基于机器学习的期货数据分析、风险预测方法及系统技术方案

本发明专利技术涉及期货数据分析技术领域，具体地说，涉及基于机器学习的期货数据分析、风险预测方法及系统。其包括以下步骤：收集期货市场数据，将期货市场数据信息录入期货源数据库内，增加数据库的数据储备量，提高数据分析的准确率；通过风险测算系统对期货数据进行风险测算，对现有期货源数据库内的数据进行风险定性分析，经过风险定性分析后数据送入风险数据库；将期货市场下一交易日的实际数据与风险预测模块预估的数据通过误差分析模块进行校对，并通过定量分析单元定位干扰因素b，将干扰因素b补充至风险数据库中。风险预测模块直接读取风险数据存储模块内的有效数据，提升风险预测模块的数据读取速度，进而提升风险测算系统的测算速度。的测算速度。的测算速度。

【技术实现步骤摘要】
基于机器学习的期货数据分析、风险预测方法及系统


[0001]本专利技术涉及期货数据分析
，具体地说，涉及基于机器学习的期货数据分析、风险预测方法及系统。

技术介绍

[0002]期货数据分析和风险预测是股指期货风险管理人员经过详细调研，对各种潜在的及己存在的风险进行系统归类和全面识别的过程。它是风险管理第一和最基本的程序，通常用损失的机会和概率来度量。风险的识别是风险管理和风险决策的基础和前提，人们只有准确地识别出各种风险，才有可能针对性地选择防范风险和控制风险的对策。
[0003]机器学习的对象是某种隐藏在表象背后的潜在“规律”，对于期货交易分析来说，基于机器可学习期货交易决策与收益风险之间的规律，从而辅助购买者获得更大的收益；而现有的期货分析系统中，需要获取海量数据信息，而且，随着系统的运行，需要计算和分析的数据逐渐累加，会增加系统的运行负担，影响系统响应速度，因此，设计基于机器学习的期货数据分析、风险预测方法及系统，在提升系统测算速度的同时，提升对期货风险预测的精度。

