【技术实现步骤摘要】
基于复杂科学的元强化学习对股指已实现波动率的预测方法
[0001]本专利技术属于金融业务数字化
。
技术介绍
[0002]在金融市场上进行金融业务的各类金融主体,因为立场和职能的不同,会面临各种金融风险,金融市场的风险把控一直是金融参与者最关注的问题之一,而风险把控的关键往往在于预测的准确性
。
此外,金融市场最直观的表现是数据,对数据分析的方向选择以及数据分析的准确性决定了预测的准确性,因此,对金融市场的分析和数据科学紧密相关
。
与此相关的,复杂科学
、
人工智能
、
金融学三个学科之间也存在交叉和借鉴
。
但现有技术中,鲜有结合复杂科学规律等对金融数据进行预测的相关研究
。
[0003]现有技术中,针对金融数据预测也有一些模型的建立,目前在业界流行的许多量化投资模型是基于市场现象的一种描述性模型
。
比如,
Eugene F.Fama
和
Kenneth R.French
提出
CAPM
模型是描述了个股对市场指数变动而产生变动的敏感性刻画,后来又一次提出了3因子模型
(Fama and French,1995)
,也是对公司市值大小和账面市值比等市场异象的观察
。
再后来随着更多的市场异象被发现华尔街的精英们开始将各种不同的因子进行综合,创造了
USE1、USE2、USE3
,
1 ...
【技术保护点】
【技术特征摘要】
1.
基于复杂科学的元强化学习对股指已实现波动率的预测方法,其特征在于:所述预测方法结合金融环境和元知识环境,通过强化学习器的训练实现对股指已实现波动率的预测,具体包括以下步骤:
(1)
提取波动率特征,结合复杂科学的理论背景和适应性假说观点,提取波动率的元知识,所述元知识来源包括波动率的正序列相关性和周期性;
(2)
选取强化学习算法,构成强化学习器;所述强化学习器以广义策略迭代
(Generalized Policy Iteration
,
GPI)
准则作为策略求解的基本形式,首先通过下式完成策略估计:
v
π
(s)
=
∑
a
π
(a∣s)∑
s
′
,r
p(s
′
,r∣s,a)[r+
γ
v
π
(s
′
)]
式中,
v
π
(s)
是状态
s
下所有行动
a
所得到的期望状态值
v
π
,
GPI
准则通过最大化
v
π
的增益来估计策略
π
在现有状态和行动下的表现,然后通过下式完成策略改进:式中,在完成策略估计后,我们知道了在策略
π
下,状态
s
的价值有多高,但是并不知道是否应该选择新的策略
。
如果在状态
s
下由某新策略
π
′
(s)
选择行动所...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。