CN112364076A - 数据分析方法、装置、系统、计算机设备及存储介质 - Google Patents
数据分析方法、装置、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112364076A CN112364076A CN202011210034.5A CN202011210034A CN112364076A CN 112364076 A CN112364076 A CN 112364076A CN 202011210034 A CN202011210034 A CN 202011210034A CN 112364076 A CN112364076 A CN 112364076A
- Authority
- CN
- China
- Prior art keywords
- model
- fluctuation rate
- transaction data
- data analysis
- structural
- 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.)
- Pending
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 42
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 20
- 238000009795 derivation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据分析方法、装置、系统、计算机设备及存储介质,包括:获取待处理结构性交易数据;根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。本发明实施例的技术方案能够提高交易数据分析结果的准确率和可靠性。
Description
技术领域
本发明实施例涉及计算机应用技术领域,尤其涉及一种数据分析方法、装置、系统、计算机设备及存储介质。
背景技术
结构性金融衍生品是固定收益产品的一个特殊种类。它将固定收益产品(通常是定息债券)与金融衍生交易(如远期、期权、掉期等)合二为一,增强产品收益或将投资者对未来市场走势的预期产品化。
现有的结构性金融衍生品的用于进行定价的模型比较复杂,且用于进行定价的模型的准确率较低,对交易数据的分析结果的准确率较低。这种情况下,用户无法掌控交易的风险数据,往往会形成错误的交易执行价格,该交易执行价格通常与市场价格相差极大,导致假结构交易数据的产生。而假结构交易数据会严重偏离监管机构关于理财产品的有关管理规定,导致了高息揽存、刚性兑付等系统风险的发生。
发明内容
本发明实施例提供一种数据分析方法、装置、系统、计算机设备及存储介质,以提高交易数据分析结果的准确率和可靠性。
第一方面,本发明实施例提供了一种数据分析方法,应用于模型引擎CPU 服务器,包括:
获取待处理结构性交易数据;
根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
第二方面,本发明实施例还提供了种数据分析装置,配置于模型引擎CPU 服务器,包括:
待处理结构性交易数据获取模块,用于获取待处理结构性交易数据;
待处理结构性交易数据分析模块,用于根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
第三方面,本发明实施例还提供了一种数据分析系统,包括交易客户端和模型引擎CPU服务器,所述交易客户端与所述模型引擎CPU服务器保持通信连接,其中:
所述交易客户端用于向所述模型引擎CPU服务器发送待处理结构性交易数据;
所述模型引擎CPU服务器用于根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
第四方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的数据分析方法。
第五方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的数据分析方法。
本发明实施例通过利用模型引擎CPU服务器获取待处理结构性交易数据,并根据局部随机波动率模型对获取的待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果,解决现有结构性交易数据分析方法存在的准确率和可靠性较低的问题,从而提高交易数据分析结果的准确率和可靠性。
附图说明
图1是本发明实施例一提供的一种数据分析系统的示意图;
图2是本发明实施例二提供的一种数据分析系统的示意图;
图3是本申请实施例二提供的一种模型引擎CPU服务器进行数据处理的效果示意图;
图4是本发明实施例二提供的一种模型引擎CPU服务器进行数据分析的流程示意图;
图5是本发明实施例三提供的一种数据分析方法的流程图;
图6是本发明实施例四提供的一种数据分析方法的流程图;
图7是本发明实施例四提供的一种用于对目标转换波动率模型进行模型拟合处理的波动率曲面表示的报价工具效果示意图;
图8是本申请实施例四提供的一种对目标局部随机波动率模型进行模型拟合的相对误差的对比效果示意图;
图9是本发明实施例五提供的一种数据分析装置的示意图;
图10为本发明实施例六提供的一种计算机设备的结构示意图。
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说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
实施例一
图1是本发明实施例一提供的一种数据分析系统的示意图,如图1所示,该数据分析系统的结构包括交易客户端10和模型引擎CPU(Central Processing Unit/Processor,中央处理器)服务器20,交易客户端10与模型引擎CPU服务器20保持通信连接,其中:交易客户端10用于向模型引擎CPU服务器20发送待处理结构性交易数据;模型引擎CPU服务器20用于根据局部随机波动率模型对待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果;其中,局部随机波动率模型用于模拟汇率基准的随机变化过程。
