隐含波动率预测方法、价格预测方法、装置、设备及介质制造方法及图纸

本申请公开了一种隐含波动率预测方法、价格预测方法、装置、设备及介质，该预测方法包括：获取目标对象的实时数据；将实时数据输入到预先构建的预测模型，输出目标对象当前的隐含波动率；该价格预测方法包括：获取利用上述方法计算的目标对象的隐含波动率；将计算得到的隐含波动率输入到预先构建的价格计算模型中，输出目标对象的期望价格。本申请实施例通过利用隐含波动率的杠杆效应，构建隐含波动率的预测模型，继而利用构建的预测模型，对隐含波动率进行准确预测，以使得最终能够利用预测得到的隐含波动率，对金融产品的期望价格实现准确计算，以引导用户进行科学的金融交易操作，提升用户收益。提升用户收益。提升用户收益。

【技术实现步骤摘要】
隐含波动率预测方法、价格预测方法、装置、设备及介质


[0001]本专利技术一般涉及人工智能
，尤其涉及隐含波动率预测方 法、价格预测方法、装置、设备及介质。

技术介绍

[0002]随着经济的发展，呈现出越来越多的金融产品，如股票、期权等， 使得越来越多的人们逐渐了解，并参与其中。金融衍生品作为一种重 要的金融产品的风险管理工具，在资本市场发挥着日益关键的作用。 在各种金融交易发生过程中，隐含波动率大致反映了在特定时间范围 内预期移动的大小，指的是未来价格变动的预期规模，可以理解为交 易者感知的不确定性或风险水平。
[0003]目前相关技术中，对于隐含波动率的估计，是基于当前期权价格 或股票价格，采用期权定价模型(Black
‑
Scholes，BS)计算得到的。
[0004]对于利用BS公式的反函数计算方式，使得隐含波动率容易受到 期权价格扭曲的影响，从而使得其与期权定价的初衷相矛盾，进而使 得利用其对下一时点期权价格计算中的效果不理想。

