TWI702557B - 金融風險預測系統及其方法 - Google Patents

金融風險預測系統及其方法 Download PDF

Info

Publication number
TWI702557B
TWI702557B TW107111827A TW107111827A TWI702557B TW I702557 B TWI702557 B TW I702557B TW 107111827 A TW107111827 A TW 107111827A TW 107111827 A TW107111827 A TW 107111827A TW I702557 B TWI702557 B TW I702557B
Authority
TW
Taiwan
Prior art keywords
artificial intelligence
data
model
module
test
Prior art date
Application number
TW107111827A
Other languages
English (en)
Other versions
TW201928852A (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 TW201928852A publication Critical patent/TW201928852A/zh
Application granted granted Critical
Publication of TWI702557B publication Critical patent/TWI702557B/zh

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
    • G06Q40/06—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (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)

Abstract

本說明書揭示一種金融風險預測系統及其方法。上述金融風險預測系統及其方法可使用多層感知器(深度神經網路)與遞歸神經網路模型架構來產出更準確的金融商品風險預測。根據本說明書，金融商品可結合未來商品波動性的升降來有效地架構出投資組合，並適度進行對沖與分散。

Description

金融風險預測系統及其方法
本發明係關於一種金融風險預測系統及其方法，特別是關於一種使用人工智慧(Artificial Intelligence；AI)的金融風險預測系統及其方法。
金融投資在人們的生活中，是一項相當常見的活動。人們總是希望能透過投資來增加自己的資產。然而，風險總是無所不在，所以，在投資市場中，總是有人成功獲利，也有人投資失利。為了能提昇投資成功的機率，如何針對金融投資進行有效的風險預測，是一項重要的課題。
對習知技藝者而言，波動率(volatility)是一項常用於風險預測的工具。通過對於歷史波動率(historical volatilities)的觀察與計算，習知技藝者可計算出標的金融投資商品的一種趨勢。並且，可從上述的計算得出標的金融投資商品的風險預測。基本上，如果排除未來的意外，歷史波動率可以是一項用來預測趨勢時相當好用的工具。然而，上述預測中的“風險”在於，如何調整上述計算中的參數，以及使用多少歷史數據來進行上述的計算。錯誤的風險預測將可能招致資產損失與金融崩潰。特別是對於投資信託機構而言，通常所操作的金額比一般個別投資人更 高，所以，更需要有效且精準的金融商品風險預測。
有鑑於此，開發可精確地避開金融風險的使用人工智慧(Artificial Intelligence；AI)的金融風險預測系統及其方法，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，本發明提供一種使用人工智慧(Artificial Intelligence；AI)的金融風險預測系統及其方法，上述使用人工智慧的金融風險預測系統及其方法可提供更準確地預測結果。
本發明之一目的在於提供一種使用人工智慧的金融風險預測系統及其方法，藉由將歷史數據輸入遞歸神經網路(recurrent neural network)所產生的人工智慧模型來進行金融商品的趨勢預測，使得上述使用人工智慧的金融風險預測系統及其方法可使用任何金融機構所提供的數據來產出可比較且準確的風險預測。
本發明之另一目的在於提供一種使用人工智慧的金融風險預測系統及其方法，藉由將歷史數據輸入遞歸神經網路(recurrent neural network)所產生的人工智慧模型來進行金融商品的趨勢預測，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。
本發明之又一目的在於提供一種使用人工智慧的金 融風險預測系統及其方法，藉由使用複數個以遞歸神經網路(recurrent neural network)產生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，本發明揭示了一種使用人工智慧(Artificial Intelligence；AI)的金融風險預測系統及其方法。上述使用人工智慧的金融風險預測方法，可用於一使用人工智慧的金融風險預測系統，包含蒐集並建立數據資料庫、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風險預測結果。上述金融風險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，上述金融風險預測系統及其方法藉由使用遞歸神經網路從歷史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的波動預測，進而產出金融商品的風險預測結果。因此，根據本說明書所揭露的技術，金融機構可有效地建構出與未來商品波動性的升/降相連結的投資組合，並適切的進行對沖/分散風險。
