CN116681524A - 数据预测处理方法、装置、电子设备及存储介质 - Google Patents

数据预测处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116681524A
CN116681524A CN202310684646.5A CN202310684646A CN116681524A CN 116681524 A CN116681524 A CN 116681524A CN 202310684646 A CN202310684646 A CN 202310684646A CN 116681524 A CN116681524 A CN 116681524A
Authority
CN
China
Prior art keywords
fluctuation rate
curved surface
current moment
moment
implicit
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
Application number
CN202310684646.5A
Other languages
English (en)
Inventor
齐圆圆
郭国祥
徐少为
陈黄浩
颜至宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Macau
Original Assignee
University of Macau
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Macau filed Critical University of Macau
Priority to CN202310684646.5A priority Critical patent/CN116681524A/zh
Publication of CN116681524A publication Critical patent/CN116681524A/zh
Pending legal-status Critical Current

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Technology Law (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提供一种数据预测处理方法、装置、电子设备及存储介质，涉及机器学习技术领域。通过获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，对获取到的目标期权交易数据进行处理后可提取到当前时刻的目标期权交易特征信息，从而基于预先训练得到的预测模型，对输入的当前时刻的目标期权交易特征信息进行处理，以得到当前时刻对应的下一时刻的预测交易数据。其中，提取到的特征信息为目标期权的隐含波动率相关信息，隐含波动率相关信息与所需的预测交易数据之间具有潜在的关联关系，从而基于特征信息可以从更高维度上进行预测交易数据的获取，提高了模型输出的预测交易数据的可靠性。

Description

数据预测处理方法、装置、电子设备及存储介质
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种数据预测处理方法、装置、电子设备及存储介质。
背景技术
在一些业务领域中，例如证券领域中，需要进行数据分析预测处理，以向相关人员提供参考。
现有技术中，可以基于待预测数据的历史交易数据进行分析预测处理。
但是，现有技术存在数据较为单一局限的问题，会导致分析预测结果的可靠度不高。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种数据预测处理方法、装置、电子设备及存储介质，以便于提高预测结果的可靠性。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种数据预测处理方法，包括：
根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取所述当前时刻的目标期权交易特征信息，所述目标期权交易特征信息至少包括：目标期权在所述当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度；
根据所述当前时刻的目标期权交易特征信息，采用预先训练的预测模型，得到所述当前时刻对应的下一时刻的预测交易数据，所述预测交易数据包括：交易价格；所述预测模型根据样本数据训练得到，所述样本数据包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。
可选地，所述根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取所述当前时刻的目标期权交易特征信息，包括：
获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，所述目标期权交易数据包括：目标期权交易价格、股票交易价格、目标期权的成交时间、目标期权的到期日以及目标期权的行权价格；
根据所述当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，采用期权定价模型，计算所述目标期权在各时刻的隐含波动率，所述各时刻包括：当前时刻以及当前时刻对应的历史时刻；
根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面；
根据所述目标期权的隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息。
可选地，所述根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面，包括：
分别以所述目标期权距离到期日的时间为横轴、以所述目标期权的行权价格为纵轴、以所述隐含波动率为竖轴，根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面。
可选地，所述根据所述目标期权的隐含波动率曲面，生成所述当前时刻的目标期权交易特征信息，包括：
按照预设时间间隔对所述目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面；
对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面；
根据所述目标隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息。
可选地，所述按照预设时间间隔对所述目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面，包括：
计算所述预设时间间隔内的股票交易价格平均值；
以所述股票交易价格平均值为中心轴，沿着预设方向按照预设移动距离移动所述隐含波动率曲面的纵轴，得到调整后的隐含波动率曲面。
可选地，所述对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面，包括：
根据所述当前时刻以及各历史时刻的隐含波动率的平均值和方差，对各时刻的隐含波动率进行修正，得到各时刻的新的隐含波动率；
将不存在目标期权交易的时刻所对应的期权交易价格确定为预设值；
根据各时刻的新的隐含波动率以及所述预设值，对所述调整后的隐含波动率曲面进行更新，得到所述目标隐含波动率曲面。
可选地，所述目标隐含波动率曲面包括：看涨波动率曲面和看跌波动率曲面；所述根据所述目标隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息，包括：
根据当前时刻的看涨波动率曲面和当前时刻的看跌波动率曲面，生成当前时刻的隐含波动率缺口曲面；
根据所述看涨波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述看涨波动率曲面在当前时刻的变化速度，并且根据所述看涨波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述看涨波动率曲面在当前时刻的加速度；
根据所述看跌波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述看跌波动率曲面在当前时刻的变化速度，并且根据所述看跌波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述看跌波动率曲面在当前时刻的加速度；
根据所述隐含波动率缺口曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述隐含波动率缺口曲面在当前时刻的变化速度，并且根据所述隐含波动率缺口曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述隐含波动率缺口曲面在当前时刻的加速度；
将所述当前时刻的看涨波动率曲面、当前时刻的看跌波动率曲面、当前时刻的隐含波动率缺口曲面以及所述看涨波动率曲面在当前时刻的变化速度和加速度、所述看跌波动率曲面在当前时刻的变化速度和加速度、所述隐含波动率缺口曲面在当前时刻的变化速度和加速度确定为当前时刻的目标期权交易特征信息。
第二方面，本申请实施例还提供了一种数据预测处理装置，包括：提取模块、处理模块；
所述提取模块，用于根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取所述当前时刻的目标期权交易特征信息，所述目标期权交易特征信息至少包括：目标期权在所述当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度；
所述处理模块，用于根据所述当前时刻的目标期权交易特征信息，采用预先训练的预测模型，得到所述当前时刻对应的下一时刻的预测交易数据，所述预测交易数据包括：交易价格；所述预测模型根据样本数据训练得到，所述样本数据包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。
可选地，所述提取模块，具体用于
获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，所述目标期权交易数据包括：目标期权交易价格、股票交易价格、目标期权的成交时间、目标期权的到期日以及目标期权的行权价格；
根据所述当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，采用期权定价模型，计算所述目标期权在各时刻的隐含波动率，所述各时刻包括：当前时刻以及当前时刻对应的历史时刻；
根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面；
根据所述目标期权的隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息。
可选地，所述提取模块，具体用于
分别以所述目标期权距离到期日的时间为横轴、以所述目标期权的行权价格为纵轴、以所述隐含波动率为竖轴，根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面。
可选地，所述提取模块，具体用于
按照预设时间间隔对所述目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面；
对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面；
根据所述目标隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息。
可选地，所述提取模块，具体用于
计算所述预设时间间隔内的股票交易价格平均值；
以所述股票交易价格平均值为中心轴，沿着预设方向按照预设移动距离移动所述隐含波动率曲面的纵轴，得到调整后的隐含波动率曲面。
可选地，所述提取模块，具体用于
根据所述当前时刻以及各历史时刻的隐含波动率的平均值和方差，对各时刻的隐含波动率进行修正，得到各时刻的新的隐含波动率；
将不存在目标期权交易的时刻所对应的期权交易价格确定为预设值；
根据各时刻的新的隐含波动率以及所述预设值，对所述调整后的隐含波动率曲面进行更新，得到所述目标隐含波动率曲面。
可选地，所述目标隐含波动率曲面包括：看涨波动率曲面和看跌波动率曲面；所述提取模块，具体用于
根据当前时刻的看涨波动率曲面和当前时刻的看跌波动率曲面，生成当前时刻的隐含波动率缺口曲面；
根据所述看涨波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述看涨波动率曲面在当前时刻的变化速度，并且根据所述看涨波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述看涨波动率曲面在当前时刻的加速度；
根据所述看跌波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述看跌波动率曲面在当前时刻的变化速度，并且根据所述看跌波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述看跌波动率曲面在当前时刻的加速度；
根据所述隐含波动率缺口曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述隐含波动率缺口曲面在当前时刻的变化速度，并且根据所述隐含波动率缺口曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述隐含波动率缺口曲面在当前时刻的加速度；
将所述当前时刻的看涨波动率曲面、当前时刻的看跌波动率曲面、当前时刻的隐含波动率缺口曲面以及所述看涨波动率曲面在当前时刻的变化速度和加速度、所述看跌波动率曲面在当前时刻的变化速度和加速度、所述隐含波动率缺口曲面在当前时刻的变化速度和加速度确定为当前时刻的目标期权交易特征信息。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以实现如第一方面中提供的数据预测处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面提供的数据预测处理方法。
本申请的有益效果是：
本申请提供一种数据预测处理方法、装置、电子设备及存储介质，通过获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，对获取到的目标期权交易数据进行处理后可提取到当前时刻的目标期权交易特征信息，从而基于预先训练得到的预测模型，对输入的当前时刻的目标期权交易特征信息进行处理，以得到当前时刻对应的下一时刻的预测交易数据。其中，提取到的特征信息为目标期权的隐含波动率相关信息，隐含波动率相关信息与所需的预测交易数据之间具有潜在的关联关系，从而基于特征信息可以从更高维度上进行预测交易数据的获取，不再局限于现有技术中仅仅根据预测交易数据的相关历史数据进行计算，从而提高了模型输出的预测交易数据的可靠性，为相关人员提供可信的数据参考。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种数据预测处理方法的流程示意图；
图2为本申请实施例提供的另一种数据预测处理方法的流程示意图；
图3为本申请实施例提供的一种隐含波动率曲面的示意图；
图4为本申请实施例提供的又一种数据预测处理方法的流程示意图；
图5为本申请实施例提供的另一种数据预测处理方法的流程示意图；
图6为本申请实施例提供的又一种数据预测处理方法的流程示意图；
图7为本申请实施例提供的另一种数据预测处理方法的流程示意图；
图8为本申请实施例提供的一种数据预测处理装置的示意图；
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“证券领域的标的价格预测”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕标的价格预测进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他业务场景中的数据预测。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
首先，对本方案的相关背景进行简单说明：
金融市场的产品种类繁多，而金融产品之间也是有着密切的关联的。期权是股票的一种衍生商品，可以在特定时间以特定的价格买入或卖出相应的标的。因此，投资者常常会将期权视为金融市场的一种保险，可以抵抗市场潜在的波动，通过进行相应的止盈止损策略保护资金的稳定。
隐含波动率是期权的一个重要指标，它可以反映出投资者的市场情绪，当投资者对金融市场的表现不看好时，投资者会更倾向于购买风险性更低的产品，如期权，因此，期权的价格会相应的上涨，而这一变化也会体现在隐含波动率上，而隐含波动率的上涨又会导致对应股价的下跌，也就是说，期权的隐含波动率与股价之间存在一定的关系。
本方案旨在探索隐含波动率与股价变动的关系。根据期权的相关交易数据得到期权的隐含波动率曲面，从而抽取出期权的相关特征信息，以特征信息作为预测模型的输入，从而得到预测数据。
如下，对本方案可能涉及的一些领域专业名词进行说明：
期权标的：是指期权合约中约定买卖的对象资产，可以是指股票、指数、外汇、利率、商品、ETF等。
期权价格：是指期权的权利金，也可以理解为期权买卖双方在交易时约定的期权价格。
行权价：是指期货合约规定的，买卖双方在行权履约时的交易价格，简单的说，就是期权买卖双方事先约定的价格。
期权的到期日：是指期权合约规定的最后一天，即该期权合约的有效期限。到期日之后，该期权合约将失效，持有者将无法再行使该期权合约所规定的权利。
标的价格：是指期权到期时的实际价格。
图1为本申请实施例提供的一种数据预测处理方法的流程示意图；本方法的执行主体可以是计算机或者服务器等设备，如图1所示，该方法可包括：
S101、根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取当前时刻的目标期权交易特征信息，目标期权交易特征信息至少包括：目标期权在当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度。
可选地，可根据当前时刻以及当前时刻之前的历史时刻的期权交易数据，进行信息提取，以提取当前时刻的期权交易特征信息。其中，历史时刻可以为历史预设时间段内的各时刻，例如，可以将当前时刻之前的3个月内的各时刻作为当前时刻对应的历史时刻，这个是可以适应性调整的。
通常针对不同的期权其交易数据与预测交易数据之间的关系也会是不同的，那么，针对不同的期权可以分别进行预测，本实施例则是以目标期权的相关预测为实施例进行说明，实际应用中，目标期权可以为任意期权。
在一些实施例中，提取到的目标期权的交易特征信息可以包括：目标期权在当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度。由于期权的隐含波动率变化与预测交易数据之间存在关联关系，那么通过提取隐含波动率相关的信息作为特征信息，从而可用于进行得到预测交易数据。
S102、根据当前时刻的目标期权交易特征信息，采用预先训练的预测模型，得到当前时刻对应的下一时刻的预测交易数据，预测交易数据包括：交易价格；预测模型根据样本数据训练得到，样本数据包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。
可选地，可预先训练得到预测模型，预测模型用于学习期权交易特征信息与预测交易数据之间的所遵从的规律，从而根据学习到的规律，基于输入的当前时刻的目标期权交易特征信息，得到当前时刻对应的下一时刻的预测交易数据。
其中，用于进行模型训练的样本数据可包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。各历史采样时刻的目标期权交易特征信息也即分别包括各历史采样时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度。同时，样本数据中还包括各历史采样时刻对应的下一时刻的实际交易数据，基于此，样本数据可包括多组数据，每组数据可由一个历史采样时刻的目标期权交易特征信息以及该历史采样时刻对应的下一时刻的实际交易数据组成。
在一种可选的实施例中，预测模型基于当前时刻的目标期权交易特征信息进行处理计算后得到的输出结果可以为当前时刻对应的下一时刻的预测交易数据，而在本实施例中，预测交易数据可以指交易价格，也即目标期权对应的股票交易价格。而实际应用中，由于期权交易特征信息不仅仅与股票交易价格存在关联关系，其也可能与行权价、交易人数等之间也会存在一些潜在的关联关系，而这些关联关系均可以通过模型学习得到。那么，当需求不同时，模型所要学习的关联关系可以实时调整，从而使得模型得到的预测交易数据也随之发生变化，并不局限于交易价格这一参数。
综上，本实施例提供的数据预测处理方法，通过获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，对获取到的目标期权交易数据进行处理后可提取到当前时刻的目标期权交易特征信息，从而基于预先训练得到的预测模型，对输入的当前时刻的目标期权交易特征信息进行处理，以得到当前时刻对应的下一时刻的预测交易数据。其中，提取到的特征信息为目标期权的隐含波动率相关信息，隐含波动率相关信息与所需的预测交易数据之间具有潜在的关联关系，从而基于特征信息可以从更高维度上进行预测交易数据的获取，不再局限于现有技术中仅仅根据预测交易数据的相关历史数据进行计算，从而提高了模型输出的预测交易数据的可靠性，为相关人员提供可信的数据参考。
图2为本申请实施例提供的另一种数据预测处理方法的流程示意图；可选地，步骤S101中，根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取当前时刻的目标期权交易特征信息，可以包括：
S201、获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，目标期权交易数据包括：目标期权交易价格、股票交易价格、目标期权的成交时间、目标期权的到期日以及目标期权的行权价格。
本实施例中，目标期权交易数据可包括如下信息：目标期权交易价格、股票交易价格、目标期权的成交时间、目标期权的到期日以及目标期权的行权价格。
其中，目标期权交易价格也即指目前期权成交价格，在每个时刻可能均会存在多笔期权交易，当前时刻的目标期权交易价格可以指当前时刻所成交的各目标期权的交易价格。
股票交易价格也即指标的价格，在每个时刻同样会存在多笔股票交易，这里的股票可以指目标期权对应的标的，也即目标期权所约定的购买或卖出对象。当前时刻的股票交易价格也即在当前时刻所成交的目标期权对应的股票的价格。
目标期权的成交时间和目标期权的到期日用于计算目标期权成交日距离到期日的时间，也即将目标期权的到期日减去成交日则为目标期权成交距离到期日的时间。
目标期权的行权价格也即目标期权合约中所约定的到期日的标的购买或卖出价格。
S202、根据当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，采用期权定价模型，计算目标期权在各时刻的隐含波动率，各时刻包括：当前时刻以及当前时刻对应的历史时刻。
可选地，根据各时刻的目标期权交易数据，可采用期权定价公式，计算得到目标期权在各时刻的隐含波动率。这里的各时刻则既可以是当前时刻也可以是当前时刻对应的任意一个历史时刻，也就是说，目标期权在任何一个时刻的隐含波动率均可根据目标期权在该时刻的交易数据计算得到，而交易数据则如步骤S201中所列举的各项。
S203、根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成当前时刻的目标期权的隐含波动率曲面。
图3为本申请实施例提供的一种隐含波动率曲面的示意图。
可选地，可分别以目标期权距离到期日的时间为横轴、以目标期权的行权价格为纵轴、以隐含波动率为竖轴，根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成当前时刻的目标期权的隐含波动率曲面。
S204、根据目标期权的隐含波动率曲面，提取当前时刻的目标期权交易特征信息。
可选地，基于得到的目标期权的隐含波动率曲面，则可提取隐含波动率曲面相关的信息作为当前时刻的目标期权交易特征信息。
图4为本申请实施例提供的又一种数据预测处理方法的流程示意图；可选地，步骤S204中，根据目标期权的隐含波动率曲面，生成当前时刻的目标期权交易特征信息，可以包括：
S401、按照预设时间间隔对目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面。
考虑到标的价格的变动，以及期权合约的流动性，本实施例还可动态调整目标期权的隐含波动率曲面的范围，来更准确的聚焦有效的隐含波动率曲面。其中可以以预设间隔时间进行自动调整。
S402、对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面。
鉴于隐含波动率的数值更多的集中在中间的部位，为了扩大隐含波动率的特征表现，本实施对调整后的隐含波动率曲面采取了标准化处理，也可以理解为归一化处理，以将隐含波动率的取值放大到[-1，1]的区间。
另外，还考虑到期权合约的流动性及实际交易情况，我们对于空缺的期权合约，采取了相应的填补措施。
S403、根据目标隐含波动率曲面，提取当前时刻的目标期权交易特征信息。
经过上述处理后，将得到目标期权的目标隐含波动率曲面，从而可从目标隐含波动率曲面中提取当前时刻的目标期权交易特征信息。
图5为本申请实施例提供的另一种数据预测处理方法的流程示意图；可选地，步骤S401中，按照预设时间间隔对目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面，可以包括：
S501、计算预设时间间隔内的股票交易价格平均值。
可选地，预设时间间隔可根据需求设定，当设定以天为周期对隐含波动率曲面进行调整时，则预设时间间隔可以为一天，那么，可以以前一天调整后至当前调整时中间一天内的股票交易价格计算平均值。
S502、以股票交易价格平均值为中心轴，沿着预设方向按照预设移动距离移动隐含波动率曲面的纵轴，得到调整后的隐含波动率曲面。
那么，可以计算出的平均值为中心轴分别向前以及向后移动隐含波动率曲面的纵轴，也即移动行权价格坐标轴，而移动距离可以根据需求设定，曲面调整的目的是使得曲面选择范围可以动态的选取0.75moneyness到1.25moneyness的曲面数据。
其中，moneyness表征衡量期权合约相对标的价格的指标，可以表示为：
Moneyness＝strike_price(行权价)/underly_price(标的价格)
图6为本申请实施例提供的又一种数据预测处理方法的流程示意图；可选地，步骤S402中，对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面，可以包括：
S601、根据当前时刻以及各历史时刻的隐含波动率的平均值和方差，对各时刻的隐含波动率进行修正，得到各时刻的新的隐含波动率。
可选地，可先根据当前时刻以及各历史时刻的隐含波动率，计算得到隐含波动率的平均值和方差，那么，针对任意时刻的隐含波动率可采用平均值和方差进行修正。
假设修正前的隐含波动率为X，则可以采用公式：(X-隐含波动率平均值)/隐含波动率方差，计算得到新的隐含波动率。
S602、将不存在目标期权交易的时刻所对应的期权交易价格确定为预设值。
而对于各时刻，若不存在目标期权交易，也即在该时刻没有目标期权成交，该时刻的目标期权成交为0，则可以对该时刻的期权价格进行空缺补齐。
在一种可实现的方式中，可以将存在空缺的期权交易价格设定为预设值，预设值可以为0，也即进行补0操作。
在另一种可实现的方式中，也可以采用三次样条插值方式，对空缺进行补齐。
S603、根据各时刻的新的隐含波动率以及预设值，对调整后的隐含波动率曲面进行更新，得到目标隐含波动率曲面。
可选地，通过上述标准化处理和空缺补齐后，则可得到目标隐含波动率曲面。
图7为本申请实施例提供的另一种数据预测处理方法的流程示意图；可选地，目标隐含波动率曲面包括：看涨波动率曲面和看跌波动率曲面；步骤S204中，根据目标隐含波动率曲面，提取当前时刻的目标期权交易特征信息，可以包括：
S701、根据当前时刻的看涨波动率曲面和当前时刻的看跌波动率曲面，生成当前时刻的隐含波动率缺口曲面。
通常，隐含波动率曲面可包括看涨波动率曲面和看跌波动率曲面，而看涨波动率曲面和看跌波动率曲面的生成方式则按照上述步骤中的执行，仅仅是在计算看涨隐含波动率与看跌隐含波动率时所采用的期权定价公式会存在差别，但是所基于的期权交易数据是相同的。
为了更全面的提取目标期权交易特征信息，本实施例中还进一步地对隐含波动率曲面进行了特征增强，可先根据当前时刻的看涨波动率曲面和当前时刻的看跌波动率曲面，进行曲面做差，也即将对应时刻的隐含波动率相减，以相减后的隐含波动率生成当前时刻的隐含波动率缺口曲面，也即隐含波动率gap曲面。
S702、根据看涨波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定看涨波动率曲面在当前时刻的变化速度，并且根据看涨波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定看涨波动率曲面在当前时刻的加速度。
可选地，可以利用帧差法，得到隐含波动率曲面的时序特征，可分别包括：曲面变化速度及加速度。
其中，曲面变化速度计算公式可以表示为：
v(IVc,t)＝IVc,t-IVc,t-1
其中，IVc,t表示当前时刻的看涨隐含波动率，IVc,t-1表示当前时刻的前一时刻的看涨隐含波动率。
也就是说，在任意目标时刻，曲面的变化速度可以根据目标时刻的隐含波动率及上一时刻的隐含波动率计算得到。
基于此，对于看涨波动率曲面而言，可按照上述方式计算得到看涨波动率曲面在当前时刻的变化速度。
而曲面加速度的计算公式则可以表示为：
a(IVc,t)＝(,t)-v(IVc,t-1)
其中，v(IVc,t)表示看涨隐含波动率曲面在当前时刻的变化速度，v(IVc,t-1)表示看涨隐含波动率曲面在当前时刻的上一时刻的变化速度。
从而根据看涨波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，可以计算得到看涨波动率曲面在当前时刻的加速度。
S703、根据看跌波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定看跌波动率曲面在当前时刻的变化速度，并且根据看跌波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定看跌波动率曲面在当前时刻的加速度。
参考上述看涨波动率曲面变化速度和加速度的计算方式，同样可计算得到看跌波动率曲面在当前时刻的变化速度以及加速度。
S704、根据隐含波动率缺口曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定隐含波动率缺口曲面在当前时刻的变化速度，并且根据隐含波动率缺口曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定隐含波动率缺口曲面在当前时刻的加速度。
基于此，也可计算得到隐含波动率缺口曲面在当前时刻的变化速度以及加速度。
S705、将当前时刻的看涨波动率曲面、当前时刻的看跌波动率曲面、当前时刻的隐含波动率缺口曲面以及看涨波动率曲面在当前时刻的变化速度和加速度、看跌波动率曲面在当前时刻的变化速度和加速度、隐含波动率缺口曲面在当前时刻的变化速度和加速度确定为当前时刻的目标期权交易特征信息。
那么，当前时刻的目标期权交易特征信息则可包括：当前时刻的看涨波动率曲面、当前时刻的看跌波动率曲面、当前时刻的隐含波动率缺口曲面以及当前时刻的看涨波动率曲面的变化速度和加速度、当前时刻的看跌波动率曲面的变化速度和加速度、当前时刻的隐含波动率缺口曲面的变化速度和加速度。
本方法所提取的特征信息较全面，打破了单一信息所带来的预测交易数据可靠性低的问题。
综上，本实施例提供的数据预测处理方法，通过获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，对获取到的目标期权交易数据进行处理后可提取到当前时刻的目标期权交易特征信息，从而基于预先训练得到的预测模型，对输入的当前时刻的目标期权交易特征信息进行处理，以得到当前时刻对应的下一时刻的预测交易数据。其中，提取到的特征信息为目标期权的隐含波动率相关信息，隐含波动率相关信息与所需的预测交易数据之间具有潜在的关联关系，从而基于特征信息可以从更高维度上进行预测交易数据的获取，不再局限于现有技术中仅仅根据预测交易数据的相关历史数据进行计算，从而提高了模型输出的预测交易数据的可靠性，为相关人员提供可信的数据参考。
下述对用以执行本申请所提供的数据预测处理方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图8为本申请实施例提供的一种数据预测处理装置的示意图，该数据预测处理装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图8所示，该装置可包括：提取模块810、处理模块820；
提取模块810，用于根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取当前时刻的目标期权交易特征信息，目标期权交易特征信息至少包括：目标期权在当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度；
处理模块820，用于根据当前时刻的目标期权交易特征信息，采用预先训练的预测模型，得到当前时刻对应的下一时刻的预测交易数据，预测交易数据包括：交易价格；预测模型根据样本数据训练得到，样本数据包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。
可选地，提取模块810，具体用于
获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，目标期权交易数据包括：目标期权交易价格、股票交易价格、目标期权的成交时间、目标期权的到期日以及目标期权的行权价格；
根据当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，采用期权定价模型，计算目标期权在各时刻的隐含波动率，各时刻包括：当前时刻以及当前时刻对应的历史时刻；
根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成当前时刻的目标期权的隐含波动率曲面；
根据目标期权的隐含波动率曲面，提取当前时刻的目标期权交易特征信息。
可选地，提取模块810，具体用于
分别以目标期权距离到期日的时间为横轴、以目标期权的行权价格为纵轴、以隐含波动率为竖轴，根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成当前时刻的目标期权的隐含波动率曲面。
可选地，提取模块810，具体用于
按照预设时间间隔对目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面；
对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面；
根据目标隐含波动率曲面，提取当前时刻的目标期权交易特征信息。
可选地，提取模块810，具体用于
计算预设时间间隔内的股票交易价格平均值；
以股票交易价格平均值为中心轴，沿着预设方向按照预设移动距离移动隐含波动率曲面的纵轴，得到调整后的隐含波动率曲面。
可选地，提取模块810，具体用于
根据当前时刻以及各历史时刻的隐含波动率的平均值和方差，对各时刻的隐含波动率进行修正，得到各时刻的新的隐含波动率；
将不存在目标期权交易的时刻所对应的期权交易价格确定为预设值；
根据各时刻的新的隐含波动率以及预设值，对调整后的隐含波动率曲面进行更新，得到目标隐含波动率曲面。
可选地，目标隐含波动率曲面包括：看涨波动率曲面和看跌波动率曲面；提取模块，具体用于
根据当前时刻的看涨波动率曲面和当前时刻的看跌波动率曲面，生成当前时刻的隐含波动率缺口曲面；
根据看涨波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定看涨波动率曲面在当前时刻的变化速度，并且根据看涨波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定看涨波动率曲面在当前时刻的加速度；
根据看跌波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定看跌波动率曲面在当前时刻的变化速度，并且根据看跌波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定看跌波动率曲面在当前时刻的加速度；
根据隐含波动率缺口曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定隐含波动率缺口曲面在当前时刻的变化速度，并且根据隐含波动率缺口曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定隐含波动率缺口曲面在当前时刻的加速度；
将当前时刻的看涨波动率曲面、当前时刻的看跌波动率曲面、当前时刻的隐含波动率缺口曲面以及看涨波动率曲面在当前时刻的变化速度和加速度、看跌波动率曲面在当前时刻的变化速度和加速度、隐含波动率缺口曲面在当前时刻的变化速度和加速度确定为当前时刻的目标期权交易特征信息。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。
图9为本申请实施例提供的一种电子设备的结构示意图，该设备可以是具备数据处理功能的计算设备。
该设备包括：处理器801、存储介质802。
存储介质802用于存储程序，处理器801调用存储介质802存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
其中，存储介质802存储有程序代码，当程序代码被处理器801执行时，使得处理器801执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的数据预测处理方法中的各种步骤。
处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储介质802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储介质可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储介质、随机访问存储介质(Random AccessMemory，RAM)、静态随机访问存储介质(Static Random Access Memory，SRAM)、可编程只读存储介质(Programmable Read Only Memory，PROM)、只读存储介质(Read Only Memory，ROM)、带电可擦除可编程只读存储介质(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储介质、磁盘、光盘等等。存储介质是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储介质802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
可选地，本申请还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储介质(英文：Read-Only Memory，简称：ROM)、随机存取存储介质(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种数据预测处理方法，其特征在于，包括：
根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取所述当前时刻的目标期权交易特征信息，所述目标期权交易特征信息至少包括：目标期权在所述当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度；
根据所述当前时刻的目标期权交易特征信息，采用预先训练的预测模型，得到所述当前时刻对应的下一时刻的预测交易数据，所述预测交易数据包括：交易价格；所述预测模型根据样本数据训练得到，所述样本数据包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。
2.根据权利要求1所述的方法，其特征在于，所述根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取所述当前时刻的目标期权交易特征信息，包括：
获取当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，所述目标期权交易数据包括：目标期权交易价格、股票交易价格、目标期权的成交时间、目标期权的到期日以及目标期权的行权价格；
根据所述当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，采用期权定价模型，计算所述目标期权在各时刻的隐含波动率，所述各时刻包括：当前时刻以及当前时刻对应的历史时刻；
根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面；
根据所述目标期权的隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息。
3.根据权利要求2所述的方法，其特征在于，所述根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面，包括：
分别以所述目标期权距离到期日的时间为横轴、以所述目标期权的行权价格为纵轴、以所述隐含波动率为竖轴，根据各时刻的目标期权距离到期日的时间、目标期权的行权价格以及隐含波动率，生成所述当前时刻的目标期权的隐含波动率曲面。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标期权的隐含波动率曲面，生成所述当前时刻的目标期权交易特征信息，包括：
按照预设时间间隔对所述目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面；
对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面；
根据所述目标隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息。
5.根据权利要求4所述的方法，其特征在于，所述按照预设时间间隔对所述目标期权的隐含波动率曲面进行调整，得到调整后的隐含波动率曲面，包括：
计算所述预设时间间隔内的股票交易价格平均值；
以所述股票交易价格平均值为中心轴，沿着预设方向按照预设移动距离移动所述隐含波动率曲面的纵轴，得到调整后的隐含波动率曲面。
6.根据权利要求4所述的方法，其特征在于，所述对调整后的隐含波动率曲面进行标准化处理以及空缺补齐，得到目标隐含波动率曲面，包括：
根据所述当前时刻以及各历史时刻的隐含波动率的平均值和方差，对各时刻的隐含波动率进行修正，得到各时刻的新的隐含波动率；
将不存在目标期权交易的时刻所对应的期权交易价格确定为预设值；
根据各时刻的新的隐含波动率以及所述预设值，对所述调整后的隐含波动率曲面进行更新，得到所述目标隐含波动率曲面。
7.根据权利要求4所述的方法，其特征在于，所述目标隐含波动率曲面包括：看涨波动率曲面和看跌波动率曲面；所述根据所述目标隐含波动率曲面，提取所述当前时刻的目标期权交易特征信息，包括：
根据当前时刻的看涨波动率曲面和当前时刻的看跌波动率曲面，生成当前时刻的隐含波动率缺口曲面；
根据所述看涨波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述看涨波动率曲面在当前时刻的变化速度，并且根据所述看涨波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述看涨波动率曲面在当前时刻的加速度；
根据所述看跌波动率曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述看跌波动率曲面在当前时刻的变化速度，并且根据所述看跌波动率曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述看跌波动率曲面在当前时刻的加速度；
根据所述隐含波动率缺口曲面中当前时刻的隐含波动率以及当前时刻对应的上一时刻的隐含波动率，确定所述隐含波动率缺口曲面在当前时刻的变化速度，并且根据所述隐含波动率缺口曲面在当前时刻的变化速度以及当前时刻对应的上一时刻的变化速度，确定所述隐含波动率缺口曲面在当前时刻的加速度；
将所述当前时刻的看涨波动率曲面、当前时刻的看跌波动率曲面、当前时刻的隐含波动率缺口曲面以及所述看涨波动率曲面在当前时刻的变化速度和加速度、所述看跌波动率曲面在当前时刻的变化速度和加速度、所述隐含波动率缺口曲面在当前时刻的变化速度和加速度确定为当前时刻的目标期权交易特征信息。
8.一种数据预测处理装置，其特征在于，包括：提取模块、处理模块；
所述提取模块，用于根据获取的当前时刻以及当前时刻对应的历史时刻的目标期权交易数据，提取所述当前时刻的目标期权交易特征信息，所述目标期权交易特征信息至少包括：目标期权在所述当前时刻的隐含波动率曲面、隐含波动率曲面的变化速度及加速度；
所述处理模块，用于根据所述当前时刻的目标期权交易特征信息，采用预先训练的预测模型，得到所述当前时刻对应的下一时刻的预测交易数据，所述预测交易数据包括：交易价格；所述预测模型根据样本数据训练得到，所述样本数据包括：多个历史采样时刻的目标期权交易特征信息以及各历史采样时刻对应的下一时刻的实际交易数据。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以实现如权利要求1至7任一所述的数据预测处理方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时以实现如权利要求1至7任一所述的数据预测处理方法。
CN202310684646.5A 2023-06-09 2023-06-09 数据预测处理方法、装置、电子设备及存储介质 Pending CN116681524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310684646.5A CN116681524A (zh) 2023-06-09 2023-06-09 数据预测处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310684646.5A CN116681524A (zh) 2023-06-09 2023-06-09 数据预测处理方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116681524A true CN116681524A (zh) 2023-09-01

Family

ID=87786898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310684646.5A Pending CN116681524A (zh) 2023-06-09 2023-06-09 数据预测处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116681524A (zh)

Similar Documents

Publication Publication Date Title
Mencia et al. Valuation of VIX derivatives
KR101380468B1 (ko) 금융 상품 가격 결정 시스템 및 방법
WO2008033869A2 (en) The ratio index
JP2004530204A (ja) 指数選択方法
JP2014222543A (ja) 金融商品の価格設定の装置、方法およびシステム
JP6794431B2 (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
RU2678164C2 (ru) Система и способ для определения торгового значения
Medova et al. A framework to measure integrated risk
Simaitis et al. Smile and default: the role of stochastic volatility and interest rates in counterparty credit risk
AU2015200557A1 (en) Mortgage insurance premium calculation method, system & apparatus
Brester et al. The Basel accords, capital reserves, and agricultural lending
US20180060959A1 (en) Option pricing
WO2016012217A1 (en) Computer systems and methods for balancing indexes
Chipili Macroeconomic effects of exchange rate volatility in Zambia
Mixon et al. Derivatives pricing when supply and demand matter: Evidence from the term structure of VIX futures
Kearney et al. Implied volatility surface predictability: The case of commodity markets
CN116681524A (zh) 数据预测处理方法、装置、电子设备及存储介质
Mayordomo et al. Testing for statistical arbitrage in credit derivatives markets
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
Ladokhin Volatility modeling in financial markets
Kgosietsile Modelling and Forecasting the volatility of JSE returns: a comparison of competing univariate GARCH models
US8606682B1 (en) System for providing a correlation index
Sipilä Algorithmic pairs trading: empirical investigation of exchange traded funds
Chinazzo et al. Forecasting bitcoin volatility: A comparative analysis of volatility approaches
US10504186B2 (en) Guarantee fund calculation with allocation for self-referencing risk

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