CN110047001A - 一种期货数据人工智能分析方法及系统 - Google Patents
一种期货数据人工智能分析方法及系统 Download PDFInfo
- Publication number
- CN110047001A CN110047001A CN201910242749.XA CN201910242749A CN110047001A CN 110047001 A CN110047001 A CN 110047001A CN 201910242749 A CN201910242749 A CN 201910242749A CN 110047001 A CN110047001 A CN 110047001A
- Authority
- CN
- China
- Prior art keywords
- futures
- history
- acquisition
- data
- data sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种期货数据人工智能分析方法及系统。其中,所述方法包括:采集历史期货数据样本,其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签,和根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型,和根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,以及根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。通过上述方式,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
Description
技术领域
本发明涉及期货技术领域,尤其涉及一种期货数据人工智能分析方法及系统。
背景技术
期货与现货完全不同,现货是实实在在可以交易的货即商品,期货主要不是货,而是以某种大众产品如棉花、大豆、石油等及金融资产如股票、债券等为标的标准化可交易合约。因此,这个标的物可以是某种商品例如黄金、原油、农产品,也可以是金融工具。
交收期货的日子可以是一星期之后,一个月之后,三个月之后,甚至一年之后。
买卖期货的合同或协议叫做期货合约。买卖期货的场所叫做期货市场。投资者可以对期货进行投资或投机。
由于期货交易是公开进行的对远期交割商品的一种合约交易,在这个市场中集中了大量的市场供求信息,不同的人、从不同的地点,对各种信息的不同理解,通过公开竞价形式产生对远期价格的不同看法。期货交易过程实际上就是综合反映供求双方对未来某个时间供求关系变化和价格走势的预期。这种价格信息具有连续性、公开性和预期性的特点,有利于增加市场透明度,提高资源配置效率。
期货交易的产生,为现货市场提供了一个回避价格风险的场所和手段,其主要原理是利用期现货两个市场进行套期保值交易。在实际的生产经营过程中,为避免商品价格的千变万化导致成本上升或利润下降,可利用期货交易进行套期保值,即在期货市场上买进或卖出与现货市场上数量相等但交易方向相反的期货合约,使期现货市场交易的损益相互抵补。锁定企业的生产成本或商品销售价格,保住既定利润,回避价格风险。
但是,发明人发现现有技术中至少存在如下问题:
不同的人从不同的地点对期货信息的理解会各不相同,导致通过公开竞价形式产生对远期价格的不同看法,无法从最大程度上规避投资者因期货市场波动而导致的情绪波动,无法避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
发明内容
有鉴于此,本发明的目的在于提出一种期货数据人工智能分析方法及系统,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
根据本发明的一个方面,提供一种期货数据人工智能分析方法,包括:
采集历史期货数据样本;其中,所述历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签;
根据所述采集的历史期货数据样本,建立基于期货数据的风险控制模型;
根据所述建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测;
根据所述对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
其中,所述根据所述采集的历史期货数据样本,建立基于期货数据的风险控制模型,包括:
根据所述采集的历史期货数据样本,获取所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将所述获取的所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,所述N为大于1的自然数;
通过卷积神经网络,提取所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合所述获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史期货数据样本的分类;
根据所述得到的关联所述采集的历史期货数据样本的分类,得到关联所述采集的历史期货数据样本的训练特征;
根据所述得到的关联所述采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
其中,所述根据所述建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,包括:
根据所述建立的基于期货数据的风险控制模型,从所述建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用所述匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
其中,所述根据所述对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制,包括:
根据所述对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示所述预测结果,根据所述显示的预设结果,对当前的期货交易进行风险控制。
其中,在所述采集历史期货数据样本之前,还包括:
在各个期货交易过程完成后,获取所述各个期货交易过程对应的期货交易信息,和根据所述各个期货交易过程对应的期货交易类型,生成所述各个期货交易信息对应的交易类型标签。
根据本发明的一个方面,提供一种期货数据人工智能分析系统,包括:
采集单元、建立单元、预测单元和风控单元;
所述采集单元,用于采集历史期货数据样本;其中,所述历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签;
所述建立单元,用于根据所述采集的历史期货数据样本,建立基于期货数据的风险控制模型;
所述预测单元,用于根据所述建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测;
所述风控单元,用于根据所述对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
其中,所述建立单元,具体用于:
根据所述采集的历史期货数据样本,获取所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将所述获取的所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,所述N为大于的自然数;
通过卷积神经网络,提取所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合所述获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史期货数据样本的分类;
根据所述得到的关联所述采集的历史期货数据样本的分类,得到关联所述采集的历史期货数据样本的训练特征;
根据所述得到的关联所述采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
其中,所述预测单元,具体用于:
根据所述建立的基于期货数据的风险控制模型,从所述建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用所述匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
其中,所述风控单元,具体用于:
根据所述对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示所述预测结果,根据所述显示的预设结果,对当前的期货交易进行风险控制。
其中,所述期货数据人工智能分析系统,还包括:
生成单元,用于在各个期货交易过程完成后,获取所述各个期货交易过程对应的期货交易信息,和根据所述各个期货交易过程对应的期货交易类型,生成所述各个期货交易信息对应的交易类型标签。
可以发现,以上方案,可以采集历史期货数据样本,其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签,和根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型,和根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,以及根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
进一步的,以上方案,可以根据采集的历史期货数据样本,获取该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签,和将该获取的该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段,其中,该N为大于1的自然数,和通过卷积神经网络,提取该分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征,和根据该提取的时间加权特征,获得该分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,和融合该获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分,和根据该计算得到的预测得分,得到最终的关联该采集的历史期货数据样本的分类,和根据该得到的关联该采集的历史期货数据样本的分类,得到关联该采集的历史期货数据样本的训练特征,以及根据该得到的关联该采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型,能够实现提高建立基于期货数据的风险控制模型的建模效果和准确度。
进一步的,以上方案,可以根据建立的基于期货数据的风险控制模型,从该建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用该匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测,能够有效提高当前的期货交易信息的预测结果的预测效率和准确率。
进一步的,以上方案,可以根据该对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示该预测结果,根据该显示的预设结果,对当前的期货交易进行风险控制,能够实现有效提高当前期货交易风险控制的有效性,提高用户使用体验。
进一步的,以上方案,可以在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息,根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签,能够实现通过采集带有交易类型标签的历史期货数据样本,建立基于期货数据的风险控制模型,能够实现有效提高基于期货数据的风险控制模型的构建效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明期货数据人工智能分析方法一实施例的流程示意图;
图2是本发明期货数据人工智能分析方法另一实施例的流程示意图;
图3是本发明期货数据人工智能分析系统一实施例的结构示意图;
图4是本发明期货数据人工智能分析系统另一实施例的结构示意图;
图5是本发明期货数据人工智能分析系统又一实施例的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种期货数据人工智能分析方法,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
请参见图1,图1是本发明期货数据人工智能分析方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括如下步骤:
S101:采集历史期货数据样本;其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签。
其中,在该采集历史期货数据样本之前,还可以包括:
在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息;
根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签。
在本实施例中,期货数据人工智能分析方法运行于其上的电子设备例如服务器可以通过有线连接方式或者无线连接方式从用户利用其进行登录的终端设备来采集历史期货数据样本。
在本实施例中,该终端设备可以是具有摄像头和多种传感器包含但不限于光敏,距离,重力,加速度,磁感应等传感器的各种电子终端,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
在本实施例中,该电子设备可以是提供各种服务的服务器,例如对终端设备上显示的期货数据登录界面提供支持的后台登录服务器,该后台登录服务器可以对历史期货数据和当前期货数据等数据进行分析等处理,并将处理结果,例如可以将推荐给用户供参考购入的建议信息反馈给终端设备。
在本实施例中,用户可以使用终端设备通过网络与电子设备例如服务器进行交互,以接收或发送消息等。终端设备上可以安装有各种需要验证用户信息的客户端应用,例如期货类应用、即时通信工具、邮箱客户端、期货平台软件等等。
在本实施例中,该各个期货的期货交易信息,可以包括:
期货品种、期货代码、期货交易单位、期货交易价格、期货最小变动价位、期货最大变动价位、期货报价单位、期货交易记录等。
在本实施例中,该各个期货的期货交易信息对应的期货可以是商品期货和金融期货等。该商品期货可以是工业品,可以细分为金属商品例如贵金属与非贵金属商品、能源商品、农产品、其他商品等。金融期货可以是传统的金融商品例如股指、利率、汇率等,各类期货交易包括期权交易等。
S102:根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型。
其中,该根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型,可以包括:
根据该采集的历史期货数据样本,获取该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将该获取的该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,该N为大于1的自然数;
通过卷积神经网络,提取该分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据该提取的时间加权特征,获得该分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合该获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据该计算得到的预测得分,得到最终的关联该采集的历史期货数据样本的分类;
根据该得到的关联该采集的历史期货数据样本的分类,得到关联该采集的历史期货数据样本的训练特征;
根据该得到的关联该采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
在本实施例中,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。
在本实施例中,该卷积神经网络,可以包括:至少一个三维卷积层、至少一个三维池化层和至少一个全连接层等。
S103:根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测。
其中,该根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,可以包括:
根据该建立的基于期货数据的风险控制模型,从该建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用该匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
在本实施例中,该当前的期货交易信息,可以是当前目标期货的交易信息等,本发明不加以限定。
S104:根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
其中,该根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制,可以包括:
根据该对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示该预测结果,根据该显示的预设结果,对当前的期货交易进行风险控制。
可以发现,在本实施例中,可以采集历史期货数据样本,其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签,和根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型,和根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,以及根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
进一步的,在本实施例中,可以根据采集的历史期货数据样本,获取该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签,和将该获取的该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段,其中,该N为大于1的自然数,和通过卷积神经网络,提取该分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征,和根据该提取的时间加权特征,获得该分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,和融合该获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分,和根据该计算得到的预测得分,得到最终的关联该采集的历史期货数据样本的分类,和根据该得到的关联该采集的历史期货数据样本的分类,得到关联该采集的历史期货数据样本的训练特征,以及根据该得到的关联该采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型,能够实现提高建立基于期货数据的风险控制模型的建模效果和准确度。
进一步的,在本实施例中,可以根据建立的基于期货数据的风险控制模型,从该建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用该匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测,能够有效提高当前的期货交易信息的预测结果的预测效率和准确率。
进一步的,在本实施例中,可以根据该对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示该预测结果,根据该显示的预设结果,对当前的期货交易进行风险控制,能够实现有效提高当前期货交易风险控制的有效性,提高用户使用体验。
请参见图2,图2是本发明期货数据人工智能分析方法另一实施例的流程示意图。本实施例中,该方法包括以下步骤:
S201:在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息,根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签。
S202:采集历史期货数据样本;其中,该历史期货数据样本中包括该各个期货的期货交易信息及对应的交易类型标签。
可如上S101所述,在此不作赘述。
S203:根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型。
可如上S102所述,在此不作赘述。
S204:根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测。
可如上S103所述,在此不作赘述。
S205:根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
可如上S104所述,在此不作赘述。
可以发现,在本实施例中,可以在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息,根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签,能够实现通过采集带有交易类型标签的历史期货数据样本,建立基于期货数据的风险控制模型,能够实现有效提高基于期货数据的风险控制模型的构建效率。
本发明还提供一种期货数据人工智能分析系统,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
请参见图3,图3是本发明期货数据人工智能分析系统一实施例的结构示意图。本实施例中,该期货数据人工智能分析系统30包括采集单元31、建立单元32、预测单元33和风控单元34。
该采集单元31,用于采集历史期货数据样本;其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签。
该建立单元32,用于根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型。
该预测单元33,用于根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测。
该风控单元34,用于根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
可选地,该建立单元32,可以具体用于:
根据该采集的历史期货数据样本,获取该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将该获取的该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,该N为大于1的自然数;
通过卷积神经网络,提取该分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据该提取的时间加权特征,获得该分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合该获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据该计算得到的预测得分,得到最终的关联该采集的历史期货数据样本的分类;
根据该得到的关联该采集的历史期货数据样本的分类,得到关联该采集的历史期货数据样本的训练特征;
根据该得到的关联该采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
可选地,该预测单元33,可以具体用于:
根据该建立的基于期货数据的风险控制模型,从该建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用该匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
可选地,该风控单元34,可以具体用于:
根据该对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示该预测结果,根据该显示的预设结果,对当前的期货交易进行风险控制。
请参见图4,图4是本发明期货数据人工智能分析系统另一实施例的结构示意图。区别于上一实施例,本实施例所述期货数据人工智能分析系统40还包括:生成单元41。
该生成单元41,用于在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息,和根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签。
该期货数据人工智能分析系统30/40的各个单元模块可分别执行上述方法实施例中对应步骤,故在此不对各单元模块进行赘述,详细请参见以上对应步骤的说明。
请参见图5,图5是本发明期货数据人工智能分析系统又一实施例的结构示意图。该期货数据人工智能分析系统的各个单元模块可以分别执行上述方法实施例中对应步骤。相关内容请参见上述方法中的详细说明,在此不再赘叙。
本实施例中,该期货数据人工智能分析系统包括:处理器51、与该处理器51耦合的存储器52、预测器53、风控器54。
该处理器51,用于在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息,和根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签,和采集历史期货数据样本,其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签,以及根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型。
该存储器52,用于存储操作系统、该处理器51执行的指令等。
该预测器53,用于根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测。
该风控器54,用于根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
可选地,该处理器51,可以具体用于:
根据该采集的历史期货数据样本,获取该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将该获取的该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,该N为大于1的自然数;
通过卷积神经网络,提取该分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据该提取的时间加权特征,获得该分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合该获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据该计算得到的预测得分,得到最终的关联该采集的历史期货数据样本的分类;
根据该得到的关联该采集的历史期货数据样本的分类,得到关联该采集的历史期货数据样本的训练特征;
根据该得到的关联该采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
可选地,该预测器53,可以具体用于:
根据该建立的基于期货数据的风险控制模型,从该建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用该匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
可选地,该风控器54,可以具体用于:
根据该对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示该预测结果,根据该显示的预设结果,对当前的期货交易进行风险控制。
可以发现,以上方案,可以采集历史期货数据样本,其中,该历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签,和根据该采集的历史期货数据样本,建立基于期货数据的风险控制模型,和根据该建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,以及根据该对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制,能够实现从最大程度上规避投资者因期货市场波动而导致的情绪波动,能避免投资者在期货市场中极度狂热或悲观的情况下做出非理性的投资决策。
进一步的,以上方案,可以根据采集的历史期货数据样本,获取该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签,和将该获取的该历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段,其中,该N为大于1的自然数,和通过卷积神经网络,提取该分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征,和根据该提取的时间加权特征,获得该分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,和融合该获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分,和根据该计算得到的预测得分,得到最终的关联该采集的历史期货数据样本的分类,和根据该得到的关联该采集的历史期货数据样本的分类,得到关联该采集的历史期货数据样本的训练特征,以及根据该得到的关联该采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型,能够实现提高建立基于期货数据的风险控制模型的建模效果和准确度。
进一步的,以上方案,可以根据建立的基于期货数据的风险控制模型,从该建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用该匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测,能够有效提高当前的期货交易信息的预测结果的预测效率和准确率。
进一步的,以上方案,可以根据该对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示该预测结果,根据该显示的预设结果,对当前的期货交易进行风险控制,能够实现有效提高当前期货交易风险控制的有效性,提高用户使用体验。
进一步的,以上方案,可以在各个期货交易过程完成后,获取该各个期货交易过程对应的期货交易信息,根据该各个期货交易过程对应的期货交易类型,生成该各个期货交易信息对应的交易类型标签,能够实现通过采集带有交易类型标签的历史期货数据样本,建立基于期货数据的风险控制模型,能够实现有效提高基于期货数据的风险控制模型的构建效率。
在本发明所提供的几个实施方式中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种期货数据人工智能分析方法,其特征在于,包括:
采集历史期货数据样本;其中,所述历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签;
根据所述采集的历史期货数据样本,建立基于期货数据的风险控制模型;
根据所述建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测;
根据所述对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
2.如权利要求1所述的期货数据人工智能分析方法,其特征在于,所述根据所述采集的历史期货数据样本,建立基于期货数据的风险控制模型,包括:
根据所述采集的历史期货数据样本,获取所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将所述获取的所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,所述N为大于1的自然数;
通过卷积神经网络,提取所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合所述获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史期货数据样本的分类;
根据所述得到的关联所述采集的历史期货数据样本的分类,得到关联所述采集的历史期货数据样本的训练特征;
根据所述得到的关联所述采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
3.如权利要求1所述的期货数据人工智能分析方法,其特征在于,所述根据所述建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测,包括:
根据所述建立的基于期货数据的风险控制模型,从所述建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用所述匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
4.如权利要求1所述的期货数据人工智能分析方法,其特征在于,所述根据所述对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制,包括:
根据所述对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示所述预测结果,根据所述显示的预设结果,对当前的期货交易进行风险控制。
5.如权利要求1所述的期货数据人工智能分析方法,其特征在于,在所述采集历史期货数据样本之前,还包括:
在各个期货交易过程完成后,获取所述各个期货交易过程对应的期货交易信息,和根据所述各个期货交易过程对应的期货交易类型,生成所述各个期货交易信息对应的交易类型标签。
6.一种期货数据人工智能分析系统,其特征在于,包括:
采集单元、建立单元、预测单元和风控单元;
所述采集单元,用于采集历史期货数据样本;其中,所述历史期货数据样本中包括各个期货的期货交易信息及对应的交易类型标签;
所述建立单元,用于根据所述采集的历史期货数据样本,建立基于期货数据的风险控制模型;
所述预测单元,用于根据所述建立的基于期货数据的风险控制模型,对当前的期货交易信息进行预测;
所述风控单元,用于根据所述对当前的期货交易信息进行预测的预测结果,对当前的期货交易进行风险控制。
7.如权利要求6所述的期货数据人工智能分析系统,其特征在于,所述建立单元,具体用于:
根据所述采集的历史期货数据样本,获取所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签;
将所述获取的所述历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签分为N段;其中,所述N为大于的自然数;
通过卷积神经网络,提取所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的各个期货的期货交易信息及对应的交易类型标签的多尺度特征;
融合所述获得的N段历史期货数据样本中的各个期货的期货交易信息及对应的交易类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史期货数据样本的分类;
根据所述得到的关联所述采集的历史期货数据样本的分类,得到关联所述采集的历史期货数据样本的训练特征;
根据所述得到的关联所述采集的历史期货数据样本的训练特征进行模型训练,建立基于期货数据的风险控制模型。
8.如权利要求6所述的期货数据人工智能分析系统,其特征在于,所述预测单元,具体用于:
根据所述建立的基于期货数据的风险控制模型,从所述建立的基于期货数据的风险控制模型中匹配出当前的期货交易信息的训练特征,采用所述匹配出的训练特征对当前的期货交易信息进行训练的方式,对当前的期货交易信息进行预测。
9.如权利要求6所述的期货数据人工智能分析系统,其特征在于,所述风控单元,具体用于:
根据所述对当前的期货交易信息进行预测的预测结果,采用数据图示显示方式显示所述预测结果,根据所述显示的预设结果,对当前的期货交易进行风险控制。
10.如权利要求6所述的期货数据人工智能分析系统,其特征在于,所述期货数据人工智能分析系统,还包括:
生成单元,用于在各个期货交易过程完成后,获取所述各个期货交易过程对应的期货交易信息,和根据所述各个期货交易过程对应的期货交易类型,生成所述各个期货交易信息对应的交易类型标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242749.XA CN110047001B (zh) | 2019-03-28 | 2019-03-28 | 一种期货数据人工智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242749.XA CN110047001B (zh) | 2019-03-28 | 2019-03-28 | 一种期货数据人工智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110047001A true CN110047001A (zh) | 2019-07-23 |
CN110047001B CN110047001B (zh) | 2022-06-24 |
Family
ID=67275429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242749.XA Active CN110047001B (zh) | 2019-03-28 | 2019-03-28 | 一种期货数据人工智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110047001B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327164A (zh) * | 2021-05-20 | 2021-08-31 | 深圳奥统平技术有限公司 | 期货交易的风险控制方法、装置及计算机设备 |
CN115907837A (zh) * | 2023-02-24 | 2023-04-04 | 山东财经大学 | 基于机器学习的期货数据分析、风险预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503853A (zh) * | 2016-11-02 | 2017-03-15 | 华南师范大学 | 一种基于多标度卷积神经网络的外汇交易预测模型 |
CN106845681A (zh) * | 2016-12-21 | 2017-06-13 | 广东工业大学 | 一种应用深度学习技术的股票趋势预测方法 |
CN108090836A (zh) * | 2018-01-30 | 2018-05-29 | 南京信息工程大学 | 基于加权密集连接卷积神经网络深度学习的股票投资方法 |
CN108694476A (zh) * | 2018-06-29 | 2018-10-23 | 山东财经大学 | 一种结合财经新闻的卷积神经网络股票价格波动预测方法 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN109360097A (zh) * | 2018-09-28 | 2019-02-19 | 中山大学 | 基于深度学习的股票预测方法、装置、设备及存储介质 |
CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
-
2019
- 2019-03-28 CN CN201910242749.XA patent/CN110047001B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503853A (zh) * | 2016-11-02 | 2017-03-15 | 华南师范大学 | 一种基于多标度卷积神经网络的外汇交易预测模型 |
CN106845681A (zh) * | 2016-12-21 | 2017-06-13 | 广东工业大学 | 一种应用深度学习技术的股票趋势预测方法 |
CN108090836A (zh) * | 2018-01-30 | 2018-05-29 | 南京信息工程大学 | 基于加权密集连接卷积神经网络深度学习的股票投资方法 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN108694476A (zh) * | 2018-06-29 | 2018-10-23 | 山东财经大学 | 一种结合财经新闻的卷积神经网络股票价格波动预测方法 |
CN109360097A (zh) * | 2018-09-28 | 2019-02-19 | 中山大学 | 基于深度学习的股票预测方法、装置、设备及存储介质 |
CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327164A (zh) * | 2021-05-20 | 2021-08-31 | 深圳奥统平技术有限公司 | 期货交易的风险控制方法、装置及计算机设备 |
CN115907837A (zh) * | 2023-02-24 | 2023-04-04 | 山东财经大学 | 基于机器学习的期货数据分析、风险预测方法及系统 |
CN115907837B (zh) * | 2023-02-24 | 2023-06-02 | 山东财经大学 | 基于机器学习的期货数据分析、风险预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110047001B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047002A (zh) | 一种基于数据分析的期货推荐方法及系统 | |
Ladjici et al. | Nash Equilibrium in a two-settlement electricity market using competitive coevolutionary algorithms | |
Hosseini Imani et al. | Strategic behavior of retailers for risk reduction and profit increment via distributed generators and demand response programs | |
Esmaeili et al. | Optimal operational scheduling of reconfigurable multi-microgrids considering energy storage systems | |
Hodge et al. | A multi-paradigm modeling framework for energy systems simulation and analysis | |
Chiu et al. | Service competition and service war: A game-theoretic analysis | |
Krejci et al. | Impacts of farmer coordination decisions on food supply chain structure | |
Mathur et al. | Optimal bidding strategy for price takers and customers in a competitive electricity market | |
Krejci et al. | Modeling food supply chains using multi-agent simulation | |
Chernonog et al. | How to set price and quality in a supply chain of virtual products under bi-criteria and risk consideration | |
CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
CN110047001A (zh) | 一种期货数据人工智能分析方法及系统 | |
Moon et al. | An agent-based recommender system for developing customized families of products | |
Algarvio et al. | Changing the day-ahead gate closure to wind power integration: A simulation-based study | |
Haghifam et al. | A stackelberg game-based approach for transactive energy management in smart distribution networks | |
Martinez-Rico et al. | Forecast error sensitivity analysis for bidding in electricity markets with a hybrid renewable plant using a battery energy storage system | |
Jain et al. | Harris hawk optimization-based deep neural networks architecture for optimal bidding in the electricity market | |
Panda et al. | Economic risk‐based bidding strategy for profit maximisation of wind‐integrated day‐ahead and real‐time double‐auctioned competitive power markets | |
Abdelmotteleb et al. | Evaluation methodology for tariff design under escalating penetrations of distributed energy resources | |
Polymeni et al. | Findeas: a fintech-based approach on designing and assessing Iot systems | |
CN109242313A (zh) | 智能化的创新项目投资价值评估分析系统 | |
CN116542490A (zh) | 虚拟电厂日前调度封装模型以及调度出清模型构建方法 | |
CN117237054A (zh) | 电力市场中长期集中竞价交易策略推荐方法、系统及设备 | |
Simons et al. | A cross-disciplinary technology transfer for search-based evolutionary computing: from engineering design to software engineering design | |
Zutshi et al. | Simulation and forecasting of digital pricing models for an e-procurement platform using an agent-based simulation model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |