CN115239491A - 期货交易方法和计算机设备 - Google Patents
期货交易方法和计算机设备 Download PDFInfo
- Publication number
- CN115239491A CN115239491A CN202210848404.0A CN202210848404A CN115239491A CN 115239491 A CN115239491 A CN 115239491A CN 202210848404 A CN202210848404 A CN 202210848404A CN 115239491 A CN115239491 A CN 115239491A
- Authority
- CN
- China
- Prior art keywords
- futures
- risk
- data
- target
- trading
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种期货交易方法,所述方法包括:获取用户的期货交易请求;获取目标期货对应的关联数据,提取至少一个关联风险特征数据,确定至少一个风险评价参数及对应的归因因子;获取用户偏好数据,确定与目标用户对应的风险偏好参数;将至少一个风险评价参数及对应的归因因子、风险偏好参数输入预设的期货风险评估模型,输出期货交易建议;根据期货交易建议执行或拒绝执行期货交易请求;通过预设的期货学习模型,学习用户交易数据和市场交易数据,输出与目标期货和目标用户对应的期货控制策略,根据期货控制策略对期货交易请求进行持续性的期货交易控制。采用本发明,可降低期货交易的风险。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种期货交易方法和计算机设备。
背景技术
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。不同的人从不同的角度、基于不同的信息了解和市场了解,对期货信息的理解会各不相同,从而对远期价格也存在不同的看法,在针对期货市场波动时做的投资决策并进行交易的情况下,会做出非理性决策或交易存在较大的风险,稍有不慎便可能血本无归。
发明内容
基于此,有必要针对上述问题,提出了一种期货交易方法和计算机设备。
在本发明的第一部分,提供了一种期货交易方法,所述方法包括:
获取用户的期货交易请求,其中,所述期货交易请求包括目标期货以及目标用户的用户标识;
获取目标期货对应的关联数据,所述关联数据包括与所述目标期货对应的历史交易数据、市场数据以及网络数据,对所述关联数据进行风险因子分析,提取至少一个关联风险特征数据,并基于所述至少一个关联风险特征数据确定与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子,所述至少一个风险评价参数是从不同的维度对风险进行评价得到的评价参数,所述归因因子是所述至少一个关联风险特征数据中的一个或多个;
获取与目标用户对应的用户偏好数据,所述用户偏好数据包括与目标用户对应的历史交易数据以及目标用户设定的风险偏好设定数据,根据所述用户偏好数据确定与目标用户对应的风险偏好参数;
将所述与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子、与目标用户对应的风险偏好参数输入预设的期货风险评估模型,输出与所述期货交易请求对应的期货交易建议;
根据所述期货交易建议执行或拒绝执行所述期货交易请求;
通过预设的期货学习模型,学习目标用户的用户交易数据和与所述目标期货对应的市场交易数据,并通过所述期货学习模型输出与所述目标期货和目标用户对应的期货控制策略,所述期货控制策略包括期货操作、交易金额、交易时间中的一个或多个,所述期货操作包括平仓操作、加仓操作和减仓操作;
根据所述期货控制策略对所述期货交易请求进行持续性的期货交易控制。
在本发明的第二方面,提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器有可执行代码,当所述可执行代码在所述处理器上运行以实现如前所述的期货交易方法。
采用本发明实施例,具有如下有益效果:
采用了上述期货交易方法和计算机设备之后,在用户进行期货交易的时候,对需要进行期货交易的目标用户和目标期货对应的数据进行分析,从而确定用户的用户偏好参数,以及与目标期货对应的风险评价参数以及对应的归因因子,然后基于期货风险评估模型来确定对应的期货交易是否执行;并且在执行了相应的期货交易之后,需要进一步的通过期货学习模型对目标用户和目标期货对应的数据进行学习,以确定相应的期货控制策略,从而确定对已经交易的期货如何进行控制。采用本发明实施例,可以在期货交易前以及期货交易之后,对期货交易存在的风险进行全面的评估,并跟母评估的风险对期货交易进行控制,以降低期货交易的风险。
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。
其中:
图1为一个实施例中一种期货交易方法的流程示意图;
图2为一个实施例中运行上述期货交易方法的计算机的结构示意图。
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作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。
在本实施例中,为了能对期货交易的风险进行评估和控制,提供了一种期货交易方法,以对期货交易的风险进行提示,降低期货交易的交易风险。需要说明的是,在本实施例中,上述期货交易方法的执行可以是基于计算机设备,例如,与期货交易平台对应的计算机设备,该计算机设备可以是期货交易平台对应的系统服务器,也可以用使用该期货交易平台的用户对应的用户终端(例如,智能手机或个人计算机)。在本实施例中不做限定。
在用户在期货交易平台或者期货交易柜台进行期货交易的情况下,需要在交易前、或交易后对相应的期货交易进行风险的预估和提醒。例如,在用户在手机上的期货交易软件上进行期货交易情况下,或者,在用户在期货交易及其或者在期货交易柜台进行期货交易的情况下,在用户选择了相应的待交易期货之后及确认交易之前,或者在用户进行了期货交易之后,执行本发明实施例提供的期货交易的风险控制方法,以提醒用户相应的期货交易所可能存在的交易风险,以决定是否要继续相应的期货交易或者是否要继续持有相应的期货交易。并且,在另一个实施例中,还可以在期货交易的交易期间,在用户需要的时间节点,例如,期货交易之后的一个月以后,自动或主动出发本发明实施例提供的期货交易方法,以对是否有继续持有期货交易进行风险判断,以供用户进行交易的决策判断。
进一步的,请参见图1,图1给出了上述期货交易方法的流程示意图。
具体的,上述期货交易方法包括如图1所示的步骤:
步骤S101:获取用户的期货交易请求,其中,所述期货交易请求包括目标期货以及目标用户的用户标识。
在需要进行期货交易的风险控制的分析情况下,获取相应的需要进行分析的目标期货交易订单(期货交易请求),该订单为待交易期货交易订单、或已交易期货订单,并对该订单进行期货交易的风险分析和用户提醒。其中,在当前步骤中,确定的期货交易请求,包括了该期货交易请求对应的账户信息(当前用户对应的目标用户的用户标识)、和进行交易的期货产品对象(目标期货)。例如,在一个期货交易请求000000001中,目标用户为“zhangsan”,目标期货为“期货pingguo”。进一步的,在本实施例中,期货交易请求还包括了其他信息,例如,交易金额,交易时间等。
步骤S102:获取目标期货对应的关联数据,所述关联数据包括与所述目标期货对应的历史交易数据、市场数据以及网络数据,对所述关联数据进行风险因子分析,提取至少一个关联风险特征数据,并基于所述至少一个关联风险特征数据确定与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子,所述至少一个风险评价参数是从不同的维度对风险进行评价得到的评价参数,所述归因因子是所述至少一个关联风险特征数据中的一个或多个。
在确定了目标期货之后,可以根据对应的目标用户以及目标期货获取与该期货交易请求相关的数据(下面统称关联数据,在本实施例中,关联数据包括期货历史交易数据、期货市场数据以及通过网络获取的与目标期货相关的网络数据),获取的关联数据以用于风险分析和控制。
其中,期货历史交易数据是根据目标期货在期货交易数据中查找的与目标期货对应的所有的历史交易记录,其中,也包括了目标期货的交易价格以及价格波动数据,根据期货历史交易数据可以知道目标期货在之前收到各个投资者的关注程度以及其对应的价格波动情况,以此可以估计目标期货之后可能存在的价格波动趋势。
期货市场数据指的是整个期货市场的所有可能的数据,这是因为一个期货的价格波动不仅仅受到目标期货的影响,还可能收到整个市场的影响,在市场低迷的情况下,所有期货的交易风险都会增大,在本实施例中,期货市场数据可以整个期货市场的所有数据(可以提高风险分析的准确性),也可以仅包括期货市场整体趋势数据(减少数据分析量),或者为了平衡准确性和计算量,期货市场数据可以包括了期货市场整体趋势数据以及与目标期货所在的行业或者相关行业的相关期货产品对应的数据。
在本步骤中,还需要根据国际形势、国情、市场情况、消费者反应、企业情况等来考虑是否还存在其他可能对目标期货产品的价格产生影响的因素。具体的,在具体风险分析中,可以通过网络爬虫工具,获取与目标期货相关的网络数据,例如,新闻等网络数据;并对该网络数据进行特征提取,以获取有可能影响目标期货的价格的关键数据。例如,新冠疫情使得农产品价格攀升,使得原油价格猛跌;旱涝灾会使得相关的农产品价格升高,行业内重要企业的变化也会影响相应的价格变化等。在本步骤中,需要从大量的网络数据中筛选和提取与目标期货以及整体期货市场相关的数据作为关键数据,以作为后续进行目标期货所可能存在的风险的风险分析的基础之一。
在获取到目标期货对应的关联数据之后,需要基于获取到的关联数据进一步的对目标期货所存在的风险进行分析,以确定目标期货是否存在交易风险,并通过归因分析以确定目标期货存在交易风险的原因,以帮助用户辅助进行期货交易的判断。
具体的,对于每一个关联数据,需要对关联数据进行风险因子分析,提取对应的关联风险特征数据。其中,对每一个关联数据,根据预设的特征提取算法,对关联数据进行你那个处理,确定其中与风险相关的数据并对该数据进行特征提取,以获取对应的关联风险特征数据。在一个具体的实施例中,每一个关联数据都有对应的时间数据,这个时间数据与关联数据对应的时间属性,然后根据目标期货对应的历史价格对应的相关数据,其中也包括了每一个时间节点对应的期货价格,然后根据目标期货的历史价格,基于关联数据的时间数据,对关联数据是否与目标期货的历史价格关联进行关联性分析,以确定该关联数据是否与目标期货的历史价格关联,如果关联,则进一步的根据预设的特征提取算法,提取关联数据中与历史价格相关的特征进行提取,以获取对应的关联风险特征数据,如果不关联,则认为该关联数据与目标期货的风险之间不存在关联关系,从而不需要进行关联风险特征数据的提取。
在关联数据对应的关联风险特征数据提取完毕之后,即可进一步的进行风险评估,在这里是计算对应的风险评价参数。具体的,基于至少一个关联风险特征数据确定与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子,所述至少一个风险评价参数是从不同的维度对风险进行评价得到的评价参数,所述归因因子是所述至少一个关联风险特征数据中的一个或多个。
具体实施中,考虑到各个关联风险特征数据之间可能存在关联关系,为了避免在进行风险评估的时候忽略他们之间的关联关系、或者重复计算关联的数据对风险的影响,在这里,需要首先明确每一个关联风险特征数据之间是否存在关联关系,并基于确定的关联关系构建与多个关联风险特征数据对应的关联图谱,其中,关联图谱包含了多个节点,每一个节点对应了一个关联风险特征数据。对于存在关联关系的关联风险特征数据,将对应的节点之间进行关联图谱的节点之间的关联,关联图谱的节点之间存在关联向量,其中,关联向量的方向为两个节点之间的关联方向(例如,节点A对节点B会产生影响,则节点A与节点B之间的关联向量为节点A到节点B之间),关联向量的大小为两个节点之间的影响程度(例如,节点A和节点B之间相关影响的大小值,并且,其数值的取值范围为[0,1])。因此,进一步的根据关联向量的大小、方向可以确定关联向量的向量值。也就是说,在本步骤中,基于前述确定的关联数据与所述目标期货的历史价格存在的关联关系,确定关联风险特征数据之间的关联数值,所述关联数值的取值范围为[-1,1],并基于关联数值确定所述关联图谱中各个关联风险特征数据之间的关联向量的方向和大小。自此,可以确定多个关联风险特征数据之间的关联关系,以及基于该关联关系确定对应的关联图谱。然后,基于该关联图谱可以进一步的对关联风险特征数据进行风险风险,以确定对应的风险评价参数。
进一步的,在一个实施例中,需要基于关联图谱,在预设的多个风险评价参数的维度下,计算对应的关联评价参数。
其中,预设设置了多个风险评价参数的维度,在当前步骤中,需要计算每一个维度下的风险评价参数。具体实施中,对于每一个风险评价参数,都预设设置了与该风险评价参数的维度对应的一个或多个关联风险特征数据(与该风险评价参数的维度对应的节点,即为预设节点),这里,一个或多个关联风险特征数据是预先根据期货风险确定的与该风险评价参数的维度对应的关键数据,也就是说,这里的一个或多个关联风险特征数据是对风险评价参数相关的数据。然后,基于预设节点,在关联图谱中,根据节点之间的关联关系,确定与预设节点关联的一个或多个节点(关联节点),其中,关联节点对应的关联风险特征数据是关联图谱中与预设节点对应的关联风险特征数据之间存在关联关系的一个或多个关联风险特征数据。
在确定了预设节点和关联节点之后,即可进一步的根据节点之间的关联关系(关联向量)来确定包含预设节点和关联节点的风险关联路径,其中,每一个风险评价参数的维度,包括了一个或多个风险关联路径,这是因为预设节点的数量可能有多个,而预设节点之间可能并不存在关联关系,在这种情况下,风险关联路径的数量为多条。然后,对于每一条风险关联路径,需要进一步的根据节点之间的关联向量(包括关联向量的方向、大小等)进一步的确定节点之间的风险传导向量,然后根据节点对应的关联风险特征数据和对应的风险传导向量,沿风险关联路径进行风险传导的计算,以确定每一个节点的关联风险特征数据对其他的节点对应的风险,从而计算风险关联路径的终点对应的风险值,即为风险关联路径对应的风险值。然后,对于多条风险关联路径,根据预设节点对应的风险权重值,这里风险权重值是根据预设节点对应的权重系数确定的,根据该风险权重值以及对应的风险值,进行加权计算,从而可以获取对应的关联评价参数,该关联评价参数基于该风险评价参数对应的关联评价参数。