其中,待处理结构性交易数据也即需要通过模型引擎CPU服务器进行交易处理的数据。示例性的,待处理结构性交易数据可以是结构性存款等交易数据,本发明实施例并不对待处理结构性交易数据的具体数据类型进行限定。局部随机波动率模型(LocalSchochastic Volatility Model,简称LSV)可以用来模拟汇率基准的随机变化过程,具体可以假定汇率基准的对数和基准的方差率遵循正态的随机运动过程。
需要说明的是,以结构性存款为例说明,现有技术中,模型引擎CPU服务器20对结构性存款进行数据分析常用的方法是B-S方程法:利用Δ-对冲和无套利原理建立定价模型,在汇率满足几何Brown(布朗)运动的假设条件下,把问题转化为一个线性偏微分方程的初边值问题,并运用镜像发求出它的解析解。首先做出如下假设:
(1)有两种货币A和B,货币B与货币A的汇率St服从几何Brown运动:
式中:rd、rf分别为货币A、货币B的无风险利率;σ为市场波动率;rd、 rf、σ均为大于0的常数;Wt为标准Brown运动,t表示时间。
(2)无套利机会。
(3)不考虑交易费用和税收等。
假设V是1单位货币A存款产品的价值,初始时刻记为t=0,到期时刻记为t=T,显然V=V(S,t)。利用Δ-对冲和无套利原理,构造出产品价值所适合的偏微分方程:
以执行汇率K小于出发汇率Sa为例(K>Sa的情况可类似求得),推导V的定解条件。当K<Sa时,如果在观察期内汇率触发了Sa,客户获得的额外收益率恒定为r1,从而得到V的边界条件为:
其中,r0为基本收益率。
如果在观察期内,汇率始终没有触及Sa,那么,当到期日汇率ST高于K时,额外收益率由ST与K之差决定;若ST小于或等于K,额外收益率为0。由此可得终值条件为:
通过上述对结构性交易数据的数据分析过程可知,现有针对结构性交易数据的数据分析方法中所规定的汇率的变化是符合几何Brown运动的,与现实中汇率的Skew(倾斜)现象不相符。同时,现有针对结构性交易数据的数据分析方法是以历史的交易数据来计算历史波动率,通过计算样本均值和样本标准差得到的波动率也难以正确模拟Skew现象。也即,现在针对结构性交易数据的数据分析方法的准确率和可靠性都难以保证。
本申请为了解决上述问题,通过模型引擎CPU服务器对获取的待处理结构性交易数据进行数据分析时,根据局部随机波动率模型对待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果。由于局部随机波动率模型能够有效对结构性交易数据中的波动率进行修正,使得局部随机波动率模型可以有效模拟结构性交易数据的Skew现象,从而保证结构性交易数据分析结果的准确率和可靠性。
本发明实施例通过利用模型引擎CPU服务器获取待处理结构性交易数据,并根据局部随机波动率模型对获取的待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果,解决现有结构性交易数据分析方法存在的准确率和可靠性较低的问题,从而提高交易数据分析结果的准确率和可靠性。
实施例二
图2是本发明实施例二提供的一种数据分析系统的示意图,本实施例以上述实施例为基础进行具体化,在本实施例中,给出了数据分析系统的具体实现方式。相应的,如图2所示,除交易客户端和模型引擎CPU服务器之外,数据分析系统还可以包括联机服务器集群、ORACLE RAC DB数据库、定报价平台、Rabbit MQ集群、高频服务器集群、高频应用调度服务器集群、批处理服务器集群、NAS(Network Attached Storage,网络附属存储)以及投资组合与资金交易系统。
相应的,数据分析系统针对结构性交易数据的具体数据分析流程可以包括:数据分析人员在交易客户端录入配置数据,如曲面结构、曲线结构和估值模型参数等,联机服务集群接收配置数据并进行配置,得到配置参考数据,将配置参考数据发送到ORACLE RAC DB数据库保存。同时,还可以通过交易客户端向数据分析系统发起交易,以向数据分析系统发送待处理结构性交易数据,该待处理结构性交易数据可以被发送至模型引擎CPU服务器进一步进行数据分析处理。定报价平台发布市场报价,将利率汇率相关报价作为原始交易数据推送至高频服务器集群。高频服务器集群对原始交易数据处理后存入ORACLE RAC DB数据库。高频应用调度服务器集群负责调度相应的机器,配合高频服务器集群对原始交易数据进行处理。批处理服务器集群接收文件形式的头寸数据,该头寸数据包括待处理结构性交易数据,批处理服务器集群对头寸数据进行处理后发送到ORACLE RAC DB数据库保存。然后,批处理服务器集群读取 ORACLE RAC DB数据库中保存的配置参考数据、原始交易数据和头寸数据,形成消息队列,传给Rabbit MQ集群,再由Rabbit MQ集群逐条发送至模型引擎CPU服务器处理。图3是本申请实施例二提供的一种模型引擎CPU服务器进行数据处理的效果示意图,如图3所示,模型引擎CPU服务器结合所配置的参考数据、原始交易数据对待处理结构性交易数据进行数据分析得到的结构性交易数据分析结果发送至ORACLE RAC DB数据库保存。其中,NAS用于保存数据分析系统的日志文件。联机服务器集群、批处理服务器集群和高频服务器集群可与投资组合与资金交易系统交互,以向外提供结构性交易数据分析结果。
具体的,通过Rabbit MQ集群通过批处理服务器集群的头寸接口接入相关的头寸数据后,调用配置模块接收数据分析人员录入的配置数据,该配置数据可以包括但不限于计息方式、观察频率及公式类型等。然后后台系统进一步对配置数据进行实例化,并组装成Json(JavaScript Object Notation,JavaScript对象表示法)报文生成配置参考数据传递给模型引擎CPU服务器。模型引擎CPU 服务器调用相应的数据分析模型和方法进行数据分析并生成结构性交易数据分析结果,以定价模型为例,模型引擎CPU服务器的结构性交易数据分析流程具体可以参见图4。
