TW201928844A - 金融商品的相關性預測系統及其方法 - Google Patents

金融商品的相關性預測系統及其方法 Download PDF

Info

Publication number
TW201928844A
TW201928844A TW107111829A TW107111829A TW201928844A TW 201928844 A TW201928844 A TW 201928844A TW 107111829 A TW107111829 A TW 107111829A TW 107111829 A TW107111829 A TW 107111829A TW 201928844 A TW201928844 A TW 201928844A
Authority
TW
Taiwan
Prior art keywords
artificial intelligence
financial
correlation
model
financial commodities
Prior art date
Application number
TW107111829A
Other languages
English (en)
Other versions
TWI696971B (zh
Inventor
浩霆 黃
薩迪克 拉奇德 艾
Original Assignee
浩霆 黃
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 浩霆 黃 filed Critical 浩霆 黃
Publication of TW201928844A publication Critical patent/TW201928844A/zh
Application granted granted Critical
Publication of TWI696971B publication Critical patent/TWI696971B/zh

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
    • G06Q40/06—Asset management; Financial planning or analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本說明書揭示一種金融商品的相關性預測系統及其方法。上述金融商品的相關性預測系統及其方法可使用多層感知器(深度神經網路)與人工神經網路模型架構來產出更準確的金融商品之間的相關性預測。根據本說明書，金融機構可更有效地將金融商品之間的未來相關性升/降納入建構投資組合時的考量，並由此建構出更有效率且更具競爭力的投資組合。

Description

金融商品的相關性預測系統及其方法
本發明係關於一種金融商品的相關性預測系統及其方法，特別是關於一種使用人工智慧(Artificial Intelligence；AI)之金融商品的相關性預測系統及其方法。
各種金融商品的價格與波動率之間是彼此相關連的。並且，金融商品的價格與波動率與整個市場機制具有高度的連結。在建構大型的投資組合時，資產管理者的任務在於，針對提供預先選取的金融商品來建構出可降低該些金融商品之間的內部相關性的投資組合。對於控制總體投資組合的風險而言，降低投資組合中的金融商品之間的相關性是非常關鍵的步驟。因為在投資組合中的金融商品如果是彼此不相關的，則該些金融商品各自的隨機變動將可彼此抵銷，使得上述投資組合可提供更好的分散效果，以及可保護投資者。現在大多數的資產管理者，例如基金經理人，所使用的方法是建構出平均數-變異數投資組合(mean-variance portfolio)。然而，平均數-變異數投資組合自馬柯維茨(Markowitz)1952年提出至今，並沒有經過幾十年的發展。一般而言，平均數-變異數投資組合的方法是使用過去一年(past-year) 的歷史波動率與歷史共變異數(covariances)/相關係數(correlations)，並假設這些屬性在下一個投資期間中將維持不變。
有鑑於此，開發可提供更貼近市場分佈的不斷演進之未來相關性預測的金融商品的相關性預測系統及其方法，是一項相當值得產業重視且可有效提升產業競爭力的課題。
鑒於上述之發明背景中，為了符合產業上之要求，本發明提供一種金融商品的相關性預測系統及其方法，上述金融商品的相關性預測系統及其方法可提供更貼近市場分佈的不斷演進之更準確地未來相關性預測結果。
本發明之一目的在於提供一種金融商品的相關性預測系統及其方法，藉由使用人工智慧模型來進行金融商品的趨勢預測，使得上述金融商品的相關性預測系統及其方法可針對至少兩標的金融商品來產出更準確的未來相關性預測。
本發明之另一目的在於提供一種金融商品的相關性預測系統及其方法，藉由金融商品與市場指數的相關性預測來進行金融商品間的未來相關性預測，使得上述金融商品的相關性預測系統及其方法可產出更貼近市場分佈的不斷演進之準確預測結果。
本發明之又一目的在於提供一種使用金融商品的相關性預測系統及其方法，藉由使用複數個經過至少一次回溯測試 與參數調整的人工智慧模型來進行金融商品的未來趨勢預測，使得上述使用人工智慧的金融風險預測系統及其方法可產出更準確的風險預測結果。
根據以上所述之目的，本發明揭示了一種金融商品的相關性預測系統及其方法。上述金融商品的相關性預測方法，可用於一金融商品的相關性預測系統，包含蒐集金融商品與市場指標的成對數據並建立數據資料庫、建構並訓練複數個人工智慧模型、測試並回溯測試上述人工智慧模型、儲存並使用通過回溯測試的人工智慧模型來產出金融商品與市場指標的未來相關性預測結果、以及藉由上述金融商品與市場指標的未來相關性預測結果來計算出金融商品間的未來相關性預測結果。上述金融商品的相關性預測系統及其方法可針對任何金融商品提供具有競爭力的風險預測結果。根據本說明書的設計，上述金融商品的相關性預測系統及其方法藉由使用遞歸神經網路從金融商品與市場指標的歷史成對數據建構出複數個人工智慧模型，再經過測試、與至少一次回溯測試等方式，過濾出貼近金融商品與市場指標之相關性的最佳人工智慧模型。最後再以這些最佳人工智慧模型來進行未來金融商品間的未來相關性預測結果。因此，根據本說明書所揭露的技術，金融機構/投資人可更有效地將金融商品之間的未來相關性升/降納入建構投資組合時的考量，並由此建構出更有效率且更具競爭力的投資組合。
100‧‧‧金融商品的相關性預測系統
110‧‧‧成對數據導入單元
120‧‧‧模型建構單元
130‧‧‧模型過濾單元
140‧‧‧金融商品與市場指標的未來相關性預測產生單元
150‧‧‧計算單元
160‧‧‧金融商品間的未來相關性預測產生單元
200‧‧‧金融商品的相關性預測方法
210‧‧‧建立建立金融商品與市場指標的數據資料庫的步驟
220‧‧‧建立複數個人工智慧模型的步驟
230‧‧‧過濾人工智慧模型的步驟
232‧‧‧測試人工智慧模型的步驟
234‧‧‧對人工智慧模型進行參數調整的步驟
236‧‧‧執行至少一次回溯測試的步驟
238‧‧‧儲存最佳人工智慧模型的步驟
240‧‧‧產出金融商品相對於市場指標的未來相關性預測的步驟
250‧‧‧計算金融商品間的未來相關性預測的步驟
260‧‧‧產出金融商品間的未來相關性預測結果的步驟
310‧‧‧成對數據導入單元
312‧‧‧數據蒐集模組
314‧‧‧數據資料庫
316‧‧‧成對數據特徵提取模組
320‧‧‧模型建構單元
322‧‧‧LSTM模組
324‧‧‧優化模組
326‧‧‧模型儲存模組
330‧‧‧模型過濾單元
332‧‧‧模型測試模組
334‧‧‧參數調整模組
336‧‧‧回溯測試模組
338‧‧‧最佳模型儲存模組
340‧‧‧金融商品與市場指標未來相關性的預測產生單元
350‧‧‧計算單元
360‧‧‧金融商品間的未來相關性預測的產生單元
362‧‧‧輸入介面
364‧‧‧輸出介面
410‧‧‧蒐集歷史成對數據並建立數據資料庫的步驟
420‧‧‧提取歷史成對數據的特徵的步驟
430‧‧‧將特徵輸入LSTM模組的步驟
440‧‧‧從LSTM模組的輸出值建立複數個AI模型的步驟
440’‧‧‧訓練AI模型的步驟
450‧‧‧測試AI模型的步驟
455‧‧‧進行參數調整的步驟
460‧‧‧進行回溯測試的步驟
465‧‧‧進行參數調整的步驟
460’‧‧‧進行回溯測試的步驟
465’‧‧‧進行參數調整的步驟
470‧‧‧儲存最佳模型的步驟
480‧‧‧產出各個金融商品價格數據與那斯達克指數未來相關性之預測的步驟
490‧‧‧計算金融商品間的價格數據的未來相關性預測結果的步驟
495‧‧‧輸出金融商品間的價格數據的未來相關性預測結果的步驟
510‧‧‧由LSTM模組的輸出值建立複數個AI模型
520‧‧‧使用新的成對數據進行AI模型測試
522‧‧‧刪除未通過測試的AI模型
524‧‧‧保留通過測試的AI模型
524’‧‧‧進行參數調整
530‧‧‧使用另一批新的成對數據進行回溯測試
532‧‧‧刪除未通過回溯測試的AI模型
534‧‧‧保留通過回溯測試的AI模型
534’‧‧‧進行參數調整
540‧‧‧使用再一批新的成對數據進行回溯測試
542‧‧‧刪除未通過回溯測試的AI模型
544‧‧‧保留通過回溯測試的AI模型
544’‧‧‧進行參數調整
550‧‧‧儲存最佳AI模型
560‧‧‧再啟最佳AI模型
570‧‧‧產出金融商品A的價格數據與那斯達克指數的未來相關性之預測結果PAN
第一圖係根據本說明書之一金融商品的相關性預測系統之一示意圖；第二A圖與第二B圖係根據本說明書之金融商品的相關性預測方法之一示意圖；第三圖係根據本說明書之一範例的金融商品的相關性預測系統之示意圖；第四A圖與第四B圖係根據本說明書之一範例的金融商品的相關性預測方法之流程示意圖；第五A圖至第五B圖係第四A圖與第四B圖中之一範例的金融商品A從建立AI模型至產出金融商品價格數據與那斯達克指數相關性預測之流程示意圖；以及第六圖係應用根據本說明書的金融商品的相關性預測系統之投資組合與現在市場上的主動型投資基金之累積收益曲線比較圖。
本發明在此所探討的方向為一種金融商品的相關性預測系統及其方法。為了能徹底地瞭解本發明，將在下列的描述中提出詳盡的製程步驟或組成結構。顯然地，本發明的施行並未限定於該領域之技藝者所熟習的特殊細節。另一方面，眾所周知的組成或製程步驟並未描述於細節中，以避免造成本發明不必要 之限制。本發明的較佳體系會詳細描述如下，然而除了這些詳細描述之外，本發明還可以廣泛地施行在其他的體系中，且本發明的範圍不受限定，以其之後的專利範圍為準。
本發明之一實施例揭露一種金融商品的相關性預測系統。第一圖係一根據本實施例之金融商品的相關性預測系統的示意圖。如第一圖所示，上述金融商品的相關性預測系統100包含成對數據導入單元(paired data importing unit)110、模型建構單元120、模型過濾單元130、金融商品與市場指標的未來相關性預測產生單元140、計算單元150、以及金融商品間的未來相關性預測產生單元160。
根據本實施例，上述成對數據導入單元110可用來蒐集成對數據(paired data)，並根據所蒐集的成對數據來建構數據資料庫(data repository)。上述的成對數據是指，金融商品與市場指標(market indicators)的成對數據。在根據本實施例之一較佳範例中，上述的金融商品可以是股票、債券、貨幣、期貨、或是其他習知該項技藝者所熟悉的金融商品。上述的市場指標可以是道瓊工業指數、標準普爾500指數、那斯達克指數、MSCI新興市場指數、上證指數、債券指數、美元指數、貨幣匯率、期貨指數、市場情緒指數、投資人情緒指數、採購經理人指數、國內生產總值指數、或是其他習知該項技藝者所熟悉的市場指數。根據本實施例，上述數據資料庫中的成對數據可先整理成統一格式。並且，上述成對數據導入單元110可先提取出上述成對數據的各種特徵 (features)，並將這些特徵儲存於上述的數據資料庫。在根據本實施例之一較佳範例中，上述成對數據的蒐集來源可以是選自下列群組中之一者或其組合：情緒指數(sentiment indicators)、經過調整的歷史數據(adjusted historical data)、基礎數據(fundamental data)、巨集數據(macro data)、動態信息(live feeds)、金融報告(financial reports)、社群媒體數據(social media data)、以及衛星影像(satellite images)。成對數據導入單元110在蒐集前述的各種成對數據後，將持續進行成對數據內容的更新，並針對所蒐集成對數據進行確實地分類，並儲存於上述的成對數據導入單元110之數據資料庫。
上述的模型建構單元120可用以根據上述成對數據導入單元110的數據資料庫中所儲存的複數個成對數據的特徵來建構出複數個人工智慧模型。上述人工智慧模型的架構模式可以是下列群組之一者：遞歸神經網路(recurrent neural networks；RNN)、長短期記憶神經網路(long-short term memory；LSTM)、前餽神經網路(feed forward network)、卷積神經網路(convolutional neural networks；CNN)、以及其他習知該項技藝者所熟知的人工神經網路。在根據本實施例之一較佳範例中，上述的特徵可以是選自下列群組中的一者或其組合：價格走勢(price movements)、共異變數(covariances)、以及產品特點(product characteristics)。在根據本實施例之一較佳範例中，上述人工智慧模型的輸出可以是時間序列的觀察結果(time series of observations)。在根據本實施例之一 較佳範例中，上述人工智慧模型的輸出可以被分割成用於上述人工智慧模型的訓練、驗證、以及測試數據。在根據本實施例之一較佳範例中，上述人工智慧模型可在上述模型建構單元120中進行訓練。在根據本實施例之一較佳範例中，上述的人工智慧模型可使用上述成對數據導入單元110中已具有統一格式的數據來進行訓練。上述人工智慧模型可使用下列方法中的至少一者來進行訓練：亞當優化演算法(Adam Optimization Algorithm)、反向傳播演算法(back propagation)、以及其他習知該項技藝者所熟知的技術/方法。
上述的模型過濾單元130可用來針對模型建構單元120中的人工智慧模型進行過濾。在上述的模型過濾單元130中，上述的複數個人工智慧模型可使用複數種不同的技術與方法來進行測試。在根據本實施例之一較佳範例中，上述的測試可以是使用新的時間區間中的成對數據來進行測試上述的複數個人工智慧模型。在上述測試中產出錯誤測試數據的人工智慧模型將會被過濾出並且被刪除。經過上述測試之後，通過上述測試的複數個人工智慧模組將會依據在上述測試中所產出的測試結果分別進行參數調整(tweaked parameters)。在根據本實施例之一較佳範例中，上述的參數調整包括視實際需求對通過上述測試的複數個人工智慧模組進行超參數調整(adjusted hyper parameters)，以期能產出準確性更高的測試結果。在經過參數調整與/或超參數調整之後，上述的複數個經過參數調整的人工智慧模組可使用新的成對數據來進 行至少一次回溯測試(backtesting)。在每次的回溯測試之後，產出錯誤測試結果的人工智慧模型將被刪除，且通過回溯測試的至少一人工智慧模組將依據在回溯測試中所產出的測試結果分別進行參數調整與/或超參數調整。在回溯測試後，上述通過回溯測試且經過參數調整的至少一人工智慧模組將儲存於上述的模型過濾單元130中。在根據本實施例之一較佳範例中，只有新近通過上述回溯測試的至少一人工智慧模型會被保留下來，儲存於上述的模型過濾單元130中較早期通過回溯測試的人工智慧模型將會被定期移除。
在上述金融商品與市場指標的未來相關性預測產生單元140中，儲存於上述模型過濾單元130中的上述通過回溯測試且經過參數調整的至少一人工智慧模組可被再啟(reloaded)，並用依據所輸入的要求來產出先前的成對數據之金融商品與市場指標在未來一段時間內的相關性預測。上述的相關性預測可以是相關係數(correlative coefficient)、共異變數(covariance)、或是其他習知該項技藝者所熟知的方式來呈現。
上述的金融商品與市場指標的未來相關性預測產生單元140中所產出的各個金融商品與市場指標的相關性資料，將會傳送至上述的計算單元150。在計算單元150中，可針對該些金融商品與市場指標的相關性資料進行計算，並將計算結果傳送至上述的金融商品間的未來相關性預測產生單元160。在金融商品間的未來相關性預測產生單元160中，可依據所輸入的要求，依據 來自上述計算單元150所計算出的相關性結果，來產出所要求的金融商品間的未來相關性預測結果。
在根據本實施例之一較佳範例中，上述的計算單元150的計算方式可以是使用另一組人工智慧模型來進行計算。
在根據本實施例之一較佳範例中，上述金融商品間的未來相關性預測產生單元160可以針對複數個所要求的金融商品產出彼此的未來相關性預測結果。
在根據本實施例之一較佳範例中，上述金融商品間的未來相關性預測產生單元160所產出的未來相關性預測結果可傳送至另一計算單元，未顯示於圖中，以產生優化後的投資組合建議。
在根據本發明之另一實施例揭露一種金融商品的相關性預測方法。上述金融商品的相關性預測方法可用於金融商品的相關性預測系統。因為個別的金融商品可能的變動因素很多，如果直接以個別金融商品來進行未來的相關性預測，將可能因為過多的變數而失去準確性。然而，相對於個別的金融商品，市場指標的變動性比較小。所以，根據本實施例，我們選擇先針對個別金融商品相對於市場指標來進行未來的相關性預測，再根據這些個別商品相對於市場指標的未來相關性進行計算，間接得出個別金融商品之間的未來相關性預測，將可大幅提升預測結果的準確性。
第二A圖是一根據本實施例之金融商品的相關性預 測方法之示意圖。上述金融商品的相關性預測方法200包含建立金融商品與市場指標的數據資料庫(data repository of financial instrument and related market indicator)的步驟210、建立複數個人工智慧模型的步驟220、過濾該些人工智慧模型的步驟230、產出金融商品與市場指標的未來相關性預測的步驟240、計算金融商品間的未來相關性預測的步驟250、以及產出金融商品間的未來相關性預測結果的步驟260。
