金融风险预测系统及其方法技术方案

本发明专利技术揭示一种金融风险预测系统及其方法。上述金融风险预测系统及其方法可使用多层感知器(深度神经网络)与递归神经网络模型架构来产出更准确的金融商品风险预测。根据本发明专利技术，金融商品可结合未来商品波动性的升降来有效地架构出投资组合，并适度进行对冲与分散。

【技术实现步骤摘要】
金融风险预测系统及其方法
本专利技术关于一种金融风险预测系统及其方法，特别是关于一种使用人工智慧(ArtificialIntelligence；AI)的金融风险预测系统及其方法。
技术介绍
金融投资在人们的生活中，是一项相当常见的活动。人们总是希望能透过投资来增加自己的资产。然而，风险总是无所不在，所以，在投资市场中，总是有人成功获利，也有人投资失利。为了能提升投资成功的机率，如何针对金融投资进行有效的风险预测，是一项重要的课题。对习知技艺者而言，波动率(volatility)是一项常用于风险预测的工具。通过对于历史波动率(historicalvolatilities)的观察与计算，习知技艺者可计算出标的金融投资商品的一种趋势。并且，可从上述的计算得出标的金融投资商品的风险预测。基本上，如果排除未来的意外，历史波动率可以是一项用来预测趋势时相当好用的工具。然而，上述预测中的“风险”在于，如何调整上述计算中的参数，以及使用多少历史数据来进行上述的计算。错误的风险预测将可能招致资产损失与金融崩溃。特别是对于投资信托机构而言，通常所操作的金额比一般个别投资人更高，所以，更需要有效且精准的金融商品风险预测。有鉴于此，开发可精确地避开金融风险的使用人工智慧(ArtificialIntelligence；AI)的金融风险预测系统及其方法，是一项相当值得产业重视且可有效提升产业竞争力的课题。
技术实现思路
鉴于上述的专利技术背景中，为了符合产业上的要求，本专利技术提供一种使用人工智慧(ArtificialIntelligence；AI)的金融风险预测系统及其方法，上述使用人工智慧的金融风险预测系统及其方法可提供更准确地预测结果。本专利技术的一目的在于提供一种使用人工智慧的金融风险预测系统及其方法，藉由将历史数据输入递归神经网络(recurrentneuralnetwork)所产生的人工智慧模型来进行金融商品的趋势预测，使得上述使用人工智慧的金融风险预测系统及其方法可使用任何金融机构所提供的数据来产出可比较且准确的风险预测。本专利技术的另一目的在于提供一种使用人工智慧的金融风险预测系统及其方法，藉由将历史数据输入递归神经网络(recurrentneuralnetwork)所产生的人工智慧模型来进行金融商品的趋势预测，使得上述使用人工智慧的金融风险预测系统及其方法可产出更准确的风险预测结果。本专利技术的又一目的在于提供一种使用人工智慧的金融风险预测系统及其方法，藉由使用复数个以递归神经网络(recurrentneuralnetwork)产生的人工智慧模型来进行金融商品的未来趋势预测，使得上述使用人工智慧的金融风险预测系统及其方法可产出更准确的风险预测结果。根据以上所述的目的，本专利技术揭示了一种使用人工智慧(ArtificialIntelligence；AI)的金融风险预测系统及其方法。上述使用人工智慧的金融风险预测方法，可用于一使用人工智慧的金融风险预测系统，包含搜集并建立数据资料库、建构并训练复数个人工智慧模型、测试并回溯测试上述人工智慧模型、储存并使用通过回溯测试的人工智慧模型来产出风险预测结果。上述金融风险预测系统及其方法可针对任何金融商品提供具有竞争力的风险预测结果。根据本专利技术的设计，上述金融风险预测系统及其方法藉由使用递归神经网络从历史数据建构出复数个人工智慧模型，再经过测试、与至少一次回溯测试等方式，过滤出贴近金融商品的最佳人工智慧模型。最后再以这些最佳人工智慧模型来进行未来金融商品的波动预测，进而产出金融商品的风险预测结果。因此，根据本专利技术所揭露的技术，金融机构可有效地建构出与未来商品波动性的升/降相连结的投资组合，并适切的进行对冲/分散风险。附图说明图1为根据本专利技术的一使用人工智慧的金融风险预测系统的示意图。图2为根据本专利技术的一使用人工智慧的金融风险预测方法的示意图。图3为根据本专利技术的一范例的使用人工智慧的金融风险预测系统的示意图。图4A至图4D为根据本专利技术的一范例的使用人工智慧的金融风险预测方法的流程示意图。图5为应用根据本专利技术的使用人工智慧的金融风险预测系统的投资组合与现在市场上的被动市场指标/S&P500的累积收益曲线图。图6为运用根据本专利技术的使用人工智慧的金融风险预测系统用来进行波动预测与市场真实波动的波动曲线图。图7是根据本专利技术的一范例的AI模型训练曲线与AI模型测试曲线对照图。图8是使用“重建错误”来进行根据本专利技术的使用人工智慧的金融风险预测系统的AI模型的验证的范例示意图。图9是使用根据本专利技术的使用人工智慧的金融风险预测系统的AI模型与基础模型的模型损耗比对表。图10是使用根据本专利技术的人工智慧的金融风险预测系统的AI模型的波动预测结果与真实波动的曲线图。图11A与图11B分别是使用不同根据本专利技术的AI模型基于相同数据集的输出结果与真实波动的曲线对照图。图11C是使用基本编码器进行商品波动的预测结果真实波动的曲线对照图。图11D是使用根据本专利技术的使用人工智慧的金融风险预测系统的AI模型所产出的集合预测与实际波动随着时间的曲线图。图号说明：100使用人工智慧的金融风险预测系统120数据导入单元140模型建构单元160模型过滤单元180预测结果产生单元200使用人工智慧的金融风险预测方法220建立数据资料库的步骤240建立复数个人工智慧模型的步骤260过滤人工智慧模型的步骤262测试人工智慧模型的步骤264对人工智慧模型进行参数调整的步骤266执行至少一次回溯测试的步骤268储存最佳人工智慧模型的步骤280产出预测结果的步骤320数据导入单元322数据搜集模组324数据资料库326数据特征提取模组340模型建构单元342LSTM模组344优化模组346模型储存模组360模型过滤单元362模型测试模组364参数调整模组366回溯测试模组368最佳模型储存模组380预测结果产生单元382输入界面384输出界面410搜集历史价格数据的步骤420提取历史价格数据的特征的步骤430将特征输入LSTM模组的步骤440从LSTM模组的输出值建立复数个AI模型的步骤440’训练AI模型的步骤450测试AI模型的步骤452删除未通过测试的AI模型的步骤454保留通过测试的AI模型的步骤454’进行参数调整的步骤460进行回溯测试的步骤462删除未通过回溯测试的AI模型的步骤464保留通过回溯测试的AI模型的步骤464’进行参数调整的步骤470进行回溯测试的步骤472删除未通过回溯测试的AI模型的步骤474保留通过回溯测试的AI模型的步骤480储存至最佳模型储存模组的步骤492输入金融商品预测要求的步骤494再启最佳AI模型的步骤496产出所要求金融商品的预测结果的步骤。具体实施方式本专利技术的一实施例揭露一种使用人工智慧(ArtificialIntelligence；AI)的金融风险预测系统。图1为一根据本实施例的使用人工智慧的金融风险预测系统的示意图。如图1所示，上述使用人工智慧的金融风险预测系统100包含数据导入单元(dataimportingunit)120、模型建构单元140、模型过滤单元160、以及预测结果产生单元180。根据本实施例，上述数据导入单元120可用来搜集数据(data)，并根据所搜集数据建构一数据资料本文档来自技高网...