通过上述数据分析系统得到的结构性交易数据分析结果可以直观地体现对结构性交易数据的处理结果,以直观地应用于商业银行业务开展,且对于商业银行的风险管理同样具有重要的参考价值。比如保证金应用端可以设定不同的情景交易,在实例化时对不同的参数做摄动(如:利率上涨1bp),分析模型引擎CPU服务器返回的结构性交易数据分析结果来进行风险监控。对结构化衍生品进行精确分析,同时按照合理的监管要求完善场外衍生产品管理,可以提高交易对手信用风险的管控水平。
实施例三
图5是本发明实施例三提供的一种数据分析方法的流程图,本实施例可适用于根据局部随机波动率模型对结构性交易数据进行数据分析的情况,该方法可以由报数据分析装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在计算机设备中,与交易客户端配合使用。该计算机设备可以是服务器设备。相应的,如图5所示,该方法包括如下操作:
S110、获取待处理结构性交易数据。
S120、根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果。
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
在本发明实施例中,可以通过模型引擎CPU服务器接收交易客户端发起的待处理结构性交易数据,并根据局部随机波动率模型对待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果。由于局部随机波动率模型能够有效对结构性交易数据中的波动率进行修正,使得局部随机波动率模型可以有效模拟结构性交易数据的Skew现象,从而保证结构性交易数据分析结果的准确率和可靠性。
本发明实施例通过利用模型引擎CPU服务器获取待处理结构性交易数据,并根据局部随机波动率模型对获取的待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果,解决现有结构性交易数据分析方法存在的准确率和可靠性较低的问题,从而提高交易数据分析结果的准确率和可靠性。
实施例四
图6是本发明实施例四提供的一种数据分析方法的流程图,本实施例以上述实施例为基础进行具体化,在本实施例中,给出了根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析的具体可选的实施方式。相应的,如图6所示,本实施例的方法可以包括:
S210、获取待处理结构性交易数据。
S220、根据预设模型确定所述待处理结构性交易数据的交易结果数据。
其中,预设模型可以是确定待处理结构性交易数据的交易结果的模型。可选的,预设模型可以是一种数学模型。交易结果数据可以是待处理结构性交易数据进行交易处理后得到的结果数据。
模型引擎CPU服务器在根据局部随机波动率模型对待处理结构性交易数据进行数据分析时,首先可以根据预设模型确定待处理结构性交易数据的交易结果数据。
在本发明的一个可选实施例中,所述根据预设模型确定所述待处理结构性交易数据的交易结果数据,可以包括:基于如下公式确定所述待处理结构性交易数据的交易结果数据:
Recv=Notional·RS·(T2-T0)/U
Pay=Notional·RF·(T2-T0)/U
其中,Recv表示交易收取利息,Notional表示本金,RS表示结构利率,T2表示计息结束日,T0表示计息开始日,U表示结售汇汇率,Pay表示支付利息,RF表示固定利息,PV表示交易价格,也即交易结果数据,df表示贴现因子,可选的, df具体可以表示支付日的贴现因子。
上述确定待处理结构性交易数据的交易结果数据的方法可以应用于结构性存款等类型的待处理结构性交易数据中。在上述参数中,T2还可以根据计息调整要求进行相应调整。交易的支付日则可以通过对T2做工作日调整得到。定义一个截止天数Cut(自然天数),如果挂钩指标在期末(Arr)观察,观察日定义为 T1=T2-Cut,如果挂钩指标是每日(Day)观察,观察期是从T0开始,到T1(含) 结束。如果挂钩指标在期初(Adv)观察,观察日定义为T1=T0。结构利率RS的取值与计息基准汇率S有关,具体由某个市场挂钩指标S在观察期间中某一天时间t的取值决定。具体的,当S属于不同取值区间时,RS可以分别取对应数值,本发明实施例并不对RS的具体取值方式进行限定。
S230、根据所述局部随机波动率模型对所述交易结果数据的波动率进行修正。
相应的,在得到交易结果数据后,模型引擎CPU服务器即可根据局部随机波动率模型对交易结果数据的波动率进行修正。
以上述交易结果数据PV为例说明。上述交易结果数据PV中存在两个未知数 S和U,且两者都是随机变量,依赖于汇率远期曲线和波动率。其中,计息基准汇率S的表达式是以期权的形式(即Max,Min,或使交易提前终止的形式) 出现的,对波动率是一种期权的强依赖关系。利息支付的结售汇汇率U的作用是将某一币种的利息换成另外一种币种利息。由于U不是以期权的形式出现的,因此其对波动率是一种弱依赖的关系。因此在上述确定交易结果数据的预设模型中,需要将计息基准汇率S(t)做为随机变量,既需要考虑远期曲线,也需要考虑波动率,可以使用Monte-Carlo(蒙特卡罗)方法或网格方法来计算。而对于结售汇基准汇率U,可以仅使用远期曲线来计算。
假定计息基准S是一个外汇币种对的即期,可以通过模型引擎CPU服务器引入局部随机波动率模型来模拟S的变化过程。其随机动力学方程,是在Heston (赫斯顿)的随机波动率模型的基础上加上局部波动率参数修改而成。局部随机波动率模型假定汇率基准S的对数和基准的方差率V遵循正态的随机运动过程。
在本发明的一个可选实施例中,所述根据所述局部随机波动率模型对所述交易结果数据的波动率进行修正,可以包括:基于如下公式对所述交易结果数据的波动率进行修正,得到修正波动率模型:
dω1·dω2=ρdt
其中,S表示计息基准汇率,r1表示第一币种的无风险利率,r2表示第二币种的无风险利率,本发明实施例并不对第一币种和第二币种的具体币种类型进行限定。t表示时间,dω1和dω2表示两个相关系数为ρ的布朗运动,L表示所述局部随机波动率模型,V表示方差率、κ表示均值回归速度、θ表示长期均方差、ε表示波动率参数的标准误差,ρ表示相关系数,当t=0时,V=V0。