在步驟220中，先蒐集來自複數種不同資料來源的成對數據(paired data)，以建立金融商品與市場指標的數據資料庫。上述的成對數據是指，金融商品與市場指標(market indicators)的成對數據。在根據本實施例之一較佳範例中，上述的金融商品可以是股票、債券、貨幣、期貨、或是其他習知該項技藝者所熟悉的金融商品。上述的市場指標可以是道瓊工業指數、標準普爾500指數、那斯達克指數、MSCI新興市場指數、上證指數、債券指數、美元指數、貨幣匯率、期貨指數、市場情緒指數、投資人情緒指數、採購經理人指數、國內生產總值指數、或是其他習知該項技藝者所熟悉的市場指數。由於金融商品與市場指標之間均具有某種方式的相關性，所以，在本實施例中，先從各種資料來源蒐集金融商品與市場指數之間的成對數據。在根據本實施例之一較佳範例中，上述的資料來源可以是下列群組之一者或其組合：情緒指數(sentiment indicators)、經過調整的歷史數據(adjusted historical data)、基礎數據(fundamental data)、巨集數據(macro data)、動態信息(live feeds)、金融報告(financial reports)、社群媒體數據(social media data)、以及衛星影像(satellite images)。每一數據資料庫將持續進行成對數據內容的更新，並針對所蒐集成對數據進行確實地分類。在根據本實施例之一較佳範例中，相關的成對數據可儲存於上述的金融商品與市場指標的數據資料庫。根據本實施例，上述金融商品與市場指標的數據資料庫中的成對數據會整理成統一的格式。並且，在建立金融商品與市場指標的數據資料庫的步驟210中，可先提取出上述成對數據的各種特徵(features)，並將這些特徵儲存於上述金融商品與市場指標的數據資料庫。
在步驟220中，在上述金融商品與市場指標的數據資料庫中各種成對數據的特徵可用來建立複數個人工智慧模型。在根據本實施例之一較佳範例中，上述的複數個人工智慧模型可使用一種上述金融商品與市場指標的數據資料庫中的數據特徵來建立。在根據本實施例之另一較佳範例中，上述的複數個人工智慧模型可分別使用多種上述金融商品與市場指標的數據資料庫中的數據特徵來建立。上述人工智慧模型的架構模式可以是下列群組之一者：遞歸神經網路(recurrent neural networks；RNN)、長短期記憶神經網路(long-short term memory；LSTM)、前餽神經網路(feed forward network)、卷積神經網路(convolutional neural networks；CNN)、以及其他習知該項技藝者所熟知的人工神經網路。在根據本實施例之一較佳範例中，上述的特徵可以是選自下 列群組之一者或其組合：價格走勢(price movements)、共異變數(covariances)、以及產品特點(product characteristics)。在根據本實施例之一較佳範例中，上述人工智慧模型的輸出可以是時間序列的觀察結果(time series of observations)。在根據本實施例之一較佳範例中，上述人工智慧模型的輸出可以被分割成用於上述人工智慧模型的訓練、驗證、以及測試數據。上述的人工智慧模型可在上述的步驟220中進行訓練。在根據本實施例之一較佳範例中，上述的人工智慧模型可使用上述步驟210中具有統一格式的數據來進行訓練。上述人工智慧模型可使用下列方法中的至少一者來進行訓練：亞當優化演算法(Adam Optimization Algorithm)、反向傳播演算法(back propagation)、以及其他習知該項技藝者所熟知的技術/方法。
在上述步驟220建立該些人工智慧模型之後，在步驟230中可針對該些人工智慧模型進行過濾。根據本實施例，上述步驟230可以包含下列步驟：測試該些人工智慧模型的步驟232、對人工智慧模型進行參數調整的步驟234、執行至少一次回溯測試(backtesting)的步驟236、以及儲存最佳人工智慧模型的步驟238，如第二B圖所示。在上述步驟232中，可使用複數種不同的技術與方法來對上述步驟220建立的該些人工智慧模型進行測試。在根據本實施例之一較佳範例中，上述的測試可以是使用不同時間區間的“新的歷史成對數據”來進行測試。在經過上述步驟232的測試後，在上述測試中產出錯誤測試數據的人工智慧 模型將會被過濾出並且被刪除。在根據本實施例之一較佳範例中，上述產生錯誤測試數據的人工智慧模型，是指在上述測試中產出的測試結果與上述測試中所使用的測試數據(新的歷史成對數據)之間的偏差值大於一預設的閥值之人工智慧模型。在上述步驟232的測試之後，上述步驟234將針對上述通過測試的複數個人工智慧模型進行參數調整(tweaked parameters)，並視實際需求來進行超參數調整(adjusted hyper parameters)，以產出準確性更高的測試數據。上述步驟234將依據上述通過測試的複數個人工智慧模型在上述測試中的測試結果，分別進行參數調整與/或超參數調整，以得到複數個經過參數調整的人工智慧模型。
接下來，在步驟236中，上述複數個經過參數調整的人工智慧模型將使用另一批“新的歷史成對數據”來進行至少一次回溯測試(backtesting)。在步驟236中，每次的回溯測試都使用不同的“新的歷史成對數據”。在每次的回溯測試之後，產生錯誤回溯測試結果的人工智慧模型將被刪除。在根據本實施例之一較佳範例中，上述產生錯誤回溯測試數據的人工智慧模型，是指在回溯測試中產出的測試結果，與回溯測試中所使用的測試數據(新的歷史成對數據)之間的偏差值大於一預設的閥值之人工智慧模型。通過回溯測試的至少一人工智慧模型將會分別依據各自在該次回溯測試的結果來進行另一次的參數調整與/或超參數調整。換言之，在上述的步驟234與步驟236之間可以存在一種迴路(loop)關係。在經過上述的回溯測試之後，上述通過回溯測試的至 少一人工智慧模型將可被儲存，如步驟238所示。在根據本實施例之一較佳範例中，只有新近通過回溯測試的至少一人工智慧模型會被保留下來，在步驟238所儲存，較早期通過回溯測試的人工智慧模型將會被定期移除。
在步驟240中，步驟268中所儲存的上述通過回溯測試的至少一人工智慧模型將被再啟(reloaded)，並用依據所輸入的要求來產出個別金融商品與市場指標在未來一段時間內的相關性預測。上述的相關性預測可以是相關係數(correlative coefficient)、共異變數(covariance)、或是其他習知該項技藝者所熟知的方式來呈現。接下來，步驟250可依據所輸入的要求，使用在步驟240所產出的個別金融商品與市場指標的相關性預測計算出個別金融商品之間的相關性預測結果。在步驟260中可依據使用者要求的模式來呈現出步驟250計算後的個別金融商品之間的相關性預測結果。
在根據本實施例之一較佳範例中，上述的步驟250的計算方式可以是使用另一組人工智慧模型來進行計算。再根據本範例之一較佳實施方式中，上述的另一組人工智慧模型可以是經過測試、至少一次回溯測試與參數調整之至少一人工智慧模型。
在根據本實施例之一較佳範例中，上述的步驟250的計算方式可以是相關係數、共異變數、或是其他習知該項技藝者所熟知的相關性計算模式。在根據本範例之一較佳實施方式中，步驟250的計算方式可以是通過下列算式。
在根據本實施例之一較佳範例中，上述步驟260可以針對複數個所要求的金融商品產出彼此的未來相關性預測結果。
在根據本實施例之一較佳範例中，上述步驟260所呈現出的金融商品之間未來相關性預測結果可再經過一計算步驟，以產生優化後的投資組合建議，未呈現於圖中。
在根據本說明書之一較佳範例中，是以複數個金融商品的歷史價格數據與該些金融商品的指數來進行該些金融商品的未來相關性預測。請同時參見第三圖與第四A圖至第四B圖。第三圖是一根據本範例之金融商品的未來相關性預測系統的示意圖。第四A圖至第四B圖是一根據本範例之金融商品的未來相關性預測方法的流程示意圖。在本範例中，用來說明的市場指標是那斯達克指數(Nasdaq Composite Index)；所稱的金融商品，是指那斯達克指數中的金融商品。然而，本說明書之範圍並不以此為限。
