CN114282768A - 交易监控方法、装置、计算机设备及存储介质 - Google Patents
交易监控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114282768A CN114282768A CN202111438777.2A CN202111438777A CN114282768A CN 114282768 A CN114282768 A CN 114282768A CN 202111438777 A CN202111438777 A CN 202111438777A CN 114282768 A CN114282768 A CN 114282768A
- Authority
- CN
- China
- Prior art keywords
- product
- bulk commodity
- derived
- trading
- transaction
- 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
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种交易监控方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,该方法包括:对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型;根据获得的确定产品类型匹配目标估值模型,基于匹配得到的目标估值模型将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。本申请通过为不同类型的大宗商品衍生交易产品设置不同的估值模型,通过估值模型基于大宗商品衍生交易产品的详情信息实时的输出大宗商品衍生交易产品的日盈亏值,实现了对大宗商品衍生交易产品盈亏情况的监控,解决了金融机构无法对衍生交易产品的交易风险进行有效把控的问题。
Description
技术领域
本申请涉及大数据处理技术领域,特别是涉及交易监控方法、装置、计算机设备、计算机可读存储介质及计算机程序产品。
背景技术
目前,市场上大宗商品现货和期货的价格动荡会对企业利润带来大幅波动,不利于企业的长期稳健经营。为此,金融机构推出了一系列的大宗商品衍生交易产品,可以为企业提供套期保值业务,以对冲大宗商品现货和期货的价格动荡带来的影响。
目前金融机构不能实时地监控企业认购的大宗商品衍生交易产品的盈亏情况,从而导致金融机构无法对衍生交易产品的交易风险进行有效把控。
发明内容
本申请提供一种交易监控方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,能够根据大宗商品衍生交易产品的产品类型不同采用不同的估值模型对日盈亏情况进行监控,解决了金融机构无法对衍生交易产品的交易风险进行有效把控的问题。
本申请的第一方面提供了一种交易监控方法,该方法包括:
对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融企业与目标企业之间的衍生产品交易行为;
确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的日终价格和期初价格确定大宗商品衍生交易产品在存续期的盈亏状态;
获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到目标大宗商品衍生交易产品的日盈亏值。
本申请的第二方面提供了一种交易监控装置,该装置包括:
解析获取模块,用于对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融企业与目标企业之间的衍生产品交易行为;
匹配确定模块,用于确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的日终价格和期初价格确定大宗商品衍生交易产品在存续期的盈亏状态;
获取输入模块,用于获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。
本申请的第三方面提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一项的方法的步骤:
本申请的第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的方法的步骤。
本申请的第五方面提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述任一项的方法的步骤。
本申请提供了一种交易监控方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,该方法包括:对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型;根据获得的确定产品类型匹配目标估值模型,基于匹配得到的目标估值模型将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。本申请通过为不同类型的大宗商品衍生交易产品设置不同的估值模型,通过估值模型基于大宗商品衍生交易产品的详情信息实时的输出大宗商品衍生交易产品的日盈亏值,实现了对大宗商品衍生交易产品盈亏情况的监控,解决了金融机构无法对衍生交易产品的交易风险进行有效把控的问题。
附图说明
图1为一个实施例中交易监控方法的应用环境图;
图2为一个实施例中交易监控方法的流程示意图;
图3为另一个实施例中交易监控方法步骤的流程示意图;
图4为另一个实施例中交易监控方法的流程示意图;
图5为另一个实施例中交易监控装置的结构框图;