在本发明的一个可选实施例中,所述局部随机波动率模型的表达公式可以为L=L(S,t)。
相应的,在上述修正波动率模型中,如果L≡1,就得到原始的Heston随机波动率模型。而局部随机波动率模型是对波动率进行修正,通过引入一个 L=L(S,t)函数,可以使得波动率模型有更多的自由参数来拟合市场条件。
S240、根据修正后的波动率对待处理结构性交易数据进行数据分析,得到所述结构性交易数据分析结果。
其中,结构性交易数据分析结果也即对待处理结构性交易数据进行数据分析后所得到的数据分析结果。
相应的,模型引擎CPU服务器对波动率修正后可以得到修正后的波动率。模型引擎CPU服务器可以进一步根据修正后的波动率对待处理结构性交易数据进行数据分析,得到结构性交易数据分析结果。
在本发明的一个可选实施例中,在所述根据所述局部随机波动率模型对所述交易结果数据的波动率进行修正之后,还可以包括:基于如下公式对所述修正波动率模型进行数据转换,得到转换波动率模型:
dω1·dω2=ρdt
其中,F表示汇率远期,F=S exp(r2t-r1t)。
在本发明的一个可选实施例中,在所述得到转换波动率模型之后,还可以包括:采用Euler(欧拉)差分格式对所述转换波动率模型进行数据分析,得到目标转换波动率模型;其中,所述转换波动率模型基于如下公式表达:
其中,目标转换波动率模型也即对转换波动率模型进行数据分析所得到的波动率模型。
为了使得模型引擎CPU服务器可以进行数值计算,模型引擎CPU服务器可以进入汇率远期F,将上述修正波动率模型进行数据转换,得到转换波动率模型。转换波动率模型可以通过Euler差分格式进行数据分析,得到目标转换波动率模型。由,目标转换波动率模型可知,只要按照交易汇率重置的日期时间产生一系列的(0,1)分布的随机数,就可以计算出汇率远期的序列Fn(n=1,2,…),得到结构性交易数据分析结果。
需要说明的是,上述Euler差分格式的目标转换波动率模型是一阶精度的,并且很容易产生负的Vn值使得计算失败。为此,为了进一步保障数据分析的准确率,可以采用精度更高的Andersen(安德森)模型对转换波动率模型进行数据分析。
在上述目标转换波动率模型中,参数κ、θ、ε、ρ、V0和L(F,t)是作为已知量的。也即,模型引擎CPU服务器可以对参数κ、θ、ε、ρ和V0进行赋值,并利用已知的L(F,t)对待处理结构性交易数据进行数据分析,从而得到结构性交易数据分析结果。可以理解的是,参数取值不同,其对应的构性交易数据分析结果也不同。因此,为了进一步保障构性交易数据分析结果的准确性和可靠性,需要对目标转换波动率模型进行拟合和校正处理。
在本发明的一个可选实施例中,所述得到目标转换波动率模型之后,还可以包括:对所述目标转换波动率模型进行模型拟合处理,得到拟合局部随机波动率模型。
在本发明的一个可选实施例中,在所述对所述局部随机波动率模型进行模型拟合处理之后,还可以包括:对所述拟合局部随机波动率模型进行模型矫正处理,得到矫正局部随机波动率模型;对所述矫正局部随机波动率模型再次进行模型拟合处理,得到目标局部随机波动率模型。
其中,拟合局部随机波动率模型也即对目标转换波动率模型进行模型拟合得到的模型。矫正局部随机波动率模型也即对拟合局部随机波动率模型进行模型矫正得到的模型。目标局部随机波动率模型也即对正局部随机波动率模型再次进行模型拟合得到的模型。
相应的,模型引擎CPU服务器对目标转换波动率模型进行模型拟合处理,得到拟合局部随机波动率模型。其中,拟合局部随机波动率模型中,假定参数κ、θ、ε、ρ及V0为确定的参数。在得到拟合局部随机波动率模型之后,即可对拟合局部随机波动率模型进行模型矫正处理,得到矫正局部随机波动率模型。矫正局部随机波动率模型实现了对参数κ、θ、ε、ρ及V0的矫正处理,使得参数κ、θ、ε、ρ及V0的准确率更高,进而保证局部随机波动率模型的准确性和稳定性。随后,需要再次对矫正局部随机波动率模型进行模型拟合处理,得到最终符合需求的目标局部随机波动率模型。
图7是本发明实施例四提供的一种用于对目标转换波动率模型进行模型拟合处理的波动率曲面表示的报价工具效果示意图。在一个具体的例子中,如图 7所示,可以选取一组参数取值对参数κ、θ、ε、ρ及V0进行赋值,使得利用拟合局部随机波动率模型对市场流动性很好的报价工具进行定价时误差最小。如图7所示,在同一期限,对不同的执行汇率(Stk),波动率(Vol)是不一样的,呈现一个Skew的模式。也即,本发明实施例通过模型引擎CPU服务器利用LSV 模型正好能够正确地模拟Skew现象。
在本发明的一个可选实施例中,所述对所述拟合局部随机波动率模型进行模型矫正处理,可以包括:确定所述矫正局部随机波动率模型的目标取值;根据所述目标取值确定设定数量的模型参数;固定所述设定数量的模型参数;所述对所述矫正局部随机波动率模型再次进行模型拟合处理,可以包括:根据固定的模型参数对所述矫正局部随机波动率模型再次进行模型拟合处理。
其中,目标取值可以根据实际需求设定,如1等,本发明实施例并不对目标取值的具体数值进行限定。设定数量可以根据局部随机波动率模型的具体类型确定,如5等,本发明实施例同样不对设定数量的具体数值进行限定。
具体的,对拟合局部随机波动率模型进行模型矫正处理的具体过程可以为:首先确定矫正局部随机波动率模型的一个目标取值,并根据该确定的目标取值计算矫正局部随机波动率模型的设定数量的模型参数。以上述示例为例说明,可以根据目标取值计算矫正局部随机波动率模型的κ、θ、ε、ρ及V0等参数。得到上述模型参数后,即可固定上述模型参数的取值,以根据固定的模型参数的取值再次对矫正局部随机波动率模型进行模型拟合处理。
在本发明的一个可选实施例中,所述确定矫正局部随机波动率模型的目标取值,可以包括:根据公式L(F,t)≡1确定局部随机波动率模型的目标取值。也即,将1作为矫正局部随机波动率模型的目标取值。其中设定数量的模型参数可以包括κ、θ、ε、ρ及V0。
在本发明实施例中,模型矫正过程可以分为两个阶段。第一个阶段也即先假定L(F,t)≡1,即用一个单纯的随机波动率模型进行模型矫正,重新确定κ,θ,ε,ρ及V0等5个模型参数。第二个阶段需要固定所得到这5个模型参数来拟合函数L(F,t)。