进一步的,在本实施例中,还需要对存在的风险进行归因分析,以帮助用户进行期货交易的决策。具体的,在风险关联路径所包含的节点中,根据节点之间的关联关系,可以确定节点A对节点B的风险传导向量,从而根据风险传导向量确定节点A对节点B的影响值,从而,确定节点A对节点B的影响大小,而节点A除了对节点B产生影响之外,还会对其他节点或不包含在节点中的其他数据产生影响,从而可以确定每一个节点对应的影响因子,然后根据每一个节点的影响因子,确定与对应的风险评价参数对应的与每一个节点对应的影响因子(其中,每一个节点都对应一个归因因子,对应的影响因子即为该归因因子对应的风险值)。进一步的,在这里,仅取满足条件的归因因子,例如,风险值大于预设值,或风险值排序在前N的归因因子,以对当前的风险评价参数的关键归因因子进行确定。
步骤S103:获取与目标用户对应的用户偏好数据,所述用户偏好数据包括与目标用户对应的历史交易数据以及目标用户设定的风险偏好设定数据,根据所述用户偏好数据确定与目标用户对应的风险偏好参数。
在本实施例中,不仅需要考虑目标期货本身存在的风险,还需要考虑用户对于风险本身的接受程度,在这里,即为用户的风险偏好,例如为风险偏好型,还是收益偏好型。具体的,在这里为了全面的对用户的风险偏好进行确定,需要从用户的历史数据以及用户的设定两方面进行考虑。其中,根据用户的历史交易数据,根据期货对应的风险评估数据、期货价格变化数据等,确定历史交易数据中的第一风险偏好特征,其中,第一风险偏好特征是根据历史交易数据中交易数据与期货价格之间的对应关系确定的;其中,给出了风险偏好的第一系数和风险厌恶的第二系数。并且,还需要进一步的根据用户在期货平台中设定的风险偏好设定数据,确定第二风险偏好特征,其中,包括了与风险偏好的第三系数和风险厌恶的第四系数。然后,进一步的根据预设的历史交易数据对应的权重系数、以及用户设定的权重系数,对第一、二、三、四系数进行加权处理,以得到对应的风险偏好的第五系数和风险厌恶的第六系数,即获取到与用户对应的风险偏好参数。这里,风险偏好参数表现了用户对期货存在的收益与风险的偏好,从而可以更好的根据步骤S102中得到的期货风险以及本步骤中得到的用户风险偏好参数来判断是否需要继续进行当前的期货交易请求,从而可以更好的根据用户的需求来进行期货风险的控制。
步骤S104:将所述与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子、与目标用户对应的风险偏好参数输入预设的期货风险评估模型,输出与所述期货交易请求对应的期货交易建议;
步骤S105:根据所述期货交易建议执行或拒绝执行所述期货交易请求。
这里,根据前面得到的目标期货对应的风险评价参数、以及用户的风险偏好参数,来对步骤S101中获取到的期货交易请求进行风险评估,并生成对应的期货交易建议,并且根据该期货交易建议来判定是否需要执行还是拒绝执行相应的期货交易请求。
具体的,将对目标期货进行风险评估得到的至少一个风险评价参数以及对应的归因因子,以及对目标用户进行评估得到的风险偏好参数,输入到预设的期货风险评估模型,以此来对期货交易请求进行评估。
在一个具体的实施例中,在将上述数据输入到预设的期货风险评估模型之前,还需要对输入的参数进行调整,以使得输入到模型的数据更准确,以能更准确的进行期货交易的风险评估。具体的,根据风险偏好参数,与每一个风险评价参数对应的归因因子对该风险评价参数进行调整。其中,因为每一个归因因子表示了期货所存在的风险因素,风险偏好参数确定了用户对风险的偏好,因此,根据归因因子可以确定用户是否对相应的归因因子是偏好的,还是厌恶的,从而可以确定是否需要对相应的归因因子进行调整。具体执行中,需要确定每一个归因因子是否为与风险偏好参数对应的关键因子,并且根据是否为关键因子以及用户的风险偏好参数,来确定是否需要对关键因子进行调整,并确定对应的调整权重,基于该调整权要和归因因子在所述风险评价参数中的风险值,对风险评价参数进行调整,以得到调整之后的风险评价参数,并将该参数作为上述期货风险评估模型的输入。
如前所述,风险评价参数的维度有多个,在本实施例中,不同的风险评价参数的维度对应的期货风险评估模型也是不同的。在本实施例中,所述期货风险评估模型包括多个子网络,所述子网络的数量与所述风险评价参数的数量是对应的;对于每一个风险评价参数,需要根据其对应的期货风险评估模型中与该参数对应的子网络来进行风险的评估。
