期权买卖时机确定方法、装置、设备、介质和程序产品.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114781741A(43)申请公布日2022.07.22(21)申请号202210489937.4(22)申请日2022.05.06(71)申请人中国工商银行股份有限公司地址100140北京市西城区复兴门内大街55号(72)发明人王金罗阳齐可昕陈茜茜(74)专利代理机构中科专利商标代理有限责任公司11021专利代理师张琛(51)Int.Cl.G06Q10/04(2012.01)G06Q40/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图10页(54)发明名称期权买卖时机确定方法、装置、设备、介质和程序产品(57)摘要本公开提供了一种期权买卖时机确定方法，涉及金融预测以及其相关技术领域。该期权买卖时机确定方法包括：获取当前期权相关因子的数据作为第一输入数据；获取上一时刻的实际的第一隐含波动率和上一时刻的预设的长短期记忆循环神经网络模型的第一模型参数；基于第一输入数据、第一隐含波动率和第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率；以及在第二隐含波动率大于第一隐含波动率的情况下输出期权卖出信号，和/或在第二隐含波动率小于第一隐含波动率的情况下输出期权买入信号。本公开还提供了一种期权买卖时机确定装置、设备、存储介质和程序产品。CN114781741ACN114781741A权利要求书1/2页1.一种期权买卖时机确定方法，其特征在于，包括：获取当前期权相关因子的数据作为第一输入数据；获取上一时刻的实际的第一隐含波动率和上一时刻的预设的长短期记忆循环神经网络模型的第一模型参数；基于所述第一输入数据、所述第一隐含波动率和所述第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率；以及在所述第二隐含波动率大于所述第一隐含波动率的情况下输出期权卖出信号，和/或在所述第二隐含波动率小于所述第一隐含波动率的情况下输出期权买入信号。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一输入数据、所述第一隐含波动率和所述第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率，包括：提取所述第一模型参数中的第一细胞状态；基于所述第一输入数据、所述第一隐含波动率和所述第一细胞状态，通过数理计算，得到当前时刻的第二细胞状态；基于所述第一输入数据和所述第二细胞状态，通过预设的激活函数，预测初始隐含波动率；以及对所述初始隐含波动率进行筛选，得到所述第二隐含波动率。3.根据权利要求2所述的方法，其特征在于，在所述基于所述第一输入数据、所述第一隐含波动率和所述第一模型参数，通过预设的长短期记忆循环神经网络模型，预测当前时刻的第二隐含波动率后，还包括：获取当前时刻的实际的第三隐含波动率；基于损失函数计算所述第二隐含波动率和所述第三隐含波动率，得到预测误差；获取第二模型参数；基于所述预测误差，更新所述第二模型参数，得到第三模型参数，其中，所述第三模型参数用于构建下一时刻的预设的长短期记忆循环神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述预设的长短期记忆循环神经网络模型的训练方法包括：获取训练样本，所述训练样本包括不同时刻的期权相关因子和不同时刻的实际隐含波动率；基于预设的训练轮数，挑选所述训练样本中的期权相关因子样本和实际隐含波动率样本，所述期权相关因子样本的时刻和所述实际隐含波动率样本的时刻为一一对应的关系；以及基于所述期权相关因子样本和所述实际隐含波动率样本，对预设的长短期记忆循环神经网络模型进行训练，直至预设的训练轮数时截止，得到所述第一模型参数。5.根据权利要求4所述的方法，其特征在于，所述基于所述期权相关因子样本和所述实际隐含波动率样本，对预设的长短期记忆循环神经网络模型进行训练，直至预设的训练轮数时截止，得到所述第一模型参数，其中，对于每一轮的训练，所述方法包括：获取上一时刻的预设的长短期记忆循环神经网络模型的第一训练模型参数；2CN114781741A权利要求书2/2页基于所述第一训练模型参数、所述期权相关因子样本和所述实际隐含波动率样本，预测第一训练隐含波动率；获取第二训练隐含波动率，所述第二训练隐含波动率为历史真实隐含波动率，所述第二训练隐含波动率的时刻与所述第一训练隐含波动率的时刻相同；基于损失函数计算所述第一隐含波动率和所述第二隐含波动率，得到训练预测误差；以及基于所述训练预测误差，更新所述第一训练模型参数，得到第二训练模型参数。6.根据权利要求3或5所述的方法，其特征在于，包括：基于均方根传播算法更新模型参数。7.根据权利要求1至5任一项所述的方法，其特征在于，其中，所述期权相关因子包括：资产价格、行权时