CN113450228A - 一种数字加密货币交易价格走势的预测系统及预测方法 - Google Patents
一种数字加密货币交易价格走势的预测系统及预测方法 Download PDFInfo
- Publication number
- CN113450228A CN113450228A CN202010218918.9A CN202010218918A CN113450228A CN 113450228 A CN113450228 A CN 113450228A CN 202010218918 A CN202010218918 A CN 202010218918A CN 113450228 A CN113450228 A CN 113450228A
- Authority
- CN
- China
- Prior art keywords
- state
- price
- interval
- sequence
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000005096 rolling process Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 230000007704 transition Effects 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000010977 unit operation Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
Images
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3823—Payment protocols; Details thereof insuring higher security of transaction combining multiple encryption tools for a transaction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种数字加密货币交易价格走势的预测系统及预测方法,包括预处理单元、参数优化及模型训练单元和预测输出单元,所述预处理单元连接参数优化及模型训练单元,所述参数优化及模型训练单元连接预测输出单元;本发明通过获取数字加密货币时间序列数字流,基于不同的预测周期,构建并定义某一训练周期内的数字加密货币交易价格序列及状态区间,计算状态概率分布及状态转移概率分布,在滚动周期内训练优化,以优化结束时训练周期最后时刻所处状态为初始状态,计算下一时刻最可能的状态区间,由此预测数字加密货币未来交易价格走势、概率及相关区间;本发明可作为数字加密货币相关投资者、市场监管者的投资及风控系统的辅助工具。
Description
技术领域
本发明涉及数字加密货币处理技术领域,尤其是一种数字加密货币交易价格走势的预测系统及预测方法。
背景技术
数字加密货币英文为cryptocurrency,是电子货币形式的替代货币。数字加密货币可以认为是一种基于节点网络和数字加密算法的虚拟货币。数字加密货币的核心特征主要体现在三个方面:①由于来自于某些开放的算法,数字加密货币没有发行主体,因此没有任何人或机构能够控制它的发行;②由于算法解的数量确定,所以数字加密货币的总量固定,这从根本上消除了虚拟货币滥发导致通货膨胀的可能;③由于交易过程需要网络中的各个节点的认可,因此数字加密货币的交易过程相对安全。
但是现阶段数字加密货币更像一种投资产品,因为缺乏强有力的担保机构维护其价格的稳定,其作为价值尺度的作用还未显现,无法充当支付手段。数字加密货币作为投资产品,其发展离不开交易平台、运营公司和投资者。交易平台起到交易代理的作用,部分则充当做市商,这些交易平台的盈利来源于投资者交易或提现时的手续费用和持有数字加密货币带来的溢价收入。而投资者可以用现金账户中的钱买卖数字加密货币,就像买卖股票和期货一样,交易平台会将买入请求和卖出请求按照规则进行排序后开始匹配,如果符合要求即成交。
一方面,数字加密货币所依托的区块链技术实现了去中心化,可以用于数字加密货币以外的其他领域,这也是比特币之类的数字加密货币受到热捧的原因之一;另一方面,如果数字加密货币被作为一种货币受到公众的广泛使用,则会对货币政策有效性、金融基础设施、金融市场、金融稳定等方面产生巨大影响。正是由于数字加密货币带来的影响巨大,投资者、运营平台等各类市场参与者和监管者都需要运用尽可能多的技术手段去判断数字加密货币未来走势,以防范其暴涨暴跌带来的波动风险和损失。本发明所公开了一种数字加密货币交易价格走势的预测系统及预测方法可作为数字加密货币相关投资和风险控制系统的辅助工具。