具体的,将风险评价参数、及与该风险评价参数对应的归因因子输入与该风险评价参数对应的子网络,输出第一风险评价值;将风险偏好参数输入与该风险评价参数对应的子网络,并将风险偏好参数与第一风险评价值进行卷积处理,以得到第二风险评价值。从而可以得到每一个风险评价参数的维度下的第二风险评价值。然后,对于所有的风险评价参数的维度下的所有的第二风险评价值,进行进一步的交叉融合处理,以对多个第二风险评价值之间的关系进行融合处理,并且与用户对应的风险偏好参数进行卷积处理,以得到第三风险评价值,第三风险评价值即为考虑了目标期货和目标用户的全面之后得到的风险评估,从而,进一步的判断第三风险评价值是否满足风险偏好参数,确定与所述期货交易请求对应的期货交易建议,若满足,则执行期货交易建议,反之,则不执行期货交易建议,并将相应的风险提示输出给用户,以提醒用户当前的期货交易请求所存在的风险。
步骤S106:通过预设的期货学习模型,学习目标用户的用户交易数据和与所述目标期货对应的市场交易数据,并通过所述期货学习模型输出与所述目标期货和目标用户对应的期货控制策略,所述期货控制策略包括期货操作、交易金额、交易时间中的一个或多个,所述期货操作包括平仓操作、加仓操作和减仓操作;
步骤S107:根据所述期货控制策略对所述期货交易请求进行持续性的期货交易控制。
在进行了期货交易请求对应的期货交易之后,还需要进一步的对目标期货进行监控,以确定是否需要继续持有、或者进行其他操作,例如,平仓操作、加仓操作和减仓操作。这个时候,就需要对用户的用户交易数据以及目标期货对应的市场交易数据进行实时的监控,以确定是否发生相应的风险或者收益事项,并在恰当的时候进行期货控制,即确定对应的期货控制策略,以确定对目标期货进行的期货操作、交易金额、交易时间等。然后根据该确定的期货控制策略对已经进行了的期货交易请求进行持续性的期货交易控制。
其中,所述预设的期货学习模型是神经网络模型。通过该神经网络模型基于用户交易数据,对目标期货对应的市场交易数据进行学习,以了解目标期货对应的风险和收益。
在一个具体的实施例中,该神经网络模型可以是一个U-Net模型,因为目标期货对应的市场交易数据不仅包括了期货的交易数据,还包括了各种与目标期货可能相关的数据,具体请参见步骤S101中列出来的各种数据。这里,因为数据的繁多,需要分析各个数据之间的关系,尤其是在U-net模型中需要分析各个神经网络层之间的关系,这里需要在模型训练的过程中对模型进行调整。
基于用户交易偏好数据,确定所述期货学习模型的每个神经网络层是否需要进行调整,并确定对每个神经网络层的调整方案,其中,调整方案包括参数调整、剪枝处理等中的一个或多个;基于敏感性分析网络,对调整之后的神经网络层进行分析,以确定所述期货学习模型的精度提升情况,从而确定实收对神经网络层进行调整,并获取调整之后的期货学习模型。
具体的,对于神经网络模型,需要在其长跳跃连接部分的卷积层引入一个神经网络层的敏感度分析网络,然后对各个神经网络层进行调整,并基于敏感度分析网络确定相应的调整是否带来进度的提升,基于是否提升的分析结果对各个神经网络层进行调整,以生成最终的神经网络模型。其中,微调可以是对神经网络层进行剪枝或者参数的调整,以使得神经网络模型在训练的过程中可以得到准确度更好的神经网络模型。
在一个具体的实施例中,可以是基于用户交易数据,确定用户的交易偏好数据,然后基于用户偏好数据来确定如何对每个神经网络层进行参数的调整。或者,基于用户交易数据,确定每个神经网络层对结果的重要性,从而确定是否对相应的神经网络层进行剪枝处理。
进一步的,在期货学习模型训练完成之后,即可进一步的基于对用户交易偏好数据以及对对市场交易数据进行特征提取得到的特征数据(期货波动特征)进行分析,以去诶定期货控制策略。其中,基于用户交易偏好数据,对目标期货对应的市场交易数据进行特征提取,以提取目标期货对应的期货波动特征;然后,基于用户交易偏好数据对所述期货波动特征进行分析,这个分析过程可以是期货学习模型完成的,从而确定模型输出的期货控制的风险评估结果;然后根据风险评估结果是否满足用户交易偏好数据来确定期货控制策略。
图2示出了一个实施例中实现上述期货交易方法的计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图2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,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述方法。本领域技术人员可以理解,图2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。
