用于预测汇率趋势的模型训练方法、装置、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907216A(43)申请公布日2023.04.04(21)申请号202211660422.2(22)申请日2022.12.23(71)申请人企知道网络技术有限公司地址518000广东省深圳市南山区西丽街道西丽社区留仙大道创智云城1标段1栋D座2201(72)发明人李冠楠(74)专利代理机构上海维卓专利代理有限公司31409专利代理师诸炳彬(51)Int.Cl.G06Q10/04(2023.01)G06Q40/00(2023.01)G06F18/2411(2023.01)G06F18/214(2023.01)权利要求书2页说明书9页附图3页(54)发明名称用于预测汇率趋势的模型训练方法、装置、设备及介质(57)摘要本申请公开了一种用于预测汇率趋势的模型训练方法、装置、设备及介质，其中，该用于预测汇率趋势的模型训练方法包括：获取两国之间的汇率历史趋势和每n天时间内的汇率数据样本；采用ARIMA时间序列分析法对汇率历史趋势进行拟合，构成拟合参数空间，并遍历拟合参数空间直至拟合参数空间的预测拟合误差最小；对初始数据集中的宏观基础变量按时间窗口进行构造，并将训练数据集输入SVM支持向量机，从而获取拟合宏观变量差值；采用验证数据集对初始预测模型进行预测后确定初始预测模型作为汇率预测模型。该方法生成的汇率预测模型具有长期和短期趋势预测能力的同时，可保障高精度的预测准确性。CN115907216ACN115907216A权利要求书1/2页1.一种用于预测汇率趋势的模型训练方法，其特征在于，包括：获取两国之间的汇率历史趋势和每n天时间内的汇率数据样本，所述汇率数据样本包括：初始数据集和用于确定模型超参数的验证数据集；采用ARIMA时间序列分析法对所述汇率历史趋势进行拟合，构成拟合参数空间，并遍历所述拟合参数空间直至所述拟合参数空间的预测拟合误差最小；对所述初始数据集中的宏观基础变量按时间窗口进行构造，获取训练数据集，并将所述训练数据集输入SVM支持向量机，用于对汇率预测误差进行非线性拟合，从而获取拟合宏观变量差值；基于所述拟合宏观变量差值，生成用以预测汇率趋势的初始预测模型，并采用所述验证数据集对所述初始预测模型进行预测后确定所述初始预测模型作为汇率预测模型。2.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述汇率数据样本还包括用于回测模型的测试数据集；在所述采用所述验证数据集对所述初始预测模型进行预测后确定所述初始预测模型作为汇率预测模型之后，还包括：采用所述测试数据集对所述汇率预测模型进行n天的汇率预测，用以检验所述汇率预测模型的准确率。3.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述采用ARIMA时间序列分析法对所述汇率历史趋势进行拟合，构成拟合参数空间，包括：采用时间序列对所述汇率历史趋势进行拟合，确定ARIMA差分自回归移动平均模型的拟合参数空间，所述拟合参数空间包括自回归项数、滑动平均项数和差分阶数。4.根据权利要求3所述的用于预测汇率趋势的模型训练方法，其特征在于，所述采用时间序列对所述汇率历史趋势进行拟合，确定ARIMA差分自回归移动平均模型的拟合参数空间，包括：采用时间序列平稳性检验作为单位根检验，确定所述差分阶数；分别提取赤池信息准则和贝叶斯信息准则获取的最小值，分别作为所述自回归项数和所述滑动平均项数。5.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，基于所述拟合宏观变量差值，生成用以预测汇率趋势的初始预测模型，包括：将所述拟合宏观变量差值作为特征因子，采用所述特征因子对RBF高斯核函数进行训练，生成用以预测汇率趋势的初始预测模型。6.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述汇率预测模型包括gamma系数和C惩罚系数；所述采用所述验证数据集对所述初始预测模型进行预测后确定所述初始预测模型作为汇率预测模型，包括：采用k折交叉验证对所述系数gamma和C惩罚系数进行格点搜索，用以获取所述验证数据集预测的均方误差；当所述均方误差出现最小值时，确定所述初始预测模型作为汇率预测模型。7.根据权利要求1所述的用于预测汇率趋势的模型训练方法，其特征在于，所述对所述初始数据集中的宏观基础变量按时间窗口进行构造，获取训练数据集，包括：2CN115907216A权利要求书2/2页确定窗口时间区间m，且m>n；获取前m‑n天的第一汇率数据样本，提取所述第一汇率数据样本中的第一基础变量作为用于构造所述训练数据的输入特征向量；将n天对应的所述汇率预测误差作为构造所述训练数据的目标变量，按单日从m‑n天开始向后滑移所述时间窗口，用以获取训练数据集。8.一种用于预测汇率趋势的模型训练装置