发明内容
本发明的目的在于提供一种数字加密货币交易价格走势的预测系统及预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种数字加密货币交易价格走势的预测系统,包括预处理单元、参数优化及模型训练单元和预测输出单元,所述预处理单元连接参数优化及模型训练单元,所述参数优化及模型训练单元连接预测输出单元,通过预处理单元对数据进行预处理,进行归一化、分类处理,处理后的数据输入参数优化及模型训练单元,并在参数优化及模型训练单元的作用下进行滚动运算,并得出最有数组,最后通过预测输出单元输出运行结果,为使用者提供数字加密货币交易价格走势数据进行参考,有利于提高使用者做出更为准确的预测。
在进一步的实施例中,所述预处理单元包括数据归一化模块和标签分类模块;
所述数据归一化模块,负责把原始价格数据重构成符合系统计算需要的归一化数据;
所述标签分类模块,根据系统的状态区间定义,给原始价格数据一一加以状态区间的标签分类,生成状态区间标签序列。
在进一步的实施例中,所述参数优化及模型训练单元包括单元运算模块和参数滚动优化模块;
所述单元运算模块,在参数集(训练周期、区间状态数、概率阈值等)固定情况下按照单元运算方法进行运算的模块;其中训练周期指的是该预测方法以一套固定参数(包括但不限于训练周期、区间状态数、概率阈值等参数)运行的时间,每次到了滚动周期的末尾节点则开始对所有参数进行新一轮优化并确定新的一套参数集作为下一个滚动周期的运行参数;训练周期的优化指的是选取不同长度的训练周期,分别计算其状态转移概率分布矩阵,并在一个滚动周期内进行预测,把所预测的价格序列与这一滚动周期内真实的价格序列进行比较,分别计算其对应的预测评价指标(这里的预测评价指标包括但不限于均方根误差RMSE、均方误差MSE、平均绝对误差MAE、平均绝对百分比误差MAPE、对称平均绝对百分比误差SMAPE,选择其中一种即可),其中数值最小的该预测评价指标(趋近于零)所对应的训练周期即为优化的训练周期参数;所述区间状态数的优化指的是选取不同数值的区间状态数,分别计算其状态转移概率分布矩阵,并在一个滚动周期内进行预测,把所预测的价格序列与这一滚动周期内真实的价格序列进行比较,计算其对应的预测评价指标,其中最小的预测评价指标所对应的区间状态数即为优化的区间状态数参数;概率阈值是对状态转移概率矩阵中的状态转移概率进行控制的参数,因为有些时候根据状态概率矩阵计算出的下一时刻最可能状态概率与次可能状态概率很接近甚至相同,这时如果只选择最可能状态,而忽视次可能状态,则很容易带来预测偏差,因此我们可以设置只有当最可能状态概率大于概率阈值时才可以发生状态转移,否则维持原有状态不变;
所述参数滚动优化模块,按照系统滚动周期的设置,每到一个滚动周期的节点处对参数集进行重新优化。
在进一步的实施例中,所述预测输出单元包括转换模块、显示模块和存储模块;
所述转换模块,把计算得到的数字加密货币未来交易价格从归一化形式转换回原始形式,并输送给显示模块和储存模块;
所述显示模块,把整个系统的计算结果(数字加密货币未来交易价格、波动区间和概率)和计算过程中的优化参数集(训练周期、滚动周期、概率阈值、区间状态数等)以图表的形式,根据操作人员需要进行全部或有选择的显示;
所述存储模块,把数字加密货币原始交易价格数据、整个系统的计算结果(数字加密货币未来交易价格、波动区间和概率)和计算过程中的优化参数集(训练周期、滚动周期、概率阈值、区间状态数等)根据操作人员需要进行全部或有选择的存储。
在进一步的实施例中,所述单元运算方法的具体运行包括以下步骤:
d、构建并定义某一训练周期内的数字货币交易价格序列及状态区间和状态序列;
所述训练周期的时间单位应为相关数字加密货币交易平台所能提供的交易数据最小时间单位的整数倍,例如数字加密货币交易平台所能提供的交易数据最小时间单位为毫秒,则训练周期的时间单位可取毫秒、秒、分钟乃至天、周、月、年等;
所述价格序列包括但不限于相关数字加密货币交易市场的数字加密货币的开盘价、收盘价、最高价、最低价等,还可以是相同时刻或不同时刻的两种(或多种)价格之差(或之和,或其他运算后)而构成的某种价格序列;例如可以取同一时刻(也可以是不同时刻)的开盘价与收盘价之差,构成新的价格序列;可视情况对该原始价格序列进行归一化预处理,(包括但不限于)如对该训练周期内价格序列归一化到[0,1]区间或[-1,1]区间等;
所述状态区间的定义为,首先要确定一个状态数(大于1的正整数,这里假设为N),则我们可以把训练周期内的价格序列分为N个状态区间,每一个状态区间就代表着一个价格范围;这里有关状态区间的划分(包括但不限于)可采用对训练周期内的最低价格(Pmin)与最高价格(Pmax)进行均分或黄金分割等方法;如采用均分方法,则从1,2,…,N每一个状态依次表示的价格区间为[Pmin,Pmin+(Pmax-Pmin)/N],[Pmin+(Pmax-Pmin)/N,Pmin+2×(Pmax-Pmin)/N],…,[Pmin+(N-1)×(Pmax-Pmin)/N,Pmax];然后根据以上定义的状态区间,生成与原始价格序列一一对应的状态序列,例如原始价格序列中某一个时刻n的价格为Pn,它所在的价格区间位于[Pmin+(j-1)×(Pmax-Pmin)/N,Pmin+j×(Pmax-Pmin)/N],则该时刻价格Pn在状态序列中可以表示为j(j∈[1,N]);
e、计算训练周期内的状态转移概率分布矩阵;所述状态转移,是假设某一时刻n的价格Pn所对应的状态为i(i∈[1,N]),其下一时刻价格Pn+1所对应的状态为j(j∈[1,N]),则称从时刻n到时刻n+1的价格状态转移为从状态i转移到状态j;然后根据以上定义,状态转移概率分布矩阵应是N×N的方阵,可表示成[Aij]N×N,这里方阵中的元素Aij表示从状态i转移到状态j的概率,可以通过对训练周期内该状态序列的转移变化依次统计得到;例如假定训练周期内共有10个时刻的价格,状态区间分为1,2,3共三个区间,其状态序列为1,3,2,2,1,2,3,1,1,1;如果我们要计算从状态1转移到状态2的概率A12,则首先找到状态序列中所有的状态1,然后统计其下一时刻的状态,可以发现下一时刻状态还是1的频次有2次,下一时刻状态是2的频次有1次,下一时刻状态是3的频次有1次,则A12=1/(2+1+1)=25%,即从状态1转移到状态2的概率为25%;由此我们可以很方便的计算出状态转移概率分布矩阵中所有的元素;
f、以训练周期最后时刻所处状态为初始状态,计算其下一时刻最可能的状态,从而确定下一时刻预测价格范围及点位;如训练周期最后时刻所处状态为k(k∈[1,N]),则其下一时刻的概率分布可表示成[0,…,k,…0]1×N×[Aij]N×N.其中状态转移概率最大的那个状态即为下一时刻最可能的状态;例如假定训练周期内共有10个时刻的价格,状态区间分为1,2,3共三个区间,其状态序列为1,3,2,2,1,2,3,1,1,1;该序列中最后一个时刻价格所处的状态是1,根据步骤b中的定义可计算出从状态1转移到状态1、2、3的概率依次为50%,25%,25%,这里50%的概率最大,因此训练周期之后的下一时刻价格最可能的状态是1,按照步骤a中的定义,其所处的价格区间在[Pmin,Pmin+(Pmax-Pmin)/N],可取此价格区间的中值(或其他相关定义数值)作为下一时刻的预测价格,并可给出这一最可能状态的预测概率大小,由此达到预测数字加密货币交易价格变化的功能。
一种数字加密货币交易价格走势的预测系统的预测方法,包括以下步骤:
S1)输入数据,并对数据归一化处理,然后进行标签化分类;
S2)确定参数集(训练周期、区间状态数、概率阈值等参数)取值范围及预测时间起点;
S3)针对步骤S2中的取值范围内的每一组参数(遍历,假设共n组参数组合)在预测时间起点之前的一个滚动周期内调用“单元运算方法”计算其预测价格队列(共n条预测价格队列);
S4)把步骤S3中得到的n条预测价格队列与真实价格队列比较,选出预测评价指标最小的队列,它所对应的那组参数组合即为最佳优化参数组合;
S5)判断当前时间节点是否滚动周期节点,如果是则以当前时间节点作为新的预测时间起点然后继续执行步骤S3);如果否则直接执行步骤S6);
S6)按之前优化参数集调用“单元运算方法”计算,输出:数字加密货币未来时刻交易价格、波动区间及概率。
与现有技术相比,本发明的有益效果是:本发明通过获取数字加密货币时间序列数字流,基于不同的预测周期,构建并定义某一训练周期内的数字加密货币交易价格序列,及状态区间,计算状态概率分布及状态转移概率分布,在滚动周期内训练优化,以优化结束时训练周期最后时刻所处状态为初始状态,计算下一时刻最可能的状态区间,由此预测数字加密货币未来交易价格走势、概率及相关区间;本发明对数字加密货币交易价格走势可提供一种预测功能,可作为数字加密货币相关投资者、市场监管者的投资及风控系统的辅助工具;同时关于参数滚动优化与概率阈值设置的操作方法对数字加密货币交易价格的相关预测可起到较好的辅助指导作用。
附图说明
图1为一种数字加密货币交易价格走势的预测系统的示意图;
图2为一种数字加密货币交易价格走势的预测系统的预处理系统的预处理单元的示意图;
图3为一种数字加密货币交易价格走势的预测系统的参数优化及模型训练单元的示意图;
图4为一种数字加密货币交易价格走势的预测系统的预测输出单元的示意图;
图5为一种数字加密货币交易价格走势的预测系统的单元运算方法的结构示意图;
图6为一种数字加密货币交易价格走势的预测系统的预测方法的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,一种数字加密货币交易价格走势的预测系统,包括预处理单元、参数优化及模型训练单元和预测输出单元,所述预处理单元连接参数优化及模型训练单元,所述参数优化及模型训练单元连接预测输出单元,通过预处理单元对数据进行预处理,进行归一化、分类处理,处理后的数据输入参数优化及模型训练单元,并在参数优化及模型训练单元的作用下进行滚动运算,并得出最有数组,最后通过预测输出单元输出运行结果,为使用者提供数字加密货币交易价格走势数据进行参考,有利于提高使用者做出更为准确的预测。
请参见图2,所述预处理单元包括数据归一化模块和标签分类模块;
所述数据归一化模块,负责把原始价格数据重构成符合系统计算需要的归一化数据;
所述标签分类模块,根据系统的状态区间定义,给原始价格数据一一加以状态区间的标签分类,生成状态区间标签序列。
请参见图3,所述参数优化及模型训练单元包括单元运算模块和参数滚动优化模块;
所述单元运算模块,在参数集(训练周期、区间状态数、概率阈值等)固定情况下按照单元运算方法进行运算的模块;其中训练周期指的是该预测方法以一套固定参数(包括但不限于训练周期、区间状态数、概率阈值等参数)运行的时间,每次到了滚动周期的末尾节点则开始对所有参数进行新一轮优化并确定新的一套参数集作为下一个滚动周期的运行参数;训练周期的优化指的是选取不同长度的训练周期,分别计算其状态转移概率分布矩阵,并在一个滚动周期内进行预测,把所预测的价格序列与这一滚动周期内真实的价格序列进行比较,分别计算其对应的预测评价指标(这里的预测评价指标包括但不限于均方根误差RMSE、均方误差MSE、平均绝对误差MAE、平均绝对百分比误差MAPE、对称平均绝对百分比误差SMAPE,选择其中一种即可),其中数值最小的该预测评价指标(趋近于零)所对应的训练周期即为优化的训练周期参数;所述区间状态数的优化指的是选取不同数值的区间状态数,分别计算其状态转移概率分布矩阵,并在一个滚动周期内进行预测,把所预测的价格序列与这一滚动周期内真实的价格序列进行比较,计算其对应的预测评价指标,其中最小的预测评价指标所对应的区间状态数即为优化的区间状态数参数;概率阈值是对状态转移概率矩阵中的状态转移概率进行控制的参数,因为有些时候根据状态概率矩阵计算出的下一时刻最可能状态概率与次可能状态概率很接近甚至相同,这时如果只选择最可能状态,而忽视次可能状态,则很容易带来预测偏差,因此我们可以设置只有当最可能状态概率大于概率阈值时才可以发生状态转移,否则维持原有状态不变;
所述参数滚动优化模块,按照系统滚动周期的设置,每到一个滚动周期的节点处对参数集进行重新优化。
请参见图4,所述预测输出单元包括转换模块、显示模块和存储模块;
所述转换模块,把计算得到的数字加密货币未来交易价格从归一化形式转换回原始形式,并输送给显示模块和储存模块;
所述显示模块,把整个系统的计算结果(数字加密货币未来交易价格、波动区间和概率)和计算过程中的优化参数集(训练周期、滚动周期、概率阈值、区间状态数等)以图表的形式,根据操作人员需要进行全部或有选择的显示;
所述存储模块,把数字加密货币原始交易价格数据、整个系统的计算结果(数字加密货币未来交易价格、波动区间和概率)和计算过程中的优化参数集(训练周期、滚动周期、概率阈值、区间状态数等)根据操作人员需要进行全部或有选择的存储。
请参见图5,所述单元运算方法的具体运行包括以下步骤:
a、构建并定义某一训练周期内的数字货币交易价格序列及状态区间和状态序列;
所述训练周期的时间单位应为相关数字加密货币交易平台所能提供的交易数据最小时间单位的整数倍,例如数字加密货币交易平台所能提供的交易数据最小时间单位为毫秒,则训练周期的时间单位可取毫秒、秒、分钟乃至天、周、月、年等;
所述价格序列包括但不限于相关数字加密货币交易市场的数字加密货币的开盘价、收盘价、最高价、最低价等,还可以是相同时刻或不同时刻的两种(或多种)价格之差(或之和,或其他运算后)而构成的某种价格序列;例如可以取同一时刻(也可以是不同时刻)的开盘价与收盘价之差,构成新的价格序列;可视情况对该原始价格序列进行归一化预处理,(包括但不限于)如对该训练周期内价格序列归一化到[0,1]区间或[-1,1]区间等;
所述状态区间的定义为,首先要确定一个状态数(大于1的正整数,这里假设为N),则我们可以把训练周期内的价格序列分为N个状态区间,每一个状态区间就代表着一个价格范围;这里有关状态区间的划分(包括但不限于)可采用对训练周期内的最低价格(Pmin)与最高价格(Pmax)进行均分或黄金分割等方法;如采用均分方法,则从1,2,…,N每一个状态依次表示的价格区间为[Pmin,Pmin+(Pmax-Pmin)/N],[Pmin+(Pmax-Pmin)/N,Pmin+2×(Pmax-Pmin)/N],…,[Pmin+(N-1)×(Pmax-Pmin)/N,Pmax];然后根据以上定义的状态区间,生成与原始价格序列一一对应的状态序列,例如原始价格序列中某一个时刻n的价格为Pn,它所在的价格区间位于[Pmin+(j-1)×(Pmax-Pmin)/N,Pmin+j×(Pmax-Pmin)/N],则该时刻价格Pn在状态序列中可以表示为j(j∈[1,N]);
b、计算训练周期内的状态转移概率分布矩阵;所述状态转移,是假设某一时刻n的价格Pn所对应的状态为i(i∈[1,N]),其下一时刻价格Pn+1所对应的状态为j(j∈[1,N]),则称从时刻n到时刻n+1的价格状态转移为从状态i转移到状态j;然后根据以上定义,状态转移概率分布矩阵应是N×N的方阵,可表示成[Aij]N×N,这里方阵中的元素Aij表示从状态i转移到状态j的概率,可以通过对训练周期内该状态序列的转移变化依次统计得到;例如假定训练周期内共有10个时刻的价格,状态区间分为1,2,3共三个区间,其状态序列为1,3,2,2,1,2,3,1,1,1;如果我们要计算从状态1转移到状态2的概率A12,则首先找到状态序列中所有的状态1,然后统计其下一时刻的状态,可以发现下一时刻状态还是1的频次有2次,下一时刻状态是2的频次有1次,下一时刻状态是3的频次有1次,则A12=1/(2+1+1)=25%,即从状态1转移到状态2的概率为25%;由此我们可以很方便的计算出状态转移概率分布矩阵中所有的元素;
c、以训练周期最后时刻所处状态为初始状态,计算其下一时刻最可能的状态,从而确定下一时刻预测价格范围及点位;;如训练周期最后时刻所处状态为k(k∈[1,N]),则其下一时刻的概率分布可表示成[0,…,k,…0]1×N×[Aij]N×N.其中状态转移概率最大的那个状态即为下一时刻最可能的状态;例如假定训练周期内共有10个时刻的价格,状态区间分为1,2,3共三个区间,其状态序列为1,3,2,2,1,2,3,1,1,1;该序列中最后一个时刻价格所处的状态是1,根据步骤b中的定义可计算出从状态1转移到状态1、2、3的概率依次为50%,25%,25%,这里50%的概率最大,因此训练周期之后的下一时刻价格最可能的状态是1,按照步骤a中的定义,其所处的价格区间在[Pmin,Pmin+(Pmax-Pmin)/N],可取此价格区间的中值(或其他相关定义数值)作为下一时刻的预测价格,并可给出这一最可能状态的预测概率大小,由此达到预测数字加密货币交易价格变化的功能。
请参见图6,一种数字加密货币交易价格走势的预测系统的预测方法,包括以下步骤:S1)输入数据,并对数据归一化处理,然后进行标签化分类;S2)确定参数集(训练周期、区间状态数、概率阈值等参数)取值范围及预测时间起点;S3)针对步骤S2中的取值范围内的每一组参数(遍历,假设共n组参数组合)在预测时间起点之前的一个滚动周期内调用“单元运算方法”计算其预测价格队列(共n条预测价格队列);S4)把步骤S3中得到的n条预测价格队列与真实价格队列比较,选出预测评价指标最小的队列,它所对应的那组参数组合即为最佳优化参数组合;S5)判断当前时间节点是否滚动周期节点,如果是则以当前时间节点作为新的预测时间起点然后继续执行步骤S3);如果否则直接执行步骤S6);S6)按之前优化参数集调用“单元运算方法”计算,输出:数字加密货币未来时刻交易价格、波动区间及概率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种数字加密货币交易价格走势的预测系统,其特征在于,包括预处理单元、参数优化及模型训练单元和预测输出单元,所述预处理单元连接参数优化及模型训练单元,所述参数优化及模型训练单元连接预测输出单元。
2.根据权利要求1所述的一种数字加密货币交易价格走势的预测系统,其特征在于,
所述预处理单元包括数据归一化模块和标签分类模块;
所述数据归一化模块,负责把原始价格数据重构成符合系统计算需要的归一化数据;
所述标签分类模块,根据系统的状态区间定义,给原始价格数据一一加以状态区间的标签分类,生成状态区间标签序列。
3.根据权利要求1所述的一种数字加密货币交易价格走势的预测系统,其特征在于,所述参数优化及模型训练单元包括单元运算模块和参数滚动优化模块;
所述单元运算模块,在参数集固定情况下按照单元运算方法进行运算的模块;其中参数集至少包括训练周期、区间状态数和概率阈值;
所述参数滚动优化模块,按照系统滚动周期的设置,每到一个滚动周期的节点处对参数集进行重新优化。
4.根据权利要求3所述的一种数字加密货币交易价格走势的预测系统,其特征在于,所述训练周期指的是该预测方法以一套固定参数运行的时间,每次到了滚动周期的末尾节点则开始对所有参数进行新一轮优化并确定新的一套参数集作为下一个滚动周期的运行参数,其中固定参数至少包括训练周期、区间状态数和概率阈值;训练周期的优化指的是选取不同长度的训练周期,分别计算其状态转移概率分布矩阵,并在一个滚动周期内进行预测,把所预测的价格序列与这一滚动周期内真实的价格序列进行比较,分别计算其对应的预测评价指标,其中数值最小的该预测评价指标所对应的训练周期即为优化的训练周期参数;其中,所述预测评价指标包括但不限于均方根误差RMSE、均方误差MSE、平均绝对误差MAE、平均绝对百分比误差MAPE、对称平均绝对百分比误差SMAPE。
5.根据权利要求3所述的一种数字加密货币交易价格走势的预测系统,其特征在于,所述区间状态数的优化指的是选取不同数值的区间状态数,分别计算其状态转移概率分布矩阵,并在一个滚动周期内进行预测,把所预测的价格序列与这一滚动周期内真实的价格序列进行比较,计算其对应的预测评价指标,其中最小的预测评价指标所对应的区间状态数即为优化的区间状态数参数;概率阈值是对状态转移概率矩阵中的状态转移概率进行控制的参数,因为有些时候根据状态概率矩阵计算出的下一时刻最可能状态概率与次可能状态概率很接近甚至相同,这时如果只选择最可能状态,而忽视次可能状态,则很容易带来预测偏差,因此我们可以设置只有当最可能状态概率大于概率阈值时才可以发生状态转移,否则维持原有状态不变。
6.根据权利要求1所述的一种数字加密货币交易价格走势的预测系统,其特征在于,所述预测输出单元包括转换模块、显示模块和存储模块;
所述转换模块,把计算得到的数字加密货币未来交易价格从归一化形式转换回原始形式,并输送给显示模块和储存模块;
所述显示模块,把整个系统的计算结果和计算过程中的优化参数集以图表的形式,根据操作人员需要进行全部或有选择的显示;
所述存储模块,把数字加密货币原始交易价格数据、整个系统的计算结果和计算过程中的优化参数集根据操作人员需要进行全部或有选择的存储。
7.根据权利要求1-6任一所述的一种数字加密货币交易价格走势的预测系统,其特征在于,所述单元运算方法的具体运行包括以下步骤:
a、构建并定义某一训练周期内的数字货币交易价格序列及状态区间和状态序列;
所述训练周期的时间单位应为相关数字加密货币交易平台所能提供的交易数据最小时间单位的整数倍,数字加密货币交易平台所能提供的交易数据最小时间单位为毫秒,则训练周期的时间单位包括毫秒、秒、分钟、天、周、月或年;
所述价格序列包括但不限于相关数字加密货币交易市场的数字加密货币的开盘价、收盘价、最高价、最低价等,还可以是相同时刻或不同时刻的两种或多种价格之差或之和,而构成的某种价格序列;例如可以取同一时刻或不同时刻的开盘价与收盘价之差,构成新的价格序列;可视情况对该原始价格序列进行归一化预处理,包括但不限于对该训练周期内价格序列归一化到[0,1]区间或[-1,1]区间;
所述状态区间的定义为,首先要确定一个状态数,且大于1的正整数,假设为N,则我们可以把训练周期内的价格序列分为N个状态区间,每一个状态区间就代表着一个价格范围;这里有关状态区间的划分可采用对训练周期内的最低价格(Pmin)与最高价格(Pmax)进行均分或黄金分割等方法;如采用均分方法,则从1,2,…,N每一个状态依次表示的价格区间为[Pmin,Pmin+(Pmax-Pmin)/N],[Pmin+(Pmax-Pmin)/N,Pmin+2×(Pmax-Pmin)/N],…,[Pmin+(N-1)×(Pmax-Pmin)/N,Pmax];然后根据以上定义的状态区间,生成与原始价格序列一一对应的状态序列,例如原始价格序列中某一个时刻n的价格为Pn,它所在的价格区间位于[Pmin+(j-1)×(Pmax-Pmin)/N,Pmin+j×(Pmax-Pmin)/N],则该时刻价格Pn在状态序列中可以表示为j(j∈[1,N]);
b、计算训练周期内的状态转移概率分布矩阵;所述状态转移,是假设某一时刻n的价格Pn所对应的状态为i(i∈[1,N]),其下一时刻价格Pn+1所对应的状态为j(j∈[1,N]),则称从时刻n到时刻n+1的价格状态转移为从状态i转移到状态j;然后根据以上定义,状态转移概率分布矩阵应是N×N的方阵,可表示成[Aij]N×N,这里方阵中的元素Aij表示从状态i转移到状态j的概率,可以通过对训练周期内该状态序列的转移变化依次统计得到;例如假定训练周期内共有10个时刻的价格,状态区间分为1,2,3共三个区间,其状态序列为1,3,2,2,1,2,3,1,1,1;如果我们要计算从状态1转移到状态2的概率A12,则首先找到状态序列中所有的状态1,然后统计其下一时刻的状态,可以发现下一时刻状态还是1的频次有2次,下一时刻状态是2的频次有1次,下一时刻状态是3的频次有1次,则A12=1/(2+1+1)=25%,即从状态1转移到状态2的概率为25%;由此我们可以很方便的计算出状态转移概率分布矩阵中所有的元素;
c、以训练周期最后时刻所处状态为初始状态,计算其下一时刻最可能的状态,从而确定下一时刻预测价格范围及点位;如训练周期最后时刻所处状态为k(k∈[1,N]),则其下一时刻的概率分布可表示成[0,…,k,…0]1×N×[Aij]N×N.其中状态转移概率最大的那个状态即为下一时刻最可能的状态;例如假定训练周期内共有10个时刻的价格,状态区间分为1,2,3共三个区间,其状态序列为1,3,2,2,1,2,3,1,1,1;该序列中最后一个时刻价格所处的状态是1,根据步骤b中的定义可计算出从状态1转移到状态1、2、3的概率依次为50%,25%,25%,这里50%的概率最大,因此训练周期之后的下一时刻价格最可能的状态是1,按照步骤a中的定义,其所处的价格区间在[Pmin,Pmin+(Pmax-Pmin)/N],可取此价格区间的中值或其他相关定义数值作为下一时刻的预测价格,并可给出这一最可能状态的预测概率大小,由此达到预测数字加密货币交易价格变化的功能。
8.根据权利要求7所述的一种数字加密货币交易价格走势的预测系统的预测方法,其特征在于,包括以下步骤:
S1)输入数据,并对数据归一化处理,然后进行标签化分类;
S2)确定参数集取值范围及预测时间起点;齐总参数集包括训练周期、区间状态数和概率阈值;
S3)设共n组参数组合,针对步骤S2中的取值范围内的每一组参数在预测时间起点之前的一个滚动周期内调用“单元运算方法”计算其预测价格队列,可计算出n条预测价格队列;
S4)把步骤S3中得到的n条预测价格队列与真实价格队列比较,选出预测评价指标最小的队列,它所对应的那组参数组合即为最佳优化参数组合;
S5)判断当前时间节点是否滚动周期节点,如果是则以当前时间节点作为新的预测时间起点然后继续执行步骤S3);如果否则直接执行步骤S6);
S6)按之前优化参数集调用“单元运算方法”计算,输出:数字加密货币未来时刻交易价格、波动区间及概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218918.9A CN113450228A (zh) | 2020-03-25 | 2020-03-25 | 一种数字加密货币交易价格走势的预测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218918.9A CN113450228A (zh) | 2020-03-25 | 2020-03-25 | 一种数字加密货币交易价格走势的预测系统及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450228A true CN113450228A (zh) | 2021-09-28 |
Family
ID=77806771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010218918.9A Pending CN113450228A (zh) | 2020-03-25 | 2020-03-25 | 一种数字加密货币交易价格走势的预测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450228A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000152A1 (en) * | 2022-06-28 | 2024-01-04 | Chan Kin Kwan | A system and a method for analysing a market of exchangeable assets |
-
2020
- 2020-03-25 CN CN202010218918.9A patent/CN113450228A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000152A1 (en) * | 2022-06-28 | 2024-01-04 | Chan Kin Kwan | A system and a method for analysing a market of exchangeable assets |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI242724B (en) | Methods and systems for optimizing return and present value | |
TW530235B (en) | Valuation prediction models in situations with missing inputs | |
TW530236B (en) | Cross correlation tool for automated portfolio descriptive statistics | |
CA2362444A1 (en) | Methods and systems for finding value and reducing risk | |
AU2288101A (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
WO2001050310A2 (en) | Methods and systems for automated inferred valuation of credit scoring | |
CA2362442A1 (en) | Rapid valuation of portfolios of assets such as financial instruments | |
EP1259917A1 (en) | Methods and apparatus for simulating competitive bidding yield | |
CN109685651A (zh) | 仓单质押的信贷风险监控方法及装置 | |
EP1266318A2 (en) | Methods and systems for quantifying cash flow recovery and risk | |
CN109308631B (zh) | 一种电力市场决策分析的建模方法 | |
Moedjahedy et al. | Stock price forecasting on telecommunication sector companies in Indonesia Stock Exchange using machine learning algorithms | |
CN113450228A (zh) | 一种数字加密货币交易价格走势的预测系统及预测方法 | |
Li et al. | A combination prediction model of stock composite index based on artificial intelligent methods and multi-agent simulation | |
Guo et al. | Market Making with Deep Reinforcement Learning from Limit Order Books | |
Karahan et al. | Cryptocurrency Trading based on Heuristic Guided Approach with Feature Engineering | |
Chou et al. | Deep learning in model risk neutral distribution for option pricing | |
Wang et al. | Impact of the Adjustment of maximum order volume on pricing efficiency of stock index futures in China | |
US20230109978A1 (en) | Virtual automated market maker (vamm) system and method for creating prediction markets | |
El-Baz et al. | SMA and MACD combinations for stock investment decisions in frontier markets: evidence from Dubai financial market | |
Ma et al. | Research on Quantitative Trading Strategy based on LSTM and Dynamic Programming | |
Lin et al. | Analysis of capital flow in commodity futures market based on SVM | |
Cao et al. | A novel portfolio optimization method for foreign currency Investment | |
Dong | Analysis of the best trading strategies based on neural networks | |
Gao | Research on Stock Selection Method Based on LSTM Neural Network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |