用于预测汇率趋势的模型训练方法、装置、设备及介质制造方法及图纸

本申请公开了一种用于预测汇率趋势的模型训练方法、装置、设备及介质，其中，该用于预测汇率趋势的模型训练方法包括：获取两国之间的汇率历史趋势和每n天时间内的汇率数据样本；采用ARIMA时间序列分析法对汇率历史趋势进行拟合，构成拟合参数空间，并遍历拟合参数空间直至拟合参数空间的预测拟合误差最小；对初始数据集中的宏观基础变量按时间窗口进行构造，并将训练数据集输入SVM支持向量机，从而获取拟合宏观变量差值；采用验证数据集对初始预测模型进行预测后确定初始预测模型作为汇率预测模型。该方法生成的汇率预测模型具有长期和短期趋势预测能力的同时，可保障高精度的预测准确性。预测准确性。预测准确性。

【技术实现步骤摘要】
用于预测汇率趋势的模型训练方法、装置、设备及介质


[0001]本专利技术涉及数据处理
，尤其涉及一种用于预测汇率趋势的模型训练方法、装置、设备及介质。

技术介绍

[0002]汇率，作为两种货币之间的兑换比率，是衡量国家与国家之间经济关系发展的重要指标。一国汇率价的波动会影响该国进出口贸易额度、外商投资环境、国内通胀水平和股票收益率等实体经济以及与其相关联的虚拟经济，也会对一些宏观金融政策产生影响，如该国的货币政策管理、外汇储备头寸管理和外汇市场运作等。随着越来越多的国家开始采用浮动汇率制作为本国货币的定价制度，各国货币汇率之间的波动变得越来越频繁，也越来越剧烈。而汇率的波动又会大大地影响各国政府、金融机构、进出口企业以及投资者的各种决策。越来越多的政策制定者与学者正在着力研究汇率波动问题，希望可以提高汇率变化预测的准确性。
[0003]汇率被大部分学者认为是典型的外生性变量，在经济、财政系统之外仍有很多因素对汇率的变化起到极大的影响，导致快速准确地预测汇率变化一直是一个比较困难的课题。