图6为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的交易监控方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102通过网络将测算目标企业的大宗商品衍生交易产品的日盈亏值所需的详情信息发送给服务器104,服务器104在获得了测算目标企业的大宗商品衍生交易产品的日盈亏值所需的详情信息后,基于详情信息中的产品类型,确定用于测算目标企业的大宗商品衍生交易产品的日盈亏值的目标估值模型,然后将大宗商品衍生交易产品的详情信息输入至目标估值模型中,获得目标企业认购的大宗商品衍生交易产品的日盈亏值。本申请通过为不同类型的大宗商品衍生交易产品设置不同的估值模型,通过估值模型基于大宗商品衍生交易产品的详情信息实时的输出大宗商品衍生交易产品的日盈亏值,实现了对大宗商品衍生交易产品盈亏情况的监控,解决了金融机构无法对衍生交易产品的交易风险进行有效把控的问题。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。交易系统服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种交易监控方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融机构与目标企业之间的衍生产品交易行为。
其中,目标企业为与金融机构存在大宗商品衍生交易关系的企业。大宗商品衍生交易产品是金融机构为对冲大宗商品现货和期货价格的动荡影响推出的另一种交易产品。该大宗商品衍生交易产品的盈亏变化与对应市场的变化息息相关,不受金融机构的控制。所以金融机构需要对大宗商品衍生交易产品的盈亏情况进行监控,避免大宗商品衍生交易产品亏损过高,产生目标企业违约风险,且使得目标企业的体验不好。
目标企业在与金融机构实施衍生产品交易行为的过程中,会通过存续期合约确定两者的交易关系,进而对两者的眼神产品交易行为进行限制。金融机构后续对大宗商品衍生交易产品盈亏情况的监控基于该存续期合约进行。存续期合约中可以是包括产品类型、产品持有期限,交割时间、交割价格、持有成本、产品的期初价格等信息。所以在服务器获得了目标企业与金融机构之间签订的存续期合约,通过对存续期合约上的文本进行解析,就可以获得存续期合约上的信息,进而服务器可以根据需求解析文本,获得所需的信息,例如,可以是对存续期合约进行文本解析获得了目标企业认购的大宗商品衍生交易产品的产品类型。需要说明的是,服务器可以是从对应的数据库中基于目标企业的标识获得目标企业的存续期合约,还可以是目标企业通过终端给服务器发送的存续去合约,对此本申请不加以限定。那么,服务器在获得了目标企业的存续期合约后,可以是对该存续期合约进行格式转换等操作,以便于服务器对该存续期合约进行文本解析。
步骤S204,确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,即期价格为衍生交易产品在估值当下的价格;期初价格为衍生交易产品最初上市的价格。
其中,服务器中可以是预存有不同的估值模型,不同的估值模型用于为不同类型的衍生交易产品进行日盈亏值的计算。不同的估值模型可以是对日盈亏值不同的计算公式,由于不同的衍生交易产品具有不同的交易特性,所以需要通过不同的计算公式对不同的衍生交易产品的日盈亏值进行计算。但是,不同的估值模型计算日盈亏值的原理都是基于衍生交易产品在进行估值计算当下的即期价格以及衍生交易产品最初上市的期初价格确定衍生交易产品在存续期的盈亏状态。
步骤S206,获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。
其中,服务器根据衍生交易产品的产品类型确定用于计算目标企业认购的大宗商品衍生交易产品日盈亏值的目标估值模型后,可以是获取目标估值模型进行日盈亏值计算所需的数据,然后将数据输入至目标估值模型以对大宗商品衍生交易产品进行日盈亏值的计算。示例性的,可以是从上述存续期合约中获得产品持有期限,交割时间、交割价格、持有成本、产品的期初价格等信息,然后从其他终端或者服务器中获得大宗商品衍生交易产品对应的无风险利率、租赁利率、即期价格等信息。将对应的信息输入至对应的目标估值模型中,目标估值模型就可以输出大宗商品衍生交易产品的日盈亏值,若目标估值模型输出的是负值,则表示亏损;反之,若目标估值模型输出的是正值,则表示盈利。
需要说明的是,本申请提供的交易监控方法,主要对亏损情况进行监控,若大宗商品衍生交易产品一直处于盈利状态,则不会触发金融机构的预警机制,只需要持续对大宗商品衍生交易产品的盈亏情况进行监控即可。那么,对应的若大宗商品衍生交易产品处于亏损状态,则需要经过对应的判断确定是否触发金融机构的预警机制,做出对应的处理,以降低目标企业违约的风险,提高目标企业的体验。
本申请提供了一种交易监控方法,该方法包括:对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型;根据获得的确定产品类型匹配目标估值模型,基于匹配得到的目标估值模型将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。本申请通过为不同类型的大宗商品衍生交易产品设置不同的估值模型,通过估值模型基于大宗商品衍生交易产品的详情信息实时的输出大宗商品衍生交易产品的日盈亏值,实现了对大宗商品衍生交易产品盈亏情况的监控,解决了金融机构无法对衍生交易产品的交易风险进行有效把控的问题。
在一个实施例中,如图3所示,图3为本实施例中基于日盈亏值确定衍生产品交易的处理策略的一种可选的方法实施例,该方法实施例包括如下步骤:
步骤S302,根据日盈亏值、第一阈值以及第二阈值确定大宗商品衍生交易产品的处理策略;第一阈值和第二阈值均为亏损率预警阈值,第一阈值大于第二阈值。
其中,第一阈值和第二阈值均为金融机构设置的用于衡量亏损程度的预警阈值,且第一阈值大于第二阈值,设置不同的阈值,若日盈亏值超过对应的阈值会有不同的处理策略。示例性的,第一阈值例如可以是亏损率60%,第二阈值例如可以是亏损率20%。服务器可以是在日盈亏值对应的亏损率大于等于第一阈值时,设置有对应的处理策略;服务器可以是在日盈亏值对应的亏损率小于第一阈值,且大于等于第二阈值时,设置有对应的处理策略;服务器可以是在日盈亏值对应的亏损率小于第二阈值时,设置有对应的处理策略。处理策略不同的金融机构可以是设置不同,例如对大宗商品衍生交易产品进行交割处理;指示目标企业追加履约金;占用对应的履约金继续监控大宗商品衍生交易产品的日盈亏情况等,本申请对此不加以限定。
