一种基于可预测因子分解的金融时序预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于可预测因子分解的金融时序预测方法及装置，涉及软件技术领域。包括：根据可观测金融时序数据推断多个时刻的隐式因子，将多个隐式因子组合成多个相互独立的可预测时序分量，对时序分量中隐式因子之间的关系分别进行建模，获得多个可预测因子分解模型；对多个可预测因子分解模型进行优化学习，获得可辨识性、可预测性和充分性的优化结果，根据优化结果对构建的关系模型进行求解从而得到金融时序预测结果。该方法的提出缓解了以往方法由于缺乏高维可观测金融时序数据而难以进行可解释性建模分析的限制，通过对推断出的时序分量的预测，间接地实现对待预测值的计算。计算。计算。

【技术实现步骤摘要】
一种基于可预测因子分解的金融时序预测方法及装置


[0001]本专利技术涉及软件
，特别是指一种基于可预测因子分解的金融时序预测方法及装置。

技术介绍

[0002]在金融数据中的变量由于受到多种已知、未知因素的影响，不确定性很高，往往难以预测。近年来，深度学习技术在视觉、语言等领域中所涉及的复杂序列建模任务上都表现出了强大预测能力。与这些研究领域的序列不同，金融时序既不包含充足的高维可观测数据信息，也很难获得足够的显式语义信息来指导数据分析，深度学习方法仍然面临着与其他任务不同的挑战。既然金融时间序列的规律性是内在的，不能直接观测到，分析并预测金融时序数据可以间接地从影响数据的各种因素出发，通过发现这些因素及因素之间的关系并对其进行建模，可以使金融时间序列预测方法具有良好的可解释性，从而提高方法的预测性能。已有一些金融数据预测方法显式地挖掘市场环境中可能对金融数据产生影响的因素，然而，有些影响因素是不可观测的，且因素之间的因果关系可能会冗余、或呈伪相关关系，难以有效建模。也有方法从历史观测数据中发掘隐式的因素，然而，大多数方法没有建模这些因素的时序变化特性，或者无法通过学习的方式自动发掘隐式的因素，因此无法充分利用可观测数据本身特性进行合理建模。