采用了上述期货交易方法和计算机设备之后,在用户进行期货交易的时候,对需要进行期货交易的目标用户和目标期货对应的数据进行分析,从而确定用户的用户偏好参数,以及与目标期货对应的风险评价参数以及对应的归因因子,然后基于期货风险评估模型来确定对应的期货交易是否执行;并且在执行了相应的期货交易之后,需要进一步的通过期货学习模型对目标用户和目标期货对应的数据进行学习,以确定相应的期货控制策略,从而确定对已经交易的期货如何进行控制。采用本发明实施例,可以在期货交易前以及期货交易之后,对期货交易存在的风险进行全面的评估,并跟母评估的风险对期货交易进行控制,以降低期货交易的风险。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种期货交易方法,其特征在于,所述方法包括:
获取用户的期货交易请求,其中,所述期货交易请求包括目标期货以及目标用户的用户标识;
获取目标期货对应的关联数据,所述关联数据包括与所述目标期货对应的历史交易数据、市场数据以及网络数据,对所述关联数据进行风险因子分析,提取至少一个关联风险特征数据,并基于所述至少一个关联风险特征数据确定与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子,所述至少一个风险评价参数是从不同的维度对风险进行评价得到的评价参数,所述归因因子是所述至少一个关联风险特征数据中的一个或多个;
获取与目标用户对应的用户偏好数据,所述用户偏好数据包括与目标用户对应的历史交易数据以及目标用户设定的风险偏好设定数据,根据所述用户偏好数据确定与目标用户对应的风险偏好参数;
将所述与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子、与目标用户对应的风险偏好参数输入预设的期货风险评估模型,输出与所述期货交易请求对应的期货交易建议;
根据所述期货交易建议执行或拒绝执行所述期货交易请求;
通过预设的期货学习模型,学习目标用户的用户交易数据和与所述目标期货对应的市场交易数据,并通过所述期货学习模型输出与所述目标期货和目标用户对应的期货控制策略,所述期货控制策略包括期货操作、交易金额、交易时间中的一个或多个,所述期货操作包括平仓操作、加仓操作和减仓操作;
根据所述期货控制策略对所述期货交易请求进行持续性的期货交易控制。
2.根据权利要求1所述的期货交易方法,其特征在于,所述对所述关联数据进行风险因子分析,提取至少一个关联风险特征数据的步骤,还包括:
按照预设的特征提取算法,分别对每一个关联数据进行处理,以确定所述关联数据中与风险相关的特征并进行提取,以获取对应的关联风险特征数据;
其中,所述关联数据包括对应的时间数据,所述方法还包括:根据所述关联数据的时间数据确定该关联数据是否与所述目标期货的历史价格存在关联关系,若存在,执行所述按照预设的特征提取算法,分别对每一个关联数据进行处理,以确定所述关联数据中与风险相关的特征并进行提取,以获取对应的关联风险特征数据的步骤。
3.根据权利要求2所述的期货交易方法,其特征在于,所述基于所述至少一个关联风险特征数据确定与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子的步骤,还包括:
确定所述至少一个关联风险特征数据之间的关联关系,并基于该关联关系建立所述至少一个关联风险特征数据的关联图谱;
基于前述确定的关联数据与所述目标期货的历史价格存在的关联关系,确定关联风险特征数据之间的关联数值,所述关联数值的取值范围为[-1,1],并基于关联数值确定所述关联图谱中各个关联风险特征数据之间的关联向量的方向和大小;
基于所述关联图谱,在预设的多个风险评价参数的维度下,计算对应的关联评价参数;
其中,所述基于所述关联图谱,在预设的多个风险评价参数的维度下,计算对应的关联评价参数的步骤,还包括:
针对每一个风险评价参数的维度,确定预设的与该风险评价参数的维度对应的一个或多个关联风险特征数据作为预设节点,并基于所述关联图谱,在至少一个关联风险特征数据中确定与预设节点关联的的一个或多个关联风险特征数据作为关联节点;基于所述关联图谱中,确定与预设节点和关联节点对应的风险关联路径,基于所述风险关联路径以及预设的评价参数计算算法,计算所述关联评价参数;
其中,所述风险关联路径还包括每一个节点之间的风险传导向量,所述风险传导向量是根据各个关联风险特征数据之间的关联向量的方向和大小确定的;所述方法还包括:根据所述风险关联路径中节点之间的风险传导向量,确定向量值满足预设要求的向量确定归因因子,并确定每一个归因因子对应的风险值。
4.根据权利要求3所述的期货交易方法,其特征在于,所述根据所述用户偏好数据确定与目标用户对应的风险偏好参数的步骤,还包括:
根据目标用户对应的历史交易数据,提取第一风险偏好特征,所述第一风险偏好特征是根据历史交易数据中交易数据与期货价格之间的对应关系确定的;
根据目标用户设定的风险偏好设定数据,确定第二风险偏好特征;
根据预设的权重系数,基于第一风险偏好特征和第二风险偏好特征,计算所述风险偏好参数。
5.根据权利要求4所述的期货交易方法,其特征在于,所述将所述与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子、与目标用户对应的风险偏好参数输入预设的期货风险评估模型,输出与所述期货交易请求对应的期货交易建议的步骤,还包括:
根据风险偏好参数,与每一个风险评价参数对应的归因因子对该风险评价参数进行调整;其中,确定每一个归因因子是否为与风险偏好参数对应的关键因子以及关键因子对应的调整权重,基于该调整权要和归因因子在所述风险评价参数中的风险值,对风险评价参数进行调整;
将调整之后的风险评价参数、对应的归因因子、风险偏好数据输入预设的期货风险评估模型,输出与所述期货交易请求对应的期货交易建议。
6.根据权利要求5所述的期货交易方法,其特征在于,所述期货风险评估模型包括多个子网络,所述子网络的数量与所述风险评价参数的数量是对应的;
所述将所述与所述目标期货对应的至少一个风险评价参数以及与每一个风险评价参数对应的归因因子、与目标用户对应的风险偏好参数输入预设的期货风险评估模型,输出与所述期货交易请求对应的期货交易建议的步骤,还包括:
将风险评价参数、及与该风险评价参数对应的归因因子输入与该风险评价参数对应的子网络,输出第一风险评价值;
将风险偏好参数输入与该风险评价参数对应的子网络,并将风险偏好参数与第一风险评价值进行卷积处理,以得到第二风险评价值;
根据每一个子网络输出的第二风险评价值进行交叉融合处理,并与风险偏好参数进行卷积处理,以得到第三风险评价值;
根据第三风险评价值是否满足风险偏好参数,确定与所述期货交易请求对应的期货交易建议。
7.根据权利要求1所述的期货交易方法,其特征在于,所述通过预设的期货学习模型,学习目标用户的用户交易数据和与所述目标期货对应的市场交易数据,并通过所述期货学习模型输出与所述目标期货和目标用户对应的期货控制策略的步骤,还包括:
基于用户交易数据,提取用户的交易偏好数据,基于交易偏好数据对期货学习模型进行处理,并基于处理之后的期货学习模型对目标期货对应的市场交易数据进行学习,以输出所述期货控制策略。
8.根据权利要求7所述的期货交易方法,其特征在于,所述通过预设的期货学习模型,学习目标用户的用户交易数据和与所述目标期货对应的市场交易数据,并通过所述期货学习模型输出与所述目标期货和目标用户对应的期货控制策略的步骤,还包括:
基于用户交易偏好数据,确定所述期货学习模型的每个神经网络层是否需要进行调整,并确定对每个神经网络层的调整方案,其中,调整方案包括参数调整、剪枝处理等中的一个或多个;
基于敏感性分析网络,对调整之后的神经网络层进行分析,以确定所述期货学习模型的精度提升情况,从而确定实收对神经网络层进行调整,并获取调整之后的期货学习模型。
9.根据权利要求7所述的期货交易方法,其特征在于,所述通过预设的期货学习模型,学习目标用户的用户交易数据和与所述目标期货对应的市场交易数据,并通过所述期货学习模型输出与所述目标期货和目标用户对应的期货控制策略的步骤,还包括:
基于用户交易偏好数据,对目标期货对应的市场交易数据进行特征提取,以提取目标期货对应的期货波动特征;
基于用户交易偏好数据对所述期货波动特征进行分析,以确定期货控制的风险评估结果;
根据风险评估结果是否满足用户交易偏好数据来确定期货控制策略。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器有可执行代码,当所述可执行代码在所述处理器上运行以实现如权利要求1至9任一所述的期货交易方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210848404.0A CN115239491A (zh) | 2022-07-19 | 2022-07-19 | 期货交易方法和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210848404.0A CN115239491A (zh) | 2022-07-19 | 2022-07-19 | 期货交易方法和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239491A true CN115239491A (zh) | 2022-10-25 |
Family
ID=83673441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210848404.0A Pending CN115239491A (zh) | 2022-07-19 | 2022-07-19 | 期货交易方法和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239491A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342268A (zh) * | 2023-01-04 | 2023-06-27 | 上甲数据服务(厦门)有限公司 | 一种期货数据分析方法和系统 |
