TW202020781A

TW202020781A - 外匯交易量預測方法和裝置

Info

Publication number: TW202020781A
Application number: TW108119509A
Authority: TW
Inventors: 楊永晟
Original assignee: 香港商阿里巴巴集團服務有限公司
Priority date: 2018-08-03
Filing date: 2019-06-05
Publication date: 2020-06-01
Also published as: WO2020024718A1; CN109359758A

Abstract

本說明書實施例提供一種外匯交易量預測方法和裝置，獲取由外匯交易業務資料序列構成的時間序列資料，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料，然後將時間序列資料輸入預先訓練的多層卷積神經網路，以對未來時間段內的外匯交易量進行預測，在預測時考慮了相鄰時間節點之間外匯交易業務資料的互相影響，並利用了單個時間節點的多維特徵屬性，提高了預測準確度。

Description

外匯交易量預測方法和裝置

本說明書涉及資料處理技術領域，尤其涉及外匯交易量預測方法和裝置。

在國際匯兌業務中，需要通過提前購買下一個購匯結算週期的各外匯交易量，減少潛在的匯率敞口波動風險，進行損益控制。為了進行損益控制，需要對每個購匯結算週期的外匯交易量進行預測。因此，有必要對外匯交易量的預測方式進行改進。

基於此，本說明書提供了外匯交易量預測方法和裝置。根據本說明書實施例的第一態樣，提供一種外匯交易量預測方法，所述方法包括：獲取時間序列資料，所述時間序列資料包括歷史時間段內多個業務日的外匯交易業務資料序列，所述外匯交易業務資料序列按照時間順序排列，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料；將所述時間序列資料輸入預先訓練的多層卷積神經網路模型，以對未來時間段內的外匯交易量進行預測。可選地，所述方法還包括：根據所述未來時間段內外匯交易量的預測值和真實值計算預測準確度；根據所述預測準確度對所述多層卷積神經網路模型的模型參數進行調整。可選地，所述方法還包括：獲取歷史若干個週期的同期外匯交易量；計算所述同期外匯交易量的平均值和方差；根據所述平均值和方差對所述外匯交易量的預測值進行異常檢測。可選地，根據所述平均值和方差對所述外匯交易量的預測值進行異常檢測的步驟包括：若所述外匯交易量的預測值超出預設的數值範圍，判定所述外匯交易量的預測值異常；其中，所述數值範圍為：(X1,X2)，其中，X1=μ-N*δ，X2=μ+N*δ；式中，μ為同期外匯交易量的平均值，N為預設正整數，δ為同期外匯交易量的方差。可選地，所述方法還包括：若所述外匯交易量的預測值小於X1，將所述外匯交易量的預測值修正為X1；若所述外匯交易量的預測值大於X2，將所述外匯交易量的預測值修正為X2。可選地，將所述時間序列資料輸入預先訓練的多層卷積神經網路模型的步驟包括：根據所述時間序列資料計算重點商家的外匯交易業務特徵；將所述重點商家的外匯交易業務特徵輸入預先訓練的多層卷積神經網路模型。可選地，所述外匯交易業務資料包括每個業務日的正向交易量、逆向交易量、業務日日期屬性、業務日促銷屬性及/或業務日預設營銷額。根據本說明書實施例的第二態樣，提供一種外匯交易量預測裝置，所述裝置包括：獲取模組，用於獲取時間序列資料，所述時間序列資料包括歷史時間段內多個業務日的外匯交易業務資料序列，所述外匯交易業務資料序列按照時間順序排列，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料；預測模組，用於將所述時間序列資料輸入預先訓練的多層卷積神經網路模型，以對未來時間段內的外匯交易量進行預測。根據本說明書實施例的第三態樣，提供一種電腦可讀儲存媒體，其上儲存有電腦程式，該程式被處理器執行時實現任一實施例所述的方法。根據本說明書實施例的第四態樣，提供一種電腦設備，包括記憶體、處理器及儲存在記憶體上並可在處理器上運行的電腦程式，所述處理器執行所述程式時實現任一實施例所述的方法。應用本說明書實施例方案，獲取由外匯交易業務資料序列構成的時間序列資料，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料，然後將時間序列資料輸入預先訓練的多層卷積神經網路，以對未來時間段內的外匯交易量進行預測，在預測時考慮了相鄰時間節點之間外匯交易業務資料的互相影響，並利用了單個時間節點的多維特徵屬性，提高了預測準確度。應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本說明書。