技术实现思路

[0003]针对现有技术中，大多数方法没有建模这些因素的时序变化特性，或者无法通过学习的方式自动发掘隐式的因素，因此无法充分利用可观测数据本身特性进行合理建模的问题，本专利技术提出了一种基于可预测因子分解的金融时序预测方法及装置。
[0004]为解决上述技术问题，本专利技术提供如下技术方案：
[0005]一方面，提供了一种基于可预测因子分解的金融时序预测方法，该方法应用于电子设备，包括以下步骤：
[0006]S1：根据可观测金融时序数据推断多个时刻的隐式因子，将多个隐式因子组合成多个相互独立的可预测时序分量，对时序分量中隐式因子之间的关系分别进行建模，获得多个可预测因子分解模型；
[0007]S2：对多个可预测因子分解模型进行优化学习，获得可辨识性、可预测性和充分性的优化结果，根据优化结果对构建的关系模型进行求解从而得到金融时序预测结果。
[0008]可选地，S1中，根据可观测金融时序数据推断多个时刻的隐式因子，将多个隐式因子组合成多个相互独立的可预测时序分量，对时序分量中隐式因子之间的关系分别进行建模，获得可预测因子分解模型，包括：
[0009]S11：采用多尺度卷积编码实现根据历史观测金融数据推断隐式因子分布，并将根据不同时间尺度计算出的隐式因子划分至对应的时序分量；
[0010]S12：根据推断出的隐式因子分布采样得到隐式因子，建模隐式因子之间的关系；
[0011]S13：设计解码器，构建隐式因子对观测数据的有向关系，建模隐式因子与观测数据的因果关系；
[0012]S14：利用序列模型构建隐式因子在时序分量中的时序关系，获得可预测因子分解模型。
[0013]可选地，S11中，采用多尺度卷积编码实现根据历史观测金融数据推断隐式因子分布，并将根据不同时间尺度计算出的隐式因子划分至对应的时序分量，包括：
[0014]设为K个采样率的集合，采样的时间序列为其中s(X，r)表示采样率为r的X上的采样操作；编码器分别学习每个时间尺度上的隐式因子，在解码过程中将这些隐式因子进行组合。
[0015]可选地，S13中，设计解码器，包括：
[0016]利用线性变换f
(i)
对每个时间尺度分别重构即根据下述公式(1)利用注意机制对不同时间尺度的重构信号进行组合：
[0017][0018]其中，α
i
为注意力系数，||
·
||
F
为矩阵的Frobenious范数。
[0019]可选地，步骤S14中，利用序列模型构建隐式因子在时序分量中的时序关系，获得可预测因子分解模型，包括：
[0020]对于每个时序分量，引入一个GRU网络g
(i)
(i＝1，2，
…
，K)，其中GRU的输出为为当前时刻对下一时刻的预测值。
[0021]可选地，步骤S2中，对多个可预测因子分解模型进行优化学习，获得可辨识性、可预测性和充分性的优化结果，根据优化结果对构建的关系模型进行求解从而得到金融时序预测结果，包括：
[0022]S21：基于变分自编码器VAE，引入一个额外的观测变量E，对可预测因子分解模型进行可辨识性建模，在训练过程中调整超参数，提高KL散度的权重，解耦隐式因子；
[0023]S22：基于隐式因子时序关系的GRU模型，将隐式因子直接输入至编码器，设置自回归损失使重构误差最小；
[0024]S23：通过最小化VAE目标函数中的重构项，对于所有时刻的隐式因子都使用解码器ψ
d
重构X，利用解码器模型中的注意力权重系数α
i
加权相加，得到最终的预测结果。
[0025]可选地，步骤S22中，根据下述公式(2)设置自回归损失使重构误差最小，包括：
[0026][0027]其中，X为已观测时序数据，E为额外观测变量；H为时序分量。
[0028]一方面，提供了一种基于可预测因子分解的金融时序预测装置，该装置应用于电子设备，该装置包括：
[0029]推断建模模块，用于根据可观测金融时序数据推断多个时刻的隐式因子，将多个隐式因子组合成多个相互独立的可预测时序分量，对时序分量中隐式因子之间的关系分别
进行建模，获得多个可预测因子分解模型；
[0030]优化学习模块，用于对多个可预测因子分解模型进行优化学习，获得可辨识性、可预测性和充分性的优化结果，根据优化结果对构建的关系模型进行求解从而得到金融时序预测结果。
[0031]可选地，推断建模模块，进一步用于采用多尺度卷积编码实现根据历史观测金融数据推断隐式因子分布，并将根据不同时间尺度计算出的隐式因子划分至对应的时序分量；
[0032]根据推断出的隐式因子分布采样得到隐式因子，建模隐式因子之间的关系；
[0033]设计解码器，构建隐式因子对观测数据的有向关系，建模隐式因子与观测数据的因果关系；
[0034]利用序列模型构建隐式因子在时序分量中的时序关系，获得可预测因子分解模型。
[0035]可选地，推断建模模块，进一步用于设为K个采样率的集合，采样的时间序列为其中s(X，r)表示采样率为r的X上的采样操作；编码器分别学习每个时间尺度上的隐式因子，在解码过程中将这些隐式因子进行组合。
[0036]一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述一种基于可预测因子分解的金融时序预测方法。
[0037]一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可预测因子分解的金融时序预测方法，其特征在于，包括以下步骤：S1：根据可观测金融时序数据推断多个时刻的隐式因子，将多个所述隐式因子组合成多个相互独立的可预测时序分量，对时序分量中隐式因子之间的关系分别进行建模，获得多个可预测因子分解模型；S2：对多个所述可预测因子分解模型进行优化学习，获得可辨识性、可预测性和充分性的优化结果，根据所述优化结果对构建的关系模型进行求解从而得到金融时序预测结果。2.根据权利要求1所述的方法，其特征在于，所述S1中，根据可观测金融时序数据推断多个时刻的隐式因子，将多个所述隐式因子组合成多个相互独立的可预测时序分量，对时序分量中隐式因子之间的关系分别进行建模，获得可预测因子分解模型，包括：S11：采用多尺度卷积编码实现根据历史观测金融数据推断隐式因子分布，并将根据不同时间尺度计算出的隐式因子划分至对应的时序分量；S12：根据推断出的隐式因子分布采样得到隐式因子，建模隐式因子之间的关系；S13：设计解码器，构建隐式因子对观测数据的有向关系，建模隐式因子与观测数据的因果关系；S14：利用序列模型构建隐式因子在时序分量中的时序关系，获得可预测因子分解模型。3.根据权利要求2所述的方法，其特征在于，所述S11中，采用多尺度卷积编码实现根据历史观测金融数据推断隐式因子分布，并将根据不同时间尺度计算出的隐式因子划分至对应的时序分量，包括：设为K个采样率的集合，采样的时间序列为其中s(X，r)表示采样率为r的X上的采样操作；编码器分别学习每个时间尺度上的隐式因子，在解码过程中将这些隐式因子进行组合。4.根据权利要求2所述的方法，其特征在于，所述S13中，设计解码器，包括：利用线性变换f
(i)
对每个时间尺度分别重构即根据下述公式(1)利用注意机制对不同时间尺度的重构信号进行组合：其中，α
i
为注意力系数，||
·
||
F
为矩阵的Frobenious范数。5.根据权利要求2所述的方法，其特征在于，所述步骤S14中，利用序列模型构建隐式因子在时序分量中的时序关系，获得可预测因子分解模型，包括：对于每个时序分量，引入一个GRU网络g
(i)
(i＝1，2，
…
，K)，其中GRU的输出为为当前时刻对下一时刻的预测值。6...

【专利技术属性】
技术研发人员：侯静怡，刘志杰，贺威，夏光华，唐宇鑫，董震，
申请(专利权)人：延安大学，
类型：发明
国别省市：