100:使用人工智慧的金融風險預測系統
120:數據導入單元
140:模型建構單元
160:模型過濾單元
180:預測結果產生單元
200:使用人工智慧的金融風險預測方法
220:建立數據資料庫的步驟
240:建立複數個人工智慧模型的步驟
260:過濾人工智慧模型的步驟
262:測試人工智慧模型的步驟
264:對人工智慧模型進行參數調整的步驟
266:執行至少一次回溯測試的步驟
268:儲存最佳人工智慧模型的步驟
280:產出預測結果的步驟
320:數據導入單元
322:數據蒐集模組
324:數據資料庫
326:數據特徵提取模組
340:模型建構單元
342:LSTM模組
344:優化模組
346:模型儲存模組
360:模型過濾單元
362:模型測試模組
364:參數調整模組
366:回溯測試模組
368:最佳模型儲存模組
380:預測結果產生單元
382:輸入介面
384:輸出介面
410:蒐集歷史價格數據的步驟
420:提取歷史價格數據的特徵的步驟
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
452:刪除未通過測試的AI模型的步驟
454:保留通過測試的AI模型的步驟
454’:進行參數調整的步驟
460:進行回溯測試的步驟
462:刪除未通過回溯測試的AI模型的步驟
464:保留通過回溯測試的AI模型的步驟
464’:進行參數調整的步驟
470:進行回溯測試的步驟
472:刪除未通過回溯測試的AI模型的步驟
474:保留通過回溯測試的AI模型的步驟
480:儲存至最佳模型儲存模組的步驟
492:輸入金融商品預測要求的步驟
494:再啟最佳AI模型的步驟
496:產出所要求金融商品之預測結果的步驟
第一圖係根據本說明書之一使用人工智慧的金融風 險預測系統之示意圖；第二圖係根據本說明書之一使用人工智慧的金融風險預測方法之示意圖；第三圖係根據本說明書之一範例的使用人工智慧的金融風險預測系統之示意圖；第四A圖至第四D圖係根據本說明書之一範例的使用人工智慧的金融風險預測方法之流程示意圖；第五圖係應用根據本說明書的使用人工智慧的金融風險預測系統的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圖；第六圖係應用根據本說明書之使用人工智慧的金融風險預測系統來進行波動預測與市場真實波動的波動曲線圖；第七圖係應用根據本說明書之一範例的AI模型訓練曲線與AI模型測試曲線對照圖；第八圖係使用“重建錯誤”來進行根據本說明書之使用人工智慧的金融風險預測系統的AI模型之驗證的範例示意圖；第九圖係使用根據本說明書之使用人工智慧的金融風險預測系統的AI模型與基礎模型的模型損耗比對表；第十圖係使用根據本說明書之使用人工智慧的金融風險預測系統的AI模型之波動預測結果與真實波動的曲線圖；第十一A圖與第十一B圖分別是使用不同根據本說 明書之使用人工智慧的金融風險預測系統的AI模型基於相同數據集的輸出結果與真實波動的曲線對照圖；第十一C圖是使用基本編碼器與真實波動的曲線對照圖；以及第十一D圖是使用根據本說明書之使用人工智慧的金融風險預測系統的AI模型所產出的集合預測與實際波動隨著時間的曲線圖。
本發明在此所探討的方向為一種使用人工智慧(Artificial Intelligence；AI)的金融風險預測系統及其方法。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使用人工智慧(Artificial Intelligence；AI)的金融風險預測系統。第一圖係一根據本實施例之使用人工智慧的金融風險預測系統的示意圖。如第一圖所示，上述使用人工智慧的金融風險預測系統100包含數據 導入單元(data importing unit)120、模型建構單元140、模型過濾單元160、以及預測結果產生單元180。
根據本實施例，上述數據導入單元120可用來蒐集數據(data)，並根據所蒐集數據建構一數據資料庫(data repository)。根據本實施例，上述數據資料庫中的數據可先整理成統一格式。並且，上述數據導入單元120可先提取出上述數據的各種特徵(features)。在根據本實施例之一較佳範例中，上述數據的蒐集來源可以是選自下列群組中之一者或其組合：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)。數據導入單元120在蒐集前述各種類別的數據後，將持續進行數據內容的更新，並針對所蒐集數據進行確實地分類，並儲存於上述的數據導入單元120之數據資料庫。
上述的模型建構單元140可用以根據上述數據導入單元120的數據資料庫中所儲存的複數個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140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數據導入單元120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160可用來針對模型建構單元140中的人工智慧模型進行過濾。在上述的模型過濾單元160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)，以產出準確性更高的測試數據。在經過參數調整與超參數調整之後，上述的複數個經過參數調整的人工智慧模組可使用新的測試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160中。在根據本實施例之一較佳範例中，只有最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160中較早期通過回溯測試的人工智慧模型將會定期的被移除。