技术实现思路

[0004]本专利技术实施例提供一种用于预测汇率趋势的模型训练方法、装置、设备及介质，以解决准确地预测汇率变化一直是一个比较困难的课题的问题。
[0005]一种用于预测汇率趋势的模型训练方法，包括：获取两国之间的汇率历史趋势和每n天时间内的汇率数据样本，汇率数据样本包括：初始数据集和用于确定模型超参数的验证数据集；采用ARIMA时间序列分析法对汇率历史趋势进行拟合，构成拟合参数空间，并遍历拟合参数空间直至拟合参数空间的预测拟合误差最小；对初始数据集中的宏观基础变量按时间窗口进行构造，获取训练数据集，并将训练数据集输入SVM支持向量机，用于对汇率预测误差进行非线性拟合，从而获取拟合宏观变量差值；基于拟合宏观变量差值，生成用以预测汇率趋势的初始预测模型，并采用验证数据集对初始预测模型进行预测后确定初始预测模型作为汇率预测模型。
[0006]一种用于预测汇率趋势的模型训练装置，包括：数据样本获取模块，用于获取两国之间的汇率历史趋势和每n天时间内的汇率数据样本，汇率数据样本包括：初始数据集和用于确定模型超参数的验证数据集；参数空间构成模块，用于采用ARIMA时间序列分析法对汇率历史趋势进行拟合，构成拟合参数空间，并遍历拟合参数空间直至拟合参数空间的预测拟合误差最小；训练数据集获取模块，用于对初始数据集中的宏观基础变量按时间窗口进行构
造，获取训练数据集，并将训练数据集输入SVM支持向量机，用于对汇率预测误差进行非线性拟合，从而获取拟合宏观变量差值；预测模型确定模块，用于基于拟合宏观变量差值，生成用以预测汇率趋势的初始预测模型，并采用验证数据集对初始预测模型进行预测后确定初始预测模型作为汇率预测模型。
[0007]在一些实施例中，用于预测汇率趋势的模型训练装置还用于采用测试数据集对汇率预测模型进行n天的汇率预测，用以检验汇率预测模型的准确率。
[0008]在一些实施例中，该参数空间构成模块还用于采用时间序列对汇率历史趋势进行拟合，确定ARIMA差分自回归移动平均模型的拟合参数空间，拟合参数空间包括自回归项数、滑动平均项数和差分阶数。
[0009]在一些实施例中，该参数空间构成模块还用于采用时间序列平稳性检验作为单位根检验，确定差分阶数；分别提取赤池信息准则和贝叶斯信息准则获取的最小值，分别作为自回归项数和滑动平均项数。
[0010]在一些实施例中，该预测模型确定模块还用于将拟合宏观变量差值作为特征因子，采用特征因子对RBF高斯核函数进行训练，生成用以预测汇率趋势的初始预测模型。
[0011]在一些实施例中，该预测模型确定模块还用于采用k折交叉验证对系数gamma和C惩罚系数进行格点搜索，用以获取验证数据集预测的均方误差；当均方误差出现最小值时，确定初始预测模型作为汇率预测模型。
[0012]在一些实施例中，该训练数据集获取模块还用于确定窗口时间区间m，且m>n；获取前m
‑
n天的第一汇率数据样本，提取第一汇率数据样本中的第一基础变量作为用于构造训练数据的输入特征向量；将n天对应的汇率预测误差作为构造训练数据的目标变量，按单日从m
‑
n天开始向后滑移时间窗口，用以获取训练数据集。
[0013]一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述用于预测汇率趋势的模型训练方法。
[0014]一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用于预测汇率趋势的模型训练方法。
[0015]上述用于预测汇率趋势的模型训练方法、装置、设备及介质，通过采用组合预测法，融合多因素，多方法和多模型，使用ARIMA+SVM时间序列融合支持向量机的机器学习模型进行汇率预测，将不同的线性和非线性模型组合，拟合汇率数据中线性和非线性成分，并将拟合结果形成用以预测汇率趋势的汇率预测模型。该方法可综合考量宏观基础变量的影响，构建了ARIMA+SVM时间序列融合支持向量机的机器学习模型进行汇率预测，使得该汇率预测模型具有长期和短期趋势预测能力的同时，可提供高精度的准确率和宏观经济理论的可解释性。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0017]图1绘示本专利技术一实施例中用于预测汇率趋势的模型训练方法的应用环境示意图；图2绘示本专利技术第一实施例中用于预测汇率趋势的模型训练方法的第一流程图；图3绘示本专利技术第二实施例中用于预测汇率趋势的模型训练方法的第二流程图；图4绘示本专利技术一实施例中用于预测汇率趋势的模型训练装置的示意图；图5绘示本专利技术一实施例中电子设备的示意图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]本专利技术实施例提供的用于预测汇率趋势的模型训练方法，可应用在如图1的应用环境中，该用于预测汇率趋势的模型训练方法应用在用于预测汇率趋势的模型训练系统中，该用于预测汇率趋势的模型训练系统包括客户端和服务器，其中，客户端通过网络与服务器进行通信。客户端又称为用户端，是指与服务器相对应，为客户端提供本地服务的程序。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0020]现有汇率预测方法主要包括基础变量预测法和技术预测法，技术预测法中主要有线性模型和非线性模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测汇率趋势的模型训练方法，其特征在于，包括：获取两国之间的汇率历史趋势和每n天时间内的汇率数据样本，所述汇率数据样本包括：初始数据集和用于确定模型超参数的验证数据集；采用ARIMA时间序列分析法对所述汇率历史趋势进行拟合，构成拟合参数空间，并遍历所述拟合参数空间直至所述拟合参数空间的预测拟合误差最小；对所述初始数据集中的宏观基础变量按时间窗口进行构造，获取训练数据集，并将所述训练数据集输入SVM支持向量机，用于对汇率预测误差进行非线性拟合，从而获取拟合宏观变量差值；基于所述拟合宏观变量差值，生成用以预测汇率趋势的初始预测模型，并采用所述验证数据集对所述初始预测模型进行预测后确定所述初始预测模型作为汇率预测模型。2.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述汇率数据样本还包括用于回测模型的测试数据集；在所述采用所述验证数据集对所述初始预测模型进行预测后确定所述初始预测模型作为汇率预测模型之后，还包括：采用所述测试数据集对所述汇率预测模型进行n天的汇率预测，用以检验所述汇率预测模型的准确率。3.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述采用ARIMA时间序列分析法对所述汇率历史趋势进行拟合，构成拟合参数空间，包括：采用时间序列对所述汇率历史趋势进行拟合，确定ARIMA差分自回归移动平均模型的拟合参数空间，所述拟合参数空间包括自回归项数、滑动平均项数和差分阶数。4.根据权利要求3所述的用于预测汇率趋势的模型训练方法，其特征在于，所述采用时间序列对所述汇率历史趋势进行拟合，确定ARIMA差分自回归移动平均模型的拟合参数空间，包括：采用时间序列平稳性检验作为单位根检验，确定所述差分阶数；分别提取赤池信息准则和贝叶斯信息准则获取的最小值，分别作为所述自回归项数和所述滑动平均项数。5.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，基于所述拟合宏观变量差值，生成用以预测汇率趋势的初始预测模型，包括：将所述拟合宏观变量差值作为特征因子，采用所述特征因子对RBF高斯核函数进行训练，生成用以预测汇率趋势的初始预测模型。6.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述汇率预测模型...

【专利技术属性】
技术研发人员：李冠楠，
申请(专利权)人：企知道网络技术有限公司，
类型：发明
国别省市：