一种基于上证50ETF的期权涨跌预测方法及装置制造方法及图纸

本发明专利技术提供一种基于上证50ETF的期权涨跌预测方法及装置，所述方法包括：基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据；根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测。本发明专利技术一方面，通过主成分分析方法提高了预测速度；另一方面，使用对上证50ETF整体的期权涨跌预测替代单纯的股价预测，具有良好的通用性，预测精度高。

【技术实现步骤摘要】
一种基于上证50ETF的期权涨跌预测方法及装置
本专利技术属于金融量化投资
，更具体地，涉及一种基于上证50ETF的期权涨跌预测方法及装置。
技术介绍
股市、期货市场等是一个多空双方博弈、非线性、混沌而复杂多变的系统，对其进行严谨、科学的预测非常困难。近年来，人们试图通过量化分析来探索其规律性，挖掘市场中的隐含信息，已获得良好的收益。现有技术中有利用SVM(SupportVectorMachine，支持向量机)模型对韩国综合股价指数KOSPI进行了研究预测，有基于时间序列的SVM股票预测方法，有基于PCA(principalComponentAnalysis，主成分分析)和SVM模型对沪深300指数进行量化择时研究的方法等。这些方法一方面对个股进行预测研究，选择特定时间的个股，缺乏通用性；另一方面，由于个股的价格易受单边消息的影响，因此预测的精度较低。
技术实现思路
为克服上述现有的预测方法通用性低，且预测精度低的问题或者至少部分地解决上述问题，本专利技术提供一种基于上证50ETF的期权涨跌预测方法及装置。根据本专利技术的第一方面，提供一种基于上证50ETF的期权涨跌预测方法，包括：基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据；根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测。根据本专利技术第二方面提供一种基于上证50ETF的期权涨跌预测装置，包括：分析模块，用于基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据；预测模块，用于根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测。根据本专利技术的第三方面，提供一种电子设备，包括：至少一个处理器、至少一个存储器和总线；其中，所述处理器和存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。根据本专利技术的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。本专利技术提供一种基于上证50ETF的期权涨跌预测方法及装置，该方法通过根据50ETF期权价格与50ETF满足平价公式的特性，进而预测50ETF的涨跌来判断对应期权的涨跌，通过使用主成分分析法对预设历史时间段内上证50ETF的指标数据进行降维，获取综合数据，根据综合数据，使用训练好的SVM算法对预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测，一方面，通过主成分分析方法提高了预测速度；另一方面，使用对上证50ETF整体的期权涨跌预测替代单纯的股价预测，具有良好的通用性，预测精度高。附图说明图1为本专利技术实施例提供的基于上证50ETF的期权涨跌预测方法整体流程示意图；图2为本专利技术实施例提供的基于上证50ETF的期权涨跌预测装置整体结构示意图；图3为本专利技术实施例提供的电子设备整体结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。在本专利技术的一个实施例中提供一种基于上证50ETF的期权涨跌预测方法，图1为本专利技术实施例提供的基于上证50ETF的期权涨跌预测方法整体流程示意图，该方法包括：S101，基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据；其中，统计50ETF及对应期权的收盘价进行分析，可知上证50ETF的期权价格和上证50ETF满足平价公式的特性，说明可以预测上证50ETF的价格走势来指导50ETF的投资。预设历史时间段为预先选择的一个历史时间段。上证50ETF的指标数据为描述上证50ETF特征的数据。根据预设历史时间段的上证50ETF的指标数据预测该预设历史时间段之后的预设未来时间段的期权涨跌。例如，根据2018年7月份上证50ETF的指标数据预测2018年8月份的期权涨跌或预测2018年8月份前5天的期权涨跌。综合数据是指将多个指标转换为几个综合指标以后的数据。通过主成分分析法是一种主要用于降维的多元数学统计方法，把多个上证50ETF的指标数据转化为少数几个综合指标数据。上证50ETF的各指标之间存在相关性，通过主成分分析法将一组相关的指标通过线性变化转换成另一组不相关的指标，在转换过程中保存指标数据的总方差不变。将变换后的指标按照方差依次递减的顺序排列，其中，第一个变换后的指标具有最大方差，称为第一主成分，第二主成分的方差次大，且与第一主成分不相关，依次类推。从而实现对上证50ETF的指标数据的降维，大大较少计算，加快期权涨跌预测的速度。S102，根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测。其中，其中，SVM(SupportVectorMachine，支持向量机)算法是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。SVM算法是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。SVM基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。本实施例根据50ETF期权价格与50ETF满足平价公式的特性，进而预测50ETF的涨跌来判断对应期权的涨跌，通过使用主成分分析法对预设历史时间段内上证50ETF的指标数据进行降维，获取综合数据，根据综合数据，使用训练好的SVM算法对预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测，一方面，通过主成分分析方法提高了预测速度；另一方面，使用对上证50ETF整体的期权涨跌预测替代单纯的股价预测，具有良好的通用性，预测精度高。在上述实施例的基础上，本实施例中基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据的步骤具体包括：对所述指标数据进行标准化，获取标准化后的所述指标数据的矩阵；根据所述矩阵的特征值获取各主成分的累积贡献率；将所述特征值大于第一预设阈值且所述累积贡献率大于第二预设阈值的主成分的值作为所述综合数据。具体地，对指标数据进行标准化的目的是统一各指标数据的单位。根据标准化后的指标数据的矩阵获取相关系数矩阵。根据指标数据的矩阵和相关系数矩阵获取特征值。根据特征值获取各主成分的贡献率，根据贡献率获取各主成分的累积贡献率。将特征值大于第一预设阈值且所述累积贡献率大于第二预设阈值的主成分的值作为综合指标值。第一预设阈值为1，第二预设阈值的范围为85％-95％。本实施例通过使用主成分分析法将获取的各类指标数据结合成综合数据，根据各类指标数据之间的相互关系对各类指标数据进行降维，简化了数据结构，提高了运算速度。在上述实施例的基础上，本本文档来自技高网...