在上述預測結果產生單元180中，儲存於上述模型過濾單元160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並用於依據所輸入金融商品的預測要求來產出預測結果。在根據本實施例之一較佳範例中，在輸入全值(universe)與標的產品(target products)後，將可從儲存於上述模型過濾單元160中的上述最佳的人工智慧模型產出所要求的預測結果。
在根據本發明之另一實施例揭露一種使用人工智慧(Artificial Intelligence；AI)的金融風險預測方法。上述使用人工智慧得金融風險預測方法可用於財務風險預測系統。第二圖是一根據本實施例之使用人工智慧的金融風險預測方法之示意圖。如 第二圖所示，上述使用人工智慧的金融風險預測方法200包含建立數據資料庫(data repository)的步驟220、建立複數個人工智慧模型的步驟240、過濾該些人工智慧模型的步驟260、以及產出預測結果的步驟280。
在步驟220中，先蒐集來自複數種不同資料來源的數據，以建立數據資料庫。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：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數據內容的更新，並針對所蒐集數據進行確實地分類。在根據本實施例之一較佳範例中，相關的數據可儲存於上述的數據資料庫。根據本實施例，上述數據資料庫中的數據會整理成統一的格式。並且，在建立數據資料庫的步驟220中，在建立數據資料庫時也會先提取出該些數據的各種特徵。
在步驟240中，在上述數據資料庫中各種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240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220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240建立該些人工智慧模型之後，在上述步驟260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260可以包含下列步驟：測試該些人工智慧模型的步驟262、對人工智慧模型進行參數調整的步驟264、執行至少一次回溯測試(backtesting)的步驟266、以及儲存最佳人工智慧模型的步驟268。在上述步驟262中，可使用複數種不同的技術與方法來對 上述步驟240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“新的歷史數據”來進行測試。在經過上述步驟262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262的測試之後，上述步驟264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264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/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266中，上述複數個經過參數調整的人工智慧模型可使用新的測試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/與超參數調整。換言之，在上述的步驟264與步驟266之間可以存在一種迴路(loop)關係。在上述的步驟268中，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。
在上述的步驟280中，在步驟268中被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，並用以產出預測結果。在根據本實施例之一較佳範例中，在輸入全值(universe)與標的產品(target products)後，將可從上述通過回溯測試的至少一人工智慧模型產出所要求的預測結果。
在根據本說明書之一較佳範例中，是以歷史價格數據來進行金融商品的風險預測。請同時參見第三圖與第四A圖至第四D圖。第三圖是一根據本範例之金融風險預測系統的示意圖。第四A圖至第四D圖是一根據本範例之金融風險預測方法的流程示意圖。
首先，使用數據導入單元320中的數據蒐集模組322蒐集金融商品的歷史價格數據，並在數據導入單元中建立數據資料庫324，如步驟410所示。上述的歷史價格數據可以是由使用者導入上述的數據導入單元，或是由數據蒐集模組322依據預設的條件，自動至網路中抓取。根據本範例，上述數據蒐集模組322將持續地蒐集並更新所蒐集的歷史價格數據至上述的數據資料庫324。上述的數據導入單元除了蒐集歷史價格數據，也會藉由數據特徵提取模組326對所蒐集的歷史價格數據進行格式整理，並提 取出所蒐集的歷史價格數據的特徵，如步驟420所示。上述數據特徵提取模組326所提取出的歷史價格數據的特徵可儲存於上述的數據資料庫324。
接下來，將上述歷史價格數據的特徵傳送至模型建構單元340的長短期記憶神經網路模組(以下簡稱為LSTM模組)342。上述歷史價格數據的特徵可作為LSTM模組的輸入值，如步驟430所示。LSTM模組342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中的442A~442F。需注意的是，上述的AI模型數量，僅是舉例，並非用以限制本說明書之範圍。在根據本範例之一較佳實施方式中，可同時以多種特徵作為輸入值，來建立出多群不同的複數個AI模型來進行後續的測試、回溯測試、與產出預測結果。為了單純化本範例的內容，以下僅以使用單一數據特徵(歷史價格數據)來說明。
