CN109359758A - 外汇交易量预测方法和装置 - Google Patents

Abstract

本说明书实施例提供一种外汇交易量预测方法和装置，获取由外汇交易业务数据序列构成的时间序列数据，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据，然后将时间序列数据输入预先训练的多层卷积神经网络，以对未来时间段内的外汇交易量进行预测，在预测时考虑了相邻时间节点之间外汇交易业务数据的互相影响，并利用了单个时间节点的多维特征属性，提高了预测准确度。

Description

外汇交易量预测方法和装置

技术领域

本说明书涉及数据处理技术领域，尤其涉及外汇交易量预测方法和装置。

背景技术

在国际汇兑业务中，需要通过提前购买下一个购汇结算周期的各外汇交易量，减少潜在的汇率敞口波动风险，进行损益控制。为了进行损益控制，需要对每个购汇结算周期的外汇交易量进行预测。因此，有必要对外汇交易量的预测方式进行改进。

发明内容

基于此，本说明书提供了外汇交易量预测方法和装置。

根据本说明书实施例的第一方面，提供一种外汇交易量预测方法，所述方法包括：获取时间序列数据，所述时间序列数据包括历史时间段内多个业务日的外汇交易业务数据序列，所述外汇交易业务数据序列按照时间顺序排列，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据；将所述时间序列数据输入预先训练的多层卷积神经网络模型，以对未来时间段内的外汇交易量进行预测。

可选地，所述方法还包括：根据所述未来时间段内外汇交易量的预测值和真实值计算预测准确度；根据所述预测准确度对所述多层卷积神经网络模型的模型参数进行调整。

可选地，所述方法还包括：获取历史若干个周期的同期外汇交易量；计算所述同期外汇交易量的均值和方差；根据所述均值和方差对所述外汇交易量的预测值进行异常检测。

可选地，根据所述均值和方差对所述外汇交易量的预测值进行异常检测的步骤包括：若所述外汇交易量的预测值超出预设的数值范围，判定所述外汇交易量的预测值异常；其中，所述数值范围为：(X1,X2)，其中，X1＝μ-N*δ，X2＝μ+N*δ；式中，μ为同期外汇交易量的均值，N为预设正整数，δ为同期外汇交易量的方差。

可选地，所述方法还包括：若所述外汇交易量的预测值小于X1，将所述外汇交易量的预测值修正为X1；若所述外汇交易量的预测值大于X2，将所述外汇交易量的预测值修正为X2。

可选地，将所述时间序列数据输入预先训练的多层卷积神经网络模型的步骤包括：根据所述时间序列数据计算重点商户的外汇交易业务特征；将所述重点商户的外汇交易业务特征输入预先训练的多层卷积神经网络模型。

可选地，所述外汇交易业务数据包括每个业务日的正向交易量、逆向交易量、业务日日期属性、业务日促销属性和/或业务日预设营销额。

根据本说明书实施例的第二方面，提供一种外汇交易量预测装置，所述装置包括：获取模块，用于获取时间序列数据，所述时间序列数据包括历史时间段内多个业务日的外汇交易业务数据序列，所述外汇交易业务数据序列按照时间顺序排列，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据；预测模块，用于将所述时间序列数据输入预先训练的多层卷积神经网络模型，以对未来时间段内的外汇交易量进行预测。

根据本说明书实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的方法。

根据本说明书实施例的第四方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一实施例所述的方法。

应用本说明书实施例方案，获取由外汇交易业务数据序列构成的时间序列数据，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据，然后将时间序列数据输入预先训练的多层卷积神经网络，以对未来时间段内的外汇交易量进行预测，在预测时考虑了相邻时间节点之间外汇交易业务数据的互相影响，并利用了单个时间节点的多维特征属性，提高了预测准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本说明书一个实施例的外汇交易量预测方法流程图。

图2是本说明书一个实施例的外汇交易业务数据示意图。

图3是本说明书一个实施例的异常检测过程示意图。

图4是本说明书一个实施例的外汇交易量预测装置的框图。

图5是本说明书一个实施例的用于实施本说明书实施例方法的计算机设备的示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如图1所示，是本说明书一个实施例的外汇交易量预测方法流程图。所述方法可包括以下步骤：

步骤102：获取时间序列数据，所述时间序列数据包括历史时间段内多个业务日的外汇交易业务数据序列，所述外汇交易业务数据序列按照时间顺序排列，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据；

步骤104：将所述时间序列数据输入预先训练的多层卷积神经网络，以对未来时间段内的外汇交易量进行预测。

在步骤102中，首先获取时间序列数据，即，一组按照时间顺序排列的数据。对于外汇交易这一业务场景，可以获取各个业务日产生的外汇交易业务数据，并将这些业务数据按照产生的时间进行排列，以得到所需的时间序列数据。其中，业务日即业务量的一个统计周期，其可以与自然日(0:00至23:59)相同，也可以由业务系统预先设定，例如，可以设定为某个自然日的15:00至次日的14:59，或者设定为其他时间段。

