有色金属现货价格的深度学习预测与置信区间生成系统的制作方法
本发明涉及有色金属现货交割数据处理、时序状态建模和深度学习预测,具体涉及一种有色金属现货价格的深度学习预测与置信区间生成系统及方法。
背景技术:
1、有色金属现货价格受到交易所参考价格、仓单库存、区域库存、厂库提货地升贴水、品牌或品级、运输时延、进口窗口、冶炼排产、企业真实成交和突发事件共同影响。现有价格预测方案多采用历史价格、库存、宏观指标和新闻文本作为并列输入特征,直接训练神经网络输出未来价格或上下分位数。该类方案在平稳市场中具有一定效果,但在低库存、品牌替代受限、区域路径阻塞、进口窗口关闭、仓单注销集中、重大事件冲击场景中存在以下技术问题。
2、问题一,现有方案将不同来源的现货报价直接作为监督标签使用,未对品牌、区域、税制、仓单状态、交货时延和厂库条款进行统一映射,导致训练标签口径不一致,模型在企业真实成交场景中偏差增大。
3、问题二,现有方案将库存、仓单、升贴水、进口窗口和路径容量作为普通特征输入,没有将其作为价格生成约束处理,导致模型无法解释局部交割资源不足、品牌失配或运输通道饱和引起的价格跳变。
4、问题三,现有方案的置信区间通常由分位数回归或全局历史误差校准得到,未区分连续状态扰动风险和约束拓扑切换风险,导致区间在突发上冲场景中覆盖率不足,在平稳场景中宽度过大。
5、问题四,现有方案缺少可落地的工程闭环,未明确数据来源、数据表结构、状态反演过程、训练样本构造、在线推理流程、异常回退策略和业务接口输出,容易在实际部署中出现数据不可追溯、模型不可解释和结果不可审计的问题。
技术实现思路
1、解决的技术问题:针对现有技术,本发明提供一种有色金属现货价格的深度学习预测与置信区间生成系统及方法,主要解决不同来源报价口径和交割条件不一致导致训练输入不可直接比较、库存与物流等约束未显式参与状态预测、深度学习模型输入输出与交割状态缺少明确对应关系、约束拓扑切换时预测与区间覆盖不稳定以及工程部署中数据、模型和求解结果难以追溯的问题。
2、技术方案:为实现以上目的,本发明通过以下技术方案予以实现:有色金属现货价格的深度学习预测与置信区间生成系统,包括数据接入与标准化模块、可信观测构造模块、交割状态反演模块、状态演化预测模块、微观清算模块、宏观平衡求解模块、区间生成模块和输出服务模块;
3、所述数据接入与标准化模块用于接入交易所参考价数据、仓单数据、库存数据、升贴水数据、企业成交回报数据、进口与运输数据、冶炼排产数据、宏观外生变量数据和事件文本数据,并将所述数据映射为标准化交割对象;
4、所述可信观测构造模块用于依据数据来源的历史偏差、时延、离散度、交割约束一致性和字段完整性生成动态可信度权重,并形成可信观测集;
5、所述交割状态反演模块用于基于所述可信观测集求解当前时刻交割状态向量,所述交割状态向量由直接交割在库资源状态、离场回流库存状态、在途资源状态、冶炼释放流状态、进口补给流状态、需求紧迫度状态、品牌替代状态、区域路径阻力状态、持有成本状态和事件冲击状态构成;
6、所述状态演化预测模块用于基于当前时刻交割状态向量、未来外生变量路径和未来事件冲击路径预测未来目标时刻交割状态向量及约束拓扑签名;
7、所述微观清算模块用于根据未来目标时刻交割状态向量构建资源单元集合、需求单元集合以及资源单元到需求单元的可执行匹配流量,并求解满足品牌匹配约束、区域路径容量约束、时间时延约束和交割合规约束的微观清算结果;
8、所述宏观平衡求解模块用于根据所述微观清算结果构建可执行供给函数与可执行需求函数,并通过求解净可执行供给函数为零且导数大于零的唯一稳定根得到未来目标时刻有色金属现货价格预测值;
9、所述区间生成模块用于依据所述价格预测值、未来交割状态协方差、约束拓扑切换概率以及按照约束拓扑条件索引的历史残差记忆库生成所述价格预测值对应的非对称置信区间;所述输出服务模块用于输出价格预测值、置信区间、主导约束标签、风险告警标签和数据质量标签。
10、优选的,所述标准化交割对象由金属品种、品牌或注册品牌族、交割区域、交货时延、质量规格和交易条款共同定义,所述数据接入与标准化模块对原始报价执行质量规格修正、税制修正、汇率修正、物流修正、品牌修正、交货时延修正以及仓单或厂库条款修正,以将不同市场来源、不同交货条件和不同计价口径下的原始报价映射至同一标准化交割对象下的标准化价格。
11、优选的,所述可信观测构造模块通过对每一数据来源计算不可信度评分并进行归一化得到动态可信度权重,所述不可信度评分由该数据来源相对于历史真实成交结果或后验清算结果的偏差项、数据发布时间与当前时刻之间的时延项、与同期其他来源标准化价格的离散度项、与库存、仓单、升贴水、区域价差、进口窗口和交割规则的一致性偏差项以及条款字段缺失惩罚项构成,所述动态可信度权重按照金属品种、区域、品牌族和时间滚动更新。
12、优选的,所述交割状态反演模块通过求解受约束逆问题获得当前时刻交割状态向量,所述受约束逆问题以可信观测与理论观测映射之间的加权鲁棒误差为目标项,并引入物料守恒约束、交割可行性约束、品牌替代约束、区域运输路径约束和事件一致性约束;所述物料守恒约束用于保证在库资源、离场库存、在途资源、到港资源、注销仓单和履约流出之间满足守恒关系,所述交割可行性约束用于保证指定仓库、指定品牌、指定条款和指定时间条件下资源具备交割执行条件,所述品牌替代约束用于刻画不同品牌、品级和注册资格之间的替代程度,所述区域运输路径约束用于限制资源在不同区域之间的调拨容量和时延,所述事件一致性约束用于将政策、事故、港口中断、天气冲击、制裁或关税变化映射为对交割状态边界的压缩或漂移。
13、优选的,所述状态演化预测模块包括守恒传播子模块、约束传播子模块、事件门控子模块和跨区域耦合子模块,所述守恒传播子模块用于基于当前时刻交割状态向量更新直接交割在库资源、离场回流库存、在途资源和补给流的未来数量变化,所述约束传播子模块用于更新品牌替代边界、路径容量边界、进口到达边界和厂库释放边界,所述事件门控子模块用于将未来事件文本经编码后映射为对未来交割状态向量的边界扰动,所述跨区域耦合子模块用于表征一个区域中的库存变化、运输变化或需求变化对其他区域交割状态的传导作用,所述状态演化预测模块在输出未来交割状态向量后通过投影算子将所述未来交割状态向量投影至预设可行域。其中,所述状态演化预测模块的状态增量预测部分采用由时序编码器、图传播层和门控残差层组成的深度神经网络,所述时序编码器以连续多个时间步的交割状态向量和外生变量为输入,所述图传播层以区域、品牌族和资源类型为节点并以调拨路径和品牌替代关系为边执行消息传递,所述门控残差层以事件嵌入作为门控输入,所述深度神经网络输出未来目标时刻的状态增量和约束边界变化量。
14、优选的,所述微观清算模块将未来目标时刻的交割资源离散为资源单元集合,将未来目标时刻的执行需求离散为需求单元集合,并通过引入资源单元到需求单元的匹配流量变量、需求未满足松弛变量和供给闲置松弛变量求解带约束的最优匹配问题;所述最优匹配问题中的匹配成本由区域运输成本、品牌替代成本、仓储与持有成本、交货时延成本和规则合规成本构成,所述最优匹配问题满足资源侧守恒约束、需求侧守恒约束、路径容量约束、品牌与区域匹配掩码约束以及时间时延约束,从而得到未来目标时刻的资源—需求微观清算结果。
15、优选的,所述宏观平衡求解模块根据未来目标时刻各资源单元的释放数量、供给侧最低接受价格、供给侧价格平滑参数和供给侧执行系数构建可执行供给函数,根据未来目标时刻各需求单元的目标需求数量、需求侧最高支付价格、需求侧价格平滑参数和需求侧执行系数构建可执行需求函数,并以所述可执行供给函数与所述可执行需求函数之差构建净可执行供给函数,其中未来目标时刻的有色金属现货价格预测值被定义为所述净可执行供给函数为零且对价格的一阶导数大于零的唯一稳定根。
16、优选的,所述区间生成模块依据隐函数定理计算所述价格预测值相对于未来交割状态向量的灵敏度梯度,并基于所述灵敏度梯度和未来交割状态协方差传播得到连续扰动条件下的价格方差,然后结合未来约束拓扑切换概率和拓扑切换对应的价格跳变量得到包含连续扰动风险和离散切换风险的综合方差,再利用按照金属品种、区域、预测步长、约束拓扑签名和波动档位分桶存储的历史上侧残差与历史下侧残差分别生成上侧修正量和下侧修正量,从而输出相对于所述价格预测值非对称的置信区间。
17、优选的,所述的有色金属现货价格的深度学习预测与置信区间生成对应的生成方法,包括如下步骤:
18、接入并解析交易所参考价、仓单、库存、升贴水、企业成交回报、进口与运输、冶炼排产、宏观变量和事件文本;
19、将不同来源原始数据标准化为目标标准化交割对象下的观测数据;基于各来源历史偏差、时延、离散度、一致性和条款完整性计算动态可信度权重,并构造可信观测集;
20、通过求解带有物料守恒约束、交割可行性约束、品牌替代约束、路径容量约束和事件一致性约束的逆问题反演当前时刻交割状态向量;
21、利用深度状态演化模型预测未来目标时刻的交割状态向量及约束拓扑签名;
22、根据未来目标时刻的交割状态向量构建资源单元集合和需求单元集合并执行微观清算;
23、在微观清算结果基础上构建可执行供给函数和可执行需求函数,并求解未来目标时刻现货价格的唯一稳定根;
24、依据未来交割状态协方差、约束拓扑切换概率以及条件化历史残差库生成所述现货价格对应的非对称置信区间;
25、输出未来目标时刻的现货价格预测值、置信区间、主导约束标签和风险告警标签。
26、优选的,在执行所述方法的过程中还包括异常工况处理步骤,所述异常工况处理步骤包括:当关键观测数据缺失时,基于上一时刻交割状态向量、物料守恒关系和邻近时间窗口插值结果生成临时状态估计并降低相应数据来源权重;当交割状态反演求解失败或宏观平衡求解模块未找到满足条件的唯一稳定根时,切换至基于交易所参考价、库存守恒约束和局部升贴水规则的保守平衡模式生成临时价格预测值及临时区间;当未来约束拓扑切换概率超过预设阈值时,扩大上侧区间修正量和下侧区间修正量并输出高风险告警标签;当交割品牌规则、仓单规则、交割仓规则或交易条款发生制度变更时,先更新标准化交割对象映射规则、品牌替代约束和路径可行性掩码,再执行后续预测流程。
27、有益效果:本发明提供了有色金属现货价格的深度学习预测与置信区间生成系统。具备以下有益效果:
28、1、本发明采用标准化交割对象对交易所参考价、资讯报价、企业成交回报、仓单、库存、升贴水、运输和事件数据进行统一映射,使不同品牌、区域、税制、交货时延和仓单条款下的数据先转化为同一对象空间后再进入模型,解决了现有技术中监督标签口径不一致的问题。该技术方案使模型训练目标直接对应实际可执行成交对象,减少不同报价源之间的结构性噪声,提升企业真实成交场景中的价格预测一致性。
29、2、本发明采用可信观测构造模块对各来源数据进行动态权重计算,使历史偏差大、数据延迟高、字段不完整、与库存和升贴水约束不一致的数据在反演过程中自动降低影响,而不是被简单平均或直接剔除。该技术方案在数据缺失、局部市场报价离散和突发事件期间能够维持输入稳定性,降低单一异常报价对系统输出的影响。
30、3、本发明采用交割状态反演模块,将仓单、库存、离场库存、在途资源、冶炼释放、进口补给、区域路径、品牌替代和事件冲击统一表示为交割状态向量,并通过受约束逆问题求解当前市场真实状态。与直接将库存和新闻作为普通特征输入相比,该技术方案将现货价格的生成基础转化为具有物料守恒、交割可行和路径容量含义的隐状态,使系统在低库存、仓单注销集中和区域可达库存不足时仍能解释价格变化来源。
31、4、本发明采用状态演化预测模块预测未来交割状态,而不是直接用深度神经网络输出未来价格。该技术方案使深度学习模型集中学习资源流、约束边界、事件扰动和跨区域传导规律,避免模型绕过交割机理进行黑盒拟合,从而提升在制度变化、事件冲击和供需结构变化场景下的迁移能力。
32、5、本发明采用微观清算模块先求解资源单元与需求单元的匹配关系,再由宏观平衡求解模块求解净可执行供给函数的唯一稳定根。该技术方案把未来价格定义为可执行供需平衡结果,使价格输出能够反映品牌匹配、路径容量、交货时延和规则合规条件,能够直接解释某一区域现货升水扩大、某一品牌溢价上升或某一运输通道饱和导致的价格变化。
33、6、本发明采用稳定域区间生成机制,将置信区间拆分为连续状态扰动风险、约束拓扑切换风险和拓扑条件历史残差修正三部分。该技术方案使区间在平稳状态下保持较窄,在仓单短缺、品牌失配、进口关闭和路径阻塞场景中主动扩大上侧区间或下侧区间,提升非对称风险表达能力和实际覆盖率。
34、7、本发明采用输出服务模块将价格预测值、置信区间、主导约束、最紧张路径、品牌失配分数、事件影响分数、数据质量标签和求解状态标签共同输出,使系统不仅给出数值结果,还能为采购锁价、库存估值、跨区域调拨和风险预警提供可审计、可追溯的决策依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com