基于人工智能的期权风险预警方法、系统及计算机设备技术方案

本发明专利技术提供一种基于人工智能的期权风险预警方法，其包括：筛选每日的期权合约以形成多个有效期权数据；提取每一有效期权数据的特征；将多个有效期权数据的特征输入以神经网络为基础的插值补充模型以获得期权价格插值映射关系进而获得需要插值的行权价期权的估计期权价格以形成期权价格序列。基于期权价格序列以示性函数的方式拟合资产价格跳跃来获得隐含波动率并构建基于平稳时间平方根规则的波动率回归模型；计算多个时刻的参数模型以获得在时间序列上的长度为L的回归参数向量并输入至已训练完成的预测模型内以获得下一时刻波动率回归模型内的多个回归参数，进而再基于波动率回归模型预测下一时刻的波动率并重构波动率曲面以形成预警信息。波动率曲面以形成预警信息。波动率曲面以形成预警信息。

【技术实现步骤摘要】
基于人工智能的期权风险预警方法、系统及计算机设备


[0001]本专利技术涉及计算机领域，且特别涉及一种基于人工智能的期权风险预警方法、系统及计算机设备。

技术介绍

[0002]随着波动率指数反映市场恐慌情绪的功能日趋完善，而市场走势与波动率指数走势不断的交互，使波动率指数具有领先市场的意义，也即预警市场可能面临的风险。此外，随着波动率指数反映市场恐慌情绪的功能、预警市场行情的功能进一步完善，以波动率指数为标的的衍生产品在管理市场风险方面逐见成效，特别是在金融危机时期，在资产组合中加入波动率指数衍生产品比加入其它避险产品如黄金、国债有更大的优势。
[0003]当前的波动率指数考虑了SP500指数期权所有不同月份的看涨看跌期权，将这些期权的隐含波动率以方差互换原理加权编制而成。以该种方式编织的波动率指数对于交易流动性较好、期权合约密集的交易市场具有较为准确的预测效果。然而，我国现有的50ETF期权由于期权合约数量较少且挂牌的期权合约间的行权价间隔过大，从而使得计算得到的隐含波动率曲面与真实的波动率刻画相比有较大的误差。换言之，有效的期权合约数据少而导致波动率的预测和市场的实际反映存在较大误差，预测准确率较差。此外，现有的波动率预测是基于固定模型计算的单一性预测，但交易市场是多因素的共同结果，数据的背后会存在很多的关联因素，单一性的计算预测也会时预测难以跟随市场变化而出现误差。

