基于时序分解和深度学习的金融波动率预测方法及装置制造方法及图纸

本发明专利技术公开基于时序分解和深度学习的金融波动率预测方法及装置，涉及计算机技术领域，解决现有技术没有考虑在引入多元影响变量的同时去除掉数据噪声，也没有在捕捉波动率时间序列信息的同时排除二重特性的干扰的问题；本发明专利技术基于波动率的多维时间序列提取波动率的空间特征表示；同时基于波动率的单维时间序列提取波动率的时间特征表示；再将提取到的空间特征表示和时间特征表示进行拼接融合，然后生成预测结果；本发明专利技术不仅考虑了通过时序分解去除波动率时序数据的二重特性，还使用了LSTM层捕捉时间序列的长记忆性，从而提高了波动率的预测效果。的预测效果。的预测效果。

【技术实现步骤摘要】
基于时序分解和深度学习的金融波动率预测方法及装置


[0001]本专利技术涉及计算机
，具体涉及基于时序分解和深度学习的金融波动率预测方法及装置。

技术介绍

[0002]金融波动率的准确衡量和预测在金融风险控制、维护市场稳定、引导资源流向和优化资源配置以及管理者做决策、投资者指定准确的投资组合策略等方面起着至关重要的作用，而当前金融波动率预测有以下问题：第一、波动率数据集通常由具有共同关键特征的相关时间序列集合组成，因此这些多维时间序列之间不可避免地会存在共线关系，这将为波动率的预测引入数据噪声；第二、波动率数据集是具有长依赖特性的时间序列集合，如果不能从原始数据集中精准捕捉到时间信息，便可能难以把握波动率的未来趋势；因此，亟需设计金融市场波动率预测模型解决上述问题从而实现风险规避和控制；目前的金融市场波动率预测研究包括：(1)传统的单维波动率预测模型处理单个时间序列的预测，通过对金融市场波动率的历史数据进行拟合，预测波动率的未来变化情况。(2)基于分解的单维波动率预测模型将波动率时间序列按照某种方式进行分解，将复杂序列做简单化分解，以消除由于波动率的二重特性所带来的噪声干扰。(3)多维波动率预测模型纳入影响波动率变化的多个因素的时间序列数据，通过对波动率影响因素和真实波动率建模，预测波动率的未来变化情况。
[0003]现有技术的存在以下问题：
[0004]传统的单维波动率预测方法只能用于处理单个时间序列，不能利用所有可用时间序列来构建统一的预测模型，从而造成预测结果的不稳定不准确以及可用数据资源的浪费；而基于分解的单维波动率预测的研究虽然可以通过对原始数据进行时序分解，对独立预测结果进行集成，排除了时间序列数据的二重特性的干扰，但仍然存在对影响变量的数据利用不充分的问题；而多维波动率预测模型虽然考虑了影响变量与波动率之间的关系，却容易在面临高维非线性的复杂数据时遭受无关信号的干扰，为去除数据噪声并从高维数据中提取可用信息，在将原始数据馈送给模型之前，需要对数据进行特征工程，但这通常是耗时费力的。