在本发明的一个可选实施例中,在模型矫正的第二个阶段中,假设在每一个期限t=T,将远期汇率F的定义域分解为若干个区间[Fj,Fj+1],则根据固定的模型参数对所述矫正局部随机波动率模型再次进行模型拟合处理,可以包括:基于如下公式将所述矫正局部随机波动率模型转换成三次样条函数:
hj=Fj+1-Fj
基于如下公式对所述三次样条函数进行两次积分处理:
基于如下公式对积分处理后的三次样条函数进行求导处理,并利用节点上的连续条件对求导处理结果进行数据处理,得到三对角方程组:
根据预设模型参数组采用追赶法对所述三对角方程组进行数据处理,得到目标方程组求解结果;根据所述目标方程组求解结果以及所述积分处理后的三次样条函数获取所述目标局部随机波动率模型;其中,Fj和Fj+1表示所述远期汇率的分解区间端值,所述远期汇率的取值大于或等于Fj,且小于或等于Fj+1,表示所述三次样条函数,hj表示第j各时间步长,hj-1表示第j-1个时间步长,M2,…,MJ-1为待定模型参数,且M1=MJ=0。
其中,预设模型参数组可以为L1,…,LJ,目标方程组求解结果可以为 M1,…,MJ。可选的,取Fj=Kj分别为该期限T内的5个期权工具10P,25P, ATM,25C和10C的执行汇率,以使预设模型参数组和报价工具会有相同的个数。节点上的连续条件可以为Lj(F,T)与Lj-1(F,T)两个导函数在点Fj处的取值相同。
也即,在得到三对角方程组之后,如果给定预设模型参数组L1,…,LJ,用追赶法求解三对角方程得到M1,…,MJ,这时方程组Lj(F,T)就确定了一个L(F,t),可用于对转换波动率模型进行定价和模型拟合。
需要说明的是,在模型矫正的第二个阶段,需要确定预设模型参数组 L1,…,LJ。一般LSV模型的拟合是全局性的,要取多个期限t=Tn的多组参数联合进行模型拟合。
在本发明的一个可选实施例中,在所述根据所述目标方程组求解结果以及所述积分处理后的三次样条函数获取所述目标局部随机波动率模型之后,还可以包括:从定报价平台获取原始交易数据;根据所述目标局部随机波动率模型对所述原始交易数据计算交易结果相对误差;根据所述交易结果相对误差确定所述目标局部随机波动率模型的模型参数取值。
在模型矫正的第二个阶段,模型引擎CPU服务器可以从定报价平台获取原始交易数据,并根据模型矫正过程中获取的目标局部随机波动率模型对原始交易数据计算交易结果相对误差,例如,可以计算价格方面的相对误差,然后再根据交易结果相对误差确定目标局部随机波动率模型的模型参数取值,得到最终可用的局部随机波动率模型。
示例性的,无论是模型矫正的第一个阶段还是第二个节点,假设在LSV模型中有n个待定参数,记为c=(c1,c2,…,cn)T。由于在模型矫正的第一阶段,待定的模型参数为κ,θ,ε,ρ及V0等5个模型参数。因此,c=(κ,θ,ε,ρ,V0)T。而在模型矫正的第二个阶段,待定的模型参数为L1,…,LJ,其中,待定的模型参数的数量为5J,每个L包括一组κ,θ,ε,ρ及V0。假设在图7中一共有m个报价工具被选入进行模型拟合。在LSV模型中,针对第一阶段模型矫正结果的拟合时,待确定参数只有n=5个,n≤m。但在针对第二阶段模型矫正的拟合中,待确定参数则有n=m。
首先,可以根据每个报价工具的波动率,使用Black-Scholes(期权定价模型)计算出市场价格,记为Market Pr ci,(i=1,2,…,m)。如果假定了一组参数 c=(c1,c2,…,cn)T,也可以使用转换波动率模型对这些报价工具进行定价,计算出相应的一组价格来,叫做模型价格,记为Model Pr ci,(i=1,2,…,m)。继续假设为目标局部随机波动率模型与第i个报价工具的原始交易数据的相对误差,记u=(u1,u2,…,um)T。如果c是一个准确的解答,将有u(c)=0。所以,取一点假设它比较靠近真实解答。使用Taylor (泰勒)展开处理即可得到因为m>n,H是一个高矩阵,方程只能在最小二乘法的框架下得到近似解。记A=HTH,公式转化成因为A是对称矩阵,从而可以使用Levenberg-Marquardt(一种最优化算法)方法求解公式获得模型参数的解答c=(c1,c2,…,cn)T。
图8是本申请实施例四提供的一种对目标局部随机波动率模型进行模型拟合的相对误差的对比效果示意图,其中,w是week的简称,表示周;M是month 的简称,表示月;Y是year的简称,表示年。在一个具体的例子中,如图8所示为一个目标局部随机波动率模型拟合算例经过两步的拟合后与现有报价工具提供的原始交易数据的相对误差u的结果,在算例中使用了6个期限的30个报价工具来拟合,第一步拟合5个参数,第二步拟合30个参数,最后的平均相对误差达到1.77%。通过模型拟合,得到了符合市场的模型参数后,就可以使用转换波动率模型产生3000条汇率远期的路径{Fn},然后计算交易的收益利率RS,完成交易的价格计算,也即获取到结构性交易数据分析结果。
本发明实施例通过建立局部随机波动率模型对挂钩汇率基准的结构性交易数据进行数据分析,有效提升了模型定价系统对结构性产品的定价精度。
需要说明的是,以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
实施例五
图9是本发明实施例五提供的一种数据分析装置的示意图,该装置可以配置于模型引擎CPU服务器,如图9所示,数据分析装置包括:待处理结构性交易数据获取模块310和待处理结构性交易数据分析模块320,其中:
待处理结构性交易数据获取模块310,用于获取待处理结构性交易数据;
待处理结构性交易数据分析模块320,用于根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
本发明实施例通过利用模型引擎CPU服务器获取待处理结构性交易数据,并根据局部随机波动率模型对获取的待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果,解决现有结构性交易数据分析方法存在的准确率和可靠性较低的问题,从而提高交易数据分析结果的准确率和可靠性。
可选的,待处理结构性交易数据分析模块320,具体用于:根据预设模型确定所述待处理结构性交易数据的交易结果数据;
根据所述局部随机波动率模型对所述交易结果数据的波动率进行修正;
根据修正后的波动率对待处理结构性交易数据进行数据分析,得到所述结构性交易数据分析结果。
可选的,待处理结构性交易数据分析模块320,具体用于:基于如下公式确定所述待处理结构性交易数据的交易结果数据:
Recv=Notional·RS·(T2-T0)/U
Pay=Notional·RF·(T2-T0)/U
其中,Recv表示交易收取利息,Notional表示本金,RS表示结构利率,T2表示计息结束日,T0表示计息开始日,U表示结售汇汇率,Pay表示支付利息,RF表示固定利息,PV表示交易价格,df表示贴现因子。
可选的,待处理结构性交易数据分析模块320,具体用于:基于如下公式对所述交易结果数据的波动率进行修正,得到修正波动率模型:
dω1·dω2=ρdt
其中,S表示计息基准汇率,r1表示第一币种的无风险利率,r2表示第二币种的无风险利率,t表示时间,dω1和dω2表示两个相关系数为ρ的布朗运动,L表示所述局部随机波动率模型,V表示方差率、κ表示均值回归速度、θ表示长期均方差、ε表示波动率参数的标准误差,ρ表示相关系数,当t=0时,V=V0。
可选的,所述局部随机波动率模型基于公式L=L(S,t)表达。
可选的,待处理结构性交易数据分析模块320,具体用于:基于如下公式对所述修正波动率模型进行数据转换,得到转换波动率模型:
dω1·dω2=ρdt
其中,F表示汇率远期,F=S exp(r2t-r1t)。
可选的,待处理结构性交易数据分析模块320,具体用于:采用Euler差分格式对所述转换波动率模型进行数据分析,得到目标转换波动率模型;其中,所述转换波动率模型基于如下公式表达:
可选的,待处理结构性交易数据分析模块320,具体用于:对所述目标转换波动率模型进行模型拟合处理,得到拟合局部随机波动率模型。
可选的,待处理结构性交易数据分析模块320,具体用于:对所述拟合局部随机波动率模型进行模型矫正处理,得到矫正局部随机波动率模型;
对所述矫正局部随机波动率模型再次进行模型拟合处理,得到目标局部随机波动率模型。
可选的,待处理结构性交易数据分析模块320,具体用于:确定所述矫正局部随机波动率模型的目标取值;
根据所述目标取值确定设定数量的模型参数;
固定所述设定数量的模型参数;
根据固定的模型参数对所述矫正局部随机波动率模型再次进行模型拟合处理。
可选的,待处理结构性交易数据分析模块320,具体用于:根据公式 L(F,t)≡1确定局部随机波动率模型的目标取值;
其中所述设定数量的模型参数包括κ、θ、ε、ρ及V0。
可选的,待处理结构性交易数据分析模块320,具体用于:基于如下公式将所述矫正局部随机波动率模型转换成三次样条函数:
hj=Fj+1-Fj
基于如下公式对所述三次样条函数进行两次积分处理:
基于如下公式对积分处理后的三次样条函数进行求导处理,并利用节点上的连续条件对求导处理结果进行数据处理,得到三对角方程组:
根据预设模型参数组采用追赶法对所述三对角方程组进行数据处理,得到目标方程组求解结果;
根据所述目标方程组求解结果以及所述积分处理后的三次样条函数获取所述目标局部随机波动率模型;
其中,Fj和Fj+1表示所述远期汇率的分解区间端值,所述远期汇率的取值大于或等于Fj,且小于或等于Fj+1,表示所述三次样条函数,hj表示第j各时间步长,hj-1表示第j-1个时间步长,M2,…,MJ-1为待定模型参数,且M1=MJ=0。
可选的,待处理结构性交易数据分析模块320,具体用于:从定报价平台获取原始交易数据;
根据所述目标局部随机波动率模型对所述原始交易数据计算交易结果相对误差;
根据所述交易结果相对误差确定所述目标局部随机波动率模型的模型参数取值。
上述数据分析装置可执行本发明任意实施例所提供的数据分析方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的数据分析方法。
由于上述所介绍的数据分析装置为可以执行本发明实施例中的数据分析方法的装置,故而基于本发明实施例中所介绍的数据分析方法,本领域所属技术人员能够了解本实施例的数据分析装置的具体实施方式以及其各种变化形式,所以在此对于该数据分析装置如何实现本发明实施例中的数据分析方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中数据分析方法所采用的装置,都属于本申请所欲保护的范围。
实施例六
图10为本发明实施例六提供的一种计算机设备的结构示意图。图10示出了适于用来实现本发明实施方式的计算机设备412的框图。图10显示的计算机设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。计算机设备412典型的是承担模型引擎CPU服务器功能的计算设备。
如图10所示,计算机设备412以通用计算设备的形式表现。计算机设备 412的组件可以包括但不限于:一个或者多个处理器416,存储装置428,连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)420和/或高速缓存存储器422。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统424可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块426的程序426,可以存储在例如存储装置428中,这样的程序模块426包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块426通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信,还可与一个或者多个使得用户能与该计算机设备412交互的设备通信,和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口422进行。并且,计算机设备412 还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arraysof Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的数据分析方法。
