人工智能股票市场温度测量及量子指数风险管理方法与流程

摘要: 本发明涉及机器学习,尤其涉及人工智能股票市场温度测量及量子指数风险管理方法。背景技术:1、机器学习技术领域涉及以样本数据、特征字段、训练规则和模型参数为基础,对...
人工智能股票市场温度测量及量子指数风险管理方法与流程

本发明涉及机器学习,尤其涉及人工智能股票市场温度测量及量子指数风险管理方法。

背景技术:

1、机器学习技术领域涉及以样本数据、特征字段、训练规则和模型参数为基础,对数值序列和状态标签进行建模、训练和推理的计算机处理方式。其中,传统股票市场温度测量及量子指数风险管理方法是指服务器从行情数据库读取价格序列、成交量序列、指数点位、波动率和交易时间戳数据,将数据按照交易日、证券代码和指数标识写入特征表,并利用训练程序对历史样本与风险标签进行拟合计算,再将温度指标和指数风险结果写入数据库。

2、现有的股票市场风险管理主要以行情价格涨跌、波动率指标、大盘指数和人工经验判断开展,主要存在以下技术问题:

3、其一,行情价格涨跌、波动率和大盘指数通常分散判断,缺乏统一的市场温度量化尺度,难以将市场热量、活力和涨跌变化纳入同一评价口径,导致不同指标之间的判断结果容易出现割裂;

4、其二,风险提示多依赖静态阈值、经验规则或局部指标变化,难以充分反映时间序列中市场状态的连续演化,当市场温度从活跃转弱或由平稳转向剧烈波动时,提示结果容易滞后;

5、其三,现有分析方式对影响价格波动的关键因素提炼不足,价格变化背后的主要驱动因素难以与金融计量判断形成稳定关联,导致风险判断缺少可解释的量化依据;

6、其四,择时风控通常与指数走势、市场热度和历史温度区间分别处理,投资机构难以在同一逻辑下识别盈利概率增强或亏损风险上升的时间位置,实际决策中容易出现择时判断不集中、信号冲突或人工取舍困难。

7、因此,现有以分散指标判断、静态阈值提示、经验择时为特征的方案,难以满足股票市场风险管理对连续量化、趋势识别、概率提示、择时风控和直观呈现的要求。

技术实现思路

1、本发明的目的在于提供一种人工智能股票市场温度测量及量子指数风险管理方法,通过对股票交易所行情数据进行机器学习处理,确定价格波动关键因素并建立金融计量模型,进一步生成用于表征股票市场热量、活力和涨跌变化的newpeople量子指数,使投资机构风险管理端能够基于市场温度区间、指数历史变化、风控时间以及图形化结果,对股票市场状态进行测量、判断和风险提示。

2、为了实现上述目的,本发明采用了如下技术方案,人工智能股票市场温度测量及量子指数风险管理方法,包括以下步骤:

3、s1、获取股票交易所行情数据,包括股票价格涨跌数据、波动率数据、大盘指数和时间序列;

4、s2、对所述股票交易所行情数据进行机器学习处理,从影响价格波动的因素中确定价格波动关键因素,并依据所述价格波动关键因素建立金融计量模型;

5、s3、利用所述金融计量模型计算市场温度数值,按时间序列生成newpeople量子指数,所述newpeople量子指数用于反映股票市场热量、活力和涨跌变化;

6、s4、利用所述newpeople量子指数的历史时间变化确定市场温度区间,将当前所述newpeople量子指数与所述市场温度区间比较,发出概率盈利提示或者大概率亏损提示;

7、s5、将所述newpeople量子指数、所述大盘指数和所述时间序列生成为三维市场温度图;同步提取风控时间结合所述市场温度区间生成为二维择时风控图,并输出股票市场风险提示结果。

8、具体来说,所述风控时间指的是,当所述newpeople量子指数在时间序列中出现市场温度区间切换、连续涨跌变化转折,或者与大盘指数走势出现明显不一致时对应的交易时间。

9、具体来说,以获取目标股票市场或目标股票组合的股票交易所行情数据开始,直至利用所述newpeople量子指数实现市场温度判断和风险提示结束,记录为一个周期。

10、具体来说,s2中,确定所述价格波动关键因素包括中:

11、获取股票价格涨跌数据、波动率数据、大盘指数和时间序列,按照证券标识和采样时刻将上述数据进行对齐,删除停牌时段和非交易时段的对应数据;

12、在设定观察窗口内确定股票价格涨跌数据、波动率数据、大盘指数和时间序列与价格变动方向、价格变动幅度之间的对应关系,确定各影响因素的影响强度并由高至低排列,将达到预设影响强度阈值的影响因素确定为所述价格波动关键因素;

13、其中,影响强度值由各影响因素在设定观察窗口内与股票价格涨跌方向、涨跌幅度的对应次数确定,对应次数越多则所述影响强度值越高。

14、具体来说,s2中,所述金融计量模型的建立包括中:

15、获取所述价格波动关键因素、所述价格波动关键因素对应的历史取值序列以及价格变动结果序列,并按照证券标识、交易日期和采样时刻建立因素取值与价格变动结果之间的对应关系,得到建模样本;

16、按照交易日期先后顺序将所述建模样本记录划分为模型拟合记录和模型检验记录,并根据所述模型拟合记录确定各价格波动关键因素对应的模型参数,形成初始计量模型;

17、利用所述模型检验记录对所述初始计量模型的输出结果进行偏差校验,当达到预设偏差阈值要求时,确定所述初始计量模型为所述金融计量模型。

18、具体来说,建立所述金融计量模型后,根据周期进行模型更新,按照周期获取新增股票交易所行情数据,并根据所述新增股票交易所行情数据重新确定新的所述价格波动关键因素和所述模型参数,构建待更新模型;

19、在最近交易日对应的检验记录上对所述待更新模型进行输出偏差校验,将校验得到的输出偏差与所述金融计量模型对应的输出偏差进行比较,当所述待更新模型的输出偏差小于所述金融计量模型的输出偏差时,用所述待更新模型替换当前所述金融计量模型,完成对计量模型的更新。

20、具体来说,s3中,计算所述市场温度数值过程中:

21、获取当前时刻对应的股票价格涨跌数据、波动率数据和大盘指数,并按照证券标识和采样时刻建立与所述金融计量模型相匹配的输入数据;

22、将所述输入数据输入所述金融计量模型,依据所述金融计量模型中记载的模型参数,对所述输入数据中各价格波动关键因素对应的数据进行加权处理,并将加权处理后的数据按照证券标识和采样时刻进行汇总,得到所述市场温度数值;

23、其中,输入数据的建立包括中,读取同一采样时刻下的股票价格涨跌数据、波动率数据和大盘指数,并按照证券标识将股票价格涨跌和波动率进行对应记录,得到证券行情数据,将所述证券行情对应数据与大盘指数进行对应,使同一采样时刻下的证券行情变化与大盘指数变化保持时间一致,并按照所述金融计量模型要求的数据字段顺序进行排列,生成所述输入数据。

24、具体来说,s3中,newpeople量子指数的生成包括中:

25、获取连续采样时刻对应的市场温度数值,并按照交易日期和采样时刻对所述市场温度数值进行顺序排列,将首个采样时刻对应的所述市场温度数值确定为首个采样时刻对应的newpeople量子指数,并比较当前采样时刻对应的所述市场温度数值和上一采样时刻对应的市场温度数值;

26、若当前采样时刻对应的所述市场温度数值高于上一采样时刻对应的市场温度数值时,依据所述市场温度变化量增加上一采样时刻对应的newpeople量子指数,生成当前采样时刻对应的newpeople量子指数;

27、当所述市场温度变化量表示当前采样时刻对应的所述市场温度数值低于上一采样时刻对应的市场温度数值时,依据所述市场温度变化量降低上一采样时刻对应的newpeople量子指数,生成当前采样时刻对应的newpeople量子指数;

28、当所述市场温度变化量表示当前采样时刻对应的所述市场温度数值等于上一采样时刻对应的市场温度数值时,保持上一采样时刻对应的newpeople量子指数,生成当前采样时刻对应的newpeople量子指数;

29、并按照时间序列对各采样时刻对应的newpeople量子指数进行排列。

30、具体来说,s4中,所述市场温度区间的确定包括中:

31、获取连续历史交易日对应的所述newpeople量子指数、交易日期和采样时刻,按照交易日期和采样时刻进行排列,并根据同一历史观察期间内newpeople量子指数的高位取值范围、中位取值范围和低位取值范围,分别确定高温区间、常温区间和低温区间,得到所述市场温度区间;

32、若当前所述newpeople量子指数位于低温区间,或者由低温区间进入常温区间时,发出概率盈利提示;

33、若当前所述newpeople量子指数位于高温区间,或者由常温区间进入高温区间时,发出大概率亏损提示。

34、具体来说,s5中,以所述时间序列作为时间维度,以所述大盘指数作为指数维度,以所述newpeople量子指数作为市场温度维度进行三维绘图,按照交易日期和采样时刻对数据行进行排列,生成所述三维市场温度图;

35、以采样时刻作为时间刻度,以所述市场温度区间作为区间刻度,并在对应采样时刻标注概率盈利提示或者大概率亏损提示,按照采样时刻顺序连接相邻标注点,生成所述二维择时风控图;

36、读取当前采样时刻对应的newpeople量子指数、大盘指数、目标温度区间和风控时间,分别与所述三维市场温度图中的数据行、所述二维择时风控图中的标注点进行关联,发出所述股票市场风险提示结果。

37、与现有技术相比,本发明的优点和积极效果在于:

38、利用行情涨跌、波动率、大盘指数与时间序列建立统一处理链路,从价格波动因素中提炼关键因素并形成金融计量约束,市场温度数值随时间沉淀为newpeople量子指数,使热量、活力与涨跌变化在同一尺度下连续表达,利用历史指数变化反向划定温度区间,当前指数与区间匹配后生成盈利概率和亏损风险提示,并把指数、大盘指数、时间序列和风控时间转化为立体市场温度图与平面择时风控图,由分散经验判断转为连续量化比较和图形化输出,提升择时判断集中性、预警前置性和投资风控可解释性。