基于时间序列的头寸预测方法、装置、设备和介质制造方法及图纸

本申请公开了一种基于时间序列的头寸预测方法、装置、设备和介质，所述基于时间序列的头寸预测方法包括：获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；基于所述优化时间序列数据，构建目标时间序列模型；获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。本申请解决了头寸预测不准确的技术问题。

【技术实现步骤摘要】
基于时间序列的头寸预测方法、装置、设备和介质
本申请涉及金融科技(Fintech)的机器学习
，尤其涉及一种基于时间序列的头寸预测方法、装置、设备和介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。随着计算机技术的不断发展，机器学习的应用领域也越来越广泛，时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列，目前，通常直接基于具备平稳性性质的数据直接构建时间序列模型，但是，在一些建模场景中，建模数据通常为小样本数据，例如头寸数据等，而由于头寸数据的样本数量和特征数量都较少，进而导致时间序列模型在建模时容易发生模型过拟合的情况，进而在对头寸数据进行头寸预测时通常存在预测不准确的情况。
技术实现思路
本申请的主要目的在于提供一种基于时间序列的头寸预测方法、装置、设备和介质，旨在解决现有技术中头寸预测准确性低的技术问题。为实现上述目的，本申请提供一种基于时间序本文档来自技高网...

【技术保护点】
1.一种基于时间序列的头寸预测方法，其特征在于，所述基于时间序列的头寸预测方法包括：/n获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；/n对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；/n基于所述优化时间序列数据，构建目标时间序列模型；/n获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。/n

【技术特征摘要】
1.一种基于时间序列的头寸预测方法，其特征在于，所述基于时间序列的头寸预测方法包括：
获取时间序列数据，并对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据；
对所述增强数据进行时间特征分解，以扩展所述增强数据的特征维度，获得优化时间序列数据；
基于所述优化时间序列数据，构建目标时间序列模型；
获取待预测头寸数据，并将所述待预测头寸数据输入所述目标时间序列模型，对所述待预测头寸数据进行基于时间序列的头寸预测，获得头寸预测结果。


2.如权利要求1所述基于时间序列的头寸预测方法，其特征在于，所述对所述时间序列数据进行数据增强，以扩展所述时间序列数据的样本数量，获得增强数据的步骤包括：
将所述时间序列数据输入预设时间序列增强模型中的嵌入网络，以将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征数据；
基于所述预设时间序列增强模型中的序列生成器，生成所述时间序列表征数据对应的扩展时间序列表征数据；
基于所述预设时间序列增强模型中的恢复网络，对所述扩展时间序列表征数据进行重建，获得扩展时间序列数据；
对所述扩展时间序列数据进行平稳性转换，获得平稳扩展时间序列数据，并将所述平稳扩展时间序列数据和所述时间序列数据共同作为所述增强数据。


3.如权利要求2所述基于时间序列的头寸预测方法，其特征在于，所述嵌入网络包括静态特征嵌入网络和时间特征嵌入网络，所述时间序列数据至少包括一样本静态特征和一样本时间特征，所述预设潜在表征空间包括静态特征空间和时间特征空间，所述时间序列表征数据包括静态特征表征和时间特征表征，
所述将所述时间序列数据输入预设时间序列增强模型中的嵌入网络，以将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征数据的步骤包括：
基于所述静态特征嵌入网络，将所述静态特征映射至所述静态特征空间，获得所述静态特征表征；
获取上一时间步时间特征表征，并基于所述时间特征嵌入网络，将所述静态特征表征、所述上一时间步时间特征表征和所述样本时间特征共同映射至所述时间特征空间，获得所述时间特征表征。


4.如权利要求2所述基于时间序列的头寸预测方法，其特征在于，所述序列生成器包括静态特征生成器网络和时间特征循环生成器网络，所述扩展时间序列表征数据至少包括一扩展静态特征表征和一扩展时间特征表征，
所述基于所述预设时间序列增强模型中的序列生成器，生成所述时间序列表征数据对应的扩展时间序列表征数据的步骤包括：
在所述时间序列表征数据中随机提取静态特征元素和时间特征元素；
将所述静态特征元素输入所述静态特征生成器网络，生成所述扩展静态特征表征；
获取上一时间步扩展时间特征表征，并将所述时间特征元素、所述扩展静态特征表征和所述上一时间步扩展时间特征表征共同输入所述时间特征循环生成器网络，生成所述扩展时间特征表征。


5.如权利要求2所述基于时间序列的头寸预测方法，其特征在于，在所述将所述时间序列数据输入预设时间序列增强模型中的嵌入网络，以将所述时间序列数据映射至预设潜在表征空间，获得时间序列表征的步骤之前，所述基于时间序列的头寸预测方法还包括：
获取待训练生成对抗网络和训练时间序列数据；
将所述训练时间序列数据输入所述待训练生成对抗网络，对所述待训练生成对抗网络进行迭代训练，以计算所述待训练生成对抗网络的目标模型损失；
基于所述目标模型损失，更新所述待训练生成对抗网络的网络参数，以判断更新后的所述待训练生成对抗网络是否满足预设迭代训练结束条件；
若是，则将所述待训练生成对抗网络作为所述预设时间序列增强模型；
若否，则返回所述对所述待训练生成对抗网络进行迭代训练的步骤。


6.如权利要求5所述基于时间序列的头寸预测方法，其特征在于，所述待训练生成对抗网络包括待训练嵌入网络、待训练恢复网络、待训练生成器网络和待训练判别器网络，
所述将所述训练时间序列数据输入所述待训练生成对抗网络，对所述待训练生成对抗网络进行迭代训练，以计算所述待训练生成对抗网络的目标模型损失的步骤包括：
基于所述待训练嵌入网络，将所述训练时间序列数据映射至所述预设潜在表征空间，获得训练潜在表征数据；
在所述预设潜在表征空间中随机提取所述训练潜在表征数据对应的训练表征数据，并基于所述待训练生成器网络和所述训练潜在表征数据，生成所述训练表征数据对应的训练扩展表征数据；
基于所述训练扩展表征数据和所述训练潜在...

【专利技术属性】
技术研发人员：高攀，曾岩，李晶，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44