一种基于LSTM算法的外汇远期合约价值估值方法技术

本发明专利技术公开了一种基于LSTM算法的外汇远期合约价值估值方法，包括训练阶段和预测阶段。训练阶段主要包含合约数据收集，数据处理，构建训练集和测试集，构建LSTM算法模型等过程。训练好的模型经过模型部署的操作后，能够实现预测功能。预测阶段主要包含合约数据收集，数据处理，模型预测，模型输出，预测结果输出等过程。本发明专利技术的方法能够预测得到更加精确的远期合约价值预测结果，有助于提高外汇远期合约交易、维护等过程中的风险控制能力，能够在一定程度上降低外汇资产损失，增加收益。

A valuation method of foreign exchange forward contract value based on LSTM algorithm

【技术实现步骤摘要】
一种基于LSTM算法的外汇远期合约价值估值方法
本专利技术涉及人工智能及外汇远期合约价值估值
，特别涉及一种基于LSTM算法的外汇远期合约价值估值方法。
技术介绍
外汇(ForeignExchange，或Forex)是货币行政当局以银行存款、财政部证券、长短期政府证券等形式所持有的国际收支逆差时可以使用的债权。它是国际贸易的产物，是国际贸易清偿的支付手段。据国家外汇管理局2018年报披露，截至2018年末，我国外汇储备余额30727亿美元。中国外汇储量位居世界第一。在外汇的发展及流通过程中，为实现套期保值、价格发现和修正、风险的分散和转移、促进原生金融市场发展等目的，产生了多种外汇衍生产品。现代意义上的金融衍生产品产生于20世纪70年代,随着全球经济的不断发展，金融衍生产品发展迅速。外汇衍生产品是一种金融合约，外汇衍生产品通常是指从原生资产派生出来的外汇交易工具。其价值取决于一种或多种基础资产或指数，合约的基本种类包括远期、期货、掉期(互换)和期权。外汇衍生产品还包括具有远期、期货、掉期(互换)和期权中一种或多种特征的结构化金融工具。在众多外汇衍生产品中，外汇远期合约是外汇衍生产品中最为常见的一种，它是国际上出现最早、发展最为成熟的衍生金融工具，也是其他几种外汇基本衍生产品的基础。外汇远期合约是交易双方约定在未来某一时间按照确定的价格，以事先确定的方式购买或出售约定数量的外汇的协议，属于非标准化合约。外汇远期合约的公允价值的确定是核算其交易、披露其财务及风险信息的关键程序。由于其场外交易、非结构合约、没有活跃的市场报价等特点，外汇远期合约的公允价值需采用估值技术确定。估值模型的选用对估值结果的真实性、准确性产生至关重要的影响。外汇远期合约的估值方法中，折现法使用最为广泛。单位标的资产的外汇远期合约到期交割时的价值：VT＝ST-F单位标的资产的外汇远期合约的公允价值估算：Vt＝(St-F)÷(1+τ×r)；其中，t为当前时刻，T为交割时刻，r为折现时期，τ为折现率，F为在时刻T交割的标的资产的远期价格，St为标的资产当前的即期价格，Vt为合约当前价值，ST为标的资产在时刻T交割时的即期价格，VT为合约交割时的实际价值。从上述外汇远期合约的公允价值估算公式可以看出，估算过程中使用当前时刻的标的资产即期价格对未来合约的价值进行估算。但由于外汇市场中的汇率变化受到国际金融市场环境、国家政策、突发事件等一系列事件的影响，汇率变化频繁，且随着合约期限的增加，汇率波动的可能性也随之增加，因此上述估算方法与合约交割时实际产生的价值存在不可避免的误差，且距离合约到期时间越远，出现较大误差的可能性越大。随着计算机计算能力的提升，以及海量数据的收集、整理、存储等工作的推进，人工智能技术在社会的各行各业得到了巨大的发展，其中最重要的技术进步应属深度学习技术。以深度学习技术为基础的技术应用在某些领域，例如图像识别，人脸识别等领域，取得了超越人类平均水平的优异成绩。循环神经网络(RecurrentNeuralNetwork，RNN)是一种用于处理序列数据的神经网络。相比一般的全连接神经网络、卷积神经网络等来说，他能够处理序列变化的数据，特别适合对股票价格、汇率等和时间密切相关数据。长短期记忆(Longshort-termmemory，LSTM)是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。使得LSTM模型能够捕捉到时间间隔上距离更远处的信息，从而增加了模型的预测效果。LSTM模型在机器翻译，人机对话，时间序列数据的判别等领域中取得了很好的效果。其结构如图1所示。LSTM神经网络模型是一种特殊的循环体结构，具有普通循环神经网络模型的虚幻结构，不同的是循环体内部并不是单一的tanh函数，而是三个“门”结构，分别是“输入门”、“遗忘门”和“输出门”。每个“门结构都具有三个输入数据，分别是模型状态C，输入数据x和模型上一刻的输出h，不同的是每个“门”结构的输入数据状态不同。LSTM模型“门”结构输入输出示意图如图2所示。对于“遗忘门”，输入数据为前一时刻的模型输出ht-1，前一时刻的模型状态Ct-1，当前时刻的数据输入xt，其运算过程为：ft＝σ(Wf·[ht-1，xt]+bf)其中σ为sigmoid函数，Wf和bf分别为“遗忘门”的权重矩阵和偏置矩阵。该运算实现了对上一时刻的模型状态矩阵Ct-1的选择性忘记进行标记，标记信息蕴含在矩阵ft中。对于“输入门”，输入数据为前一时刻的模型输出ht-1，前一时刻的模型状态Ct-1，当前时刻的数据输入xt，其运算过程为：it＝σ(Wi·[ht-1，xt]+bi)其中σ为sigmoid函数，Wi和bi分别为“输入门”完成输入信息挑选操作的权重和偏置矩阵，挑选结果蕴含在信息挑选矩阵it中。利用tanh函数和完成信息保留运算的权重矩阵WC和偏置矩阵bC计算得出从输入数据中学习得到的信息矩阵之后利用遗忘矩阵ft和上一时刻的模型状态Ct-1做乘积运算，信息挑选矩阵it和信息矩阵做乘积运算，两部分相加得到更新后的模型状态矩阵Ct。运算过程如下：对于“输出门”，输入数据为前一时刻的模型输出ht-1，当前时刻的模型状态Ct，当前时刻的数据输入xt，其运算过程为：ot＝σ(Wo·[ht-1，xt]+bo)其中σ为sigmoid函数，Wo和bo分别为“输出门”的权重矩阵和偏置矩阵，输出结果挑选矩阵ot决定着哪些信息需要被输出到当前时刻的模型输出ht中。ht＝ot*tanh(Ct)最终，模型状态矩阵Ct经过tanh函数处理后再与输出结果挑选矩阵ot做乘积运算，得到当前时刻的输出结果ht。由于LSTM模型中三种“门”结构的相互配合，不仅能够学习到连续的序列数据中蕴含的趋势特性，同时还能够选择性地遗忘或者学习不同时间间隔的数据信息，使得该模型能够在序列数据的建模预测任务重取得良好的效果。
技术实现思路
本专利技术的目的是基于上述
技术介绍
，提供一种基于LSTM算法的外汇远期合约价值估值方法，在折现法基础上，充分利用多次连续的合约价值评估结果，并结合外汇市场行情数据，构建LSTM模型，能够预测得到更加精确的远期合约价值预测结果，有助于提高外汇远期合约交易、维护等过程中的风险控制能力，能够在一定程度上降低外汇资产损失，增加收益。为了达到上述的技术效果，本专利技术采取以下技术方案：一种基于LSTM算法的外汇远期合约价值估值方法，包括训练阶段、预测阶段，训练好的模型经过模型部署的操作后即能够实现预测功能，所述训练阶段包括以下步骤：A1.合约数据收集；A2.对收集到的数据进行数据处理；A3.构建训练集和测试集；A4.构建LSTM算法模型并将训练集和测试集输入模型中进行训练；所述预测阶段包括以下步骤：B1.合约数据收集；B2.对收集到的数据本文档来自技高网...

【技术保护点】
1.一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，包括训练阶段、预测阶段，所述训练阶段包括以下步骤：/nA1.合约数据收集；/nA2.对收集到的数据进行数据处理；/nA3.构建训练集和测试集；/nA4.构建LSTM算法模型并将训练集和测试集输入模型中进行训练；/n所述预测阶段包括以下步骤：/nB1.合约数据收集；/nB2.对收集到的数据进行数据处理；/nB3.模型预测；/nB4.模型输出结果；/nB5.预测结果输出。/n

【技术特征摘要】
1.一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，包括训练阶段、预测阶段，所述训练阶段包括以下步骤：
A1.合约数据收集；
A2.对收集到的数据进行数据处理；
A3.构建训练集和测试集；
A4.构建LSTM算法模型并将训练集和测试集输入模型中进行训练；
所述预测阶段包括以下步骤：
B1.合约数据收集；
B2.对收集到的数据进行数据处理；
B3.模型预测；
B4.模型输出结果；
B5.预测结果输出。


2.根据权利要求1所述的一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，所述步骤A1包括：
A1.1收集以下合约数据：即期汇率、折现率、到期时间间隔、交割价格数据；
A1.2收集该合约各个历史评估时间点的评估价值。


3.根据权利要求2所述的一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，所述步骤A1还包括：
A1.3收集合约标的的货币对类型、波动率数据。


4.根据权利要求3所述的一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，所述步骤A2包括：
A2.1将收集到的数据进行数据时间轴对齐操作，其中，每一个外汇远期合约评估时间点对应于该时间点的货币对类型、即期汇率、波动率、折现率、到期时间间隔、交割价格及评估价值；
A2.2将该合约评估时间点的评估价值和交割后的实际价值做差值得到评估误差值，并将该评估误差值作为该评估点的标签值；
A2.3将不同货币对类型的合约进行区分，分别建立数据集。


5.根据权利要求4所述的一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，所述步骤A2.3中建立数据集时，需按合约评估时间点的先后顺序排序。


6.根据权利要求4或5所述的一种基于LSTM算法的外汇远期合约价值估值方法，其特征在于，所述步骤A2.3中建立数据集时，需对数据进行标准化处理，标准化计算公式为：其中，σ为x的方...

【专利技术属性】
技术研发人员：李伟强，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川;51