价格数据预测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种价格数据预测方法、装置、电子设备及存储介质，可以为大量金融资产和各种不同的应用大规模生产合成特定时间长度的价格数据。且在每种情况下，都可以产生内部一致的价格序列。另外，能够产生一系列与真实金融市场价格相对应的合成价格数据，适用性强。并且生成的数据具有高保真性，合成时间序列中的收益分布与历史数据紧密匹配，偏离理想的高斯分布且具有描述极端事件的“肥尾”分布。同时生成的时间序列具有长记忆效应的能力，在收益过程中能够模拟GARCH效应。过程中能够模拟GARCH效应。过程中能够模拟GARCH效应。

【技术实现步骤摘要】
价格数据预测方法、装置、电子设备及存储介质


[0001]本申请涉及数据处理
，具体而言，涉及一种价格数据预测方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，我们对于金融市场中的市场变量在风险中性世界中表现的了解，常常远多过对它们在真实世界中表现的了解。分析人员通常可以通过期权或其他衍生品的价格，隐含地计算出市场变量在风险中性世界中的表现。但是，在真实世界中不存在这类隐含计算的方法。市场风险管理者有时不得不假设市场变量在真实世界中的表现和它们在风险中性世界中的表现是一样的。但是这种假设是不能让人满意的。因此，如何对真实世界中金融资产价格进行准确估计成为当前亟待解决的技术问题。

技术实现思路

[0003]本申请实施例的目的在于提供一种价格数据预测方法、装置、电子设备及存储介质，以解决上述技术问题。
[0004]本申请提供的价格数据预测方法，包括：获取金融产品的原始价格相关数据；确定待预测的价格数据所对应的时间长度；根据所述原始价格相关数据、所述时间长度以及预设的数据预测模型，预测所述金融产品在所述时间长度的范围内的价格数据。
[0005]进一步地，在所述根据所述原始价格相关数据、所述时间长度以及预设的数据预测模型，预测所述金融产品在下一时间长度范围内的价格数据之前，所述方法还包括：对所述原始价格相关数据进行采样得到采样数据；对所述采样数据进行预处理得到样本数据；利用所述样本数据和神经网络模型进行训练得到数据预测模型。
[0006]进一步地，在所述对所述原始价格相关数据进行采样得到采样数据之前，所述方法还包括：根据所述原始价格相关数据确定元数据信息；所述元数据信息包括数据属性信息、数据溯源信息以及数据处理信息中的至少一种；根据所述元数据信息确定预设的模型库中不存在与所述元数据信息匹配的数据预测模型。
[0007]进一步地，所述对所述采样数据进行预处理得到样本数据，包括对所述采样数据进行数据清洗得到清洗后的数据；对所述清洗后的数据进行数据集成得到集成后的数据；对所述集成后的数据进行数据转换处理得到样本数据。
[0008]进一步地，在所述利用所述样本数据和神经网络模型进行训练得到数据预测模型
之后，所述方法还包括：对所述数据预测模型进行质检，并确定质检合格。
[0009]进一步地，在所述根据所述原始价格相关数据、所述时间长度以及预设的数据预测模型，预测所述金融产品在所述时间长度的范围内的价格数据之后，所述方法还包括：对所述价格数据的数据质量指标进行评价，并输出评价结果。
[0010]进一步地，所述数据质量指标包括以下指标中的至少一种：厚尾分布、分布峰度、分布偏度、自相关性、偏自相关性、波动率聚集、杠杆效应、粗细波动率、盈亏不对称性、长时程相关性、序列相似性、合成路径相关性、方差比率检验以及合成数据的综合预测评分。
[0011]进一步地，本申请还提供一种价格数据预测装置，包括：获取模块，用于获取金融产品的原始价格相关数据；确定模块，用于确定待预测的价格数据所对应的时间长度；预测模块，用于根据所述原始价格相关数据、所述时间长度以及预设的数据预测模型，预测所述金融产品在所述时间长度的范围内的价格数据。
[0012]进一步地，本申请还提供一种电子设备，包括：处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，以实现上述任一所述方法。
[0013]进一步地，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，以实现上述任一所述方法。
[0014]通过本申请提供的价格数据预测方法、装置、电子设备及存储介质，可以为大量金融资产和各种不同的应用大规模生产合成特定时间长度的价格数据。另外，能够产生一系列与真实金融市场价格相对应的合成价格数据，适用性强。
附图说明
[0015]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0016]图1为本申请实施例提供的价格数据预测方法的流程示意图；图2为本申请实施例提供的进行模型训练的流程示意图；图3为本申请实施例提供的对数据进行预处理的流程示意图；图4为本申请实施例提供的对数据进行预处理的流程框图；图5为本申请实施例提供的生成价格数据的流程框图；图6为本申请实施例提供的QEGAN模型的示意图；图7为本申请实施例提供的价格数据预测装置的结构示意图；图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0017]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不
用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]需要说明的是，在本专利技术实施例中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0019]在本专利技术的描述中，需要理解的是，步骤前的数字标号并不表示执行步骤的前后顺序，仅用于方便描述本专利技术及区别每一步骤，因此不能理解为对本专利技术的限制。
[0020]下面，通过具体实施例对本申请的技术方案进行详细说明。
[0021]需要说明的是，下面的具体实施例可以互相结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
[0022]本申请实施例提供一种价格数据预测方法，可以应用于电子设备，电子设备包括但不限于是PC（Personal Computer，个人电脑）、手机、平板电脑、笔记本电脑等。
[0023]本申请实施例提供的价格数据预测方法请参见图1所示，包括：S11：获取金融产品的原始价格相关数据。
[0024]应当说明的是，本申请实施例中的金融产品可以是任意的金融产品，比如可以是股票、期货、期权、外汇、衍生品等产品。
[0025]步骤S11中的原始价格相关数据包括任意可以影响金融产品价格的数据，包括但不限于金融产品的历史价格数据、其他市场行情数据等。
[0026]S12：确定待预测的价格数据所对应的时间长度。
[0027]在步骤S12中，电子设备可以接收由用户下发的时间长度。也即，用户可以自行选择时间长度，比如可以选择1年、1个月等，对应的表示需要预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种价格数据预测方法，其特征在于，包括：获取金融产品的原始价格相关数据；确定待预测的价格数据所对应的时间长度；根据所述原始价格相关数据、所述时间长度以及预设的数据预测模型，预测所述金融产品在所述时间长度的范围内的价格数据。2.如权利要求1所述的价格数据预测方法，其特征在于，在所述根据所述原始价格相关数据、所述时间长度以及预设的数据预测模型，预测所述金融产品在下一时间长度范围内的价格数据之前，所述方法还包括：对所述原始价格相关数据进行采样得到采样数据；对所述采样数据进行预处理得到样本数据；利用所述样本数据和神经网络模型进行训练得到数据预测模型。3.如权利要求2所述的价格数据预测方法，其特征在于，在所述对所述原始价格相关数据进行采样得到采样数据之前，所述方法还包括：根据所述原始价格相关数据确定元数据信息；所述元数据信息包括数据属性信息、数据溯源信息以及数据处理信息中的至少一种；根据所述元数据信息确定预设的模型库中不存在与所述元数据信息匹配的数据预测模型。4.如权利要求2所述的价格数据预测方法，其特征在于，所述对所述采样数据进行预处理得到样本数据，包括对所述采样数据进行数据清洗得到清洗后的数据；对所述清洗后的数据进行数据集成得到集成后的数据；对所述集成后的数据进行数据转换处理得到样本数据。5.如权利要求2所述的价格数据预测方法，其特征在于，在所述利用所述样本数据和神经网络模型进行训练得到数据预测模型之后，所述方法还包括：对所述数据预测模...

【专利技术属性】
技术研发人员：王舸，王玥，岑忠培，赵雪峰，
申请(专利权)人：北京宽客进化科技有限公司，
类型：发明
国别省市：