进行训练得到有灾难预测子模型，将无灾难预测子模型和若干个有灾难预测模型共同构成总预测模型。价格预测模块300用于将实时获取到的待预测数据输入到总预测模型中，得到金融衍生品的价格预测序列结果。
64.其中，数据分割模块100包括排序单元、筛选单元和组合单元。排序单元用于将各条金融市场行情历史数据和灾难历史数据都加上时间戳并按时间顺序进行排序；筛选单元用于按照时间先后顺序，筛选出非空集的金融市场行情历史数据和灾难历史数据；组合单元用于将非空集的金融市场行情历史数据和灾难历史数据按照灾难类型组合成无灾难交易数据集、地震灾难交易数据集、洪水灾难交易数据集、热带风暴灾难交易数据集。其中，排序单元、筛选单元和组合单元的具体工作过程可参见实施例一的相关描述，在此不进行赘述。
65.进一步地，价格预测模块300包括判断单元、第一输入单元、第二输入单元和拼接单元。判断单元用于按照时间先后顺序，依次判断在同一时间上金融衍生品特征数据是否附带有灾难特征数据；第一输入单元用于当同一时间上金融衍生品特征数据附带有灾难特征数据时，将金融衍生品特征数据和灾难特征数据同时输入到与灾难特征数据的灾难类型相同的有灾难预测子模型中，得到预测值；第二输入单元用于当同一时间上金融衍生品特征数据附带有灾难特征数据时，将金融衍生品特征数据输入到无灾难预测子模型中，得到预测值；拼接单元用于将得到的各个预测值按照时间先后顺序进行排序得到价格预测序列结果。判断单元、第一输入单元、第二输入单元和拼接单元的具体工作过程可参见实施例一的描述，在此不进行赘述。
66.实施例三还公开了一种计算机可读存储介质，计算机可读存储介质存储有金融衍生品价格的预测程序，金融衍生品价格的预测程序被处理器执行时实现上述的金融衍生品价格的预测方法。
67.进一步地，实施例四还公开了一种计算机设备，在硬件层面，如图5所示，该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器
件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。计算机可读存储介质11上存储有金融衍生品价格的预测程序，金融衍生品价格的预测程序被处理器执行时实现上述的金融衍生品价格的预测方法。
68.计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
69.上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。