首先，使用成對數據導入單元310中的成對數據蒐集模組312分別蒐集複數個金融商品的歷史價格與那斯達克指數的歷史數據之成對數據，並在成對數據導入單元310中建立數據資料庫314，如步驟410所示。上述的金融商品的歷史價格與那斯達克指數的歷史數據可以是由使用者導入上述的成對數據導入單 元，或是由成對數據蒐集模組312依據預設的條件，自動至網路中抓取。根據本範例，上述成對數據蒐集模組312將持續地蒐集並更新所蒐集的金融商品歷史價格數據與那斯達克指數數據至上述的成對數據資料庫314。上述的成對數據導入單元310除了蒐集金融商品的歷史價格數據與那斯達克指數的歷史數據，也會藉由成對數據特徵提取模組316對所蒐集之金融商品的歷史價格數據與那斯達克指數的歷史數據分別進行格式整理，並以成對數據特徵提取模組316提取出所蒐集的成對數據的特徵，如步驟420所示。上述成對數據特徵提取模組316所提取出的成對數據的特徵可儲存於上述的成對數據資料庫314。
接下來，將上述成對數據的特徵傳送至模型建構單元320的長短期記憶神經網路模組(以下簡稱為LSTM模組)322。上述成對數據的特徵可作為LSTM模組的輸入值，如步驟430所示。LSTM模組322的輸出值可建立出複數個人工智慧模型(artificial intelligence models，以下簡稱為AI模型)，如步驟440所示。在根據本範例之一較佳實施方式中，LSTM模組可同時以多種成對數據的特徵作為輸入值，來建立出多群不同的複數個人工智慧模型，並進行後續的測試、回溯測試、與產出預測結果。為了單純化本範例的內容，以下僅以使用單一成對數據的特徵(金融商品歷史價格數據與那斯達克指數歷史數據)來來建立出多群不同的複數個人工智慧模型作為說明。
上述的複數個AI模型在進行測試之前，可先在優化 模組324以優化法進行訓練，以得到經過訓練的AI模型，如步驟440’所示。根據本範例，上述優化模組324可使用亞當優化演算法(Adam Optimization Algorithm)來訓練上述的AI模型，並產生經過訓練的AI模型。上述經過訓練的AI模型可先儲存於模型儲存模組326。
上述經過訓練的AI模型接著傳送至模型過濾單元330，藉由測試與參數調整，來產出最貼近金融商品價格數據與那斯達克指數相關性的複數個AI模型。首先，在模型過濾單元330中，模型測試模組332將使用“新的成對數據”對上述經過訓練的複數個AI模型進行測試，如步驟450所示。根據本範例，上述“新的成對數據”可以是使用新的時間區間中的金融商品歷史價格數據與那斯達克指數歷史數據之成對數據。在根據本範例之另一實施方式中，上述“新的成對數據”可以是使用不同時間區間中的金融商品歷史價格數據與那斯達克指數歷史數據之成對數據(例如更大時間範圍中的金融商品歷史價格數據與那斯達克指數歷史數據之成對數據)。在上述測試中，如果AI模型所產出的預測結果與“新的成對數據”之間的偏差值大於預先設定的閥值，則判定該AI模型產出的預測結果偏差過大，且未通過測試。未通過測試的AI模型將會被刪除。而在上述測試中通過測試的複數個AI模型可被保留。模型過濾單元330中的參數調整模組334將依據每一通過測試的AI模型之測試結果的偏差度，分別對上述每一通過測試的複數個AI模型進行參數調整與/或超參數調整，以得 到經過參數調整的AI模型，如步驟455所示。
上述經過參數調整的AI模型傳送至上述的模型過濾單元330的回溯測試模組336中，並使用“另一批新的成對數據”來進行回溯測試，如步驟460所示。同樣地，在回溯測試模組336中，如果AI模型所產出的預測結果與回溯測試中所使用的“另一批新的成對數據”之間的偏差大於預設閥值，將判定該AI模型的偏差過大，未通過回溯測試，並將予以刪除。通過上述回溯測試的至少一AI模型將被保留，並由參數調整模組334依據每一通過回溯測試的AI模型的回溯測試結果，分別對上述每一通過回溯測試的AI模型進行參數調整與/或超參數調整，並得到經過參數調整的AI模型，如步驟465所示。上述經過參數調整的AI模型可使用“再一批新的成對數據”來進行第二次回溯測試，如步驟460’所示。未通過上述第二次回溯測試的AI模型，將會被刪除。通過上述第二次回溯測試的至少一AI模型將可由參數調整模組334依據每一通過第二次回溯測試的AI模型在第二次回溯測試的測試結果，分別對上述每一通過回溯測試的AI模型進行參數調整與/或超參數調整，並得到經過第二次參數調整的AI模型，如步驟465’所示。上述經過第二次參數調整的AI模型可儲存至最佳模型儲存模組338，如步驟470所示。根據本範例，為了簡單說明本發明的操作方式，只舉例兩次回溯測試。在實際操作時，可重複多次上述的回溯測試，以產生更貼近金融商品價格數據與那斯達克指數相關性的複數個AI模型。
根據本範例，上述的複數個經過第二次參數調整的AI模型在金融商品與市場指標未來相關性預測的產生單元340中，可依據金融商品間的未來相關性預測的產生單元360的輸入介面362所輸入之時間長度的要求，分別產出各個金融商品價格數據與那斯達克指數未來相關性之預測，如步驟480所示。上述輸入介面362可以是選自：鍵盤、指點設備(pointing device)、圖形使用者介面(graphical user interface)、或是其他習知該項技藝者所熟知的輸入介面。上述輸入介面362所輸入的要求，除了預測時間的長度之外，也可以是金融商品項目、加權比例、閥值(threshold value)、或是其他習知該項技藝者所熟知的預測參數設定。在上述金融商品與市場指標未來相關性預測的產生單元340中所產出的複數個金融商品價格數據與那斯達克指數未來相關性之預測結果可傳送至計算單元350進行計算。計算單元350將會依據輸入介面362所輸入的要求，計算出複數個金融商品間的價格數據的未來相關性預測結果，如步驟490所示。上述金融商品間的價格數據的未來相關性預測結果將傳送至金融商品間的未來相關性產生單元360的輸出介面364，並以使用者要求的方式來呈現出所要求的金融商品間的價格數據的未來相關性預測結果，如步驟495所示。上述的輸出介面364可以是一顯示裝置。根據本範例，上述金融商品間的價格數據的未來相關性預測結果可以圖形模式、或是字串模式呈現於上述的輸出介面364。
第五A圖與第五B圖可用來進一步說明在第四A圖 與第四B圖中，金融商品A從建立AI模型到產出金融商品價格數據與那斯達克指數相關性預測的流程示意圖。需注意的是，其中，AI模型數量與變化，皆僅是舉例，並非用以限制本說明書之範圍。
在輸入金融商品A的歷史價格數據與那斯達克指數的歷史數據之成對數據的特徵至LSTM模組322後，可由LSTM模組322的輸出值建立出AI模型A1、A2、A3、A4、A5、A6、A7，如第五A圖中的510所示。上述的AI模型在建立後，已經過第三圖中的優化模組324以優化法進行訓練，未顯示於圖中。上述的AI模型可傳送至第三圖中的模型測試模組332，並使用上述“新的成對數據”進行測試，如如第五A圖中的520所示。在模型測試模組332中，未通過測試的AI模型將會被刪除，如第五A圖中的522所示之A3、A5、A7。通過測試的AI模型A1、A2、A4、A6將被保留，如第五A圖中的524所示，並傳送至第三圖中的參數調整模組334。在參數調整模組334中，將依據每一通過測試的AI模型之測試結果的偏差度，分別進行參數調整與/或超參數調整，以得到經過參數調整的AI模型，如第五A圖中的524’所示之A1’、A2’、A4’、A6’。
上述經過參數調整的AI模型接著傳送至第三圖中的回溯測試模組336，並使用“另一批新的成對數據”來進行回溯測試，如第五B圖中的530所示。在回溯測試模組336中，未通過回溯測試的AI模型將會被刪除，如第五B圖中的532所示之A4’。 通過測試的AI模型A1’、A2’、A6’將被保留，如第五B圖中的534所示，並傳送至第三圖中的參數調整模組334。在參數調整模組334中，將依據每一通過回溯測試的AI模型之測試結果的偏差度，分別進行參數調整與/或超參數調整，以得到經過參數調整的AI模型，如第五B圖中的534’所示之A1”、A2”、A6”。
上述經過參數調整的AI模型A1”、A2”、A6”接著再傳送至第三圖中的回溯測試模組336，並使用“再一批新的成對數據”來進行第二次的回溯測試，如第五B圖中的540所示。同上，未通過回溯測試的AI模型將會被刪除，如第五B圖中的542所示之A6”。通過測試的AI模型A1”、A2”將被保留，如第五B圖中的544所示，並傳送至第三圖中的參數調整模組334。在參數調整模組334中，將依據每一通過回溯測試的AI模型之測試結果的偏差度，分別進行參數調整與/或超參數調整，以得到經過參數調整的AI模型，如第五B圖中的544’所示之A1”’、A2”’。根據本範例，上述回溯測試可重複操作多次。為了簡單說明本發明之操作方式，在此只以進行兩次回溯測試作為舉例。上述通過回溯測試並經過參數調整的AI模型A1”’、A2”’將儲存至第三圖中的最佳模型儲存模組338，如第五B圖中的550所示。補充說明的是，隨著時間推進，當使用更新的成對數據特徵所建立的AI模組通過回溯測試並經過參數調整時，這些AI模組也將會被儲存於上述的最佳模型儲存模組338。並且，上述最佳模型儲存模組338中，比較早期所儲存的AI模組將會被定期刪除。
根據本範例，上述儲存於最佳模型儲存模組338中的AI模組A1”’、A2”’將會在第三圖的金融商品與市場指標未來相關性的預測單元340中被再啟(reloaded)，如第五B圖中的560所示，並依據第三圖中的輸入介面362所輸入之時間長度的要求，分別產出金融商品A的價格數據與那斯達克指數的未來相關性之預測結果PAN，如第五B圖中的570所示。同樣地，其他的金融商品，例如金融商品B、C，也會經過第五A圖與第五B圖的流程，並在金融商品與市場指標未來相關性的預測單元340中產出金融商品B的價格數據與那斯達克指數的未來相關性之預測結果PBN、與金融商品C的價格數據與那斯達克指數的未來相關性之預測結果PCN。在金融商品與市場指標未來相關性的預測單元340所產出的預測結果，例如上述之PAN、PBN、PCN，可傳送至第三圖中的計算單元350，以分別計算出金融商品A與金融商品B、金融商品A與金融商品C、金融商品B與金融商品C之間的未來相關性預測結果。根據本範例，上述計算單元350用來計算金融商品A、B、C彼此之間的未來相關性預測之評量工具為相關係數。上述計算單元350所計算出的結果將傳送至第三圖中的輸出介面364，並以使用者要求/預先設定的方式來呈現出金融商品間的價格數據的未來相關性預測結果。
根據本說明書，上述的金融商品的相關性預測系統及其方法相較於現有的金融商品相關性預測方法，上述的使用人工智慧的金融商品的相關性預測系統及其方法所具備的優勢包 括：1.使用不同的模型架構；2.使用不同的方法；3.可進行輸出等級調整；4.可進行序列式學習(sequential learning)；5.可獲得數據與財務對策；6.可降低硬體採集(hardware acquisition)與雲端計算環境(cloud-based computing environment)成本，例如可採用雲端運算服務(Amazon Web Services；AWS)；7.在數據供應商評估、軟體/雲端對策發展監控、與解決方案版本評估等方面可達到具備充分金融背景的專業化計畫管理與計畫管理的行政人員所呈現的能力；8.可降低支付給基於項目的數據科學家、研究員等的報酬支出；以及9.可以為了長期發展而培養出(內部或外部的)客制化系統與方法。
上述的金融商品的相關性預測系統及其方法聚焦於以下三點：
A.以深度學習來驅動(deep learning-driven)，且並非倚賴蒙地卡羅法(Monte Carlo method)之獨特的資產風險預測與模擬。
B.基於複數個時間序列的人工智慧模型所產出的 未來預測來進行的最佳化投資組合權重。
C.依據新的方法或各種投資組合架構來進行自動且有效率的回溯測試驗證，以協助進行決策。
在根據本說明書之一較佳範例中，上述使用人工智慧的金融商品的相關性預測系統可針對每一金融商品以多種成對數據特徵來輸入遞歸神經網路(RNN)，並由遞歸神經網路的輸出來建立多組複數個人工智慧模型。在經過模型測試、參數調整、以及回溯測試等模型過濾後，得到複數個最佳人工智慧模型。藉由上述的複數個最佳人工智慧模型可作為投資組合的未來相關性預測，進而可協助投資機構與投資人有效地進行風險控管。
第六圖是一根據本說明書的應用範例，是使用根據本說明書的金融商品的相關性預測系統所做的投資組合與一現在市場上的被動市場指標/S&P500(passive market benchmark/S&P500)曲線比較圖。第六圖的取樣時間為西元2016年1月6日至2018年1月31日。第六圖中較下方的(較細的)線條是一現在市場上的被動市場指標/S&P500(passive market benchmark/S&P500)的累積收益曲線[Equity(22148[OEF])]；較上方(較粗的)線條是應用根據本說明書的金融商品的相關性預測系統所做的投資組合的累積收益曲線(Backtest)。由第六圖可明顯看出，藉由根據本說明書的金融商品的相關性預測系統對於金融商品間的未來相關性的準確預測結果，使得應用根據本說明書的金融商品的相關性預測系統所做出的投資組合可得到比上述被動市 場指標/S&P500更優異的累積收益。
因此，藉由本說明書揭露的技術，金融機構的投資團隊將可聚焦於風險管理，亦即，可完美地結合投資組合最佳化與未來的定量風險預測(quantitative risk forecast)。
根據本說明書，上述金融商品的相關性預測系統及其方法的發展性至少可條列如下：1.使用機械學習來強化現有投資組合架構/風險管理中的識別區域；2.鍛鍊可用來判別弱點區域的方法與潛在理論解決方案；3.建構所需的數據基礎架構以支援機器學習的發展；4.使用所提供的數據來發展並訓練出複數個人工智慧模型；5.使用該些人工智慧模型所產出的輸出值相對於歷史數據來回溯測試該些人工智慧模型；6.建構出自動數據管理、人工智慧模型訓練、產出輸出值、以及輸出值儲存的基礎架構；以及7.發展“用戶端”介面(client interfaces)用以從該些人工智慧模型來再啟與呈現出該些輸出值[例如，圖形使用者介面(Graphical User Interface；GUI)、具象狀態傳輸應用程式介面(Representational State Transfer Application Programing Interface； REST API)]。
綜上所述，本說明書揭露一種金融商品的相關性預測系統及其方法。上述金融商品的相關性預測系統及其方法可使用複數層感知(深度神經網路)與遞迴神經網路模型架構來產出更準確的金融商品之間的未來相關性預測。上述的金融商品的相關性預測系統及其方法包含使用數據導入單元來蒐集與建立金融商品與市場指標的數據資料庫、使用模型建構單元來建立與訓練複數個人工智慧模型、使用模型過濾單元來進行過濾人工智慧模型，並對於通過測試/回溯測試的人工智慧模型的進行參數調整，並儲存最貼近金融商品趨勢的最佳人工智慧模型。然後，上述的金融商品的相關性預測系統及其方法可使用所儲存的複數個最佳人工智慧模型來產出金融商品與市場指標的未來相關性預測，以及使用上述的金融商品與市場指標的未來相關性預測來計算出金融商品間的未來相關性預測。根據本說明書，使用者可藉由具競爭力的金融商品間的未來相關性預測將金融商品之間的未來相關性升/降納入建構投資組合時的考量，並由此建構出更有效率的投資組合。
顯然地，依照上面體系中的描述，本發明可能有許多的修正與差異。因此需要在其附加的權利要求項之範圍內加以理解，除了上述詳細的描述外，本發明還可以廣泛地在其他的體系中施行。上述僅為本發明之較佳體系而已，並非用以限定本發 明之申請專利範圍；凡其它未脫離本發明所揭示之精神下所完成的等效改變或修飾，均應包含在下述申請專利範圍內。

Claims (9)

  1. 一種金融商品的相關性預測系統，其包含：成對數據導入單元，包含一數據蒐集模組、一數據資料庫、以及一成對數據特徵提取模組，其中上述數據蒐集模組用以分別蒐集複數個金融商品與市場指標的成對數據，並將所蒐集的成對數據儲存於上述的數據資料庫，其中上述的成對數據特徵提取模組用提提取該些成對數據的特徵，並將該些特徵儲存於上述的數據資料庫，其中該些金融商品與該市場指標具有相關性；模型建構單元，包含一神經網路模組、以及一模型儲存模組，其中上述神經網路模組使用上述數據資料庫的該些特徵作為輸入，以輸出複數個人工智慧模型，該些人工智慧模型儲存於上述模型儲存模組；模型過濾單元，包含一模型測試模組、一參數調整模組、一回溯測試模組、以及一最佳模型儲存模組，其中該些人工智慧模型傳送至上述模型測試模組進行測試，其中上述參數調整模組依據測試結果分別對通過測試的複數個人工智慧模型進行參數調整，以得到複數個經過參數調整的人工智慧模型，其中上述回溯測試模組針對該些經過參數調整的人工智慧模型進行至少一次回溯測試，其中在每次回溯測試之後，以上述參數調整模組針對通過回溯測試的至少一人工智慧模型依據回溯測試結果進行參數調整，其中上述最佳模型儲存模組用以儲存上述通過回溯測試且經過參數調整的至少一人工智慧模型；金融商品與市場指標的未來相關性預測產生單元，上述金融商品與市場指標的未來相關性預測產生單元再啟上述經過參數調整的至少一人工智慧模型，並產出金融商品與市場指標的相關性預測；計算單元，上述計算單元計算上述金融商品與市場指標的相關性預測，並產出金融商品間的未來相關性預測；以及 金融商品間的未來相關性預測產生單元，包含輸入介面、以及輸出介面，其中上述輸入介面用以輸入金融商品的相關性預測要求至上述的計算單元，其中該些金融商品間的未來相關性預測結果由上述的輸出介面來呈現。
  2. 根據申請專利範圍第1項之金融商品的相關性預測系統，其中該模型建構單元更包含一優化模組，其中上述優化模組係在該些人工智慧模組儲存於上述模型儲存模組之前，對該些人工智慧模組進行優化。
  3. 根據申請專利範圍第1項之使用人工智慧的金融風險預測系統，其中上述神經網路模組係遞歸神經網路(recurrent neural networks；RNN)。
  4. 根據申請專利範圍第1項之使用人工智慧的金融風險預測系統，其中上述神經網路模組係長短期記憶神經網路(long-short term memory；LSTM)。
  5. 根據申請專利範圍第1項之金融商品的相關性預測系統，其中上述計算單元的計算方式係使用相關係數、或共異變數。
  6. 一種金融商品的相關性預測方法，可用於一金融商品的相關性預測系統，其包含：蒐集複數個金融商品與市場指標的成對數據以建立數據資料庫，其中該數據資料庫儲存由一數據蒐集模組所蒐集的複數個成對數據並持續更新數據內容，其中該些成對數據的特徵由一數據特徵提取模組提取出並儲存於該數據資料庫；建立複數個人工智慧模型，其中該些特徵作為一神經網路的輸入，並由該神經網路的輸出建立上述的複數個人工智慧模型； 過濾該些人工智慧模型，其中上述的複數個人工智慧模型以一模型測試模組進行測試，以產生至少一通過上述測試之人工智慧模型以一參數調整模組依據上述測試的結果分別對上述至少一通過測試之人工智慧模型進行參數調整，以產生至少一經過參數調整之人工智慧模型，其中上述的至少一經過參數調整之人工智慧模型以一回溯測試模組進行至少一次回溯測試，以產生至少一通過回溯測試之人工智慧模型，其中上述至少一通過回溯測試之人工智慧模組在每次回溯測試後，以上述參數調整模組依據該次回溯測試的結果分別針對上述的至少一通過回溯測試之人工智慧模型進行參數調整，其中上述的至少一通過回溯測試之人工智慧模型儲存於一最佳模型儲存模組；產出金融商品與市場指標的未來相關性預測，其中上述的至少一通過回溯測試之人工智慧模組被再啟，並用以產出該些金融商品與市場指標的未來相關性預測；計算金融商品間的未來相關性預測，其中係使用該些金融商品與市場指標的未來相關性預測來計算出該些金融商品間的未來相關性預測；以及產出金融商品間的未來相關性預測結果，其中上述計算該些金融商品間的未來相關性預測的步驟所產出的該些金融商品間的未來相關性預測結果由一輸出介面來呈現。
  7. 根據申請專利範圍第6項之金融商品的相關性預測方法，其中上述神經網路模組係遞歸神經網路(recurrent neural networks；RNN)。
  8. 根據申請專利範圍第6項之金融商品的相關性預測方法，其中上述神經網路模組係長短期記憶神經網路(long-short term memory；LSTM)。
  9. 根據申請專利範圍第6項之金融商品的相關性預測方法，其中上述計算金融商品間的未來相關性預測的步驟之計算方式係使用相關係數、或共異變數。
TW107111829A 2017-12-12 2018-04-03 金融商品的相關性預測系統及其方法 TWI696971B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762597593P 2017-12-12 2017-12-12
US62/597,593 2017-12-12

Publications (2)

Publication Number Publication Date
TW201928844A true TW201928844A (zh) 2019-07-16
TWI696971B TWI696971B (zh) 2020-06-21

Family

ID=66696293

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107111829A TWI696971B (zh) 2017-12-12 2018-04-03 金融商品的相關性預測系統及其方法

Country Status (3)

Country Link
US (1) US20190180376A1 (zh)
CN (1) CN109919647A (zh)
TW (1) TWI696971B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965803A (zh) * 2021-03-22 2021-06-15 共达地创新技术(深圳)有限公司 Ai模型生成方法及电子设备
TWI800955B (zh) * 2021-10-20 2023-05-01 中國信託商業銀行股份有限公司 投資推薦方法及系統
US20230186331A1 (en) * 2021-12-13 2023-06-15 International Business Machines Corporation Generalized demand estimation for automated forecasting systems

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853480A (zh) * 2009-03-31 2010-10-06 北京邮电大学 一种基于神经网络预测模型的外汇交易方法
CN105894379A (zh) * 2016-03-30 2016-08-24 上海坤士合生信息科技有限公司 金融产品交易策略的生成系统和生成方法
CN106096727B (zh) * 2016-06-02 2018-12-07 腾讯科技（深圳）有限公司 一种基于机器学习的网络模型构造方法及装置
CN106384166A (zh) * 2016-09-12 2017-02-08 中山大学 一种结合财经新闻的深度学习股市预测方法
CN106952161A (zh) * 2017-03-31 2017-07-14 洪志令 一种基于长短期记忆深度学习网络的股票近期走势预测方法

Also Published As

Publication number Publication date
US20190180376A1 (en) 2019-06-13
CN109919647A (zh) 2019-06-21
TWI696971B (zh) 2020-06-21

Similar Documents

Publication Publication Date Title
TWI702557B (zh) 金融風險預測系統及其方法
Wang et al. Forecasting stochastic neural network based on financial empirical mode decomposition
Zhang et al. An evolutionary trend reversion model for stock trading rule discovery
TWI696971B (zh) 金融商品的相關性預測系統及其方法
Huang et al. Novel deep reinforcement algorithm with adaptive sampling strategy for continuous portfolio optimization
Xu et al. Uncertainty in financing interest rates for startups
Sun et al. Predicting futures market movement using deep neural networks
Shi et al. GPM: A graph convolutional network based reinforcement learning framework for portfolio management
Rafi et al. Enhancing cryptocurrency price forecasting accuracy: A feature selection and weighting approach with bi-directional LSTM and trend-preserving model bias correction
Yeh et al. Coal price prediction using financial indices
Han et al. ROBO-ADVISORS: REVOLUTIONIZING WEALTH MANAGEMENT THROUGH THE INTEGRATION OF BIG DATA AND ARTIFICIAL INTELLIGENCE IN ALGORITHMIC TRADING STRATEGIES
Moubariki et al. Enhancing cash management using machine learning
Ge et al. Single stock trading with deep reinforcement learning: A comparative study
Minnoor et al. Nifty price prediction from Nifty SGX using machine learning, neural networks and sentiment analysis
Cui et al. Risk Analysis of A‐H Share Connect Market Based on Deep Learning and BP Neural Network
Shen Implementing value investing strategy by artificial neural network
Zhou et al. Mathematical model of yield forecast based on long and short-term memory image neural network
Das et al. Developing Hybrid Deep Learning Models for Stock Price Prediction Using Enhanced Twitter Sentiment Score and Technical Indicators
Sun Quantitative investment prediction analysis for enterprise asset management using machine learning algorithms
Samson Comparative analysis of machine learning algorithms for daily cryptocurrency price prediction
Tayal et al. AI Based Stock Market Prediction-Theoretical Perspective
Lai et al. An analysis of combining correlation screening with artificial neural network for FITX futures prediction
KINYUA AN ARTIFICIAL INTELLIGENCE-BASED FOREX TRADING PREDICTION SOLUTION FOR KENYA: A INDIVIDUAL CAPSTONE PROJECT FOR MASTERS IN DATA SCIENCE AND ARTIFICIAL INTELLIGENCE
Amineni Using Machine Learning To Predict Future Stock Prices
Manu et al. Stock index prediction using artificial neural network and econometric model: The case of nifty 50