也即,所述处理单元执行所述程序时实现:获取待处理结构性交易数据;根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程
本发明实施例通过利用模型引擎CPU服务器获取待处理结构性交易数据,并根据局部随机波动率模型对获取的待处理结构性交易数据进行数据分析,得到与待处理结构性交易数据匹配的结构性交易数据分析结果,解决现有结构性交易数据分析方法存在的准确率和可靠性较低的问题,从而提高交易数据分析结果的准确率和可靠性。
实施例七
本发明实施例七还提供一种存储计算机程序的计算机存储介质,所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的数据分析方法:获取待处理结构性交易数据;根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory, ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory, EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN) 连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (17)
1.一种数据分析方法,其特征在于,应用于模型引擎CPU服务器,包括:
获取待处理结构性交易数据;
根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
2.根据权利要求1所述的方法,其特征在于,所述根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,包括:
根据预设模型确定所述待处理结构性交易数据的交易结果数据;
根据所述局部随机波动率模型对所述交易结果数据的波动率进行修正;
根据修正后的波动率对待处理结构性交易数据进行数据分析,得到所述结构性交易数据分析结果。
5.根据权利要求4所述的方法,其特征在于,所述局部随机波动率模型基于公式L=L(S,t)表达。
8.根据权利要求7所述的方法,其特征在于,在所述得到目标转换波动率模型之后,还包括:
对所述目标转换波动率模型进行模型拟合处理,得到拟合局部随机波动率模型。
9.根据权利要求8所述的方法,其特征在于,在所述对所述局部随机波动率模型进行模型拟合处理之后,还包括:
对所述拟合局部随机波动率模型进行模型矫正处理,得到矫正局部随机波动率模型;
对所述矫正局部随机波动率模型再次进行模型拟合处理,得到目标局部随机波动率模型。
10.根据权利要求9所述的方法,其特征在于,所述对所述拟合局部随机波动率模型进行模型矫正处理,包括:
确定所述矫正局部随机波动率模型的目标取值;
根据所述目标取值确定设定数量的模型参数;
固定所述设定数量的模型参数;
所述对所述矫正局部随机波动率模型再次进行模型拟合处理,包括:
根据固定的模型参数对所述矫正局部随机波动率模型再次进行模型拟合处理。
11.根据权利要求10所述的方法,其特征在于,所述确定矫正局部随机波动率模型的目标取值,包括:
根据公式L(F,t)≡1确定局部随机波动率模型的目标取值;
其中所述设定数量的模型参数包括κ、θ、ε、ρ及V0。
12.根据权利要求11所述的方法,其特征在于,所述根据固定的模型参数对所述矫正局部随机波动率模型再次进行模型拟合处理,包括:
基于如下公式将所述矫正局部随机波动率模型转换成三次样条函数:
hj=Fj+1-Fj
基于如下公式对所述三次样条函数进行两次积分处理:
基于如下公式对积分处理后的三次样条函数进行求导处理,并利用节点上的连续条件对求导处理结果进行数据处理,得到三对角方程组:
根据预设模型参数组采用追赶法对所述三对角方程组进行数据处理,得到目标方程组求解结果;
根据所述目标方程组求解结果以及所述积分处理后的三次样条函数获取所述目标局部随机波动率模型;
13.根据权利要求12所述的方法,其特征在于,在所述根据所述目标方程组求解结果以及所述积分处理后的三次样条函数获取所述目标局部随机波动率模型之后,还包括:
从定报价平台获取原始交易数据;
根据所述目标局部随机波动率模型对所述原始交易数据计算交易结果相对误差;
根据所述交易结果相对误差确定所述目标局部随机波动率模型的模型参数取值。
14.一种数据分析装置,其特征在于,配置于模型引擎CPU服务器,包括:
待处理结构性交易数据获取模块,用于获取待处理结构性交易数据;
待处理结构性交易数据分析模块,用于根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
15.一种数据分析系统,其特征在于,包括交易客户端和模型引擎CPU服务器,所述交易客户端与所述模型引擎CPU服务器保持通信连接,其中:
所述交易客户端用于向所述模型引擎CPU服务器发送待处理结构性交易数据;
所述模型引擎CPU服务器用于根据局部随机波动率模型对所述待处理结构性交易数据进行数据分析,得到与所述待处理结构性交易数据匹配的结构性交易数据分析结果;
其中,所述局部随机波动率模型用于模拟汇率基准的随机变化过程。
16.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-13中任一所述的数据分析方法。
17.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-13中任一所述的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210034.5A CN112364076A (zh) | 2020-11-03 | 2020-11-03 | 数据分析方法、装置、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210034.5A CN112364076A (zh) | 2020-11-03 | 2020-11-03 | 数据分析方法、装置、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112364076A true CN112364076A (zh) | 2021-02-12 |