【技术保护点】
1.一种基于上证50ETF的期权涨跌预测方法，其特征在于，包括：基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据；根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测。

【技术特征摘要】
1.一种基于上证50ETF的期权涨跌预测方法，其特征在于，包括：基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据；根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测。2.根据权利要求1所述的方法，其特征在于，基于主成分分析法将预先获取的预设历史时间段内上证50ETF的指标数据结合成所述上证50ETF的综合数据的步骤具体包括：对所述指标数据进行标准化，获取标准化后的所述指标数据的矩阵；根据所述矩阵的特征值获取各主成分的累积贡献率；将所述特征值大于第一预设阈值且所述累积贡献率大于第二预设阈值的主成分的值作为所述综合数据。3.根据权利要求1所述的方法，其特征在于，根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测的步骤之前还包括：将训练集中各预设历史时间段内上证50ETF的指标数据作为对所述SVM算法进行训练的输入；基于模糊信息粒化方法将各所述预设历史时间段之后的预设未来时间段内的收盘价作为一个信息粒进行粒化，将粒化后的收盘价的涨跌作为对所述SVM算法进行训练的标签；其中，各所述预设未来时间段与对应的预设历史时间段之间的时间间隔相等，各所述预设历史时间段所包含的天数相同，各所述预设未来时间段所包含的天数相同；根据所述输入和所述输入对应的标签，对所述SVM算法进行训练，获取所述预设历史时间段所包含的天数。4.根据权利要求1所述的方法，其特征在于，所述指标数据包括所述上证50ETF的开盘价、最高价、最低价、收盘价、成交量、成交额和成交次数中的一种或多种。5.根据权利要求1-4任一所述的方法，其特征在于，根据所述综合数据，基于训练好的SVM算法对所述预设历史时间段之后预设未来时间段内上证50ETF的期权涨跌进行预测的步骤之前还包括：基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化；其中，基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化的步骤具体包括：根据果蝇群体中各果蝇进行参数优化的三维坐标，计算各所述果蝇与原点之间的距...

【专利技术属性】
技术研发人员：黄小红，伍呈呈，夏平，任强，雷帮军，熊霖霏，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北,42