基于深度学习的结售汇预测方法、装置、设备及存储介质制造方法及图纸

本说明书涉及金融时间序列预测技术领域，提供了一种基于深度学习的结售汇预测方法、装置、设备及存储介质，该方法包括：获取目标币种在指定历史时间段内的结售汇时间序列；基于金融时间序列模型提取所述结售汇时间序列的统计特征；将所述结售汇时间序列及所述统计特征输入至预训练的深度学习模型中，以预测出所述目标币种在未来指定时间范围的结售汇时间序列。本说明书实施例可以提高结售汇预测的准确性。性。性。

【技术实现步骤摘要】
基于深度学习的结售汇预测方法、装置、设备及存储介质


[0001]本说明书涉及金融时间序列预测
，尤其是涉及一种基于深度学习的结售汇预测方法、装置、设备及存储介质。

技术介绍

[0002]在跨境电商、对外贸易等场景中常涉及到结售汇(即结汇与售汇的统称)。其中，结汇即外汇结算，是指外汇收入所有者将其外汇收入出售给外汇指定银行，外汇指定银行按一定汇率付给等值的本币的行为。售汇即外汇出售，是指外汇指定银行将外汇卖给外汇使用者，并根据交易行为发生之日的人民币汇率收取等值人民币的行为。由于率汇可能动态变化，对于外汇的卖出者或买入者而言，选择合适的结售汇时机对于降低外汇损失或提高外汇收益具有重要意义；同时，结售汇交易量也会对汇率产生影响。因此，如何准确预测未来一段时间内的汇率及结售汇交易量变化已成为目前亟待解决的技术问题。

技术实现思路

[0003]本说明书实施例的目的在于提供一种基于深度学习的结售汇预测方法、装置、设备及存储介质，以提高结售汇预测的准确性。
[0004]为达到上述目的，一方面，本说明书实施例提供了一种基于深度学习的结售汇预测方法，包括：
[0005]获取目标币种在指定历史时间段内的结售汇时间序列；
[0006]基于金融时间序列模型提取所述结售汇时间序列的统计特征；
[0007]将所述结售汇时间序列及所述统计特征输入至预训练的深度学习模型中，以预测出所述目标币种在未来指定时间范围的结售汇时间序列。
[0008]本说明书实施例的基于深度学习的结售汇预测方法中，在预测所述目标币种在未来指定时间范围的结售汇时间序列之后，包括：
[0009]可视化显示预测出的结售汇时间序列。
[0010]本说明书实施例的基于深度学习的结售汇预测方法中，在预测所述目标币种在未来指定时间范围的结售汇时间序列之后，还包括：
[0011]将预测出的结售汇时间序列实时发送至订阅用户。
[0012]本说明书实施例的基于深度学习的结售汇预测方法中，所述基于金融时间序列模型提取所述结售汇时间序列的统计特征，包括：
[0013]根据金融时间序列模型提取所述结售汇时间序列的统计特征；
[0014]其中，r
t
为t时刻的结售汇统计特征，X
t
为t时刻的结售汇时间序列列向量，M为X
t
的系数，ε
t
为t时刻的随机扰动项，σ
t
为t时刻的标准差，α0为常数项，β1和α1为常数系数，σ
t
‑1为
t
‑
1时刻的标准差，ε
t
‑1为t
‑
1时刻的随机扰动项，E为指数分布，γ为杠杆系数。
[0015]本说明书实施例的基于深度学习的结售汇预测方法中，所述深度学习模型包括LSTM模型。
[0016]本说明书实施例的基于深度学习的结售汇预测方法中，所述结售汇时间序列包括各采样时间点的结售汇交易量及汇率。
[0017]另一方面，本说明书实施例还提供了一种种基于深度学习的结售汇预测装置，包括：
[0018]获取模块，用于获取目标币种在指定历史时间段内的结售汇时间序列；
[0019]提取模块，用于基于金融时间序列模型提取所述结售汇时间序列的统计特征；
[0020]预测模块，用于将所述结售汇时间序列及所述统计特征输入至预训练的深度学习模型中，以预测出所述目标币种在未来指定时间范围的结售汇时间序列。
[0021]另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
[0022]另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0023]另一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
[0024]由以上本说明书实施例提供的技术方案可见，本说明书实施例中，金融时间序列模型可以捕捉结售汇数据的统计特征，但要求解释变量具有平稳性，这与结售汇非平稳性特性不符，而深度学习模型是数据驱动型模型，对于解释变量是否具有平稳性没有要求，但难以描述和刻画汇结售汇数据的统计特征；因此，通过金融时间序列模型与深度学习模型相结合进行结售汇预测，既可以描述和刻画汇结售汇数据的统计特征，又可以更好地适应于具有非平稳性特性的结售汇数据预测场景，从而提高了结售汇预测的准确性。
附图说明
[0025]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0026]图1示出了本说明书一些实施例中基于深度学习的结售汇预测系统的示意图；
[0027]图2示出了本说明书一些实施例中基于深度学习的结售汇预测方法的流程图；
[0028]图3示出了图2所示的结售汇预测方法中结售汇预测示意图；
[0029]图4示出了本说明书一些实施例中基于深度学习的结售汇预测装置的结构框图；
[0030]图5示出了本说明书一些实施例中计算机设备的结构框图。
[0031]【附图标记说明】
[0032]10、数据源；
[0033]20、预测服务器；
[0034]30、客户端；
[0035]41、获取模块；
[0036]42、提取模块；
[0037]43、预测模块；
[0038]502、计算机设备；
[0039]504、处理器；
[0040]506、存储器；
[0041]508、驱动机构；
[0042]510、输入/输出接口；
[0043]512、输入设备；
[0044]514、输出设备；
[0045]516、呈现设备；
[0046]518、图形用户接口；
[0047]520、网络接口；
[0048]522、通信链路；
[0049]524、通信总线。
具体实施方式
[0050]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0051]图1中示出了基于深度学习的结售汇预测系统的示意图，该结售汇预测系统可以包括数据源10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的结售汇预测方法，其特征在于，包括：获取目标币种在指定历史时间段内的结售汇时间序列；基于金融时间序列模型提取所述结售汇时间序列的统计特征；将所述结售汇时间序列及所述统计特征输入至预训练的深度学习模型中，以预测出所述目标币种在未来指定时间范围的结售汇时间序列。2.如权利要求1所述的基于深度学习的结售汇预测方法，其特征在于，在预测所述目标币种在未来指定时间范围的结售汇时间序列之后，包括：可视化显示预测出的结售汇时间序列。3.如权利要求2所述的基于深度学习的结售汇预测方法，其特征在于，在预测所述目标币种在未来指定时间范围的结售汇时间序列之后，还包括：将预测出的结售汇时间序列实时发送至订阅用户。4.如权利要求1所述的基于深度学习的结售汇预测方法，其特征在于，所述基于金融时间序列模型提取所述结售汇时间序列的统计特征，包括：根据金融时间序列模型提取所述结售汇时间序列的统计特征；其中，r
t
为t时刻的结售汇统计特征，X
t
为t时刻的结售汇时间序列列向量，M为X
t
的系数，ε
t
为t时刻的随机扰动项，σ
t
为t时刻的标准差，α0为常数项，β1和α1为常数系数，σ
t
‑1为t
‑
1时刻的标准差，ε

【专利技术属性】
技术研发人员：刘倩，樊笑冰，郭晨，王镇，谢红艳，李文博，支爽爽，黄佳兴，郝雄斌，李巍，黄攀，杨创，李二壮，史杰，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：