上述的複數個AI模型在進行測試之前，可先在優化模組344以優化法進行訓練，以得到經過訓練的AI模型442a~442f，如第四A圖中的440’所示。根據本範例，上述優化模組344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442a~442f可先儲存於模型儲存模組346。
上述經過訓練的AI模型442a~442f接著傳送至模型過濾單元360，藉由測試與參數調整，來產出最貼近歷史價格數據 的複數個AI模型。在模型過濾單元360中，模型測試模組362將使用“新的歷史價格數據”對上述經過訓練的複數個AI模型進行測試，如第四B圖中的450所示。根據本範例，上述的“新的歷史價格數據”可以是使用在該些AI模型建立之後才蒐集的新的時間區間中的歷史價格數據。在根據本範例之另一實施方式中，上述“新的歷史價格數據”可以是使用在該些AI模型建立之後才蒐集的不同時間區間中的歷史價格數據(例如更大時間範圍中的歷史價格數據)。在上述測試中，如果AI模型所產出的預測結果與新的歷史價格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(如第四B圖中的442c、442e)將會被刪除，如第四B圖中的452所示。而在上述測試中通過測試的複數個AI模型可被保留，如第四B圖的454中所示通過測試的AI模型442a、442b、442d、442e。然後，參數調整模組364將依據每一通過測試的複數個AI模型的測試結果的偏差度，對上述每一通過測試的複數個AI模型進行參數調整/甚至是超參數調整，以得到經過參數調整的AI模型，如第四B圖中的454’所示之442a’、442b’、442d’、442f’。
上述經過參數調整的AI模型傳送至上述的模型過濾單元360的回溯測試模組366中，並使用另一批“新的歷史價格數據”來進行回溯測試，如第四C圖的460所示。同樣地，在回溯測試模組366中，如果AI模型所產出的預測結果與回溯測試中 所使用的新的歷史價格數據之間的偏差大於預設閥值，將判定AI模型的偏差過大，未通過回溯測試，並將予以刪除，如第四C圖中的462所示之AI模型442d’。通過上述回溯測試的至少一AI模型將被保留，如第四C圖中的464所示之通過回溯測試的至少一AI模型442a’、442b’、442f’。上述通過回溯測試的AI模型將由參數調整模組364依據每一通過回溯測試的至少一AI模型的回溯測試結果，進行參數調整/超參數調整，並得到經過參數調整的AI模型442a”、442b”、442f”，如第四C圖中的464’所示。上述經過參數調整的AI模型442a”、442b”、442f”可使用再一批“新的歷史價格數據”來進行第二次回溯測試。未通過上述第二次回溯測試的AI模型，將會被刪除，如第四C圖中的472所示之AI模型442f”。通過上述第二次回溯測試的至少一AI模型，如第四C圖中的474所示之通過第二次回溯測試的AI模型442a”、442b”，將被儲存至最佳模型儲存模組368，如第四C圖中的480所示。根據本範例，上述通過第二次回溯測試的AI模型在儲存至最佳模型儲存模組368之前，可再由參數調整模組344依據每一通過第二次回溯測試的AI模型的回溯測試結果，進行參數調整/超參數調整，未顯示於第四C圖中。在本範例中，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，以產生更貼近歷史價格數據走勢的最佳AI模型。
根據本範例，使用者可在預測結果產生單元380中 的使用者輸入介面382輸入金融商品的預測要求，如第四D圖中的492所示。上述的預測要求可以包含各項希望產出的預測設定。根據本範例，上述的預測設定可以是產品項目、風險級數、加權比例、或其他習知該項技藝者所熟知的預測參數設定。根據本範例，上述的使用者輸入介面382可以包含介面、與輸出介面。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。在根據本範例的金融風險預測系統接收到上述的金融商品的預測要求將會再啟上述最佳模型儲存模組368中已儲存的最佳AI模型，如第四D圖的494中所示之AI模型442a”、442b”。上述的最佳AI模型442a”、442b”將依據上述使用者輸入之金融商品的預測要求來產出所要求之金融商品的風險預測，如第四D圖之496所示。上述金融商品的風險預測在產出之後，可傳送至上述預測結果產生單元380的使用者輸出介面384。上述的輸出介面384可以是一顯示裝置。根據本範例，上述金融商品的風險預測可以圖形模式、或是字串模式呈現於上述的輸出介面384。
根據本範例，為了訓練該些AI模型，一系列的輸入值(inputs)(x t )將會提供至該些AI模型。
X={x 1 ,x 2 ,...,x t ,...,x T }
上述的輸入值x t 表示用於轉化過程(transformation)中，RNN(h t 0,h t 0,...,h t N )中N層的活化值(activations)。其中，隱藏層(hidden layer)包括複數層： h t i =σ(W h i h i-1 h t i-1 +Wh i h i h t-1 i +b h i )
其中，h t 0 =x t 。
其中，一種範例中的AI模型預測可以表示為：y t =Softmax(W hNy h t N +b h N )
h t i =σ(W h i h i-1 h t i-1 +W h i h i h t-1 i +b h i )
其中，h t 0 =x t 。
在根據本範例之一較佳實施方式中，通過上述的歸一化函數層(softmax layer)可簡易與穩定的解釋輸出值(outputs)。當輸出值是單數(singular)，則上述的歸一化函數層將會被移除。上述的訓練將計算出在上述預測標誌(predicted label)與真實標誌(actual label)之間的對數損失(loss log)交叉熵(Cross-Entropy)L t 。隨後，上述系統可藉由使用亞當優化演算法來傳播上述的對數損失。亞當優化演算法在財務模型方面的使用並不常見，但是亞當優化演算法具有適應學習速率的優點。
在設定上述AI模型的選擇閥值為60%正確率時，上述系統將繼續在未來週期的絕對平均範圍進行預測。
在使用時間T之前，從數據，非隨機、非混洗的樣品輸入值進行模式提取(pattern extractions)。該些數據/資訊將傳送至已經訓練的AI模型，以產出預測y T+1 。y T+1 可用來作為下一個輸入值(x T+2 )，且重複上述程序。
習知技藝者均知，遞歸神經網路(recurrent neural network；RNNs)的一個常見缺陷，或者該說大體上是深度神經網路 (deep neural network)的常見缺陷，是權重級數的消失與爆炸。權重級數的消失，是因為上述的權重級數太小，以致於造成很差的學習效果。而爆炸的權重級數造成非常巨大的權重級數使得計算非常不穩定，進而使得預測結果非常不可靠。根據本範例，上述系統採用一種特殊的網路，長短期記憶(Long-Short-Term Memory；LSTM)，長短期記憶有助於梯度縮減(gradient clipping)。也就是說，當梯度超過某一數值，上述的網路可任意地降低上述的梯度。採用此一技術所訓練出來的人工智慧模型將可具有更高的可信度。
此外，LSTM理論上可以比典型的RNN網路保留更長期的記憶。LSTM模型不僅可以同時具有長期與短期的記憶，更可以使用優雅的方式來降低權重級數，以防止權重級數消失。
LSTM可用來取代具有不同模型的RNN網路之隱藏層。LSTM的結構包括四個主要內容：輸入閘(input gate)(i)、遺忘閘(forget gate)(f)、輸出閘(output gate)(o)、以及記憶單元(memory cell)(c)。如同其名字的字面上說明，很明顯地，上述LSTM使用了閘式的架構。每一閘均具有特殊的用意。對於每一輸入值，閘機制可用來限制輸入量。
除了LSTM之外，上述隱藏層的輸出值維持著與RNNs類似。其更高階的抽象化(abstraction)近似於傳統的深度神經網路結構。供應一輸入值x t ，計算隱藏層的活化值(h t 0,h t 0,...,h t N )、預測輸出值(y t )、計算損失(L t )、以及最後地反向傳播(backpropagate) 上述的損失至上述的網路。當LSTM隨著更多連結而使用不同的架構時，上述的反向傳播也將隨著改變。
為了計算隱藏層的活化值，上述系統在LSTM中運作著諸如讀入/寫入(reading in/writing)等操作中之一者。
i t =σ(W x i xt +W hiht-1 +b i )
f t =σ(W x i f xt +W hf ht-1 +b f )
c t =σ f t c t-1 +i t tanh(W xc x t +W hc h t-1 +b c )
O t =σ(W xo x t +W h0 h t-1 +b o )
h t =σ t tanh(c t )
第五圖是一應用根據本範例的使用人工智慧的金融風險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)的累積收益(cumulative returns)曲線圖。第五圖的取樣時間為西元2016年1月6日至2018年1月31日。第五圖中較下方的(較細的)線條是被動市場指標/S&P500的累積收益曲線[Equity(22148[OEF])]；較上方(較粗的)線條是應用根據本範例的使用人工智慧的金融風險預測系統所做的投資組合的累積收益曲線(Backtest)。由第五圖可明顯看出，藉由根據本範例的使用人工智慧的金融風險預測系統對於金融商品未來風險的準確預測結果，使得應用根據本範例的使用人工智慧的金融風險預測系統所做的投資組合可得到更優異的累積收益。
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)。
在根據本說明書之一使用範例中，可將上述使用人工智慧的金融風險預測系統用於市場波動的預測。第六圖是運用根據本說明書的使用人工智慧的金融風險預測系統用來進行波動預測與市場真實波動的波動曲線圖。在本範例中，參見第六圖，是使用通過西元2017年11月之前的900個交易日的歷史資料來作為AI模型的訓練集(training set)。並使用經過訓練的AI模型來進行所指定日期3天後的波動預測。從第六圖可看出，由於上述AI模型是直接從這些數據集(data set)來進行學習，理所當然地，可以期待的是上述AI模型對於樣品內數據(in-sample dara)可以有很好的預測結果呈現。
在根據本說明書的另一範例中，我們使用固定的訓練數據集(training data set)來進行AI模型的訓練，並觀察該些AI模型對應於該些數據隨著時期(epochs)的變化。在本範例中，所謂的訓練損耗(training loss)是指，在模型預測與真實數據標記之間的差異。例如，對一個特殊的觀察結果來說，如果模型的預測輸出波動為0.25(25%)，真實的波動是0.27，則在這個例子中，“訓練損耗”為0.02。如果模型損耗越低，表示模型已經學習的很接近真實數據，亦即，模型損耗越低越好。第七圖是集結上述訓練損耗的結果而形成的曲線圖。在第七圖中，下方的曲線是AI模型的訓練曲線，上方的曲線是AI模型的測試曲線。由第七圖可看出，由 於AI模型可藉由訓練而從數據學習到越來越細節的資訊，所以，AI模型的訓練曲線模型損耗可以隨著時期而減少。相對地，測試曲線呈現出金融數據的不穩定特性。一般而言，金融數據的不穩定性對於金融模型是一項挑戰。總體而言，假如訓練模型損耗與測試模型損耗都隨著時期增加而下降，則可以假設此AI模型已經學會了“真實模式”(true patterns)，而不只是來自於該些數據的雜訊(noises)。使用人工智慧的金融風險預測系統隨後可選取最佳AI模型並分別歸屬至驗證集(validation set)。
第八圖是使用“重建錯誤”(reconstruction error)來進行根據本說明書的使用人工智慧的金融風險預測系統的AI模型的驗證之範例示意圖。在本範例中，參見第八圖，AI模型是訓練自915天的數據之訓練集包括，並驗證於包含20天的數據之驗證集，其中上述驗證集是採用樣品外(out-of-sample)的數據。假如AI模型可以在上述驗證集中產生很好的結果，也就是說，上述AI模型降低了重建錯誤，則上述AI模型將被予以儲存，並用於測試數據的預測。總體而言，假如訓練數據的“均值”(mean)，與測試數據的均值是相近的，則表示AI模型具有不錯的預測結果。
在根據本說明書之另一範例中，我們使用根據本說明書的AI模型與基礎模型(base model)來進行“測試數據/真實表現”(test data/true performance)的模型損耗比對。第九圖是使用根據本說明書的使用人工智慧的金融風險預測系統的AI模型與基礎模型的模型損耗比對表。上述的基礎模型是指，具有一神經元 (neuron)的基本LSTM模型。由第九圖可發現，在分別訓練的20個模型中，根據本說明書的AI模型就實現降低模型損耗而言，優於基礎模型約75%。
在根據本說明書之另一範例中，第十圖是使用人工智慧的金融風險預測系統的AI模型的波動預測結果與真實波動的曲線圖。由第十圖可明顯看出，整體而言，上述AI模型的波動預測結果是依循著真實波動。
在根據本說明書之另一範例中，第十一A圖與第十一B圖分別是使用不同AI模型基於相同數據集(data set)的輸出結果與真實波動的曲線對照圖。對根據本說明書之使用人工智慧的金融風險預測系統而言，AI模型的每次訓練，都可得到不同AI模型產出。這是因為原始訓練參數(original training parameters)是隨機產生的。這是因為，對於高維度非線性模型化(high-dimensional non-linear modelling)而言，最佳化(optimization)並非簡單的彎曲問題(convex problem)。也就是說，並沒有簡單的全域極小值(global minima)可用來降低模型損耗。從第十一A圖與第十一B圖可看出，兩個AI模型對於相同的數據集可以產出多麼不同的預測結果。因此，由於根據本說明書的使用人工智慧的金融風險預測系統可以集結數以百計的模型來產出“集合預測”(ensemble predictions)，所以，根據本說明書的揭露技術在產出傾向於一致地最佳的可能AI模型方面，可以呈現出優越的效能。
另一方面，第十一C圖，是使用基本編碼器(basic encoder)進行商品波動的預測結果。上述的基本編碼器具有相同數據集的多元回歸(multivariate regression with the same data set)。從第十一C圖可看出，使用基本編碼器的預測結果比根據本說明書的AI模型在波動預測方面更不靈敏，且在轉折點上出現更多的錯誤。
第十一D圖呈現了根據本說明書的使用人工智慧的金融風險預測系統的AI模型所產出的集合預測與實際波動隨著時間的曲線圖。從十一D圖可看出，結合複數個AI模型的威力與AI模型的集合預測的效果。
根據本說明書，上述的使用人工智慧的金融風險預測系統及其方法相較於現有的金融商品趨勢預測方法，上述的使用人工智慧的金融風險預測系統及其方法所具備的優勢包括：1.不同的模型架構；2.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。
上述的使用人工智慧的金融風險預測系統聚焦於以下三點；
A.以深度學習來驅動(deep learning-driven)，且並非倚賴蒙地卡羅方法(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風險預測系統可同時以多種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。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風險預測。
相較於習知技藝中的方法，例如等權重投資組合(equal-weighted portfolio)或是均值-方差最佳化模型 (mean-variance optimization models)，上述的風險預測可改善夏普指數(Sharpe Ratio)約15%。假如妥善使用，上述系統可在各自的市場中符合市場的基準(market benchmark)，並且，相較於習知技藝的方法，上述系統可將波動性(volatility)從原來的水平降低約10%。
根據本說明書，上述使用人工智慧的金融風險預測系統及其方法的發展性至少可表列如下：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 Prograrming Interface；REST API)]。
綜上所述，本說明書揭露一種金融風險預測系統及其方法。上述金融風險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的風險預測。上述的金融風險預測系統及其方法包含使用數據導入單元來蒐集與建立數據資料庫、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，上述的金融風險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對於所要求的金融商品呈現出具競爭力的風險預測。根據本說明書，使用者可有效地架構出結合金融商品波動率上升/下降的潛在性，以及適當的對沖(hedging)與分散(diversification)等優點的投資組合。
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。
100:使用人工智慧的金融風險預測系統
120:數據導入單元
140:模型建構單元
160:模型過濾單元
180:預測結果產生單元

Claims (10)

  1. 一種使用人工智慧的金融風險預測系統，其包含：數據導入單元，包含一數據蒐集模組、一數據資料庫、以及一數據特徵提取模組，其中上述數據蒐集模組用以蒐集數據，並將所蒐集的數據儲存於上述的數據資料庫，其中上述的數據特徵提取模組用提提取該些數據的特徵，並將該些特徵儲存於上述的數據資料庫；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；以及預測結果產生單元，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預測要求，並再啟儲存於上述最佳模型儲存模組中的該些人工智慧模型來產出上述金融商品的預測結果，其中該些人工智慧模型所產出的該金融商品的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項之使用人工智慧的金融風險預測系統，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2項之使用人工智慧的金融風險預測系統，其中上述優化模組係使用亞當優化演算法來優化在該些人工智慧模組。
  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遞歸神經網路(recurrent neural networks；RNN)。
  5. 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)。
  6. 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，其中上述數據的蒐集來源可以是選自下列群組中之一者或其組合：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)。
  7. 一種使用人工智慧的金融風險預測方法，可用於一使用人工智慧的金融風險預測系統，其包含：蒐集複數個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數據並持續更新數據內容，其中該些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組，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組進行參數調整，其中上述的至少一通過回溯測試之人工智慧模組儲存於一最佳模型儲存模組；以及產出金融商品的預測結果，其中上述最佳模型儲存模組中所儲存的至少一通過回溯測試之人工智慧模組將被再啟，並依據一輸入介面所輸入的金融商品預測要求來產出預測結果，其中上述的至少一通過回溯測試之人工智慧模組所產出的預測結果由一輸出介面來呈現。
  8. 根據申請專利範圍第7項之使用人工智慧的金融風險預測方法，其中上述神經網路模組係遞歸神經網路(recurrent neural networks；RNN)。
  9. 根據申請專利範圍第7項之使用人工智慧的金融風險預測方法，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)。
  10. 根據申請專利範圍第7項之使用人工智慧的金融風險預測方法，其中上述數據的蒐集來源可以是選自下列群組中之一者或其組合：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)。
TW107111827A 2017-12-12 2018-04-03 金融風險預測系統及其方法 TWI702557B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762597546P 2017-12-12 2017-12-12
US62/597,546 2017-12-12

Publications (2)

Publication Number Publication Date
TW201928852A TW201928852A (zh) 2019-07-16
TWI702557B true TWI702557B (zh) 2020-08-21

Family

ID=66697009

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107111827A TWI702557B (zh) 2017-12-12 2018-04-03 金融風險預測系統及其方法

Country Status (3)

Country Link
US (1) US20190180375A1 (zh)
CN (1) CN109919349A (zh)
TW (1) TWI702557B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348635A (zh) * 2019-07-12 2019-10-18 创新奇智(成都)科技有限公司 基于端对端学习的智能补货方法、存储介质、系统及装置
US20210027320A1 (en) * 2019-07-26 2021-01-28 Gustavo Schwenkler Method and system for generating return forecasts and portfolio construction
CN110619462A (zh) * 2019-09-10 2019-12-27 苏州方正璞华信息技术有限公司 一种基于ai模型的项目质量评估方法
SG10201912696XA (en) * 2019-09-26 2021-04-29 Kim Hwa Lim Dynamically-Generated Electronic Database for Portfolio Selection
TWI743625B (zh) * 2019-12-17 2021-10-21 財團法人工業技術研究院 交易決策產生系統及方法
TWI824128B (zh) * 2020-03-25 2023-12-01 阿爾發證券投資顧問股份有限公司 理財演算系統
CN111861544A (zh) * 2020-06-19 2020-10-30 银清科技有限公司 参与者账户流动性预测方法及装置
CN111932379B (zh) * 2020-09-23 2021-01-29 北京口袋财富信息科技有限公司 数据处理方法、装置、电子设备及可读存储介质
CN112967124B (zh) * 2021-02-23 2023-11-03 四川享宇金信金融科技有限公司 一种金融风控预测模型构建方法及装置
CN113822494B (zh) * 2021-10-19 2022-07-22 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
CN117094184B (zh) * 2023-10-19 2024-01-26 上海数字治理研究院有限公司 基于内网平台的风险预测模型的建模方法、系统及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
CN107077842A (zh) * 2014-12-15 2017-08-18 百度（美国）有限责任公司 用于语音转录的系统和方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5696907A (en) * 1995-02-27 1997-12-09 General Electric Company System and method for performing risk and credit analysis of financial service applications
US6119103A (en) * 1997-05-27 2000-09-12 Visa International Service Association Financial risk prediction systems and methods therefor
US8606603B2 (en) * 2003-12-05 2013-12-10 Scorelogix Llc Unemployment risk score and private insurance for employees
US10453142B2 (en) * 2009-02-11 2019-10-22 Johnathan Mun System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
US10789526B2 (en) * 2012-03-09 2020-09-29 Nara Logics, Inc. Method, system, and non-transitory computer-readable medium for constructing and applying synaptic networks
US9444824B1 (en) * 2014-02-28 2016-09-13 Intuit Inc. Methods, systems, and articles of manufacture for implementing adaptive levels of assurance in a financial management system
US20150324715A1 (en) * 2014-05-12 2015-11-12 Jerald Scott Nelson Logistics settlement risk scoring system
US9697469B2 (en) * 2014-08-13 2017-07-04 Andrew McMahon Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries
EP3852019A1 (en) * 2015-03-27 2021-07-21 Equifax, Inc. Optimizing neural networks for risk assessment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
CN107077842A (zh) * 2014-12-15 2017-08-18 百度（美国）有限责任公司 用于语音转录的系统和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
yining，"對深度學習中Adam優化算法的簡單介紹"， https://www.atyun.com/2257.html， 2017/07/10 *
yining，"對深度學習中Adam優化算法的簡單介紹"， https://www.atyun.com/2257.html， 2017/07/10。
雷鋒網，"LSTM Networks 應用於股票市場探究"， https://kknews.cc/zh-tw/finance/eoz399n.html， 2017/05/26 *
雷鋒網，"LSTM Networks 應用於股票市場探究"， https://kknews.cc/zh-tw/finance/eoz399n.html， 2017/05/26。

Also Published As

Publication number Publication date
CN109919349A (zh) 2019-06-21
US20190180375A1 (en) 2019-06-13
TW201928852A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
TWI702557B (zh) 金融風險預測系統及其方法
Rasekhschaffe et al. Machine learning for stock selection
Kulshreshtha An ARIMA-LSTM Hybrid Model for Stock Market Prediction Using Live Data.
Ao A hybrid neural network cybernetic system for quantifying cross-market dynamics and business forecasting
Tang et al. Profit prediction optimization using financial accounting information system by optimized DLSTM
Joseph Deep learning model for predicting stock prices in Tanzania
Liu et al. Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies
Dunis et al. GP algorithm versus hybrid and mixed neural networks
Sutradhar et al. Stock market prediction using recurrent neural network’s LSTM architecture
Malibari et al. Smart robotic strategies and advice for stock trading using deep transformer reinforcement learning
Srivastava et al. Association mining based deep learning approach for financial time-series forecasting
Chen et al. A multi-feature stock price prediction model based on multi-feature calculation, LASSO feature selection, and Ca-LSTM network
Mo et al. Volatility degree forecasting of stock market by stochastic time strength neural network
Muruganandham et al. Deep Learning based forecast using RNN for stock price prediction
Wang et al. MSGraph: Modeling multi-scale K-line sequences with graph attention network for profitable indices recommendation
Ullah et al. Stock price forecast using recurrent neural network
Corekcioglu et al. Estimation of success of entrepreneurship projects with data mining
Mitra et al. Predicting Indian basket crude prices through machine learning models-a comparative approach
Das et al. Developing Hybrid Deep Learning Models for Stock Price Prediction Using Enhanced Twitter Sentiment Score and Technical Indicators
Yan et al. A framework for stock selection via concept-oriented attention representation in hypergraph neural network
Farouk et al. Bitcoin_ML: An Efficient Framework for Bitcoin Price Prediction Using Machine Learning
Dhabliya et al. Long Short-Term Memory (LSTM) Networks for Stock Market Prediction
Haugland A comparatiue study of machine learning models in stock price prediction
Ling et al. Stock market price movement forecasting on Bursa Malaysia using machine learning approach
Li et al. Default risk prediction of enterprises based on convolutional neural network in the age of big data: analysis from the viewpoint of different balance ratios