【技术保护点】
1.一种使用人工智慧的金融风险预测系统，其特征在于，包含：数据导入单元，包含一数据搜集模组、一数据资料库、以及一数据特征提取模组，其中上述数据搜集模组用以搜集数据，并将所搜集的数据储存于上述的数据资料库，其中上述的数据特征提取模组提取该些数据的特征，并将该些特征储存于上述的数据资料库；模型建构单元，包含一神经网络模组、以及一模型储存模组，其中上述神经网络模组使用上述数据资料库的该些特征作为输入，以输出复数个人工智慧模型，该些人工智慧模型储存于上述模型储存模组；模型过滤单元，包含一模型测试模组、一参数调整模组、一回溯测试模组、以及一最佳模型储存模组，其中该些人工智慧模型传送至上述模型测试模组进行测试，其中上述参数调整模组依据测试结果分别对通过测试的复数个人工智慧模型进行参数调整，以得到复数个经过参数调整的人工智慧模型，其中上述回溯测试模组针对该些经过参数调整的人工智慧模型进行至少一次回溯测试，其中在每次回溯测试之后，以上述参数调整模组针对通过回溯测试的至少一人工智慧模型依据回溯测试结果进行参数调整，其中上述最佳模型储存模组用以储存上述通过回溯测试且经过参数调整的至少一人工智慧模型；以及预测结果产生单元，包含输入界面、以及输出界面，其中上述输入界面用以输入金融商品的预测要求，并再启储存于上述最佳模型储存模组中的该些人工智慧模型来产出上述金融商品的预测结果，其中该些人工智慧模型所产出的该金融商品的预测结果由上述的输出界面来呈现。...

【技术特征摘要】
2017.12.12 US 62/597,5461.一种使用人工智慧的金融风险预测系统，其特征在于，包含：数据导入单元，包含一数据搜集模组、一数据资料库、以及一数据特征提取模组，其中上述数据搜集模组用以搜集数据，并将所搜集的数据储存于上述的数据资料库，其中上述的数据特征提取模组提取该些数据的特征，并将该些特征储存于上述的数据资料库；模型建构单元，包含一神经网络模组、以及一模型储存模组，其中上述神经网络模组使用上述数据资料库的该些特征作为输入，以输出复数个人工智慧模型，该些人工智慧模型储存于上述模型储存模组；模型过滤单元，包含一模型测试模组、一参数调整模组、一回溯测试模组、以及一最佳模型储存模组，其中该些人工智慧模型传送至上述模型测试模组进行测试，其中上述参数调整模组依据测试结果分别对通过测试的复数个人工智慧模型进行参数调整，以得到复数个经过参数调整的人工智慧模型，其中上述回溯测试模组针对该些经过参数调整的人工智慧模型进行至少一次回溯测试，其中在每次回溯测试之后，以上述参数调整模组针对通过回溯测试的至少一人工智慧模型依据回溯测试结果进行参数调整，其中上述最佳模型储存模组用以储存上述通过回溯测试且经过参数调整的至少一人工智慧模型；以及预测结果产生单元，包含输入界面、以及输出界面，其中上述输入界面用以输入金融商品的预测要求，并再启储存于上述最佳模型储存模组中的该些人工智慧模型来产出上述金融商品的预测结果，其中该些人工智慧模型所产出的该金融商品的预测结果由上述的输出界面来呈现。2.根据权利要求1所述的使用人工智慧的金融风险预测系统，其特征在于，该模型建构单元包含一优化模组，其中上述优化模组在该些人工智慧模组储存于上述模型储存模组之前，对该些人工智慧模组进行优化。3.根据权利要求2所述的使用人工智慧的金融风险预测系统，其特征在于，上述优化模组使用亚当优化演算法来优化在该些人工智慧模组。4.根据权利要求1所述的使用人工智慧的金融风险预测系统，其特征在于，上述神经网络模组为递归神经网络。5.根据权利要求1所述的使用人工智慧的金融风险预测系统，其特征在于，上述神经网络模组为...

【专利技术属性】
技术研发人员：黄浩霆，拉奇德·艾·萨迪克，
申请(专利权)人：黄浩霆，
类型：发明
国别省市：中国台湾,71