CN116542353A - 隐含波动率预测方法、价格预测方法、装置、设备及介质 - Google Patents
隐含波动率预测方法、价格预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116542353A CN116542353A CN202210076241.9A CN202210076241A CN116542353A CN 116542353 A CN116542353 A CN 116542353A CN 202210076241 A CN202210076241 A CN 202210076241A CN 116542353 A CN116542353 A CN 116542353A
- Authority
- CN
- China
- Prior art keywords
- price
- target object
- implicit
- fluctuation rate
- prediction
- 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 71
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种隐含波动率预测方法、价格预测方法、装置、设备及介质,该预测方法包括:获取目标对象的实时数据;将实时数据输入到预先构建的预测模型,输出目标对象当前的隐含波动率;该价格预测方法包括:获取利用上述方法计算的目标对象的隐含波动率;将计算得到的隐含波动率输入到预先构建的价格计算模型中,输出目标对象的期望价格。本申请实施例通过利用隐含波动率的杠杆效应,构建隐含波动率的预测模型,继而利用构建的预测模型,对隐含波动率进行准确预测,以使得最终能够利用预测得到的隐含波动率,对金融产品的期望价格实现准确计算,以引导用户进行科学的金融交易操作,提升用户收益。
Description
技术领域
本发明一般涉及人工智能技术领域,尤其涉及隐含波动率预测方 法、价格预测方法、装置、设备及介质。
背景技术
随着经济的发展,呈现出越来越多的金融产品,如股票、期权等, 使得越来越多的人们逐渐了解,并参与其中。金融衍生品作为一种重 要的金融产品的风险管理工具,在资本市场发挥着日益关键的作用。 在各种金融交易发生过程中,隐含波动率大致反映了在特定时间范围 内预期移动的大小,指的是未来价格变动的预期规模,可以理解为交 易者感知的不确定性或风险水平。
目前相关技术中,对于隐含波动率的估计,是基于当前期权价格 或股票价格,采用期权定价模型(Black-Scholes,BS)计算得到的。
对于利用BS公式的反函数计算方式,使得隐含波动率容易受到 期权价格扭曲的影响,从而使得其与期权定价的初衷相矛盾,进而使 得利用其对下一时点期权价格计算中的效果不理想。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种隐含波动率预 测方法、价格预测方法、装置、设备及介质,通过利用隐含波动率的 杠杆效应,对目标对象的数据进行训练,以构建隐含波动率的预测模 型,继而利用构建的模型,对目标对象的隐含波动率进行准确预测, 以使得最终对目标对象的期望价格实现准确预测,提高用户的收益。
第一方面,提供一种隐含波动率预测方法,该方法包括:
获取目标对象的实时数据;
将所述实时数据输入到预先构建的预测模型,输出所述目标对象 当前的隐含波动率,所述预测模型基于所述目标对象的所述隐含波动 率的杠杆效应构建。
可选的,本申请实施例提供的隐含波动率预测方法,在将所述实 时数据输入到预先构建的预测模型之前,该方法还包括:
获取所述目标对象的历史数据;
对所述历史数据进行训练,构建所述隐含波动率的预测模型。
可选的,本申请实施例提供的隐含波动率预测方法,所述对所述 历史数据进行训练,构建所述隐含波动率的预测模型包括:
基于长短期记忆人工神经网络对所述历史数据进行训练,构建所 述隐含波动率的预测模型。
可选的,本申请实施例提供的隐含波动率预测方法,所述目标对 象的数据包括价格及收益率,所述目标对象包括股票和/或期权。
第二方面,本申请实施例提供一种目标对象价格预测方法,所述 方法包括:
获取利用如第一方面所述的方法计算的所述目标对象的隐含波动 率;
将计算得到的所述隐含波动率输入到预先构建的价格计算模型 中,输出所述目标对象的期望价格。
可选的,本申请实施例提供的目标对象执行价格计算方法,所述 将计算得到的所述隐含波动率输入到预先构建的价格计算模型中,输 出所述目标对象的期望价格包括:
将计算得到的隐含波动率输入到预先构建的期权价格计算模型 中,输出所述目标对象的期望价格。
可选的,本申请实施例提供的目标对象执行价格计算方法,所述 方法还包括:
当所述目标对象的实时价格大于期望价格时,生成第一交易指令, 所述第一交易指令用于指示执行目标对象的卖出交易;
或者,当所述目标对象的实时价格小于期望价格时,生成第二交 易指令,所述第二交易指令用于指示执行所述目标对象的买入交易。
第三方面,本申请实施例提供一种隐含波动率预测装置,所述装 置包括:
获取模块,用于获取目标对象的实时数据;
预测模块,用于将所述实时数据输入到预先构建的预测模型,输 出所述目标对象当前的隐含波动率,所述预测模型基于所述目标对象 的所述隐含波动率的杠杆效应构建。
第四方面,本申请实施例提供一种目标对象价格预测装置,所述 装置包括:
计算模块,用于获取利用如第一方面所述的方法计算的所述目标 对象的隐含波动率;
预测模块,用于将计算得到的所述隐含波动率输入到预先构建的 价格计算模型中,输出所述目标对象的期望价格。