技术实现思路

[0004]本专利技术为了克服现有技术的不足，提供一种基于人工智能的期权风险预警方法、系统及计算机设备。r/>[0005]为了实现上述目的，本专利技术提供一种基于人工智能的期权风险预警方法，其包括：
[0006]基于交易量、流动性以及信息质量这三个交易参数筛选每日的期权合约以形成多个有效期权数据；
[0007]提取每一有效期权数据的特征；
[0008]将多个有效期权数据的特征输入以神经网络为基础的插值补充模型以获得期权价格插值映射关系；并基于该插值映射关系获得需要插值的行权价期权的估计期权价格以形成扩充后的期权价格序列；
[0009]基于期权价格序列以示性函数的方式拟合
t
时刻资产价格跳跃来获得隐含波动率并构建隐含波动率曲面并根据隐含波动率曲面构建基于平稳时间平方根规则的波动率回归模型，波动率回归模型包括多个随时间变化的回归参数；
[0010]计算多个时刻的参数模型以获得在时间序列上的长度为L的回归参数向量；
[0011]将获得的时间序列上的长度为L的回归参数向量输入至已训练完成的预测模型内以获得下一时刻波动率回归模型内的多个回归参数，进而再基于波动率回归模型预测下一时刻的波动率并重构波动率曲面以形成预警信息。
[0012]根据本专利技术的一实施例，提取的有效期权数据的特征包括有效期权数据的行权价、当前时刻的标的资产价格、无风险利率以及到期时间。
[0013]根据本专利技术的一实施例，
[0014]基于期权价格序列以示性函数的方式拟合
t
时刻资产价格跳跃来获得隐含波动率的表达为：
[0015][0016]其中I是示性函数:
[0017][0018]σ为t时刻的波动率；m是有效期权的个数；T是期权的到期时间；K是行权价；g函数是对下式积分符号内连续积分形式的离散化表达：
[0019][0020]是BS模型中看涨期权的定价公式，B
t
表示t时刻的折现率，F
i
为第i个有效期权期权价格，Thred是设定的尾部概率阈值，当资产收益率发生小概率p的大幅跳跃时，I取值为1，所以I
{p<Thred}
意味着对尾部的截断；而RV
t
‑
BV
t
是t时刻资产价格跳跃的刻画；RV
t
的表达式如下，Δ是单位时间间隔，r
t
是t时刻的资产收益率；
[0021][0022]BV
t
的表达式如下，Δ是单位时间间隔，r
t
是t时刻的资产收益率，μ是调整参数；
[0023][0024]根据本专利技术的一实施例，基于隐含波动率曲面构建基于平稳时间平方根规则的波动率回归模型为：
[0025][0026]其中σ
i
为第i个有效期权数据在t时刻的隐含波动率，k
i
第i个有效期权数据的看涨期权价格；τ是期权的剩余到期时间；ε
i
是拟合误差；b0,b1,b2,b3,b4,b5为回归参数。
[0027]根据本专利技术的一实施例，根据波动率回归模型计算T个历史时刻的回归方程，得到第i个有效期权数据在时间序列上长度为L的(b0,b1,b2,b3,b4,b5)回归参数向量；
[0028]将所有有效期权数据的回归参数向量输入至预测模型内以预测下一时刻波动率回归模型内的多个回归参数，预测模型包括：
[0029]在获得基于平稳时间平方根规则的波动率回归模型lnσ
i
(k,τ)后选取残差神经网络resNet作为预测基础模型；
[0030]之后，基于时间长度为1到L
‑
1的回归参数向量(b
0，1ToL
‑1，b
1，1ToL
‑1，b
2，1ToL
‑1，b
3，1ToL
‑1，
b
4，1ToL
‑1，b
5,1ToL
‑1)训练2到L时刻的预测模型，其中：
[0031](b
0,2ToL
，b
1,2ToL
，b
2,2ToL
，b
3,2ToL
，b
4,2ToL
，b
5,2ToL
)＝resNeL(b
0,1ToL
‑1，b
1，1ToL
‑1，b
2,1ToL
‑1，b
3，1ToL
‑1，b
4,1ToL
‑1，b
5，1ToL
‑1)；
[0032]训练完成后，输入L时刻的(b
0，L
，b
1，L
，b
2，L
，b
3，L
，b
4，L
，b
5,L
)，得到L+1时刻的预测值(b
0，L+1
，b
1，L+1
，b
2，L+1
，b
3，L+1
，b
4，L+1
，b
5,L+1
)。
[0033]根据本专利技术的一实施例，通过以下步骤获取有效期权数据并基于有效期权数据进行插值补充：
[0034]以期权的成交金额作为交易量参数、买一卖一价差绝对值倒序作为流动性参数、以两者的交叉排名前50％作为信息质量参数；根据以下公式以InfoQuality<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的期权风险预警方法，其特征在于，包括：基于交易量、流动性以及信息质量这三个交易参数筛选每日的期权合约以形成多个有效期权数据；提取每一有效期权数据的特征；将多个有效期权数据的特征输入以神经网络为基础的插值补充模型以获得期权价格插值映射关系；并基于该插值映射关系获得需要插值的行权价期权的估计期权价格以形成扩充后的期权价格序列；基于期权价格序列以示性函数的方式拟合t时刻资产价格跳跃来获得隐含波动率并构建隐含波动率曲面；根据隐含波动率曲面构建基于平稳时间平方根规则的波动率回归模型，所述波动率回归模型包括多个随时间变化的回归参数；计算多个时刻的参数模型以获得在时间序列上的长度为L的回归参数向量；将获得的时间序列上的长度为L的回归参数向量输入至已训练完成的预测模型内以获得下一时刻波动率回归模型内的多个回归参数，进而再基于波动率回归模型预测下一时刻的波动率并重构波动率曲面以形成预警信息。2.根据权利要求1所述的基于人工智能的期权风险预警方法，其特征在于，提取的有效期权数据的特征包括有效期权数据的行权价、资产波动率、期权剩余期限、无风险利率、标的资产的价格以及期权价格。3.根据权利要求1所述的基于人工智能的期权风险预警方法，其特征在于，基于期权价格序列以示性函数的方式拟合t时刻资产价格跳跃来获得隐含波动率的表达为：其中I是示性函数:σ为t时刻的波动率；m是有效期权的个数；T是期权的到期时间；K是行权价；g函数是对下式积分符号内连续积分形式的离散化表达：下式积分符号内连续积分形式的离散化表达：是BS模型中看涨期权的定价公式，B
t
表示t时刻的折现率，F
i
为第i个有效期权期权价格，Thred是设定的尾部概率阈值，当资产收益率发生小概率p的大幅跳跃时，I取值为1，所以I
{p&lt;Thred}
意味着对尾部的截断；而RV
t
‑
BV
t
是t时刻资产价格跳跃的刻画；RV
t
的表达式如下，Δ是单位时间间隔，r
t
是t时刻的资产收益率；
BV
t
的表达式如下，Δ是单位时间间隔，r
t
是t时刻的资产收益率，μ是调整参数；4.根据权利要求1所述的基于人工智能的期权风险预警方法，其特征在于，基于隐含波动率曲面构建基于平稳时间平方根规则的波动率回归模型为：其中，σ
i
为第i个有效期权数据在t时刻的隐含波动率，k
i
第i个有效期权数据的看涨期权价格；τ是期权的剩余到期时间；ε
i
是拟合误差；b0,b1,b2,b3,b4,b5为回归参数。5.根据权利要求4所述的基于人工智能的期权风险预警方法，其特征在于，根据波动率回归模型计算L个历史时刻的回归方程，得到第i个有效期权数据在时间序列上长度为L的(b0,b1,b2,b3,b4,b5)回归参数向量；将所有有效期权数据的回归参数向量输入至预测模型内以预测下一时刻波动率回归模型内的多个回归参数，所述预测模型包括：在获得基于平稳时间平方根规则的波动率回归模型lnσ
i
(k,τ)后选取残差神经网络resNet作为预测基础模型；之后，基于时间长度为1到L
‑
1的回归参数向量(b
0,1ToL
‑1,b
1,1ToL
‑1,b
2,1ToL
‑1,b
3,1ToL
‑1,b
4,1ToL
‑1,b
5,1ToL
‑1)训练2到L时刻的预测模型，其中：(b
0,2ToL
,b
1,2ToL
,b
2,2ToL
,b
3,2ToL
,b
4,2ToL
,b
5,2ToL
)＝resNeL(b
0,1ToL
‑1,b
1,1ToL
‑1,b
2,1ToL
‑1,b
3,1ToL
‑1,b
4,1ToL
‑1,b
5,1ToL
‑1)；训练完成后，输入L时刻的(b
0,...

【专利技术属性】
技术研发人员：李一邨，滕远阳，
申请(专利权)人：杭州伊园科技有限公司，
类型：发明
国别省市：