-
2022
- 2022-07-19 CN CN202210848404.0A patent/CN115239491A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342268A (zh) * | 2023-01-04 | 2023-06-27 | 上甲数据服务(厦门)有限公司 | 一种期货数据分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110493190B (zh) | 数据信息的处理方法、装置、计算机设备和存储介质 | |
US20170161758A1 (en) | Systems and methods for interactive annuity product services using machine learning modeling | |
Badshah | Quantile regression analysis of the asymmetric return‐volatility relation | |
Liu et al. | Evolving macroeconomic dynamics in a small open economy: An estimated markov switching DSGE model for the UK | |
US7877308B1 (en) | Method and system for using risk tolerance and life goal preferences and rankings to enhance financial projections | |
US20070124236A1 (en) | Credit risk profiling method and system | |
CN105469263A (zh) | 一种商品推荐方法及装置 | |
CN110609954A (zh) | 数据获取方法、装置、计算机设备和存储介质 | |
KR20210058229A (ko) | 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버 | |
CN112232949B (zh) | 基于区块链的借贷风险的预测方法和装置 | |
Liu et al. | Market crashes, correlated illiquidity, and portfolio choice | |
Chelhi et al. | Estimation of Murabaha margin | |
CN115239491A (zh) | 期货交易方法和计算机设备 | |
CN114638696A (zh) | 信贷风险预测模型的训练方法及系统 | |
CN113327164A (zh) | 期货交易的风险控制方法、装置及计算机设备 | |
CN112037005B (zh) | 一种评分卡的融合方法、装置、计算机设备及存储介质 | |
US20130097059A1 (en) | Predictive initial public offering analytics | |
Hu et al. | Optimization with reference-based robust preference constraints | |
Gupta et al. | Stock market prediction accuracy analysis using kappa measure | |
CN110909975B (zh) | 科研平台效益评估方法、装置 | |
CN111950860A (zh) | 一种企业舆情风险指数的监控方法及装置 | |
Guardasoni | Semi-Analytical method for the pricing of Barrier Options in case of time-dependent parameters (with Matlab codes) | |
CN115511562A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
CN112925723B (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 | |
CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 |
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 |