步骤S304,基于处理策略对大宗商品衍生交易产品进行处理。
其中,服务器可以是基于上述确定的处理策略对大宗商品衍生交易产品进行对应的处理。
本申请提供的交易监控方法,在确定了目标企业认购的大宗商品衍生交易产品的盈亏值后,基于预设的第一阈值和第二阈值确定对大宗商品衍生交易产品的处理策略,能够针对性的在大宗商品衍生交易产品的盈亏状态处于不同状态时,对大宗商品衍生交易产品进行对应性的处理,能够在大宗商品衍生交易产品处于亏损状态时,对大宗商品衍生交易产品进行及时的补救措施,能够降低目标企业违约的风险,提高目标企业的体验。
在一个实施例中,如图4所示,图4为本实施例中确定衍生产品交易的处理策略的一种可选的方法实施例,该方法实施例包括如下步骤:
步骤S402,根据日盈亏值和大宗商品衍生交易产品的期初价格确定大宗商品衍生交易产品的亏损率;
步骤S404,将亏损率与第一阈值和第二阈值进行比较,基于比较结果确定大宗商品衍生交易产品的处理策略。
其中,基于上述的描述,服务器中预设的第一阈值和第二阈值时针对亏损率设置的预警阈值,所以需要基于亏损率确定大宗商品衍生交易产品的处理策略,那么亏损率是根据日盈亏值与大宗商品衍生交易产品的期初价格做差,然后与大宗商品衍生交易产品的期初价格做商确定的亏损率。然后将该亏损率与第一阈值和第二阈值进行比较,基于比较结果确定大宗商品衍生交易产品的处理策略。
本申请提供的交易监控方法,基于日盈亏值和大宗商品衍生交易产品的期初价格确定大宗商品衍生交易产品的亏损率,基于大宗商品衍生交易产品的亏损率与第一阈值和第二阈值的比对结果确定大宗商品衍生交易产品的处理策略,计算过程简单,逻辑容易理解,能够快速的确定出大宗商品衍生交易产品的处理策略,提高金融机构对目标企业的大宗商品衍生交易产品的监控效率。
可选地,若比较结果为亏损率大于等于第一阈值,则将第一处理策略确定为大宗商品衍生交易产品的处理策略,第一处理策略为对大宗商品衍生交易产品进行交割处理。
若比较结果为亏损率小于第一阈值且大于等于第二阈值,则将第二处理策略确定为大宗商品衍生交易产品的处理策略,第二处理策略为向目标企业的终端发送消息以提示目标企业追加履约金;
若比较结果为亏损率小于第二阈值,则将第三处理策略确定为大宗商品衍生交易产品的处理策略,第三处理策略为占用对应的履约金继续监控大宗商品衍生交易产品的日盈亏情况。
其中,亏损率大于等于第一阈值,表征大宗商品衍生交易产品的亏损率已经达到了金融机构预设的极限,表示目标企业亏损过多,那么对于目标企业来讲,需要补充更多的履约金,那么若目标企业不能及时补充履约金,那么对于金融机构来说,目标企业就会产生违约的风险,给金融机构带来较难处理的麻烦,所以,金融机构为了避免这种情况发生,以及避免目标企业的大宗商品衍生交易产品亏损更多,造成目标企业体验不佳,所以金融机构在这种情况下,选择立即与目标企业终止存续期合约,对大宗商品衍生交易产品进行交割处理。
对应的,亏损率小于第一阈值且大于等于第二阈值,表征大宗商品衍生交易产品的亏损率目前还未达到金融机构预设的极限,但是目前的亏损已不能通过提前收取的履约金来填补,那么同样是为了避免目标企业的大宗商品衍生交易产品亏损更多,以及目标企业产生违约的风险,服务器可以是生成指示目标企业进行追加履约金的信息,并将该信息发送给目标企业的终端,以提示目标企业进行对应金额的履约金追加。需要说明的是对应金额的履约金是根据目前在金融机构中存续的履约金以及日盈亏值确定的,例如目前企业目前在金融机构存续5万元,在11月24日这一天,目标企业亏了6万,那么目标企业需要再补充1万元的履约金。
同理,亏损率小于第二阈值,表征目前目标企业在金融机构中存续的履约金能够支持目标企业的亏损,例如目前企业目前在金融机构存续5万元,在11月24日这一天,目标企业亏了1万,那么亏损的1万,可以通过目标企业存续的履约金进行解决,所以不需要目标企业追加履约金。服务器只需要占用1万的履约金,继续对目标企业的大宗商品衍生交易产品的日盈亏情况进行监控即可。
可选地,若产品类型为远期线性产品,则将第一估值模型确定为产品类型匹配的目标估值模型,第一估值模型是包含V=φL×(F-K)×D(T)的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,φ为交易方向,L为大宗商品衍生交易产品的数量,F为大宗商品衍生交易产品的远期价格,K为大宗商品衍生交易产品的交割价格,D(T)为贴现因子,D(T)是根据无风险利率rf和租赁利率rL确定的。
其中,若服务器对目标企业的存续期合约进行文本解析,确定目标企业认购的大宗商品衍生交易产品的产品类型为远期为远期线性产品,则可以是继续对存续期合约进行解析,获得大宗商品衍生交易产品的数量以及大宗商品衍生交易产品的交割价格;无风险利率和租赁利率都是其它终端或者服务器中获得市场上当下的利率。进一步的可以是根据无风险利率和租赁利率确定D(T)。交易方向在亏损时为负,在盈利时为正。然后服务器将获得的这些数据,代入V=φL×(F-K)×D(T)的计算公式,即可获得大宗商品衍生交易产品的日盈亏值。
需要说明的是,大宗商品衍生交易产品的标的若为现货,则远期价格可以是通过计算得到。其中,S为大宗商品衍生交易产品的即期价格(模型估值当下的价格),rf表述无风险利率,rL表述租赁利率。大宗商品衍生交易产品的标的若为期货,服务器则可以通过其它终端或者服务器获得(因为,市场上会存在对应期货的交易,基于交易的价格就可以确定期货的远期价格)。
可选地,若产品类型为简单欧式大宗商品看涨期权产品,则将第二估值模型确定为产品类型匹配的目标估值模型,第二估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率。
