【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种基于图卷积网络模型的跨市场波动率预测方法。
技术介绍
1、在过去的几十年里，特别是在2008年全球金融危机之后，股票市场的波动性预测得到了广泛的研究。值得注意的是，全球经济一体化和信息技术革命不可避免地加强了全球金融市场之间的相互依存和互联性。在这种背景下，源自于单一金融市场的风险冲击在全球范围内引发资产价格和投资者情绪的波动。这种联动使金融市场动荡的内因变得复杂，从而对其波动性预测带来了更加严峻的挑战。为了有效引入这种金融市场之间具备相关性的概念，全球市场可以被视为由相互作用的节点构成的复杂金融网络，其中，单一金融市场的波动信息可以通过节点之间的连边同时传播到其他市场。近年来，深度学习界的一种新兴方法图神经网络(gnn)引起了众多学者的关注，它可以从图结构的数据中同时学习空间和时间特征。这种方法在识别与预测网络动态关系的场景中取得了显着的成功，于是，如何将深度学习与跨市场波动率处理结合起来便成为了一个问题。
技术实现思路
1、本专利技术为解决上述技术问题，提出了一种基于图卷积网络模型的跨市场波动率预测方法，以解决至少一个上述技术问题。
2、本申请提供了一种基于图卷积网络模型的跨市场波动率预测方法，包括以下步骤：
3、步骤s1：获取跨市场交易要素数据，并对跨市场交易要素数据进行市场数据时序同步，从而得到跨市场交易要素时序数据；
4、步骤s2：对跨市场交易要素时序数据进行时空自注意力计算，从而得到跨市场交易要素自
5、步骤s3：对跨市场交易要素自注意力数据进行时空图卷积处理，从而得到跨市场交易要素特征数据；
6、步骤s4：对跨市场交易要素特征数据进行全连接计算，从而得到跨市场交易要素预测指数数据；
7、步骤s5：获取跨市场交易要素数据对应的跨市场波动率数据，并利用跨市场波动率数据对跨市场交易要素预测指数数据进行预测模型构建，从而得到跨市场波动率预测模型，以进行跨市场波动率预测作业。
8、本专利技术中通过步骤s2的时空自注意力计算，模型能够自动地对时序数据进行权重调整，突出重要的时刻和特征，使得预测过程更加灵活和精准。步骤s3中的时空图卷积处理允许模型全局性地考虑时空关系，而非局限于局部信息，使得模型能够更好地捕获市场间的复杂关联和波动模式，提升了预测的准确性。通过时空自注意力和时空图卷积的结合，模型在不同层次上提取特征，从原始的时序数据到自注意力数据，再到特征数据，最终得到预测指数数据，以使得模型能够逐层地获取抽象的市场特征，提高了模型的建模能力。步骤s5中将跨市场波动率数据与预测指数数据进行标记，构建了一个综合的模型，以使得模型能够从市场波动率的角度来评估交易要素的重要性，从而更准确地预测波动率。由于模型的基础是图卷积网络，能够适应不同市场的动态变化，具备一定的实时性，使得预测结果更贴近实际市场情况。通过准确预测跨市场波动率，从而使得用户能够更好地制定风险管理策略，降低投资风险，提高收益稳定性。
9、优选地，步骤s1具体为：
10、步骤s11：获取跨市场交易要素数据；
11、步骤s12：根据跨市场交易要素数据进行矩阵处理，生成跨市场交易要素矩阵数据；
12、步骤s13：对跨市场交易要素矩阵数据进行跨市场要素属性提取，从而得到跨市场要素属性数据；
13、步骤s14：根据预设的跨市场要素属性关联数据对跨市场要素属性数据进行时序影响权重生成，从而得到交易要素权重矩阵数据；
14、步骤s15：根据交易要素权重矩阵数据对跨市场交易要素矩阵数据进行加权计算，从而得到跨市场交易要素时序数据。
15、本专利技术中步骤s12将跨市场交易要素数据进行矩阵处理，从而生成了跨市场交易要素矩阵数据，将原始数据进行有效的结构化处理，为后续加权计算以及图卷积提供前序操作，同时矩阵化的处理，比起线性处理具有非线性处理的特征。在步骤s13中，对跨市场交易要素矩阵数据进行属性提取，从矩阵中抽取出具有实质意义的特征。步骤s14中的时序影响权重生成，通过对跨市场要素属性数据进行预设的属性关联计算，产生了交易要素权重矩阵数据，提供一个时序上的权重信息，帮助捕捉跨市场要素间的动态关系。步骤s15利用生成的交易要素权重矩阵数据对跨市场交易要素矩阵数据进行加权计算，从而得到跨市场交易要素时序数据，将被用于波动率预测模型的构建，为预测任务提供了基础。
16、优选地，步骤s14中时序影响权重生成通过时序影响权重计算公式进行计算，其中时序影响权重计算公式具体为：
17、
18、wt为交易要素权重矩阵数据中的第t个时刻的时序影响权重，t为跨市场要素时间数据，n为跨市场要素属性数据的数量数据，i为跨市场要素属性数据的序次项数据，ai为第i个跨市场要素属性数据的相关性系数数据，bi为第i个跨市场要素属性数据的波动率数据，ci为第i个跨市场要素属性数据的周期性系数数据。
19、本专利技术构造了一种时序影响权重计算公式，该计算公式根据跨市场要素属性的相关性、波动率和周期性等因素对每个时刻的权重进行精细调整，在不同的时刻赋予不同属性不同的重要性，从而更准确地反映市场情况。其中相关性系数ai：衡量属性之间的相关性，高相关性会增加相应属性的权重。波动率bi：反映属性的波动程度，高波动率会降低相应属性的权重。周期性系数ci：描述属性的周期性特征，高周期性会增加相应属性的权重。n：跨市场要素属性数据的数量，影响了求和符号内的迭代次数。t：代表跨市场要素的时间数据，影响了时序影响权重的计算结果。通过对相关性、波动率和周期性系数的综合考虑，公式中的每个属性参数会相互影响，从而决定了每个时刻的权重分配。对不同属性参数的选择和调整，会在时序影响权重的计算中产生相应的影响，从而影响模型对市场情况的理解和预测。本专利技术通过对跨市场要素属性的多方面考量，实现了对时序影响权重的细致调整，使得模型能够更准确地反映市场变化情况，提升了预测的精确度和可靠性。
20、优选地，步骤s2具体为：
21、步骤s21：对跨市场交易要素时序数据进行动态多尺度注意力加权计算，从而得到动态多尺度注意力加权数据；
22、步骤s22：根据动态多尺度注意力加权数据对跨市场交易要素时序数据进行注意力加权计算，从而得到时空自注意力权重数据；
23、步骤s23：对时空自注意力权重数据进行时空特征提取，从而得到时空特征数据；
24、步骤s24：对时空特征数据进行高维特征映射，从而得到时空高维特征映射数据；
25、步骤s25：对时空高维特征映射数据进行时空嵌入，从而得到时空嵌入特征数据；
26、步骤s26：对时空嵌入特征数据进行特征选择，从而得到跨市场交易要素自注意力数据。
27、本专利技术中引入了动态多尺度注意力机制，使模型能够根据数据的具体情况自动地确定哪些时间尺度下的信息更为重要，使得模型能够在不同的本文档来自技高网...
【技术保护点】
1.一种基于图卷积网络模型的跨市场波动率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
3.根据权利要求2所述的方法，其特征在于，步骤S14中时序影响权重生成通过时序影响权重计算公式进行计算，其中时序影响权重计算公式具体为：
4.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
5.根据权利要求4所述的方法，其特征在于，步骤S21具体为：
6.根据权利要求5所述的方法，其特征在于，步骤S213中多头注意力计算通过多头注意力模型进行处理，其中多头注意力模型的构建步骤具体为：
7.根据权利要求6所述的方法，其特征在于，其中步骤S2133中的数据随机增强并划分的步骤具体为：
8.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
9.根据权利要求1所述的方法，其特征在于，其中跨市场交易要素预测指数数据包括第一跨市场交易要素预测指数数据以及第二跨市场交易要素预测指数数据，第一跨市场交易要素预测指数数据包括第一跨市场交易要素预测低维指数
10.根据权利要求9所述的方法，其特征在于，第一全连接计算通过非线性全连接计算公式进行计算，其中非线性全连接计算公式具体为：
...【技术特征摘要】
1.一种基于图卷积网络模型的跨市场波动率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1具体为：
3.根据权利要求2所述的方法，其特征在于，步骤s14中时序影响权重生成通过时序影响权重计算公式进行计算，其中时序影响权重计算公式具体为：
4.根据权利要求1所述的方法，其特征在于，步骤s2具体为：
5.根据权利要求4所述的方法，其特征在于，步骤s21具体为：
6.根据权利要求5所述的方法，其特征在于，步骤s213中多头注意力计算通过多头注意力模型进行处理，其中多头注意力模型的构建步骤具体为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。