Family
ID=74513453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011210034.5A Pending CN112364076A (zh) | 2020-11-03 | 2020-11-03 | 数据分析方法、装置、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049045A (zh) * | 2021-11-30 | 2022-02-15 | 中国建设银行股份有限公司 | 波动率模型的构建方法、装置、设备、介质及程序产品 |
-
2020
- 2020-11-03 CN CN202011210034.5A patent/CN112364076A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049045A (zh) * | 2021-11-30 | 2022-02-15 | 中国建设银行股份有限公司 | 波动率模型的构建方法、装置、设备、介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776058B2 (en) | Transaction effects | |
Cuchiero et al. | Affine multiple yield curve models | |
EP1215603A2 (en) | Method and device for evaluation of financial derivatives using sparse grids | |
US10817947B2 (en) | Multi-asset portfolio simulation (MAPS) | |
US12014290B2 (en) | Projecting data trends using customized modeling | |
US10430880B2 (en) | Margin requirement determination and modeling for cleared credit | |
US20220292597A1 (en) | System and method for valuation of complex assets | |
US7769661B1 (en) | Conditional probability method for stock option valuation | |
JP2018514889A (ja) | 当初証拠金標準モデルに基づいて当初証拠金を計算及び提供する方法及びシステム | |
Simaitis et al. | Smile and default: the role of stochastic volatility and interest rates in counterparty credit risk | |
US20160078552A1 (en) | System and method for forecasting payments of healthcare claims | |
EP3783560A1 (en) | Automated objective generation of data for, and post validation of, estimation of term sofr benchmarks | |
CN112364076A (zh) | 数据分析方法、装置、系统、计算机设备及存储介质 | |
US8838494B2 (en) | Target outcome fund | |
Choe et al. | The k th default time distribution and basket default swap pricing | |
Rompolis et al. | Pricing and hedging contingent claims using variance and higher order moment swaps | |
US20230214853A1 (en) | Computer-based systems for generating valid scenario objects to calculate market risk | |
CN102224518A (zh) | 用于集合计算服务器资源的方法和系统 | |
WO2023235439A1 (en) | System and method for valuation of complex assets | |
Hammarbäck et al. | Determining Intraday Market Prices for Interest Rate Derivatives: An Application of Automatic Control Techniques in Interest Rate Derivative Pricing | |
CN116188178A (zh) | 资源信息处理方法、装置、设备、存储介质和产品 | |
Jiang | Joint Distribution of Passage Times of an Ornstein-Uhlenbeck Diffusion and Real-Time Computational Methods for Financial Sensitivities | |
CN118152693A (zh) | 大数据质量评估方法、装置、设备以及存储介质 | |
CN114092150A (zh) | 利率互换期权的定价方法、装置和电子设备 | |
CN113850628A (zh) | 一种支持自定义交易结构的跨资产定价系统 |
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 |