這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數位表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本說明書相一致的所有實施方式。相反，它們僅是與如所附申請專利範圍中所詳述的、本說明書的一些態樣相一致的裝置和方法的例子。在本說明書使用的術語是僅僅出於描述特定實施例的目的，而非旨在限制本說明書。在本說明書和所附申請專利範圍中所使用的單數形式的“一種”、“所述”和“該”也旨在包括多數形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語“及/或”是指並包含一個或多個相關聯的列出項目的任何或所有可能組合。應當理解，儘管在本說明書可能採用術語第一、第二、第三等來描述各種資訊，但這些資訊不應限於這些術語。這些術語僅用來將同一類型的資訊彼此區分開。例如，在不脫離本說明書範圍的情況下，第一資訊也可以被稱為第二資訊，類似地，第二資訊也可以被稱為第一資訊。取決於語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“回應於確定”。如圖1所示，是本說明書一個實施例的外匯交易量預測方法流程圖。所述方法可包括以下步驟：步驟102：獲取時間序列資料，所述時間序列資料包括歷史時間段內多個業務日的外匯交易業務資料序列，所述外匯交易業務資料序列按照時間順序排列，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料；步驟104：將所述時間序列資料輸入預先訓練的多層卷積神經網路，以對未來時間段內的外匯交易量進行預測。在步驟102中，首先獲取時間序列資料，即，一組按照時間順序排列的資料。對於外匯交易這一業務場景，可以獲取各個業務日產生的外匯交易業務資料，並將這些業務資料按照產生的時間進行排列，以得到所需的時間序列資料。其中，業務日即業務量的一個統計週期，其可以與自然日(0:00至23:59)相同，也可以由業務系統預先設定，例如，可以設定為某個自然日的15:00至次日的14:59，或者設定為其他時間段。可以獲取連續的多個業務日產生的業務資料，每個業務日獲取相同的資料。為了全面地描述業務資料的特徵，可以獲取多個不同維度的業務資料。例如，這些維度可以包括每個業務日的正向交易量、逆向交易量、業務日日期屬性、業務日促銷屬性及/或業務日預設營銷額。在消費場景中，使用者的購買付款行為與使用者退款行為帶來的是相反的資金流動，在資金結算時，對於商家視角，使用者付款行為為一種正向交易，使用者退款行為為一種逆向交易，因此，正向交易量即使用者向商家付款的總量，逆向交易量即為使用者從商家退款的總量。業務日日期屬性即業務日對應的日期是否月初、月末、月中、工作日、非工作日或者節假日等屬性。業務日促銷屬性即業務日是否存在促銷活動以及促銷活動的活動等級，其中，活動等級由促銷活動的折扣力度、覆蓋商家範圍、預期交易量等因素來決定。業務日預設營銷額可以是單個業務日的預設營銷額，不同的業務日可以設置不同的業務日預設營銷額。通過獲取由外匯交易業務資料序列構成的時間序列資料，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料，在預測時考慮了相鄰時間節點之間外匯交易業務資料的互相影響，並利用了單個時間節點的多維特徵屬性，提高了預測準確度。一個實施例的外匯交易業務資料示意圖如圖2所示。圖中，T表示選定的預測時間節點，T+N表示時間節點T之後的第N個業務日。在步驟104中，可以將步驟102獲取到的時間序列資料輸入到多層卷積神經網路模型，通過多層卷積神經網路模型對未來時間段內的外匯交易量進行預測。多層卷積神經網路模型可以預先訓練。訓練時，可以將歷史時間段內的時間序列資料作為輸入，將該歷史時間段內的外匯交易量的真實值作為輸出，對多層卷積神經網路模型的模型參數進行求解。採用多層卷積神經網路模型，解決了常規的線性迴歸方法無法挖掘相鄰時間節點之間的關聯性，而常規的時間序列處理方法又無法處理高維的資料節點的問題。多層卷積神經網路既可以保證每個時間節點資料的高維特徵的可擴展性，有可以保證時間節點之間的順序演變的性質。同時，神經網路可以控制過擬合，自動實現對高維特徵的選擇。另外，對於外匯交易中的退款等業務，退款的業務窗口一般為一個固定的長度。卷積神經網路訓練一個相對較短的業務窗口資料，能抓住短期業務窗口的規律。在一個實施例中，在得到未來時間段內外匯交易量的預測值之後，還可以根據所述未來時間段內外匯交易量的預測值和真實值計算預測準確度；根據所述預測準確度對所述多層卷積神經網路模型的模型參數進行調整。這樣，可以動態調整多層卷積神經網路模型的模型參數，提高預測準確度。在一個實施例中，如圖3所示，本說明書實施例的方法還包括：步驟302：獲取歷史若干個週期的同期外匯交易量；步驟304：計算所述同期外匯交易量的平均值和方差；步驟306：根據所述平均值和方差對所述外匯交易量的預測值進行異常檢測。通過異常檢測，能夠篩選掉異常的預測值，從而進一步提高預測準確度。本實施例中的週期可以是包括多個具有相同業務日日期屬性的業務日的時間段。可以是包括多個業務日日期屬性為月初的業務日的時間段，例如，一個週期包括3個月，這3個月中包括3個業務日日期屬性為月初的業務日。也可以是包括多個業務日日期屬性為周日的業務日的時間段，例如，一個週期包括4周，這4周包括4個業務日日期屬性為周日的業務日。同期外匯交易量即業務日日期屬性相同的業務日的外匯交易量，例如，可以是兩個或兩個以上業務日日期屬性均為周日的業務日的外匯交易量，也可以是兩個或兩個以上業務日日期屬性均為月初的業務日的外匯交易量。根據所述平均值和方差對所述外匯交易量的預測值進行異常檢測，可以預先設定一個外匯交易量的數值範圍。若所述外匯交易量的預測值超出預設的數值範圍，判定所述外匯交易量的預測值異常；其中，所述數值範圍可以是： (X1,X2)，其中，X1=μ-N*δ，X2=μ+N*δ；式中，μ為同期外匯交易量的平均值，N為預設正整數，δ為同期外匯交易量的方差。進一步地，若所述外匯交易量的預測值小於X1，可以將所述外匯交易量的預測值修正為X1；若所述外匯交易量的預測值大於X2，可以將所述外匯交易量的預測值修正為X2。在一個實施例中，將所述時間序列資料輸入預先訓練的多層卷積神經網路模型的步驟包括：根據所述時間序列資料計算重點商家的外匯交易業務特徵；將所述重點商家的外匯交易業務特徵輸入預先訓練的多層卷積神經網路模型。在本實施例中，重點商家可以是當日交易量在整個幣種的交易量中排名前若干名的商家，也可以是歷史時間段(例如，一個月)內交易量平均值在各個商家中排名前若干名的商家，也可以是當日交易量排名前若干名，同時歷史時間段內交易量平均值排名前若干名的商家。當然，也可以採用其他特徵或者特徵的組合來判斷商家是否為重點商家。重點商家的外匯交易業務特徵可包括重點商家交易量比例、重點商家活動力度及/或重點商家優質商品比例等特徵。其中，重點商家交易量比例即重點商家的交易量占全部交易量的比值。重點商家活動力度用於表徵重點商家舉行的促銷活動處於交易平臺促銷活動的哪個活動等級，可以根據重點商家的預期銷售額來劃分活動等級。重點商家優質商品比例可根據重點商家中評分在一定評分值以上的商品的銷售額與該重點商家的全部銷售額的比值來計算。重點商家對預測的影響比較大，因此，引入重點商家的外匯交易業務特徵作為外匯交易量預測的依據，能夠提高預測準確度。應用本說明書實施例方案，獲取由外匯交易業務資料序列構成的時間序列資料，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料，然後將時間序列資料輸入預先訓練的多層卷積神經網路，以對未來時間段內的外匯交易量進行預測，在預測時考慮了相鄰時間節點之間外匯交易業務資料的互相影響，並利用了單個時間節點的多維特徵屬性，提高了預測準確度。以上實施例中的各種技術特徵可以任意進行組合，只要特徵之間的組合不存在衝突或矛盾，但是限於篇幅，未進行一一描述，因此上述實施方式中的各種技術特徵的任意進行組合也屬本說明書公開的範圍。如圖4所示，本說明書實施例還提供一種外匯交易量預測裝置，所述裝置可包括：獲取模組402，用於獲取時間序列資料，所述時間序列資料包括歷史時間段內多個業務日的外匯交易業務資料序列，所述外匯交易業務資料序列按照時間順序排列，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料；預測模組404，用於將所述時間序列資料輸入預先訓練的多層卷積神經網路模型，以對未來時間段內的外匯交易量進行預測。上述裝置中各個模組的功能和作用的實現過程具體詳情見上述方法中對應步驟的實現過程，在此不再贅述。對於裝置實施例而言，由於其基本對應於方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的模組可以是或者也可以不是實體上分開的，作為模組顯示的部件可以是或者也可以不是物理模組，即可以位於一個地方，或者也可以分佈到多個網路模組上。可以根據實際的需要選擇其中的部分或者全部模組來實現本說明書方案的目的。本領域普通技術人員在不付出進步性勞動的情況下，即可以理解並實施。本說明書裝置的實施例可以應用在電腦設備上，例如伺服器或終端設備。裝置實施例可以通過軟體實現，也可以通過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為一個邏輯意義上的裝置，是通過其所在文件處理的處理器將非揮發性記憶體中對應的電腦程式指令讀取到內存記憶體中運行形成的。從硬體層面而言，如圖5所示，為本說明書裝置所在電腦設備的一種硬體結構圖，除了圖5所示的處理器502、內存記憶體504、網路介面506、以及非揮發性記憶體508之外，實施例中裝置所在的伺服器或電子設備，通常根據該電腦設備的實際功能，還可以包括其他硬體，對此不再贅述。相應地，本說明書實施例還提供一種電腦儲存媒體，所述儲存媒體中儲存有程式，所述程式被處理器執行時實現上述任一實施例中的方法。相應地，本說明書實施例還提供一種電腦設備，包括記憶體、處理器及儲存在記憶體上並可在處理器上運行的電腦程式，所述處理器執行所述程式時實現上述任一實施例中的方法。本說明書實施例可採用在一個或多個其中包含有程式代碼的儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。電腦可用儲存媒體包括永久性和非永久性、可行動和非可行動媒體，可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括但不限於：相變內存記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他內存記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存器、磁卡式磁帶，磁帶式磁碟儲存器或其他磁性儲存設備或任何其他非傳輸媒體，可用於儲存可以被電腦設備存取的資訊。本領域技術人員在考慮說明書及實踐這裡公開的說明書後，將容易想到本公開的其它實施方案。本公開旨在涵蓋本公開的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本公開的一般性原理並包括本公開未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本公開的真正範圍和精神由下面的申請專利範圍指出。應當理解的是，本公開並不局限於上面已經描述並在附圖中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本公開的範圍僅由所附的申請專利範圍來限制。以上所述僅為本公開的較佳實施例而已，並不用以限制本公開，凡在本公開的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本公開保護的範圍之內。

102:步驟 104:步驟 302:步驟 304:步驟 306:步驟 402:獲取模組 404:預測模組 502:處理器 504:內存記憶體 506:網路介面 508:非揮發性記憶體

此處的附圖被併入說明書中並構成本說明書的一部分，示出了符合本說明書的實施例，並與說明書一起用於解釋本說明書的原理。圖1是本說明書一個實施例的外匯交易量預測方法流程圖。圖2是本說明書一個實施例的外匯交易業務資料示意圖。圖3是本說明書一個實施例的異常檢測過程示意圖。圖4是本說明書一個實施例的外匯交易量預測裝置的方塊圖。圖5是本說明書一個實施例的用於實施本說明書實施例方法的電腦設備的示意圖。

Claims

一種外匯交易量預測方法，所述方法包括：獲取時間序列資料，所述時間序列資料包括歷史時間段內多個業務日的外匯交易業務資料序列，所述外匯交易業務資料序列按照時間順序排列，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料；將所述時間序列資料輸入預先訓練的多層卷積神經網路模型，以對未來時間段內的外匯交易量進行預測。
根據請求項1所述的方法，所述方法還包括：根據所述未來時間段內外匯交易量的預測值和真實值計算預測準確度；根據所述預測準確度對所述多層卷積神經網路模型的模型參數進行調整。
根據請求項1所述的方法，所述方法還包括：獲取歷史若干個週期的同期外匯交易量；計算所述同期外匯交易量的平均值和方差；根據所述平均值和方差對所述外匯交易量的預測值進行異常檢測。
根據請求項3所述的方法，根據所述平均值和方差對所述外匯交易量的預測值進行異常檢測的步驟包括：若所述外匯交易量的預測值超出預設的數值範圍，判定所述外匯交易量的預測值異常；其中，所述數值範圍為： (X1,X2)，其中，X1=μ-N*δ，X2=μ+N*δ；式中，μ為同期外匯交易量的平均值，N為預設正整數，δ為同期外匯交易量的方差。
根據請求項4所述的方法，所述方法還包括：若所述外匯交易量的預測值小於X1，將所述外匯交易量的預測值修正為X1；若所述外匯交易量的預測值大於X2，將所述外匯交易量的預測值修正為X2。
根據請求項1所述的方法，將所述時間序列資料輸入預先訓練的多層卷積神經網路模型的步驟包括：根據所述時間序列資料計算重點商家的外匯交易業務特徵；將所述重點商家的外匯交易業務特徵輸入預先訓練的多層卷積神經網路模型。
根據請求項1至6任意一項所述的方法，所述外匯交易業務資料包括每個業務日的正向交易量、逆向交易量、業務日日期屬性、業務日促銷屬性及/或業務日預設營銷額。
一種外匯交易量預測裝置，所述裝置包括：獲取模組，用於獲取時間序列資料，所述時間序列資料包括歷史時間段內多個業務日的外匯交易業務資料序列，所述外匯交易業務資料序列按照時間順序排列，且每條外匯交易業務資料序列包括同一業務日內的多個維度的外匯交易業務資料；預測模組，用於將所述時間序列資料輸入預先訓練的多層卷積神經網路模型，以對未來時間段內的外匯交易量進行預測。
一種電腦可讀儲存媒體，其上儲存有電腦程式，該程式被處理器執行時實現請求項1至7任意一項所述的方法。
一種電腦設備，包括記憶體、處理器及儲存在記憶體上並可在處理器上運行的電腦程式，所述處理器執行所述程式時實現請求項1至7任意一項所述的方法。