其中,可以是通过和对d1和d2进行计算。波动率σ可以是通过波动率曲面剥离确定方法来确定。场内期权可以根据公开报价的期权价格反算波动率以供后续使用。场内期权的报价在相同执行价格上会有Call和Put两份报价,在构建波动率曲面的过程中,一般采用OTM期权价格。期货价格在风险中性条件下,其未来时间的期望值都是当前价格本身,故本文OTM的定义以当前期货价格为中心。假设对应到期日T的期货价格为Ft,则小于Ft的执行价格点,目标合约采用取PUT类型,对于大于等于Ft的行权价格点,目标合约采取Call类型,最终形成一个单一的由OTM期权价格反算的波动率曲面。
若服务器对目标企业的存续期合约进行文本解析,确定目标企业认购的大宗商品衍生交易产品的产品类型为简单欧式大宗商品看涨期权产品,则可以是继续对存续期合约进行解析,获得大宗商品衍生交易产品的持有成本,大宗商品衍生交易产品的交割价格、大宗商品衍生交易产品的交割时间,以及,从其它终端或者服务器中获得无风险利率、波动率信息,并根据计算得到d1,进而得到d1正态分布概率;根据计算得到d2,进而得到d2正态分布概率。然后服务器将获得的这些数据,代入的计算公式,即可获得大宗商品衍生交易产品的日盈亏值。
可选地,若产品类型为简单欧式大宗商品看跌期权产品,则将第三估值模型确定为产品类型匹配的目标估值模型,第三估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、r、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率。
其中,若服务器对目标企业的存续期合约进行文本解析,确定目标企业认购的大宗商品衍生交易产品的产品类型为简单欧式大宗商品看涨期权产品,则可以是继续对存续期合约进行解析,获得大宗商品衍生交易产品的持有成本,大宗商品衍生交易产品的交割价格、大宗商品衍生交易产品的交割时间,以及,从其它终端或者服务器中获得无风险利率、波动率信息,并根据计算得到d1,进而得到d1正态分布概率;根据计算得到d2,进而得到d2正态分布概率。然后服务器将获得的这些数据,代入的计算公式,即可获得大宗商品衍生交易产品的日盈亏值。
可选地,若产品类型为美式大宗商品期权产品,则将第四估值模型确定为产品类型匹配的目标估值模型,第四估值模型是包括q≤0;q>0,φ(S-S*)<0以及φ·(S-X),q>0,φ(S-S*)≥0的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,φ为交易方向,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,S*是根据φ、T、rf、q、σ、λ以及d1(S*)确定的,λ是根据β、φ、ɑ、rf以及T确定的,A是根据φ、S*、λ、q、T以及d1(S*)确定的,β是根据rf、q以及σ确定的,ɑ是根据rf以及σ确定的。
若服务器对目标企业的存续期合约进行文本解析,确定目标企业认购的大宗商品衍生交易产品的产品类型为美式大宗商品期权产品,则可以是继续对存续期合约进行解析,获得大宗商品衍生交易产品的持有成本,对大宗商品衍生交易产品的持有成本进行判断,在q≤0时,通过获得大宗商品衍生交易产品的日盈亏值。在q>0,φ(S-S*)<0时,通过获得大宗商品衍生交易产品的日盈亏值,在q>0,φ(S-S*)≥0时,通过φ·(S-X)获得大宗商品衍生交易产品的日盈亏值。在计算过程中需要的数据,在上述已经作以说明,在此不做赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的交易监控方法的交易监控装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个交易监控装置实施例中的具体限定可以参见上文中对于交易监控方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种交易监控装置,包括:解析获取模块502、匹配确定模块504和获取输入模块506,其中:
解析获取模块502,用于对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融机构与目标企业之间的衍生产品交易行为;
匹配确定模块504,用于确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,即期价格为衍生交易产品在估值当下的价格;期初价格为衍生交易产品最初上市的价格;
获取输入模块506,用于获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。
在一个实施例中,上述装置还包括处理模块,用于根据日盈亏值、第一阈值以及第二阈值确定大宗商品衍生交易产品的处理策略;第一阈值和第二阈值均为亏损率预警阈值,第一阈值大于第二阈值;基于处理策略对大宗商品衍生交易产品进行处理。
在一个实施例中,上述装置还包括处理模块,具体用于根据日盈亏值和大宗商品衍生交易产品的期初价格确定大宗商品衍生交易产品的亏损率;将亏损率与第一阈值和第二阈值进行比较,基于比较结果确定大宗商品衍生交易产品的处理策略。
在一个实施例中,上述装置还包括处理模块,具体用于若比较结果为亏损率大于等于第一阈值,则将第一处理策略确定为大宗商品衍生交易产品的处理策略,第一处理策略为对大宗商品衍生交易产品进行交割处理;若比较结果为亏损率小于第一阈值且大于等于第二阈值,则将第二处理策略确定为大宗商品衍生交易产品的处理策略,第二处理策略为向目标企业的终端发送消息以提示目标企业追加履约金;若比较结果为亏损率小于第二阈值,则将第三处理策略确定为大宗商品衍生交易产品的处理策略,第三处理策略为占用对应的履约金继续监控大宗商品衍生交易产品的日盈亏情况。
在一个实施例中,上述匹配确定模块504,具体用于若产品类型为远期线性产品,则将第一估值模型确定为产品类型匹配的目标估值模型,第一估值模型是包含V=φL×(F-K)×D(T)的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,φ为交易方向,L为大宗商品衍生交易产品的数量,F为大宗商品衍生交易产品的远期价格,K为大宗商品衍生交易产品的交割价格,D(T)为贴现因子,D(T)是根据无风险利率和租赁利率确定的。