技术实现思路

[0005]鉴于现有技术中的上述缺陷或不足，期望提供一种隐含波动率预 测方法、价格预测方法、装置、设备及介质，通过利用隐含波动率的 杠杆效应，对目标对象的数据进行训练，以构建隐含波动率的预测模 型，继而利用构建的模型，对目标对象的隐含波动率进行准确预测， 以使得最终对目标对象的期望价格实现准确预测，提高用户的收益。
[0006]第一方面，提供一种隐含波动率预测方法，该方法包括：
[0007]获取目标对象的实时数据；
[0008]将所述实时数据输入到预先构建的预测模型，输出所述目标对象 当前的隐含波动率，所述预测模型基于所述目标对象的所述隐含波动 率的杠杆效应构建。
[0009]可选的，本申请实施例提供的隐含波动率预测方法，在将所述实 时数据输入到预先构建的预测模型之前，该方法还包括：
[0010]获取所述目标对象的历史数据；
[0011]对所述历史数据进行训练，构建所述隐含波动率的预测模型。
[0012]可选的，本申请实施例提供的隐含波动率预测方法，所述对所述 历史数据进行训练，构建所述隐含波动率的预测模型包括：
[0013]基于长短期记忆人工神经网络对所述历史数据进行训练，构建所 述隐含波动率的预测模型。
[0014]可选的，本申请实施例提供的隐含波动率预测方法，所述目标对 象的数据包括价格及收益率，所述目标对象包括股票和/或期权。
[0015]第二方面，本申请实施例提供一种目标对象价格预测方法，所述 方法包括：
[0016]获取利用如第一方面所述的方法计算的所述目标对象的隐含波动 率；
[0017]将计算得到的所述隐含波动率输入到预先构建的价格计算模型 中，输出所述目标对象的期望价格。
[0018]可选的，本申请实施例提供的目标对象执行价格计算方法，所述 将计算得到的所述隐含波动率输入到预先构建的价格计算模型中，输 出所述目标对象的期望价格包括：
[0019]将计算得到的隐含波动率输入到预先构建的期权价格计算模型 中，输出所述目标对象的期望价格。
[0020]可选的，本申请实施例提供的目标对象执行价格计算方法，所述 方法还包括：
[0021]当所述目标对象的实时价格大于期望价格时，生成第一交易指令， 所述第一交易指令用于指示执行目标对象的卖出交易；
[0022]或者，当所述目标对象的实时价格小于期望价格时，生成第二交 易指令，所述第二交易指令用于指示执行所述目标对象的买入交易。
[0023]第三方面，本申请实施例提供一种隐含波动率预测装置，所述装 置包括：
[0024]获取模块，用于获取目标对象的实时数据；
[0025]预测模块，用于将所述实时数据输入到预先构建的预测模型，输 出所述目标对象当前的隐含波动率，所述预测模型基于所述目标对象 的所述隐含波动率的杠杆效应构建。
[0026]第四方面，本申请实施例提供一种目标对象价格预测装置，所述 装置包括：
[0027]计算模块，用于获取利用如第一方面所述的方法计算的所述目标 对象的隐含波动率；
[0028]预测模块，用于将计算得到的所述隐含波动率输入到预先构建的 价格计算模型中，输出所述目标对象的期望价格。
[0029]第五方面，本申请实施例提供一种计算机设备，包括存储器、处 理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理 器执行该程序时实现如第一方面或第二方面所述的方法。
[0030]第六方面，本申请实施例提供一种计算机可读存储介质，其上存 储有计算机程序，所述计算机程序用于实现如第一方面或第二方面所 述的方法。
[0031]本申请实施例提供的隐含波动率预测方法、价格预测方法、装置、 设备及介质，通过利用隐含波动率的杠杆效应，对金融产品的历史数 据进行训练，以构建对应的隐含波动率的预测模型，继而利用构建的 预测模型，对金融产品的隐含波动率进行准确预测，以使得最终能够 利用预测得到的隐含波动率，对金融产品的期望价格实现准确计算， 以引导用户进行科学的金融交易操作，本申请实施例方法的操作简单， 使用成本低，能够实时根据金融产品的数据自动计算，更新迭代预测 模型，以提升预测模型准确度，提升用户收益。
附图说明
[0032]通过阅读参照以下附图所作的对非限制性实施例所作的详细描 述，本申请的其它特征、目的和优点将会变得更明显：
[0033]图1为本申请实施例的隐含波动率的预测方法流程示意图；
[0034]图2为本申请一些实施例的神经网络构架流程示意图；
[0035]图3为本申请实施例的期望价格预测方法的流程示意图；
[0036]图4为本申请一些实施例的期望价格预测方法的流程示意图；
[0037]图5为本申请实施例的隐含波动率预测装置的结构示意图；
[0038]图6为本申请实施例的期望价格预测装置的结构示意图；
[0039]图7为本申请实施例提供的一种设备结构示意图。
具体实施方式
[0040]下面结合附图和实施例对本申请作进一步的详细说明。可以理解 的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该发 明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与 专利技术相关的部分。
[0041]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请。
[0042]大数据(Big data)是指无法在一定时间范围内用常规软件工具进 行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的 决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信 息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数 据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适 用于大数据的技术，包括大规模并行处理数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隐含波动率预测方法，其特征在于，所述方法包括：获取目标对象的实时数据；将所述实时数据输入到预先构建的预测模型，输出所述目标对象当前的隐含波动率，所述预测模型是利用所述目标对象的历史数据，基于所述目标对象的隐含波动率的杠杆效应构建的。2.根据权利要求1所述的隐含波动率预测方法，其特征在于，在将所述实时数据输入到预先构建的预测模型之前，所述方法还包括：获取所述目标对象的历史数据；对所述历史数据进行训练，构建所述预测模型。3.根据权利要求2所述的隐含波动率预测方法，其特征在于，所述对所述历史数据进行训练，构建所述预测模型包括：基于长短期记忆人工神经网络对所述历史数据进行训练，构建所述预测模型。4.根据权利要求1
‑
3任一项所述的隐含波动率预测方法，其特征在于，所述目标对象的数据包括价格及收益率，所述目标对象包括股票和/或期权。5.一种价格预测方法，其特征在于，所述方法包括：获取利用如权利要求1
‑
4任一项所述的方法计算的所述目标对象的隐含波动率；将计算得到的所述隐含波动率输入到预先构建的价格计算模型中，输出所述目标对象的期望价格。6.根据权利要求5所述的价格预测方法，其特征在于，所述将计算得到的所述隐含波动率输入到预先构建的价格计算模型中，输出所述目标对象的期望价格包括：将计算得到的隐含波动率输入到预先构建的期权价格计算模型中，输出所述目标对象的期望价...

【专利技术属性】
技术研发人员：王安全，易东云，李炅庭，
申请(专利权)人：湖南微步信息科技有限责任公司，
类型：发明
国别省市：