可以获取连续的多个业务日产生的业务数据，每个业务日获取相同的数据。为了全面地描述业务数据的特征，可以获取多个不同维度的业务数据。例如，这些维度可以包括每个业务日的正向交易量、逆向交易量、业务日日期属性、业务日促销属性和/或业务日预设营销额。在消费场景中，用户的购买付款行为与用户退款行为带来的是相反的资金流动，在资金结算时，对于商户视角，用户付款行为为一种正向交易，用户退款行为为一种逆向交易，因此，正向交易量即用户向商户付款的总量，逆向交易量即为用户从商户退款的总量。业务日日期属性即业务日对应的日期是否月初、月末、月中、工作日、非工作日或者节假日等属性。业务日促销属性即业务日是否存在促销活动以及促销活动的活动等级，其中，活动等级由促销活动的折扣力度、覆盖商户范围、预期交易量等因素来决定。业务日预设营销额可以是单个业务日的预设营销额，不同的业务日可以设置不同的业务日预设营销额。

通过获取由外汇交易业务数据序列构成的时间序列数据，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据，在预测时考虑了相邻时间节点之间外汇交易业务数据的互相影响，并利用了单个时间节点的多维特征属性，提高了预测准确度。一个实施例的外汇交易业务数据示意图如图2所示。图中，T表示选定的预测时间节点，T+N表示时间节点T之后的第N个业务日。

在步骤104中，可以将步骤102获取到的时间序列数据输入到多层卷积神经网络模型，通过多层卷积神经网络模型对未来时间段内的外汇交易量进行预测。

多层卷积神经网络模型可以预先训练。训练时，可以将历史时间段内的时间序列数据作为输入，将该历史时间段内的外汇交易量的真实值作为输出，对多层卷积神经网络模型的模型参数进行求解。采用多层卷积神经网络模型，解决了常规的线性回归方法无法挖掘相邻时间节点之间的关联性，而常规的时间序列处理方法又无法处理高维的数据节点的问题。

多层卷积神经网络既可以保证每个时间节点数据的高维特征的可扩展性，有可以保证时间节点之间的顺序演变的性质。同时，神经网络可以控制过拟合，自动实现对高维特征的选择。另外，对于外汇交易中的退款等业务，退款的业务窗口一般为一个固定的长度。卷积神经网络训练一个相对较短的业务窗口数据，能抓住短期业务窗口的规律。

在一个实施例中，在得到未来时间段内外汇交易量的预测值之后，还可以根据所述未来时间段内外汇交易量的预测值和真实值计算预测准确度；根据所述预测准确度对所述多层卷积神经网络模型的模型参数进行调整。这样，可以动态调整多层卷积神经网络模型的模型参数，提高预测准确度。

在一个实施例中，如图3所示，本说明书实施例的方法还包括：

步骤302：获取历史若干个周期的同期外汇交易量；

步骤304：计算所述同期外汇交易量的均值和方差；

步骤306：根据所述均值和方差对所述外汇交易量的预测值进行异常检测。通过异常检测，能够筛选掉异常的预测值，从而进一步提高预测准确度。

本实施例中的周期可以是包括多个具有相同业务日日期属性的业务日的时间段。可以是包括多个业务日日期属性为月初的业务日的时间段，例如，一个周期包括3个月，这3个月中包括3个业务日日期属性为月初的业务日。也可以是包括多个业务日日期属性为周日的业务日的时间段，例如，一个周期包括4周，这4周包括4个业务日日期属性为周日的业务日。同期外汇交易量即业务日日期属性相同的业务日的外汇交易量，例如，可以是两个或两个以上业务日日期属性均为周日的业务日的外汇交易量，也可以是两个或两个以上业务日日期属性均为月初的业务日的外汇交易量。

根据所述均值和方差对所述外汇交易量的预测值进行异常检测，可以预先设定一个外汇交易量的数值范围。若所述外汇交易量的预测值超出预设的数值范围，判定所述外汇交易量的预测值异常；其中，所述数值范围可以是：

(X1,X2)，

其中，X1＝μ-N*δ，X2＝μ+N*δ；

式中，μ为同期外汇交易量的均值，N为预设正整数，δ为同期外汇交易量的方差。

进一步地，若所述外汇交易量的预测值小于X1，可以将所述外汇交易量的预测值修正为X1；若所述外汇交易量的预测值大于X2，可以将所述外汇交易量的预测值修正为X2。

在一个实施例中，将所述时间序列数据输入预先训练的多层卷积神经网络模型的步骤包括：根据所述时间序列数据计算重点商户的外汇交易业务特征；将所述重点商户的外汇交易业务特征输入预先训练的多层卷积神经网络模型。在本实施例中，重点商户可以是当日交易量在整个币种的交易量中排名前若干名的商户，也可以是历史时间段(例如，一个月)内交易量均值在各个商户中排名前若干名的商户，也可以是当日交易量排名前若干名，同时历史时间段内交易量均值排名前若干名的商户。当然，也可以采用其他特征或者特征的组合来判断商户是否为重点商户。

重点商户的外汇交易业务特征可包括重点商户交易量占比、重点商户活动力度和/或重点商户优质商品占比等特征。其中，重点商户交易量占比即重点商户的交易量占全部交易量的比值。重点商户活动力度用于表征重点商户举行的促销活动处于交易平台促销活动的哪个活动等级，可以根据重点商户的预期销售额来划分活动等级。重点商户优质商品占比可根据重点商户中评分在一定评分值以上的商品的销售额与该重点商户的全部销售额的比值来计算。

重点商户对预测的影响比较大，因此，引入重点商户的外汇交易业务特征作为外汇交易量预测的依据，能够提高预测准确度。

应用本说明书实施例方案，获取由外汇交易业务数据序列构成的时间序列数据，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据，然后将时间序列数据输入预先训练的多层卷积神经网络，以对未来时间段内的外汇交易量进行预测，在预测时考虑了相邻时间节点之间外汇交易业务数据的互相影响，并利用了单个时间节点的多维特征属性，提高了预测准确度。

以上实施例中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。

如图4所示，本说明书实施例还提供一种外汇交易量预测装置，所述装置可包括：

获取模块402，用于获取时间序列数据，所述时间序列数据包括历史时间段内多个业务日的外汇交易业务数据序列，所述外汇交易业务数据序列按照时间顺序排列，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据；

预测模块404，用于将所述时间序列数据输入预先训练的多层卷积神经网络模型，以对未来时间段内的外汇交易量进行预测。

上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本说明书装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本说明书装置所在计算机设备的一种硬件结构图，除了图5所示的处理器502、内存504、网络接口506、以及非易失性存储器508之外，实施例中装置所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

相应地，本说明书实施例还提供一种计算机存储介质，所述存储介质中存储有程序，所述程序被处理器执行时实现上述任一实施例中的方法。

相应地，本说明书实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例中的方法。

本说明书实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本领域技术人员在考虑说明书及实践这里公开的说明书后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (10)

1.一种外汇交易量预测方法，所述方法包括：

获取时间序列数据，所述时间序列数据包括历史时间段内多个业务日的外汇交易业务数据序列，所述外汇交易业务数据序列按照时间顺序排列，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据；

将所述时间序列数据输入预先训练的多层卷积神经网络模型，以对未来时间段内的外汇交易量进行预测。

2.根据权利要求1所述的方法，所述方法还包括：

根据所述未来时间段内外汇交易量的预测值和真实值计算预测准确度；

根据所述预测准确度对所述多层卷积神经网络模型的模型参数进行调整。

3.根据权利要求1所述的方法，所述方法还包括：

获取历史若干个周期的同期外汇交易量；

计算所述同期外汇交易量的均值和方差；

根据所述均值和方差对所述外汇交易量的预测值进行异常检测。

4.根据权利要求3所述的方法，根据所述均值和方差对所述外汇交易量的预测值进行异常检测的步骤包括：

若所述外汇交易量的预测值超出预设的数值范围，判定所述外汇交易量的预测值异常；

其中，所述数值范围为：

(X1,X2)，

其中，X1＝μ-N*δ，X2＝μ+N*δ；

式中，μ为同期外汇交易量的均值，N为预设正整数，δ为同期外汇交易量的方差。

5.根据权利要求4所述的方法，所述方法还包括：

若所述外汇交易量的预测值小于X1，将所述外汇交易量的预测值修正为X1；

若所述外汇交易量的预测值大于X2，将所述外汇交易量的预测值修正为X2。

6.根据权利要求1所述的方法，将所述时间序列数据输入预先训练的多层卷积神经网络模型的步骤包括：

根据所述时间序列数据计算重点商户的外汇交易业务特征；

将所述重点商户的外汇交易业务特征输入预先训练的多层卷积神经网络模型。

7.根据权利要求1至6任意一项所述的方法，所述外汇交易业务数据包括每个业务日的正向交易量、逆向交易量、业务日日期属性、业务日促销属性和/或业务日预设营销额。

8.一种外汇交易量预测装置，所述装置包括：

获取模块，用于获取时间序列数据，所述时间序列数据包括历史时间段内多个业务日的外汇交易业务数据序列，所述外汇交易业务数据序列按照时间顺序排列，且每条外汇交易业务数据序列包括同一业务日内的多个维度的外汇交易业务数据；

预测模块，用于将所述时间序列数据输入预先训练的多层卷积神经网络模型，以对未来时间段内的外汇交易量进行预测。

9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至7任意一项所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7任意一项所述的方法。