一种基于ARMA-GARCH的金融交易预测模型制造技术

本发明专利技术公开了一种基于ARMA

【技术实现步骤摘要】
一种基于ARMA
‑
GARCH的金融交易预测模型


[0001]本专利技术涉及技术预测领域，具体涉及一种基于ARMA
‑
GARCH的金融交易预测模型。

技术介绍

[0002]金融市场是国家经济生活的核心，寻找其中的变化规律，并进行有效合理的市场管理以及完善各种金融组织体系是各国政府及相关机构追求的主要目标。随着互联网行业及其附属产业的发展，信息技术逐渐占据主导地位，人们的投资意识开始转变，越来越多的投资者开始关注金融领域，如何对金融市场进行分析与预测，进而帮助投资者进行决策是当前的热点问题。在金融市场中，金融交易量是一项重要指标，一方面它能反映市场价格波动的过程，有利于发现价格形成的微观机制；另一方面，它也是交易系统策略开发、投资风险衡量与管理的重要依据，尤其是在高频交易的自动化交易系统中，风险失控带来的损失不可估量。因此，金融交易预测的研究具有极其重要的应用价值和理论意义。
[0003]金融交易数据是随时间而形成的一种随机变量，交易序列由这些交易数据构成。在一组交易序列中，每个的序列值都具有不同的特点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ARMA
‑
GARCH的金融交易预测模型，其特征在于包括以下步骤：步骤1：数据获取；金融交易数据其数据量往往非常大，若数据全部用于模型的构建会不可避免地引入噪声，加大模型的构建难度，因此从数据集中通过滑动窗口及定期抽样的方式获取样本数据，缩小数据量级，更加高效地进行模型构建；步骤2：数据预处理；将步骤1获取的样本数据进行数据预处理，包括数据清洗、数据筛选、特征化、数据分类，得到训练样本集与测试样本集；通过进行缺失值处理、异常值处理，引入决策树等算法进行数据筛选，进行数据特征化等方法，尽可能地降低数据损失，提高数据质量，保证数据的正确性与合理性，从而提高模型预测的准确性；步骤3：数据分析与模型构建；针对金融交易数据的复杂性和不确定性以及现有技术中的缺陷，结合传统有效的时间序列分析方法中的自回归移动平均模型ARMA，与广义自回归异方差模型GARCH进行耦合；基于步骤2得到的训练样本集，做基本统计分析并构建ARMA模型；在构建好的ARMA模型的基础上，进行ARCH效应检验，构建GARCH模型；将构建好的ARMA模型与GARCH模型组合为ARMA
‑
GARCH模型；其可以在特定的场景下构建金融交易预测模型，基于历史金融交易数据，更加准确地预测未来任一时间段或任意时刻的金融交易数据，提升用户体验；步骤4：模型评估；通过相应评价指标评价模型的预测精度，检验所拟合模型的充分性；步骤5：模型预测；基于给定的交易数据，利用所构建的金融交易预测模型，预测未来任一时间段或任一时刻的金融交易数据，同时采用可视化的方式显示所预测的金融交易数据。2.根据权利要求1所述的一种基于ARMA
‑
GARCH的金融交易预测模型，其特征在于步骤1中，所述数据获取具体步骤为：从数据集中通过滑动窗口及定期抽样的方式获取样本数据；设置不同时间步长的滑动窗口；根据数据集的时间单位、时间跨越长度不同，选择不同时间步长的滑动窗口；利用所设定时间步长的滑动窗口，在数据集上按时间顺序进行滑动，获取多个窗口数据，通过对窗口内定期抽样的方式获得对应时间步长的样本数据。3.根据权利要求1所述的一种基于ARMA
‑
GARCH的金融交易预测模型，其特征在于步骤2中，所述数据预处理具体步骤为：进行数据预处理，包括数据清洗、数据筛选、特征化、数据分类，得到训练样本集与测试样本集；对数据进行预处理时，包括缺失值处理、异常值处理；具体来说，对于缺失值，采取聚类填充...

【专利技术属性】
技术研发人员：陈天健，黄江，何毅泉，林滋铠，梁启晨，黎耀煜，陈健浩，
申请(专利权)人：陈天健，
类型：发明
国别省市：