第五方面,本申请实施例提供一种计算机设备,包括存储器、处 理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理 器执行该程序时实现如第一方面或第二方面所述的方法。
第六方面,本申请实施例提供一种计算机可读存储介质,其上存 储有计算机程序,所述计算机程序用于实现如第一方面或第二方面所 述的方法。
本申请实施例提供的隐含波动率预测方法、价格预测方法、装置、 设备及介质,通过利用隐含波动率的杠杆效应,对金融产品的历史数 据进行训练,以构建对应的隐含波动率的预测模型,继而利用构建的 预测模型,对金融产品的隐含波动率进行准确预测,以使得最终能够 利用预测得到的隐含波动率,对金融产品的期望价格实现准确计算, 以引导用户进行科学的金融交易操作,本申请实施例方法的操作简单, 使用成本低,能够实时根据金融产品的数据自动计算,更新迭代预测 模型,以提升预测模型准确度,提升用户收益。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描 述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请实施例的隐含波动率的预测方法流程示意图;
图2为本申请一些实施例的神经网络构架流程示意图;
图3为本申请实施例的期望价格预测方法的流程示意图;
图4为本申请一些实施例的期望价格预测方法的流程示意图;
图5为本申请实施例的隐含波动率预测装置的结构示意图;
图6为本申请实施例的期望价格预测装置的结构示意图;
图7为本申请实施例提供的一种设备结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发 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 发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本 申请。
大数据(Big data)是指无法在一定时间范围内用常规软件工具进 行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的 决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信 息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数 据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适 用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式 文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计 算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并 使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说, 人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并 生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感 知、推理与决策的功能。
金融产品指的是各种具有经济价值,可进行公开交易或兑现的非 实物资产,也叫有价证券,如现金、汇票、股票、期权、期货、债券、 保单等。比如:用户可以用现金购买任何商品,包括金融产品;用户 可以到银行承兑汇票(变成现金);用户可以在相应的金融市场任意买 卖(交易)股票、期权等;人们持有的债券、保单等到期可以兑现(变 成现金)。
虽然不同的金融产品有着不同的具体规定和约定,但是,每一个 金融产品通常都应具备发行者、认购者、期限、价格和收益、风险、 流动性、流通性及权利。
其中,价格是金融产品的核心要素,包括票面价格及市场价格, 市场价格是金融产品在市场上的成交价格,相当于认购者实付,发行 者实收的价格。
收益率是金融产品的另一个核心要素,它表示该金融产品给其持 有者带来的收入占其投资的比率。金融产品的收益包括两种:一是证 券利息收入,简称收人或经常性收入,二是资本增益或损益。利息收 入是指在金融产品持有期内获得的利息收入,如债券按期支付债息的 收入或股票按期支付股息的收入等。资本增益或损益则是指由于所持 证券价格的升降变动而带来的本金的升值或减值。
其中,隐含波动率是金融产品定价的关键参数之一,相关的技术 中,为了提升用户在金融交易过程中的收益,利用市场交易中的金融 产品的批量数据,对隐含波动率这一参数进行准确估计,以为交易者 提供较为准确预测结果,即使得该预测结果作为多种交易策略的输入 特征,为交易者做出交易决策判断提供科学支持。
可以理解,对于金融产品的隐含波动率是无法直接获得的,而市 场中金融产品,如期权的价格也不是通过模型计算出的,而是多空头 博弈的结果。作为交易者需要知道当前的价格是否是一个偏高或者偏 低的价格,则需要有准确的隐含波动率来对金融产品的期望价格进行 定价。
而在本申请实施例中,为了克服现有的相关技术中,借助BS模 型中的反函数估计过程中,容易受市场价格扭曲的影响的缺陷,设计 出基于杠杆效应和长短期记忆人工神经网络(Long Short-Term Memory,LSTM)模型,输入金融产品的历史数据和收益率,如股票的k线数据,即以此作为预测模型的输入观测特征来训练,进而利用 训练后的预测模型预测当前金融产品对应的较为合理的隐含波动率, 即基于隐含波动率的杠杆效应,实现预测模型的构建。
进一步,本申请实施例中,在构建预测模型的基础上,可以根据 预测的当前市场金融产品的隐含波动率进行期望价格预测,以指导金 融交易。
可以理解,相关技术中的利用Black-Scholes模型(简称BS模型) 计算得到的隐含波动率是反向计算,使得预测的隐含波动率容易受到 价格失真带来的干扰。而本申请实施例中所估计的隐含波动率是利用 金融产品的价格和收益率,执行正向计算所得到的隐含波动率,进而 可以使得交易者根据所构建的预测模型预测的稳健隐含波动率,进行 金融产品期望价格的准确预测,以为金融交易提供科学依据,最终提 升效益。
进一步,为了更好的理解本申请实施例的方法,现对涉及的人工 智能算法做介绍。
长短期记忆人工神经网络(Long Short-Term Memory,LSTM), 是一种时间递归神经网络,由于独特的设计结构,LSTM适合于处理 和预测时间序列中间隔和延迟非常长的重要事件。
杠杆效应,作为使用神经网络的前提及理论机理,其描述的是金 融产品的隐含波动率变化和价格的不对称性,这种类函数关系则可以 使用神经网络拟合,如上述的长短期记忆人工神经网络。
期权定价模型(Black-Scholes,BS),表示只有金融产品的当前值 与未来的预测有关。变量过去的历史与演变方式与未来的预测不相关。 即模型表明,金融产品的期望价格的决定非常复杂,如合约期限、现 价、无风险资产的利率水平以及交割价格等都会影响期权价格。
本申请实施例中,考虑到相关技术中,期权的隐含波动率是无法 直接获得的,而市场中期权的价格也不是通过模型计算出的,而是多 空头博弈的结果。则作为交易者需要知道当前的价格是否是一个偏高 或者偏低的价格,这就需要有准确的隐含波动率来对期望价格进行预 确定。
而杠杆效应体现了金融产品的隐含波动率变化和价格的不对称 性,此类类函数关系可以使用神经网络拟合。
例如,对于期权来说,可以将期权的标的资产价格和收益率的历 史数据作为输入,进行模型训练,以构建出隐含波动率的预测模型, 使得构建的预测模型,在输入交易阶段的实时价格及收益率后,可以 输出实时隐含波动率。进而可以利用输出的隐含波动率和BS模型计 算期权的期望价格。
进一步,本申请实施例中,为了提升用户体验,在计算出金融产 品的期望价格后,还可以对计算得到的金融产品的期望价格与实时价 格进行比较,以根据比较结果,向用户给出相应的交易操作。
例如,对于期权,可以比较期权实时价格和计算得到的期望价格, 则当期权实时价格高于期望价格时,可以指导用户执行卖出相应期权 的操作,反之则指导用户执行买入相应期权的操作,当待期权实时价 格触及模型输出的价格时可以执行平仓操作。每日收盘后模型再次将 当日行情数据纳入训练集中再次训练更新迭代模型。
为了更好的理解本申请实施例提供的隐含波动率预测模型构建方 法、预测方法,下面通过图1至图4详细阐述。
图1所示为本申请实施例提供的隐含波动率估计方法的流程示意 图,如图1所示,该方法包括:
S110,获取目标对象的实时数据。
S120,将该实时数据输入到预先构建的预测模型,输出该目标对 象当前的隐含波动率,该预测模型基于该目标对象的该隐含波动率的 杠杆效应构建。
具体的,本申请实施例中,首先可以采集作为目标对象的某个金 融产品的实时数据。
例如,作为目标对象的金融产品,可以为待分析的某只股票或某 品种期货等。则该目标对象的实时数据可以包括某只股票或某品种期 货的收盘价及收益率等。
如,对于股票而言,其实时数据可以为该只股票的k线所体现的 数据,即包括开盘价、收盘价、最高点及最低点这四个数据。
可以理解,在实际中,为了确保算法正常执行,可以对获取的实 时数据进行预处理,如执行剔除异常数据等操作。
进一步,在获取目标对象的实时数据后,可以将获取的实时数据 输入到预先构建的隐含波动率的预测模型中,以使得该预测模型运行 内部算法,输出该目标对象的实时数据对应的隐含波动率。
在该实施例中,为了提高隐含波动率的预测精度,在对隐含波动 率进行预测前,还可以执行训练步骤,以利用隐含波动率的杠杆效应, 即利用隐含波动率变化和金融产品的价格之间的不对称性来构建隐含 波动率的预测模型。
可选的,本申请实施例中,在利用构建的预测模型对目标对象的 隐含波动率进行预测前,还可以对目标对象的历史数据进行训练,以 构建该预测模型,即如图1所示,该方法还可以包括:。
S102,获取目标对象的历史数据。
S106,对历史数据进行训练,构建该目标对象对应的用于隐含波 动率预测的预测模型。
具体的,对于目标对象的隐含波动率的预测模型的构建,首先需 要采集样本数据,以利用采集的样本数据进行模型训练。
实际中,对于采集到的目标对象的历史数据,可以分为两个部分, 即训练样本及测试样本。
例如,对于如股票或期权等金融产品,可以获取对应的历史价格 及历史收益率,作为样本数据。
可以理解,在一些实施例中,对获取的历史数据进行预处理,以 提高样本数据质量。
还可以理解,在本申请实施例中,在实际应用中,为了实时确保 构建的预测模型的准确性,在利用构建的隐含波动率对某金融产品的 隐含波动率进行预测,进而利用预测的隐含波动率计算该金融产品的 期望价格,以指导用户执行交易操作后,则进一步可以获取当天收盘 后的数据,作为历史数据,即将当日数据纳入训练集中再次训练更新 迭代模型。
可选的,在一些实施例中,为了提高所训练的预测模型的准确性, 可以采用神经网络对采集的样本数据进行训练,如利用长短期记忆人 工神经网络来训练所采集的数据,以构建预测模型。
例如,以获取的金融产品的价格及收益率作为输入,隐含波动率 作为输出,如图2所示,中x^(n)为输入数据,如股票的历史收盘价格 及历史收益率,y^(n)为输出的隐含波动率,如股票的隐含波动率,a^(n) 为模型节点间传递的时间序列信息。
可以理解,基于该神经网络对目标对象的历史数据的训练,进行 预测模型的构建,仅需要输入金融产品的收盘价及收益率数据;通过 模型训练和验证得到适用模型;再利用模型通过实时行情数据计算隐 含波动率和期望期权价格;最后根据估计出的期权价格发出交易指令。
具体的,在模型训练阶段,输入的收益率和价格可以将金融产品 的价格的波动趋势及收益率输入到模型中,进而使得LSTM模型可以 较好的利用时序上的信息,双层LSTM结构可以增加模型的非线性性 保证对噪音的有效滤清。
可以理解,模型中设置的dropout参数可以有效地避免模型在训 练中的过拟合,提高每批训练样本的数据量可以更好的让模型获取和 利用时序上的信息。这样经过训练的模型在验证和测试集中即可输出 较为准确的隐含波动率。
模型包含m条(m为输入样本数量)由双层LSTMcell非线性变换序 列和一条由前向后传输每个LSTMcell输出状态的时序序列。在非线 性变换序列中,输入数据将通过两层变换为隐含波动率;而在时序序 列中,前面的输出数据将被后面的非线性变换作为输入以获取时序上 的信息。
本申请实施例中,对于金融产品的隐含波动率的预测,首先可以 采集目标对象的历史数据,进而基于杠杆效应,即隐含波动率变化与 目标对象之间的不对称性,借助长短期记忆人工神经网络,对获取的 历史数据进行训练,以构建得到目标对象的隐含波动率的预测模型, 该构建方法消除了市场价格扭曲带来的隐含波动率失真,直接通过目 标对象的价格和收益率数据。
进一步,当通过上述步骤,利用构建的目标对象的隐含波动率的 预测模型,对隐含波动率进行准确预测后,可以利用预测的隐含波动 率,进行目标对象的期望价格准确预测。
即本申请还提供一种期望价格的计算方法,如图3所示,该方法 可以包括:
S310,获取目标对象的实时数据。
S320,将该实时数据输入到预先构建的预测模型,输出目标对应 的隐含波动率。
S330,将计算得到的隐含波动率输入到预先构建的价格计算模型 中,输出该目标对象的期望价格。
具体的,在该实施例中,步骤310及320与上述实施例类似,此 处不再赘述。
例如,对于某只股票或某种期权,通过上述实施例记载的方法, 可以预测对应的隐含波动率。
或者,在另一实施例中,可以在其他计算机设备上执行对隐含波 动率的预测步骤,即在其他计算机设备上执行S110及S120,进而使 得计算目标对象的期望价格的计算机设备直接获取计算得到的隐含波 动率,以利用得到该隐含波动率,预测该目标对象的期望价格。
即该在S330之前,执行S305:
S305,获取目标对象的隐含波动率,该隐含波动率通过上述实施 例记载的方法预测得到。
进一步,在得到目标对象的隐含波动率后,可以利用预测得到的 隐含波动率计算对应股票或期权的期望价格,以为用户的交易执行提 供建议。
例如,对于可以将预测模型输出的隐含波动率,输入到BS模型 中,以计算股票或期权的期望价格。
其中,BS模型的具体表达如以下公式所示:
C0=S0N(d1)-Ke-rtN(d2)
其中,S0、K、C0、r、t、σ弱势分别代表标的资产价格,期权行 权价格,期权在当前时刻的价格,无风险收益率,剩余到期时长以及 隐含波动率。在已知除C0外的其余五个变量的情况下可以通过BS模 型计算出当前的期权价格。
如图4所示,可以将目标对象的资产价格,期权行权价格及收益 率输入到BS模型中,可以输出对应目标对象的期望价格。
进一步的,本申请实施例中,为了实现智能化,以根据计算结果, 自动完成金融产品的交易操作,在计算得到目标对象的期望价格后, 还可以比较目标对象的实时价格和期望价格,进而根据比较结果,生 成对应的交易指令,以指示完成交易操作。
例如,当所述目标对象的实时价格大于期望价格时,生成第一交 易指令,该第一交易指令用于指示执行目标对象的卖出交。
或者,当所述目标对象的实时价格小于期望价格时,生成第二交 易指令,所述第二交易指令用于指示执行所述目标对象的买入交易。
可以理解,本申请实施例中,杠杆效应作为使用神经网络的前提, 因为杠杆效应描述的是隐含波动率变化和股价涨跌的不对称性,这种 类函数关系可以使用神经网络拟合。首先用历史数据将模型训练好并 通过验证,历史数据中作为模型的输入数据为期权的标的资产价格和 收益率,模型输出为隐含波动率。在交易时段用即时行情数据输入模 型,模型将会实时输出隐含波动率。再用输出的隐含波动率和BS模 型计算期权的期望价格。比较期权实时价格和期望价格,当期权实时 价格高于期望价格时卖出相应期权,反之则买入相应期权,待期权实 时价格触及模型输出的价格时平仓。每日收盘后模型再次将当日行情数据纳入训练集中再次训练更新迭代模型。
另一方面,本申请实施例提供一种隐含波动率的预测装置,如图 5所示,该装置500包括:
第一获取模块510,用于获取目标对象的实时数据;
预测模块520,用于将所述实时数据输入到预先构建的预测模型, 输出所述目标对象当前的隐含波动率,所述预测模型基于所述目标对 象的所述隐含波动率的杠杆效应构建。
可选的,本申请实施例提供的隐含波动率预测装置,还包括:
第二获取模块530,用于获取所述目标对象的历史数据;
训练模块540,用于将所述历史数据作为预测模型的输入,对所 述预测模型进行训练。
可选的,本申请实施例提供的隐含波动率预测装置,该训练模块 具体用于基于长短期记忆人工神经网络构建所述预测模型。
可选的,本申请实施例提供的隐含波动率预测装置,所述目标对 象的数据包括价格及收益率,所述目标对象包括股票和/或期权。
第二方面,本申请实施例提供一种目标对象价格预测装置,如图 6所示,该装置600包括:
获取模块610,用于获取利用如上述实施例的方法计算的所述目 标对象的隐含波动率。
预测模块620,用于将计算得到的隐含波动率输入到预先构建的 价格计算模型中,输出该目标对象的期望价格。
可选的,本申请实施例提供的目标对象价格计算方法,该计算模 块630具体用于:
将计算得到的隐含波动率输入到预先构建的期权价格计算模型 中,输出所述目标对象的期望价格。
可选的,本申请实施例提供的目标对象价格计算方法,该装置还 包括:
比较模块640,用于比较计算得到的期望价格与所述目标对象的 实时价格;
第一生成模块650,用于当所述目标对象的实时价格大于所述期 望价格时,生成第一交易指令,所述第一交易指令用于指示执行目标 对象的卖出交易;
第二生成模块660,用于当所述目标对象的实时价格小于所述期 望价格时,生成第二交易指令,所述第二交易指令用于指示执行所述 目标对象的买入交易。
另一方面,本申请实施例还提供一种计算机设备,该设备包括存 储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序, 该处理器执行该程序时实现如上所述的告警数据处理方法。
下面参考图7,其示出了适于用来实现本申请实施例的设备的计 算机系统的结构示意图。
如图7所示,计算机系统包括中央处理单元(CPU)901,其可以 根据存储在只读存储器(ROM)902中的程序或者从存储部分903加 载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和 处理。在RAM 903中,还存储有系统900操作所需的各种程序和数据。 CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输 出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906; 包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的 输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、 调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如 因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口 905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等, 根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据 需要被安装入存储部分908。
特别地,根据本申请公开的数据显示的实施例,上文参考图3至 图4描述的过程可以被实现为计算机软件程序。例如,本申请公开的 数据显示的实施例包括一种计算机程序产品,其包括有形地包含在机 器可读介质上的计算机程序,该计算机程序包含用于执行图3至图4 的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信 部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。
需要说明的是,本发明所示的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导 线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只 读存储器(ROM)、可擦式可编程只读存储器(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。在本申请中,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。
而在本申请中,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、RF等等,或者上 述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种告警数据处理实 施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和 操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程 序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一 个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有 些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所 标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行 地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。 也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图 中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的 系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方 式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以 设置在处理器中,例如,可以描述为:一种处理器包括获取模块、预 测模块。其中,这些单元或模块的名称在某种情况下并不构成对该单 元或模块本身的限定,例如,合并模块还可以被描述为“用于将所述 实时数据输入到预先构建的预测模型,输出所述目标对象当前的隐含 波动率,所述预测模型基于所述目标对象的隐含波动率的杠杆效应构 建”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计 算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可 读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储 介质。计算机可读存储介质存储有一个或者一个以上程序,前述程序 被一个或者一个以上的处理器用来执行描述于本申请的告警数据处理 方法,具体执行:
获取目标对象的实时数据;
将所述实时数据输入到预先构建的预测模型,输出所述目标对象 当前的隐含波动率,所述预测模型基于所述目标对象的隐含波动率的 杠杆效应构建。
本申请实施例提供的隐含波动率预测方法、价格预测方法、装置、 设备及介质,通过利用隐含波动率的杠杆效应,对金融产品的历史数 据进行训练,以构建对应的隐含波动率的预测模型,继而利用构建的 预测模型,对金融产品的隐含波动率进行准确预测,以使得最终能够 利用预测得到的隐含波动率,对金融产品的期望价格实现准确计算, 以引导用户进行科学的金融交易操作,本申请实施例方法的操作简单, 使用成本低,能够实时根据金融产品的数据自动计算,更新迭代预测 模型,以提升预测模型准确度,提升用户收益。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说 明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限 于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离 所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合 而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种隐含波动率预测方法,其特征在于,所述方法包括:
获取目标对象的实时数据;
将所述实时数据输入到预先构建的预测模型,输出所述目标对象当前的隐含波动率,所述预测模型是利用所述目标对象的历史数据,基于所述目标对象的隐含波动率的杠杆效应构建的。
2.根据权利要求1所述的隐含波动率预测方法,其特征在于,在将所述实时数据输入到预先构建的预测模型之前,所述方法还包括:
获取所述目标对象的历史数据;
对所述历史数据进行训练,构建所述预测模型。
3.根据权利要求2所述的隐含波动率预测方法,其特征在于,所述对所述历史数据进行训练,构建所述预测模型包括:
基于长短期记忆人工神经网络对所述历史数据进行训练,构建所述预测模型。
4.根据权利要求1-3任一项所述的隐含波动率预测方法,其特征在于,所述目标对象的数据包括价格及收益率,所述目标对象包括股票和/或期权。
5.一种价格预测方法,其特征在于,所述方法包括:
获取利用如权利要求1-4任一项所述的方法计算的所述目标对象的隐含波动率;
将计算得到的所述隐含波动率输入到预先构建的价格计算模型中,输出所述目标对象的期望价格。
6.根据权利要求5所述的价格预测方法,其特征在于,所述将计算得到的所述隐含波动率输入到预先构建的价格计算模型中,输出所述目标对象的期望价格包括:
将计算得到的隐含波动率输入到预先构建的期权价格计算模型中,输出所述目标对象的期望价格。
7.根据权利要求5或6所述的价格预测方法,其特征在于,所述方法还包括:
比较计算得到的期望价格与所述目标对象的实时价格;
当所述目标对象的实时价格大于所述期望价格时,生成第一交易指令,所述第一交易指令用于指示执行目标对象的卖出交易;
或者,当所述目标对象的实时价格小于所述期望价格时,生成第二交易指令,所述第二交易指令用于指示执行所述目标对象的买入交易。
8.一种隐含波动率预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标对象的实时数据;
预测模块,用于将所述实时数据输入到预先构建的预测模型,输出所述目标对象当前的隐含波动率,所述预测模型基于所述目标对象的所述隐含波动率的杠杆效应构建。
9.一种价格预测装置,其特征在于,所述装置包括:
计算模块,用于利用如权利要求1-4任一项所述的方法计算所述目标对象的隐含波动率;
预测模块,用于将计算得到的所述隐含波动率输入到预先构建的价格计算模型中,输出所述目标对象的期望价格。
10.一种计算机设备,其特征在于,所述设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序用于实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076241.9A CN116542353A (zh) | 2022-01-21 | 2022-01-21 | 隐含波动率预测方法、价格预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076241.9A CN116542353A (zh) | 2022-01-21 | 2022-01-21 | 隐含波动率预测方法、价格预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542353A true CN116542353A (zh) | 2023-08-04 |
Family
ID=87456514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076241.9A Pending CN116542353A (zh) | 2022-01-21 | 2022-01-21 | 隐含波动率预测方法、价格预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542353A (zh) |
-
2022
- 2022-01-21 CN CN202210076241.9A patent/CN116542353A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhandari et al. | Predicting stock market index using LSTM | |
TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
TW530236B (en) | Cross correlation tool for automated portfolio descriptive statistics | |
Jangmin et al. | Adaptive stock trading with dynamic asset allocation using reinforcement learning | |
Kabbani et al. | Deep reinforcement learning approach for trading automation in the stock market | |
Lee et al. | Learning to trade in financial time series using high-frequency through wavelet transformation and deep reinforcement learning | |
Zhang et al. | Signal processing for finance, economics, and marketing: concepts, framework, and big data applications | |
JP2017530494A (ja) | トレーディング・プラットフォーム・システムおよびその方法 | |
Manahov et al. | High‐frequency trading from an evolutionary perspective: Financial markets as adaptive systems | |
Gupta et al. | H3O-LGBM: hybrid Harris hawk optimization based light gradient boosting machine model for real-time trading | |
Sarmento et al. | A machine learning based pairs trading investment strategy | |
CN114846500A (zh) | 从动态生成的电子数据库中执行选择的系统 | |
Kumar | Deep Hawkes process for high-frequency market making | |
Potdar et al. | Comprehensive Analysis of Machine Learning Algorithms Used in Robo-Advisory Services | |
Andersen et al. | A novel algorithmic trading framework applying evolution and machine learning for portfolio optimization | |
CN116542353A (zh) | 隐含波动率预测方法、价格预测方法、装置、设备及介质 | |
Ali et al. | Deployment of a smart trading system for intelligent stock trading | |
Corona-Bermudez et al. | On the computation of optimized trading policies using deep reinforcement learning | |
Wanniarachchi et al. | Macroeconomic event base expert advisor for forex trades: through algo trading | |
US20230351294A1 (en) | Forecasting periodic inter-entity exposure for prophylactic mitigation | |
Huang et al. | Algorithmic trading using combinational rule vector and deep reinforcement learning | |
Marti | Decoding the Quant Market: A Guide to Machine Learning in Trading | |
US20220148093A1 (en) | Dynamically-Generated Electronic Database for Portfolio Selection | |
US20230401417A1 (en) | Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action | |
Chavan et al. | Intelligent Investment Portfolio Management using Time-Series Analytics and Deep Reinforcement Learning |
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 |