在一个实施例中,上述匹配确定模块504,具体用于若产品类型为简单欧式大宗商品看涨期权产品,则将第二估值模型确定为产品类型匹配的目标估值模型,第二估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,rf为无风险利率。
在一个实施例中,上述匹配确定模块504,具体用于若产品类型为简单欧式大宗商品看跌期权产品,则将第三估值模型确定为产品类型匹配的目标估值模型,第三估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率。
在一个实施例中,上述匹配确定模块504,具体用于若产品类型为美式大宗商品期权产品,则将第四估值模型确定为产品类型匹配的目标估值模型,第四估值模型是包括q≤0;q>0,φ(S-S*)<0以及φ·(S-X),q>0,φ(S-S*)≥0的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,φ为交易方向,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,S*是根据φ、T、rf、q、σ、λ以及d1(S*)确定的,λ是根据β、φ、ɑ、rf以及T确定的,A是根据φ、S*、λ、q、T以及d1(S*)确定的,β是根据rf、q以及σ确定的,ɑ是根据rf以及σ确定的。
上述交易监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储运维数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种运维行为分析方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融机构与目标企业之间的衍生产品交易行为;
确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,即期价格为衍生交易产品在估值当下的价格;期初价格为衍生交易产品最初上市的价格;
获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据日盈亏值、第一阈值以及第二阈值确定大宗商品衍生交易产品的处理策略;第一阈值和第二阈值均为亏损率预警阈值,第一阈值大于第二阈值;基于处理策略对大宗商品衍生交易产品进行处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据日盈亏值和大宗商品衍生交易产品的期初价格确定大宗商品衍生交易产品的亏损率;将亏损率与第一阈值和第二阈值进行比较,基于比较结果确定大宗商品衍生交易产品的处理策略。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若比较结果为亏损率大于等于第一阈值,则将第一处理策略确定为大宗商品衍生交易产品的处理策略,第一处理策略为对大宗商品衍生交易产品进行交割处理;若比较结果为亏损率小于第一阈值且大于等于第二阈值,则将第二处理策略确定为大宗商品衍生交易产品的处理策略,第二处理策略为向目标企业的终端发送消息以提示目标企业追加履约金;若比较结果为亏损率小于第二阈值,则将第三处理策略确定为大宗商品衍生交易产品的处理策略,第三处理策略为占用对应的履约金继续监控大宗商品衍生交易产品的日盈亏情况。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若产品类型为远期线性产品,则将第一估值模型确定为产品类型匹配的目标估值模型,第一估值模型是包含V=φL×(F-K)×D(T)的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,φ为交易方向,L为大宗商品衍生交易产品的数量,F为大宗商品衍生交易产品的远期价格,K为大宗商品衍生交易产品的交割价格,D(T)为贴现因子,D(T)是根据无风险利率和租赁利率确定的。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若产品类型为简单欧式大宗商品看涨期权产品,则将第二估值模型确定为产品类型匹配的目标估值模型,第二估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,rf为无风险利率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若产品类型为简单欧式大宗商品看跌期权产品,则将第三估值模型确定为产品类型匹配的目标估值模型,第三估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若产品类型为美式大宗商品期权产品,则将第四估值模型确定为产品类型匹配的目标估值模型,第四估值模型是包括q≤0;q>0,φ(S-S*)<0以及φ·(S-X),q>0,φ(S-S*)≥0的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,φ为交易方向,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,S*是根据φ、T、rf、q、σ、λ以及d1(S*)确定的,λ是根据β、φ、ɑ、rf以及T确定的,A是根据φ、S*、λ、q、T以及d1(S*)确定的,β是根据rf、q以及σ确定的,ɑ是根据rf以及σ确定的。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融机构与目标企业之间的衍生产品交易行为;
确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,即期价格为衍生交易产品在估值当下的价格;期初价格为衍生交易产品最初上市的价格;
获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据日盈亏值、第一阈值以及第二阈值确定大宗商品衍生交易产品的处理策略;第一阈值和第二阈值均为亏损率预警阈值,第一阈值大于第二阈值;基于处理策略对大宗商品衍生交易产品进行处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据日盈亏值和大宗商品衍生交易产品的期初价格确定大宗商品衍生交易产品的亏损率;将亏损率与第一阈值和第二阈值进行比较,基于比较结果确定大宗商品衍生交易产品的处理策略。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若比较结果为亏损率大于等于第一阈值,则将第一处理策略确定为大宗商品衍生交易产品的处理策略,第一处理策略为对大宗商品衍生交易产品进行交割处理;若比较结果为亏损率小于第一阈值且大于等于第二阈值,则将第二处理策略确定为大宗商品衍生交易产品的处理策略,第二处理策略为向目标企业的终端发送消息以提示目标企业追加履约金;若比较结果为亏损率小于第二阈值,则将第三处理策略确定为大宗商品衍生交易产品的处理策略,第三处理策略为占用对应的履约金继续监控大宗商品衍生交易产品的日盈亏情况。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为远期线性产品,则将第一估值模型确定为产品类型匹配的目标估值模型,第一估值模型是包含V=φL×(F-K)×D(T)的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,φ为交易方向,L为大宗商品衍生交易产品的数量,F为大宗商品衍生交易产品的远期价格,K为大宗商品衍生交易产品的交割价格,D(T)为贴现因子,D(T)是根据无风险利率和租赁利率确定的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为简单欧式大宗商品看涨期权产品,则将第二估值模型确定为产品类型匹配的目标估值模型,第二估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,rf为无风险利率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为简单欧式大宗商品看跌期权产品,则将第三估值模型确定为产品类型匹配的目标估值模型,第三估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为美式大宗商品期权产品,则将第四估值模型确定为产品类型匹配的目标估值模型,第四估值模型是包括q≤0;q>0,φ(S-S*)<0以及φ·(S-X),q>0,φ(S-S*)≥0的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,φ为交易方向,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,S*是根据φ、T、rf、q、σ、λ以及d1(S*)确定的,λ是根据β、φ、ɑ、rf以及T确定的,A是根据φ、S*、λ、q、T以及d1(S*)确定的,β是根据rf、q以及σ确定的,ɑ是根据rf以及σ确定的。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
对目标企业的存续期合约进行文本解析处理,获得目标企业认购的大宗商品衍生交易产品的产品类型,存续期合约用于限制金融机构与目标企业之间的衍生产品交易行为;
确定产品类型匹配的目标估值模型;目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,即期价格为衍生交易产品在估值当下的价格;期初价格为衍生交易产品最初上市的价格;
获取大宗商品衍生交易产品的详情信息,将详情信息输入目标估值模型中,得到大宗商品衍生交易产品的日盈亏值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据日盈亏值、第一阈值以及第二阈值确定大宗商品衍生交易产品的处理策略;第一阈值和第二阈值均为亏损率预警阈值,第一阈值大于第二阈值;基于处理策略对大宗商品衍生交易产品进行处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据日盈亏值和大宗商品衍生交易产品的期初价格确定大宗商品衍生交易产品的亏损率;将亏损率与第一阈值和第二阈值进行比较,基于比较结果确定大宗商品衍生交易产品的处理策略。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若比较结果为亏损率大于等于第一阈值,则将第一处理策略确定为大宗商品衍生交易产品的处理策略,第一处理策略为对大宗商品衍生交易产品进行交割处理;若比较结果为亏损率小于第一阈值且大于等于第二阈值,则将第二处理策略确定为大宗商品衍生交易产品的处理策略,第二处理策略为向目标企业的终端发送消息以提示目标企业追加履约金;若比较结果为亏损率小于第二阈值,则将第三处理策略确定为大宗商品衍生交易产品的处理策略,第三处理策略为占用对应的履约金继续监控大宗商品衍生交易产品的日盈亏情况。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为远期线性产品,则将第一估值模型确定为产品类型匹配的目标估值模型,第一估值模型是包含V=φL×(F-K)×D(T)的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,φ为交易方向,L为大宗商品衍生交易产品的数量,F为大宗商品衍生交易产品的远期价格,K为大宗商品衍生交易产品的交割价格,D(T)为贴现因子,D(T)是根据无风险利率和租赁利率确定的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为简单欧式大宗商品看涨期权产品,则将第二估值模型确定为产品类型匹配的目标估值模型,第二估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,rf为无风险利率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为简单欧式大宗商品看跌期权产品,则将第三估值模型确定为产品类型匹配的目标估值模型,第三估值模型是包含的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若产品类型为美式大宗商品期权产品,则将第四估值模型确定为产品类型匹配的目标估值模型,第四估值模型是包括q≤0;q>0,φ(S-S*)<0以及φ·(S-X),q>0,φ(S-S*)≥0的关系式,其中,V为大宗商品衍生交易产品的日盈亏值,S为大宗商品衍生交易产品的即期价格,q为大宗商品衍生交易产品的持有成本,X为大宗商品衍生交易产品的交割价格,φ为交易方向,rf为无风险利率,T为大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,S*是根据φ、T、rf、q、σ、λ以及d1(S*)确定的,λ是根据β、φ、ɑ、rf以及T确定的,A是根据φ、S*、λ、q、T以及d1(S*)确定的,β是根据rf、q以及σ确定的,ɑ是根据rf以及σ确定的。
需要说明的是,本申请所涉及的企业信息(包括但不限于企业设备信息、企业信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经企业授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种交易监控方法,其特征在于,包括:
对目标企业的存续期合约进行文本解析处理,获得所述目标企业认购的大宗商品衍生交易产品的产品类型,所述存续期合约用于限制金融机构与所述目标企业之间的衍生产品交易行为;
确定所述产品类型匹配的目标估值模型;所述目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,所述即期价格为所述衍生交易产品在估值当下的价格;所述期初价格为所述衍生交易产品最初上市的价格;
获取所述大宗商品衍生交易产品的详情信息,将所述详情信息输入所述目标估值模型中,得到所述大宗商品衍生交易产品的日盈亏值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述日盈亏值、第一阈值以及第二阈值确定所述大宗商品衍生交易产品的处理策略;所述第一阈值和所述第二阈值均为亏损率预警阈值,所述第一阈值大于所述第二阈值;
基于所述处理策略对所述大宗商品衍生交易产品进行处理。
3.根据权利要求2所述的方法,其特征在于,所述根据所述日盈亏值、第一阈值以及第二阈值确定衍生产品交易的处理策略,包括:
根据所述日盈亏值和所述大宗商品衍生交易产品的期初价格确定所述大宗商品衍生交易产品的亏损率;
将所述亏损率与所述第一阈值和所述第二阈值进行比较,基于比较结果确定所述大宗商品衍生交易产品的处理策略。
4.根据权利要求3所述的方法,其特征在于,若所述比较结果为所述亏损率大于等于所述第一阈值,则将第一处理策略确定为所述大宗商品衍生交易产品的处理策略,所述第一处理策略为对所述大宗商品衍生交易产品进行交割处理;
若所述比较结果为所述亏损率小于所述第一阈值且大于等于所述第二阈值,则将第二处理策略确定为所述大宗商品衍生交易产品的处理策略,所述第二处理策略为向所述目标企业的终端发送消息以提示所述目标企业追加履约金;
若所述比较结果为所述亏损率小于所述第二阈值,则将第三处理策略确定为所述大宗商品衍生交易产品的处理策略,所述第三处理策略为占用对应的所述履约金继续监控所述大宗商品衍生交易产品的日盈亏情况。
5.根据权利要求1所述的方法,其特征在于,所述确定所述产品类型匹配的目标估值模型,包括:
若所述产品类型为远期线性产品,则将第一估值模型确定为所述产品类型匹配的目标估值模型,所述第一估值模型是包含V=φL×(F-K)×D(T)的关系式,其中,V为所述大宗商品衍生交易产品的日盈亏值,φ为交易方向,L为所述大宗商品衍生交易产品的数量,F为所述大宗商品衍生交易产品的远期价格,K为大宗商品衍生交易产品的交割价格,D(T)为贴现因子,D(T)是根据无风险利率和租赁利率确定的。
8.根据权利要求1所述的方法,其特征在于,所述确定所述产品类型匹配的目标估值模型,包括:
若所述产品类型为美式大宗商品期权产品,则将第四估值模型确定为所述产品类型匹配的目标估值模型,所述第四估值模型是包括q>0,φ(S-S*)<0以及φ·(S-X),q>0,φ(S-S*)≥0的关系式,其中,V为所述大宗商品衍生交易产品的日盈亏值,S为所述大宗商品衍生交易产品的即期价格,q为所述大宗商品衍生交易产品的持有成本,X为所述大宗商品衍生交易产品的交割价格,φ为交易方向,rf为无风险利率,T为所述大宗商品衍生交易产品的交割时间,N(d1)为d1的正态分布概率,N(d2)为d2的正态分布概率,d1是根据S、X、rf、q、σ以及T确定的,d2是根据d1、σ以及T确定的,σ为波动率,S*是根据φ、T、rf、q、σ、λ以及d1(S*)确定的,λ是根据β、φ、ɑ、rf以及T确定的,A是根据φ、S*、λ、q、T以及d1(S*)确定的,β是根据rf、q以及σ确定的,ɑ是根据rf以及σ确定的。
9.一种交易监控装置,其特征在于,包括:
解析获取模块,用于对目标企业的存续期合约进行文本解析处理,获得所述目标企业认购的大宗商品衍生交易产品的产品类型,所述存续期合约用于限制金融机构与所述目标企业之间的衍生产品交易行为;
匹配确定模块,用于确定所述产品类型匹配的目标估值模型;所述目标估值模型根据衍生交易产品的即期价格和期初价格确定衍生交易产品在存续期的盈亏状态,所述即期价格为所述衍生交易产品在估值当下的价格;所述期初价格为所述衍生交易产品最初上市的价格;
获取输入模块,用于获取所述大宗商品衍生交易产品的详情信息,将所述详情信息输入所述目标估值模型中,得到所述大宗商品衍生交易产品的日盈亏值。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111438777.2A CN114282768A (zh) | 2021-11-29 | 2021-11-29 | 交易监控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111438777.2A CN114282768A (zh) | 2021-11-29 | 2021-11-29 | 交易监控方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282768A true CN114282768A (zh) | 2022-04-05 |
Family
ID=80870338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111438777.2A Pending CN114282768A (zh) | 2021-11-29 | 2021-11-29 | 交易监控方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282768A (zh) |
-
2021
- 2021-11-29 CN CN202111438777.2A patent/CN114282768A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fry et al. | Negative bubbles and shocks in cryptocurrency markets | |
Hodgson et al. | Testing the capital asset pricing model efficiently under elliptical symmetry: A semiparametric approach | |
US10963427B2 (en) | Data conversion and distribution systems | |
Ma et al. | Pricing Zero‐Coupon Catastrophe Bonds Using EVT with Doubly Stochastic Poisson Arrivals | |
Hulley et al. | Hedging for the long run | |
Huang et al. | Higher-order saddlepoint approximations in the Vasicek portfolio credit loss model | |
Birke et al. | Nonparametric option pricing with no-arbitrage constraints | |
Wen et al. | Speculative market efficiency and hedging effectiveness of emerging Chinese index futures market | |
CN114282768A (zh) | 交易监控方法、装置、计算机设备及存储介质 | |
Jarrow et al. | Asset price bubbles: Invariance theorems | |
Yang et al. | Influential risk spreaders and their contribution to the systemic risk in the cryptocurrency network | |
CN115827383A (zh) | 数据异常监测方法和装置 | |
Benth et al. | Additive energy forward curves in a Heath-Jarrow-Morton framework | |
Chen et al. | Pricing credit default swaps under a multi-scale stochastic volatility model | |
Jacoby et al. | Price discovery and sentiment | |
Gjerstad et al. | Retrading, production, and asset market performance | |
Abel et al. | Network reconstruction with UK CDS trade repository data | |
Beilis et al. | Psychology, Stock/FX trading and option prices | |
Liu et al. | Investor sentiment and the basis of CSI 300 stock index futures: An empirical study based on QVAR model and quantile regression | |
CN117541392A (zh) | 数据处理方法、装置、计算机设备、存储介质和程序产品 | |
Wang et al. | Scaling and long-range dependence in option pricing III: a fractional version of the Merton model with transaction costs | |
Meissner et al. | The impact of different correlation approaches on valuing credit default swaps with counterparty risk | |
Yang et al. | Valuing Credit Default Swap under a double exponential jump diffusion model | |
CN116188178A (zh) | 资源信息处理方法、装置、设备、存储介质和产品 | |
CN115082183A (zh) | 业务对象的处理方法、装置、计算机设备、存储介质 |
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 |