技术实现思路

[0004]本专利技术的目的在于提供基于机器学习的期货数据分析、风险预测方法及系统，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供一种基于机器学习的期货数据分析、风险预测方法，包括以下步骤：S1.1：收集并整理期货市场数据，将期货市场数据信息录入期货源数据库内，增加数据库的数据储备量，提高数据分析的准确率；S1.2：通过风险测算系统对期货数据进行风险测算，对现有期货源数据库内的数据进行风险定性分析，经过风险定性分析后数据送入风险数据库，通过风险数据库内的数据进行分类存储，将数据分为风险数据和无风险数据，用于去除期货源数据库中的无风险干扰项；S1.3：通过风险预测模块读取风险数据库内数据建立函数预测模型，对未来期货市场进行风险定量预测，规避市场风险、提高期货收益率；S1.4：将期货市场下一交易日的实际数据与风险预测模块预估的数据通过误差分析模块进行校对，并通过定量分析单元定位干扰因素b，并将干扰因素b补充至风险数据库中，丰富风险数据库的数据多样性，提高风险预测模块的测算精度；S1.5：通过风险测算系统再次对未来期货市场趋势进行风险测算，并通过风险管理单元对期货数据进行查询、监督等操作，完成对市场风险的预测和规避。
[0006]作为本技术方案的进一步改进，所述S1.1中，所述期货源数据库整合了期货市场过去交易日的数据信息。
[0007]本专利技术目的之二在于，一种用于实现基于机器学习的期货数据分析、风险预测方法的系统，所述风险测算系统包括实现数据筛选的风险定性分析单元、预测未来期货市场波动趋势的风险预测模块、对预测数据进行分析的定量分析单元、用于存储经过风险定性分析单元筛选后的数据的风险数据库以及对预测数据实现实时监控的风险管理单元。
[0008]作为本技术方案的进一步改进，所述风险定性分析单元包括用于对源数据进行风险判别的数据分类模块，结合现有期货收益状况对源数据库中的数据进行风险判别，并通过数据分类模块将源数据中可能影响期货收益的数据进行分类；通过对期货现有收益趋势，分析并定位可能影响期货收益的因素，对影响期货收益的风险数据进行定位的干扰因素定位模块a。
[0009]作为本技术方案的进一步改进，所述风险数据库包括用于存储有效数据的风险数据存储模块和用于存储无效数据的无风险数据存储模块。
[0010]作为本技术方案的进一步改进，所述风险预测模块用于预测期货市场未来波动趋势。
[0011]作为本技术方案的进一步改进，所述定量分析单元包括将期货市场下一交易日的实际数据与预估数据进行对比分析的误差分析模块、用于对风险预测模块产生预测误差的风险因素进行定位的干扰因素定位模块b。
[0012]作为本技术方案的进一步改进，所述定量分析单元将定位到的干扰因素直接送入风险数据存储模块内，丰富风险数据存储模块内的数据量，以提高风险预测的精度，随着数据量的不断增加，风险预测模块的测算精度不断增加。
[0013]作为本技术方案的进一步改进，所述风险管理单元包括对测算数据进行实时监测的监管模块；将测算数据传送至智能终端的数据报送模块、为客户提供测算数据查询服务的数据查询模块。
[0014]与现有技术相比，本专利技术的有益效果：1、该基于机器学习的期货数据分析、风险预测方法及系统中，使用风险测算系统，通过风险定性分析单元实现对现有期货数据进行分析和风险评估，并通过对预测的数据进行定量分析单元，来完善风险数据库的有效数据，通过将有效数据存储至风险数据存储模块，风险预测模块直接读取风险数据存储模块内的有效数据，来提升风险预测模块的数据读取速度，进而提升风险测算系统的测算速度。
[0015]2、该基于机器学习的期货数据分析、风险预测方法及系统中，通过在风险数据库中设置有风险数据存储模块，实现对期货源数据库中的数据进行分类存储，将定量分析单元定位到的干扰因素会直接传输至风险数据存储模块内，来丰富风险数据库中的有效数据量，进而提升风险预测模块的测算精度。
附图说明
[0016]图1为实施例的期货数据分析、风险预测方法流程框图；图2为实施例的风险测算系统整体框图。
[0017]图中各个标号意义为：1、风险定性分析单元；11、数据分类模块；12、干扰因素定位模块a；2、风险数据库；21、风险数据存储模块；22、无风险数据存储模块；
3、风险预测模块；4、定量分析单元；41、误差分析模块；42、干扰因素定位模块b；5、风险管理单元；6、期货源数据库。
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，所描述的实施例仅仅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做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]实施例1本专利技术目的之一在于：基于机器学习的期货数据分析、风险预测方法，包括以下步骤：S1.1：收集并整理期货市场数据，将期货市场数据信息录入期货源数据库6内，增加数据库的数据储备量，提高数据分析的准确率；S1.2：通过风险测算系统对期货数据进行风险测算，对现有期货源数据库6内的数据进行风险定性分析，经过风险定性分析后数据送入风险数据库2，通过风险数据库2内的数据进行分类存储，将数据分为风险数据和无风险数据，用于去除期货源数据库中的无风险干扰项；其中，风险数据是可以对风险预测模块3预测趋势产生影响的有效数据，无风险数据则是不会对未来期货市场产生波动的无效数据；S1.3：通过风险预测模块3读取风险数据库2内数据建立函数预测模型，对未来期货市场进行风险定量预测，规避市场风险、提高期货收益率；S1.4：将期货市场下一交易日的实际数据与风险预测模块3预估的数据通过误差分析模块41进行校对，并通过定量分析单元4定位干扰因素b，并将干扰因素b补充至风险数据库2中，将干扰因素b直接送入风险数据存储模块，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的期货数据分析、风险预测方法，其特征在于，包括以下步骤：S1.1：收集并整理期货市场数据，将期货市场数据信息录入期货源数据库（6）内，增加数据库的数据储备量；S1.2：通过风险测算系统对期货数据进行风险测算，对现有期货源数据库（6）内的数据进行风险定性分析，经过风险定性分析后数据送入风险数据库（2），通过风险数据库（2）内的数据进行分类存储，将数据分为风险数据和无风险数据；S1.3：通过风险预测模块（3）读取风险数据库（2）内数据建立函数预测模型，对未来期货市场进行风险定量预测；S1.4：将期货市场下一交易日的实际数据与风险预测模块（3）预估的数据通过误差分析模块（41）进行校对，并通过定量分析单元（4）定位干扰因素b，并将干扰因素b补充至风险数据库（2）中；S1.5：通过风险测算系统再次对未来期货市场趋势进行风险测算，并通过风险管理单元（5）对期货数据进行查询、监督操作。2.根据权利要求1所述的基于机器学习的期货数据分析、风险预测方法，其特征在于：所述S1.1中，所述期货源数据库（6）整合了期货市场过去交易日的数据信息。3.基于机器学习的期货数据分析、风险预测系统，用于实现权利要求1
‑
2中任意一项所述的基于机器学习的期货数据分析、风险预测方法，其特征在于：所述风险测算系统包括实现数据筛选的风险定性分析单元（1）；预测未来期货市场波动趋势的风险预测模块（3）；对预测数据进行分析的定量分析单元（4）；用于存储经过风险定性分析单元（1）筛选后的数据的风险数据...

【专利技术属性】
技术研发人员：刘立安，
申请(专利权)人：山东财经大学，
类型：发明
国别省市：