技术实现思路

[0005]为了解决上述现有技术中存在的问题，本专利技术提供了基于时序分解和深度学习的金融波动率预测方法及装置，拟解决现有技术没有考虑在引入多元影响变量的同时去除掉数据噪声，也没有在捕捉波动率时间序列信息的同时排除二重特性的干扰的问题。
[0006]基于时序分解和深度学习的金融波动率预测方法，包括以下步骤：
[0007]步骤1：基于波动率的多维时间序列提取波动率的空间特征表示；
[0008]步骤2：基于波动率的单维时间序列提取波动率的时间特征表示；
[0009]所述步骤1和步骤2之间没有先后顺序；
[0010]步骤3：将提取到的空间特征表示和时间特征表示进行拼接融合，然后生成预测结果。
[0011]优选的，所述步骤1以下步骤：
[0012]步骤1.1：数据预处理
[0013]给定波动率影响变量的多维时间序列，进行数据标准化，重构时间步信息，将其转换成CNN可以处理的形状；
[0014]步骤1.2：配置网络
[0015]配置多条网络分支PolyCNN_LSTM，所述网络分支PolyCNN_LSTM均由CNN、LSTM和Dense组成，再为不同网络分支上的卷积层设置不同大小的卷积核；
[0016]步骤1.3：将步骤1.1数据预处理后的数据并行输入到步骤1.2配置的不同网络分支PolyCNN_LSTM中，过滤数据噪声并提取不同尺度的空间特征表示；
[0017]步骤1.4：通过Concatenate层，将步骤1.3得到的不同尺度的空间特征表示进行拼接融合得到最终的空间特征表示。
[0018]优选的，所述步骤2以下步骤：
[0019]步骤2.1：数据预处理
[0020]给定波动率的单维时间序列，进行数据标准化，执行STL分解得到分别包含原始序列季节信息、趋势信息和残差信息的3个时间序列；
[0021]步骤2.2：配置网络
[0022]配置多条网络分支，所述网络分支由LSTM和Dense组成；
[0023]步骤2.3：将经过数据预处理后的数据并行输入到步骤2.2配置的不同网络分支中去，捕捉时间特征表示。
[0024]优选的，步骤1.2中所述CNN通过卷积层以及池化层提取特征，并将其输入到一个或多个全连接层，最后通过输出层输出回归结果；其中，卷积层使用卷积核对前一网络层的输出进行卷积操作，并利用非线性激活函数构建本网络层的输出，其公式为：
[0025]x
k
＝f(w
k
x
k
‑1+b
k
)
ꢀꢀꢀ
(1)
[0026]式中：k是第k
‑
th层；w是权重；b是偏置向量；f(
·
)代表非线性激活函数；x
k
‑1是第k
‑
1层输出；x
k
是第k层输出；
[0027]所述LSTM包括输入门，遗忘门和输出门；
[0028]遗忘门限如式(3)：
[0029]f
t
＝σ(w
f
·
[h
t
‑1，x
t
]+b
f
)
ꢀꢀꢀꢀ
(3)
[0030]其中，x
t
为当前时刻的原始输入，h
t
‑1为上一时刻的输出，[h
t
‑1，x
t
]表示将两个向量拼接成更长的向量，w
f
为权重，b
f
为偏置向量，σ为激活函数；
[0031]输入门限如式(4)(5)(6)
[0032]i
t
＝σ(w
i
·
[h
t
‑1，x
t
]+b
i
)
ꢀꢀꢀꢀ
(4)
[0033][0034][0035]其中，c
t
为单元状态向量，tanh(
·
)为激活函数，w
i
、w
c
均为权重，b
i
、b
c
均为偏置向量；f
t
是经过遗忘门限得到的输出，i
t
是经过输入门限得到的输出；C
t
‑
1是上一个时刻的单
元状态，是当前时刻的单元暂时状态，C
t
是当前时刻的单元状态；
[0036]输出门限如式(7)(8)
[0037]o
t
＝σ(w
o
·
[h
t
‑1，x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时序分解和深度学习的金融波动率预测方法，其特征在于，包括以下步骤：步骤1：基于波动率的多维时间序列提取波动率的空间特征表示；步骤2：基于波动率的单维时间序列提取波动率的时间特征表示；所述步骤1和步骤2之间没有先后顺序；步骤3：将提取到的空间特征表示和时间特征表示进行拼接融合，然后生成预测结果。2.根据权利要求1所述的基于时序分解和深度学习的金融波动率预测方法，其特征在于，所述步骤1以下步骤：步骤1.1：数据预处理给定波动率影响变量的多维时间序列，进行数据标准化，重构时间步信息，将其转换成CNN可以处理的形状；步骤1.2：配置网络配置多条网络分支PolyCNN_LSTM，所述网络分支PolyCNN_LSTM均由CNN、LSTM和Dense组成，再为不同网络分支上的卷积层设置不同大小的卷积核；步骤1.3：将步骤1.1数据预处理后的数据并行输入到步骤1.2配置的不同网络分支PolyCNN_LSTM中，过滤数据噪声并提取不同尺度的空间特征表示；步骤1.4：通过Concatenate层，将步骤1.3得到的不同尺度的空间特征表示进行拼接融合得到最终的空间特征表示。3.根据权利要求1所述的基于时序分解和深度学习的金融波动率预测方法，其特征在于，所述步骤2以下步骤：步骤2.1：数据预处理给定波动率的单维时间序列，进行数据标准化，执行STL分解得到分别包含原始序列季节信息、趋势信息和残差信息的3个时间序列；步骤2.2：配置网络配置多条网络分支，所述网络分支由LSTM和Dense组成；步骤2.3：将经过数据预处理后的数据并行输入到步骤2.2配置的不同网络分支中去，捕捉时间特征表示。4.根据权利要求2所述的基于时序分解和深度学习的金融波动率预测方法，其特征在于，步骤1.2中所述CNN通过卷积层以及池化层提取特征，并将其输入到一个或多个全连接层，最后通过输出层输出回归结果；其中，卷积层使用卷积核对前一网络层的输出进行卷积操作，并利用非线性激活函数构建本网络层的输出，其公式为：x
k
＝f(w
k
x
k
‑1+b
k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中：k是第k
‑
th层；w是权重；b是偏置向量；f(
·
)代表非线性激活函数；x
k
‑1是第k
‑
1层输出；x
k
是第k层输出；所述LSTM包括输入门，遗忘门和输出门；遗忘门限如式(3)：f
t
＝σ(w
f
·
[h
t
‑1，x
t
]+b
f
)
ꢀꢀꢀꢀ
(3)其中，x
t
为当前时刻的原始输入，h
t
‑1为上一时刻的输出，[h
t
‑1，x
t
]表示将两个向量拼接成更长的向量，w
f
为权重，b
f
为偏置向量，σ为激活函数；输入门限如式(4)(5)(6)
i
t
＝σ(w
i
·
[h
t
‑1，x
t
]+b
i
)
ꢀꢀꢀꢀ
(4)(4)其中，c
t
为单元状态向量，tanh(
·
)为激活函数，w
i
、w
c
均为权重，b
i
、b
c
均为偏置向量；f
t
是经过遗忘门限得到的输出，i
t
是经过输入门限得到的输出；C
t
‑
1是上一个时刻的单元状态，是当前时刻的单元暂时状态，C
t
是当前时刻的单元状态；输出门限如式(7)(8)o
t
＝σ(w
o
·
[h
t
‑1，x
t
]+b
o
)
ꢀꢀꢀ
(7)...

【专利技术属性】
技术研发人员：徐进，赵慧祺，马锋，补金凤，鲁心洁，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：