交易风险的确定方法、装置及计算机可读存储介质与流程

1.本技术涉及金融科技领域或其他相关领域，具体而言，涉及一种交易风险的确定方法、装置及计算机可读存储介质。


背景技术：

2.波动率是在一个时间结构中，时间与价格的运动规律，波动率表征了价格运动的走势。在金融市场交易中，行情波动率是风险管理，市场恐慌情绪等的一个重要影响因素，它的存在意味着风险和挑战。正是因为波动率的不确定性，越来越多的风险量化策略提出了对波动率的合理估计。
3.现有技术中，在对行情波动率进行预测时，需要花费大量的人力物力进行特征工程处理等工作，从而导致整体的预测效率较低。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种交易风险的确定方法、装置及计算机可读存储介质，以至少解决现有技术在对商品的波动率进行预测时存在的预测效率低的技术问题。
6.根据本技术实施例的一个方面，提供了一种交易风险的确定方法，包括：获取目标商品的当前行情数据，其中，当前行情数据至少包括目标历史时长内的多条交易数据；确定当前行情数据所对应的多个目标特征值；基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率；根据预测波动率确定目标商品的交易风险。
7.进一步地，交易风险的确定方法还包括：获取当前行情数据中每条交易数据的交易时间；根据交易时间对多条交易数据进行聚合计算，得到至少一个目标数据，其中，每个目标数据对应一个预设时间段，预设时间段中包含有多个交易时间，并且预设时间段的时长小于目标历史时长；根据目标数据生成多个目标特征值。
8.进一步地，交易风险的确定方法还包括：基于目标数据，提取多个第一特征值、多个第二特征值以及多个第三特征值，其中，第一特征值用于表征目标商品的持仓量，目标商品的多种交易价格以及每种交易价格所对应的交易数量，第二特征值用于表征在至少一个目标数据中目标商品的平均收盘价格，第三特征值用于表征在至少一个目标数据中目标商品的不同交易价格之间的差价、以及以不同交易价格成交的交易金额之间的差额；对第一特征值、第二特征值以及第三特征值分别进行预处理，得到多个目标特征值。
9.进一步地，交易风险的确定方法还包括：在基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率之前，获取目标商品的多条历史行情数据，其中，历史行情数据至少包括历史时间段内的多条历史交易数据，历史时间段的时长大于目标历史时长；根据每条历史交易数据的交易时间对多条历史交易数据进行聚合计算，得到至少一个历史目标数据，其中，每个历史目标数
据对应一个子历史时间段，子历史时间段的时长小于目标历史时长；将历史时间段划分为多个第一历史时间段，其中，第一历史时间段的时长大于子历史时间段的时长；将第一历史时间段内的历史目标数据组成一个训练集，并获取每个训练集所对应的标签，其中，标签表征第二历史时间段的行情波动率，第二历史时间段为第一历史时间段之后的一个时间段，行情波动率为目标商品对数收益率的均方差；根据标签与历史目标数据训练得到波动率预测模型。
10.进一步地，交易风险的确定方法还包括：基于每个训练集中的历史目标数据，提取多个历史特征值；对历史特征值进行预处理，得到历史目标特征值；根据历史目标特征值以及标签训练得到波动率预测模型。
11.进一步地，交易风险的确定方法还包括：步骤1，对历史目标特征值进行特征转换，得到中间特征值；步骤2，对中间特征值进行加权计算，得到加权特征值；步骤3，将历史目标特征值更新为加权特征值，并循环执行预设次数的步骤1与步骤2，得到多个中间特征值；步骤4，对多个中间特征值进行求和，得到训练特征值；步骤5，根据训练特征值与标签训练得到波动率预测模型。
12.进一步地，交易风险的确定方法还包括：根据训练特征值与标签训练得到初始预测模型；根据损失函数确定初始预测模型的预测结果与标签之间的误差；在误差大于或等于预设误差的情况下，对初始预测模型进行调整并训练，直至调整后的预测模型所输出的预测结果与标签之间的误差小于预设误差，确定调整后的预测模型为波动率预测模型。
13.进一步地，交易风险的确定方法还包括：在预测波动率大于预设阈值的情况下，确定目标商品在未来预设时间段内存在交易风险，并生成提示信息；在预测波动率小于或等于预设阈值的情况下，生成交易指令，其中，交易指令中至少包括目标商品的交易价格以及交易数量。
14.根据本技术实施例的另一方面，还提供了一种交易风险的确定装置，包括：获取模块，用于获取目标商品的当前行情数据，其中，当前行情数据至少包括目标历史时长内的多条交易数据；第一确定模块，用于确定当前行情数据所对应的多个目标特征值；预测模块，用于基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率；第二确定模块，用于根据预测波动率确定目标商品的交易风险。
15.根据本技术实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的交易风险的确定方法。
16.根据本技术实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的交易风险的确定方法。
17.在本技术实施例中，采用使用波动率预测模型对目标特征值进行加权计算与特征转换，得到预测波动率的方式，首先获取目标商品的当前行情数据，并确定当前行情数据所对应的多个目标特征值，然后基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率，最后根据预测波动率确定目标商品的交易风险。其中，当前行情数据至少包括目标历史时长内的多条交易数据。
18.由上述内容可知，本技术中的波动率预测模型可以对多个目标特征值进行加权计算与特征转换，换言之，本技术中的波动率预测模型可以自动地对目标特征值进行一部分的特征工程处理，与现有技术相比，本技术不仅降低了特征工程的人力成本与时间成本，而且提高了对未来时间段内的行情波动率的预测效率。此外，本技术通过根据预测波动率确定目标商品的交易风险，可以为目标商品的交易员提高决策能力，从而实现了协助交易员控制目标商品的交易风险的效果。
19.由此可见，通过本技术的技术方案，不仅达到了自动预测目标商品的行情波动率的目的，而且实现了规避目标商品的交易风险的效果，同时还解决了现有技术在对商品的波动率进行预测时存在的预测效率低的技术问题。
附图说明
20.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
21.图1是根据本技术实施例的一种可选的交易风险的确定方法的流程图；
22.图2是根据本技术实施例的一种可选的tabnet网络结构示意图；
23.图3是根据本技术实施例的一种可选的交易风险的确认方法的流程图；
24.图4是根据本技术实施例的一种可选的交易风险的确定装置的示意图；
25.图5是根据本技术实施例的一种可选的电子设备的示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
27.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.另外，还需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
29.实施例1
30.根据本技术实施例，提供了一种交易风险的确定方法的实施例，需要说明的是，在
附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
31.图1是根据本技术实施例的一种可选的交易风险的确定方法的流程图，如图1所示，该方法包括如下步骤：
32.步骤s101，获取目标商品的当前行情数据。
33.在步骤s101，当前行情数据至少包括目标历史时长内的多条交易数据。具体的，目标商品可以是金融市场中的黄金、白银、铜等贵金属商品，也可以是股票、石油、粮食等期货商品，本技术不对目标商品做特别限定。目标历史时长中至少包括有当前时间，例如，获取目标商品前半小时的交易数据作为当前行情数据，其中，前半小时即为目标历史时长。
34.本技术以目标商品为贵金属商品为例进行以下说明。此外，一种波动率预测装置可以作为本技术实施例中的交易风险的确定方法的执行主体，其中，波动率预测装置至少包括数据获取装置，特征工程装置，模型训练装置以及前向预测装置。
35.在一种可选的实施例中，数据获取装置通过快照的方式获取金融市场上的贵金属的原始行情数据，其中，一条原始行情数据可以是500毫秒的行情快照，该行情快照中包括了500毫秒内所发生的所有交易数据，同时，该行情快照还包含了对500毫秒内所有交易数据的交易信息的统计，例如，交易信息至少包括：合约代码，渠道，行情类型，昨日收盘价，昨日结算价，以及所有交易数据中的最高交易价格、最低交易价格、最新交易价格、收盘价，成交数量，成交金额等信息。
36.可选的，数据获取装置会将获取的原始行情数据预先存储在大数据库中，当需要对贵金属进行波动率预测时，数据获取装置可以通过访问大数据库，利用数据获取接口获取目标历史时长内的所有原始行情数据作为当前行情数据。
37.步骤s102，确定当前行情数据所对应的多个目标特征值。
38.在步骤s102中，在得到当前行情数据之后，数据获取装置首先会根据当前行情数据中每条交易数据的交易时间对所有的交易数据进行聚合计算。
39.具体的，每条原始行情数据中包含的是500毫秒内的交易数据，由于500毫秒的时间很短，因此，不同交易数据之间的波动特征不会很明显，即波动特征不够显著，如果直接提取原始行情数据所对应的特征值，则会影响后期的预测准确性。因此，为了避免该问题，本技术在原始行情数据的基础上，先进行一定程度的数据加工，其中，最重要的加工过程之一便是对交易数据进行聚合计算。
40.举例而言，数据获取装置可以将1分钟内的原始行情数据进行聚合计算，从而将原始行情数据加工成k线数据，其中，k线数据至少包括1分钟内关于目标商品的最高交易价格，最低交易价格，开盘价格和收盘价格。此外，k线数据还包括买卖两个方向上的第一层的最优交易价格和成交数量，第2层到第10层的加权平均价格，第2层到第10层的成交量总和。其中，本技术中将目标商品的交易价格分为10层，第一层为最优交易价格，从第2层至第10层为递减的次优交易价格，最优交易价格要根据交易方向(买卖方向)确定。例如，对于卖方而言，第一层的最优交易价格为最贵售卖价格，第2层至第10层的售卖价格则越来越低；对于买方而言，第一层的最优交易价格为最低购买价格，第2层至第10层的购买价格则越来越高。
41.容易注意到的是，相比于包含500毫秒内交易数据的原始行情数据，上述的k线数据包括1分钟内所有的交易数据。在此基础上，由于交易数据的数量更多，并且时长更长，所以k线数据中的数据之间的波动特征更加明显，提取得到的特征值也更加具有显著性，从而有利于提高后期的预测准确性。
42.在得到k线数据的基础上，特征工程装置可以基于k线数据提取多个第一特征值、多个第二特征值以及多个第三特征值，其中，第一特征值用于表征目标商品的持仓量，目标商品的多种交易价格以及每种交易价格所对应的交易数量，第二特征值用于表征在至少一个目标数据中目标商品的平均收盘价格，第三特征值用于表征在至少一个目标数据中目标商品的不同交易价格之间的差价、以及以不同交易价格成交的交易金额之间的差额。最后，特征工程装置对第一特征值、第二特征值以及第三特征值分别进行预处理，即可得到多个目标特征值。
43.步骤s103，基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率。
44.在步骤s103中，上述的波动率预测模型可以部署在前向预测装置中，波动率预测模型是一种表格学习网络tabnet模型，其中，tabnet模型是一种结合了树模型的特征选择机制和神经网络优点的模型。tabnet模型通过特征转换和掩码生成实现了实例维度的特征选择，模拟了决策树的行为。在预先训练得到的波动率预测模型中，包含有特征转换模块以及权重系数模块，其中，通过特征转换模块，波动率预测模型可以对输入的目标特征值进行特征转换处理，从而减少了模型中的参数数量，并提供了更好的泛化效果，通过加权计算模块，波动率预测模型可以对输入的目标特征值进行加权计算，以便实现了特征选择的功能。
45.需要注意到的是，传统的贵金属行情波动率的预测研究，通常是通过数学模型进行预测或者通过机器学习的预测算法进行预测。其中，数学建模对时间序列的特征有一定的前提要求，例如，要求时间序列本身是平稳的。但是，对于金融数据的时间序列而言，由于市场本身是不稳定的，因此很难做到时间序列是平稳的，由此便导致创建的数学模型不够精准，最终所预测得到的波动率也存在较大误差。而机器学习的预测算法依赖于大量的特征工程和数据挖掘工作，在数据预处理阶段需要耗费大量精力，例如，机器学习模型的输入特征为特征d，为了得到该特征d，技术人员需要先根据原始数据提取得到特征a，然后基于特征a依次加工为特征b、特征c、特征d，容易注意到的是，特征b、特征c以及特征d的加工过程会严重影响整体的预测效率。
46.而在本技术中，由于波动率预测模型自身具有特征转换以及加权计算的能力，因此，在基于数据获取得到特征a(对应目标特征值)之后，只要将特征a输入至波动率预测模型中之后，波动率预测模型自身便会完成关于特征b、特征c以及特征d的加工过程，从而不仅降低了人力成本与时间成本，还提高了波动率的预测效率。
47.步骤s104，根据预测波动率确定目标商品的交易风险。
48.在步骤s104中，在得到未来预设时间段的预测波动率之后，前向预测装置可以根据预测波动率与预设阈值确定目标商品的交易风险。具体的，在预测波动率大于预设阈值的情况下，前向预测装置确定目标商品在未来预设时间段内存在交易风险；在预测波动率小于或等于预设阈值的情况下，前向预测装置确定目标商品在未来预设时间段内不存在交易风险。
49.基于上述步骤s101至步骤s104的内容可知，在本技术实施例中，采用使用波动率预测模型对目标特征值进行加权计算与特征转换，得到预测波动率的方式，首先获取目标商品的当前行情数据，并确定当前行情数据所对应的多个目标特征值，然后基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率，最后根据预测波动率确定目标商品的交易风险。其中，当前行情数据至少包括目标历史时长内的多条交易数据。
50.由上述内容可知，本技术中的波动率预测模型可以对多个目标特征值进行加权计算与特征转换，换言之，本技术中的波动率预测模型可以自动地对目标特征值进行一部分的特征工程处理，与现有技术相比，本技术不仅降低了特征工程的人力成本与时间成本，而且提高了对未来时间段内的行情波动率的预测效率。此外，本技术通过根据预测波动率确定目标商品的交易风险，可以为目标商品的交易员提高决策能力，从而实现协助交易员控制目标商品的交易风险的效果。
51.由此可见，通过本技术的技术方案，不仅达到了自动预测目标商品的行情波动率的目的，而且实现了规避目标商品的交易风险的效果，同时还解决了现有技术在对商品的波动率进行预测时存在的预测效率低的技术问题。
52.在一种可选的实施例中，数据获取装置获取当前行情数据中每条交易数据的交易时间，然后根据交易时间对多条交易数据进行聚合计算，得到至少一个目标数据，其中，每个目标数据对应一个预设时间段，预设时间段中包含有多个交易时间，并且预设时间段的时长小于目标历史时长。最后，数据获取装置根据目标数据生成多个目标特征值。
53.可选的，结合步骤s102的介绍内容可知，目标数据可以是上述的k线数据，每个目标数据所对应的预测时间段可以是上述k线数据所对应的一分钟。由于每条交易数据都有其对应的交易时间，因此，数据获取装置可以将1分钟内的交易数据进行聚合，得到一个k线数据，如果目标历史时长为半小时，则一共可以聚合得到30个k线数据。
54.需要说明的是，在实际应用中，可以根据实际情况选择预测时间段，例如，对于时间跨度较大的目标历史时长，预设时间段可以大于1分钟。
55.另外，由于当前行情数据的获取会受到批量运行时间，人为因素等影响，可能存在坏数据，影响模型准确性，所以在对当前行情数据进行聚合处理等加工之前，需要识别、替换和剔除缺失数据。
56.可选的，在得到多个目标数据之后，特征工程装置基于目标数据，提取多个第一特征值、多个第二特征值以及多个第三特征值，其中，第一特征值用于表征目标商品的持仓量，目标商品的多种交易价格以及每种交易价格所对应的交易数量，第二特征值用于表征在至少一个目标数据中目标商品的平均收盘价格，第三特征值用于表征在至少一个目标数据中目标商品的不同交易价格之间的差价、以及以不同交易价格成交的交易金额之间的差额，此外，特征工程装置还对第一特征值、第二特征值以及第三特征值分别进行预处理，得到多个目标特征值。
57.具体的，特征工程装置用于对数据获取装置处理后的目标数据会进行特征处理，其中，特征工程装置主要包括特征加工模块和特征变换模块。特征加工模块在目标数据基础上计算了行情类特征(对应第一特征值)，指标类特征(对应第二特征值)，差值类特征(对应第三特征值)。其中，行情类特征包括了目标商品的持仓量，最优购买价格，最优购买价格
对应的购买量，最优出售价格，最优出售价格对应的出售量，加权后的最优买卖价格和对应的数量，加权后的次优买卖价格和对应的数量，指标类特征则计算了前n个k线数据的平均收盘价，差值类特征计算了不同交易价格之间的差价、以不同交易价格成交的交易金额之间的差额、以及以不同交易价格成交的交易数量之间的差值。
58.在得到第一特征值、第二特征值以及第三特征值之后，特征转换模型会对第一特征值、第二特征值以及第三特征值进行预处理，其中，预处理包括：归一化处理、数据相关性分析以及和方差过滤处理。经过特征工程装置，最终保留的特征维度为107个特征向量。
59.在一种可选的实施例中，在基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率之前，需要提前训练得到波动率预测模型。具体的，数据获取装置首先获取目标商品的多条历史行情数据，其中，历史行情数据至少包括历史时间段内的多条历史交易数据，历史时间段的时长大于目标历史时长。然后数据获取装置根据每条历史交易数据的交易时间对多条历史交易数据进行聚合计算，得到至少一个历史目标数据，其中，每个历史目标数据对应一个子历史时间段，子历史时间段的时长小于目标历史时长。
60.与此同时，数据获取装置将历史时间段划分为多个第一历史时间段，其中，第一历史时间段的时长大于子历史时间段的时长。并且数据获取装置还将第一历史时间段内的历史目标数据组成一个训练集，并获取每个训练集所对应的标签，其中，标签表征第二历史时间段的行情波动率，第二历史时间段为第一历史时间段之后的一个时间段，行情波动率为目标商品对数收益率的均方差。最后，模型训练装置根据标签与历史目标数据训练得到波动率预测模型。
61.可选的，在模型训练阶段，数据获取装置会从大数据库中获取目标商品的多条历史行情数据，其中，获取的方式与获取当前行情数据的方式相同，只是为了获取更多数量的历史行情数据，所选择的历史时间段的时长要远远大于目标历史时长，在得到历史交易数据之后，数据获取装置也会对其进行聚合计算等数据加工过程，由于该过程与当前行情数据的加工过程相同，在此不作过多赘述。
62.但是，与当前行情数据不同的是，数据获取装置会按照第一历史时间段对k线数据进行组合，得到多个训练集，同时为每个训练集计算一个标签。举例而言，历史时间段是过去的2时至4时，其中，k线数据所对应的子历史时间段是1分钟，即将每1分钟内的交易数据聚合为一个k线数据，历史时间段内一共有120个k线数据，设置第一历史时间段的时长为10分钟，则历史时间段可以划分为12个第一历史时间段，每个第一历史时间段内的10个k线数据组成了一个训练集。以2时至2时10分这一个第一历史时段所对应的训练集为例，该训练集所对应的标签则可以是2时10分至2时20分期间的行情波动率，其中，2时10分至2时20分这一时间段即为第二历史时间段。需要说明的是，上述的每个时间段的长度只是一种示例，在实际应用中，每个时间段的长度可以自定义设置。
63.另外，本技术中的行情波动率为目标商品对数收益率的均方差，假设合约a在t和t-1时刻的价格为st和st-1，在时间t的对数收益率为：log(st/st-1)。本技术采用均方差作为波动率，即不同时间窗口y下的行情波动率对应不同时间窗口y下目标商品对数收益率的均方差。
64.此外，限于时间序列数据的现实情况，需要严格地将历史行情数据按照时间段分
为训练集、验证集和测试集，数据集之间严格分开。
65.在一种可选的实施例中，在得到历史目标数据之后，特征工程装置基于每个训练集中的历史目标数据，提取多个历史特征值，并对历史特征值进行预处理，得到历史目标特征值。随后模型训练装置根据历史目标特征值以及标签训练得到波动率预测模型。
66.可选的，提取历史特征值的过程与提取第一特征值、第二特征值以及第三特征值的过程相同，对历史特征值进行预处理的过程与对第一特征值、第二特征值以及第三特征值分别进行预处理的过程也相同，只是所依据的数据不同，因此，在此不作多余赘述。
67.在一种可选的实施例中，模型训练装置在根据历史目标特征值以及标签训练得到波动率预测模型时需要以下步骤：
68.步骤1，对历史目标特征值进行特征转换，得到中间特征值；
69.步骤2，对中间特征值进行加权计算，得到加权特征值；
70.步骤3，将历史目标特征值更新为加权特征值，并循环执行预设次数的步骤1与步骤2，得到多个中间特征值；
71.步骤4：对多个中间特征值进行求和，得到训练特征值；
72.步骤5：根据训练特征值与标签训练得到波动率预测模型。
73.具体的，图2示出了根据本技术实施例的一种可选的tabnet网络结构示意图，如图2所示，在得到历史目标特征值之后，模型训练装置可将历史目标特征值输入至tabnet网络中，假设一个历史目标特征值为特征a，则特征a可作为图2中的输入特征，在经过第一个特征转换模块时，特征a会转换为特征b，tabnet网络会一方面将特征b保存下来，另一方面将特征b输入至第一个权重系数模块中，得到加权特征b，然后加权特征b进入至第二个特征转换模块中，得到特征c，同样的，特征c也会在被保存的同时，继续输入至第二个权重系数模块中，得到加权特征c，加权特征c经过第三个特征转换模块之后，可以得到特征d。训练过程中tabnet网络所保存的特征b、特征c以及特征d都是中间特征值。
74.tabnet网络中的全连接层可对得到的多个中间特征值进行求和计算，得到训练特征值。
75.需要注意到的是，tabnet网络中存在多个重复的结构，每个结构的输出求和后，会经过全连接层映射到模型最后的输出。重复的结构包含了两个重要的组件，特征变换模块和权重系数模块。特征变换模块包括了两个共享层和两个独立层，共享层减少了模型中的参数数量，并提供了更好的泛化效果。共享层的输出会输入到权重系数模块，负责特征选择，独立层的输出则会经过relu函数，继续往下一结构传递。
76.在一种可选的实施例中，在上述步骤5时，tabnet网络会根据训练特征值与标签训练得到初始预测模型，并且模型训练装置会根据损失函数确定初始预测模型的预测结果与标签之间的误差，在误差大于或等于预设误差的情况下，模型训练装置对初始预测模型进行调整并训练，直至调整后的预测模型所输出的预测结果与标签之间的误差小于预设误差，确定调整后的预测模型为波动率预测模型。
77.具体的，模型训练装置采用了l1 loss损失函数来计算tabnet网络的预测结果与标签之间的误差。训练的评价指标为rmspe均方根百分比误差。只有在预测模型所输出的预测结果与标签之间的误差小于该误差时，模型训练装置才会确定生成了波动率预测模型。其中，最终训练得到的波动率预测模型为一个tabnet回归器，波动率预测模型所输出的预
测波动率可以理解为是图2中的回归值。
78.需要注意到的是，通过根据损失函数来对预测模型进行调整，可以保证最终得到的波动率预测模型在预测波动率时的准确性。
79.在一种可选的实施例中，图3示出了根据本技术实施例的一种可选的交易风险的确认方法的流程图。如图3所示，通过数据获取装置可以获取当前行情数据与历史行情数据，并对当前行情数据与历史行情数据分别进行数据加工，得到目标数据以及目标历史数据。然后特征工程装置根据目标历史数据进行特征提取，得到目标历史特征值，并将目标历史特征值输入至模型训练装置中训练得到波动率预测模型。最后，特征工程装置根据目标数据进行特征提取，得到目标特征值，并由前向预测装置加载训练好的波动率预测模型，按照模型输入要求处理输入的目标特征值，从而根据目标特征值与波动率预测模型确定得到预测波动率。
80.在预测波动率大于预设阈值的情况下，前向预测装置确定目标商品在未来预设时间段内存在交易风险，并生成提示信息；在预测波动率小于或等于预设阈值的情况下，前向预测装置生成交易指令，其中，交易指令中至少包括目标商品的交易价格以及交易数量。
81.需要注意到的是，通过预测未来预设时间段的目标商品的行情波动率，可以帮助交易员提前发现市场风险，增强交易员决策能力。本技术所提供的技术方案可在量化交易过程中为交易员提供交易辅助功能，对未来较大的市场波动率进行报警提示，进而协助交易员控制交易风险。
82.实施例2
83.根据本技术实施例，还提供了一种交易风险的确定装置，其中，图4是根据本技术实施例的一种可选的交易风险的确定装置的示意图，如图4所示，该装置包括：获取模块401，用于获取目标商品的当前行情数据，其中，当前行情数据至少包括目标历史时长内的多条交易数据；第一确定模块402，用于确定当前行情数据所对应的多个目标特征值；预测模块403，用于基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率；第二确定模块404，用于根据预测波动率确定目标商品的交易风险。
84.需要说明的是，上述获取模块401、第一确定模块402、预测模块403以及第二确定模块404对应于上述实施例1中的步骤s101至步骤s104，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
85.可选的，上述第一确定模块还包括：第一获取模块、聚合模块以及生成模块。其中，第一获取模块，用于获取当前行情数据中每条交易数据的交易时间；聚合模块，用于根据交易时间对多条交易数据进行聚合计算，得到至少一个目标数据，其中，每个目标数据对应一个预设时间段，预设时间段中包含有多个交易时间，并且预设时间段的时长小于目标历史时长；生成模块，用于根据目标数据生成多个目标特征值。
86.可选的，上述的生成模块还包括：提取模块以及预处理模块。其中，提取模块，用于基于目标数据，提取多个第一特征值、多个第二特征值以及多个第三特征值，其中，第一特征值用于表征目标商品的持仓量，目标商品的多种交易价格以及每种交易价格所对应的交易数量，第二特征值用于表征在至少一个目标数据中目标商品的平均收盘价格，第三特征值用于表征在至少一个目标数据中目标商品的不同交易价格之间的差价、以及以不同交易
价格成交的交易金额之间的差额；预处理模块，用于对第一特征值、第二特征值以及第三特征值分别进行预处理，得到多个目标特征值。
87.可选的，交易风险的确定装置还包括：第二获取模块、第一聚合模块、划分模块、标签获取模块以及训练模块。其中，第二获取模块，用于获取目标商品的多条历史行情数据，其中，历史行情数据至少包括历史时间段内的多条历史交易数据，历史时间段的时长大于目标历史时长；第一聚合模块，用于根据每条历史交易数据的交易时间对多条历史交易数据进行聚合计算，得到至少一个历史目标数据，其中，每个历史目标数据对应一个子历史时间段，子历史时间段的时长小于目标历史时长；划分模块，用于将历史时间段划分为多个第一历史时间段，其中，第一历史时间段的时长大于子历史时间段的时长；标签获取模块，用于将第一历史时间段内的历史目标数据组成一个训练集，并获取每个训练集所对应的标签，其中，标签表征第二历史时间段的行情波动率，第二历史时间段为第一历史时间段之后的一个时间段，行情波动率为目标商品对数收益率的均方差；训练模块，用于根据标签与历史目标数据训练得到波动率预测模型。
88.可选的，上述的训练模块还包括：第一提取模块、第一预处理模块以及第一训练模块。其中，第一提取模块，用于基于每个训练集中的历史目标数据，提取多个历史特征值；第一预处理模块，用于对历史特征值进行预处理，得到历史目标特征值；第一训练模块，用于根据历史目标特征值以及标签训练得到波动率预测模型。
89.可选的，上述第一训练模块还包括：第一执行模块、第二执行模块、第三执行模块、第四执行模块以及第五执行模块。其中，第一执行模块，用于执行步骤1，对历史目标特征值进行特征转换，得到中间特征值；第二执行模块，用于执行步骤2，对中间特征值进行加权计算，得到加权特征值；第三执行模块，用于执行步骤3，将历史目标特征值更新为加权特征值，并循环执行预设次数的步骤1与步骤2，得到多个中间特征值；第四执行模块，用于执行步骤4，对多个中间特征值进行求和，得到训练特征值；第五执行模块，用于执行步骤5，根据训练特征值与标签训练得到波动率预测模型。
90.可选的，上述第五执行模块还包括：第二训练模块、第三确定模块以及调整模块。其中，第二训练模块，用于根据训练特征值与标签训练得到初始预测模型；第三确定模块，用于根据损失函数确定初始预测模型的预测结果与标签之间的误差；调整模块，用于在误差大于或等于预设误差的情况下，对初始预测模型进行调整并训练，直至调整后的预测模型所输出的预测结果与标签之间的误差小于预设误差，确定调整后的预测模型为波动率预测模型。
91.可选的，上述的第二确定模块还包括：第四确定模块以及第一生成模块。其中，第四确定模块，用于在预测波动率大于预设阈值的情况下，确定目标商品在未来预设时间段内存在交易风险，并生成提示信息；第一生成模块，用于在预测波动率小于或等于预设阈值的情况下，生成交易指令，其中，交易指令中至少包括目标商品的交易价格以及交易数量。
92.实施例3
93.根据本技术实施例，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述实施例1中的交易风险的确定方法。
94.实施例4
95.根据本技术实施例，还提供了一种电子设备实施例，其中，图5是根据本技术实施例的一种可选的电子设备的示意图，如图5所示，电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
96.获取目标商品的当前行情数据，其中，当前行情数据至少包括目标历史时长内的多条交易数据；确定当前行情数据所对应的多个目标特征值；基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率；根据预测波动率确定目标商品的交易风险。
97.可选的，处理器执行程序时还实现以下步骤：获取当前行情数据中每条交易数据的交易时间；根据交易时间对多条交易数据进行聚合计算，得到至少一个目标数据，其中，每个目标数据对应一个预设时间段，预设时间段中包含有多个交易时间，并且预设时间段的时长小于目标历史时长；根据目标数据生成多个目标特征值。
98.可选的，处理器执行程序时还实现以下步骤：基于目标数据，提取多个第一特征值、多个第二特征值以及多个第三特征值，其中，第一特征值用于表征目标商品的持仓量，目标商品的多种交易价格以及每种交易价格所对应的交易数量，第二特征值用于表征在至少一个目标数据中目标商品的平均收盘价格，第三特征值用于表征在至少一个目标数据中目标商品的不同交易价格之间的差价、以及以不同交易价格成交的交易金额之间的差额；对第一特征值、第二特征值以及第三特征值分别进行预处理，得到多个目标特征值。
99.可选的，处理器执行程序时还实现以下步骤：在基于预先训练的波动率预测模型对多个目标特征值进行加权计算与特征转换，得到目标商品在未来预设时间段内的预测波动率之前，获取目标商品的多条历史行情数据，其中，历史行情数据至少包括历史时间段内的多条历史交易数据，历史时间段的时长大于目标历史时长；根据每条历史交易数据的交易时间对多条历史交易数据进行聚合计算，得到至少一个历史目标数据，其中，每个历史目标数据对应一个子历史时间段，子历史时间段的时长小于目标历史时长；将历史时间段划分为多个第一历史时间段，其中，第一历史时间段的时长大于子历史时间段的时长；将第一历史时间段内的历史目标数据组成一个训练集，并获取每个训练集所对应的标签，其中，标签表征第二历史时间段的行情波动率，第二历史时间段为第一历史时间段之后的一个时间段，行情波动率为目标商品对数收益率的均方差；根据标签与历史目标数据训练得到波动率预测模型。
100.可选的，处理器执行程序时还实现以下步骤：基于每个训练集中的历史目标数据，提取多个历史特征值；对历史特征值进行预处理，得到历史目标特征值；根据历史目标特征值以及标签训练得到波动率预测模型。
101.可选的，处理器执行程序时还实现以下步骤：步骤1，对历史目标特征值进行特征转换，得到中间特征值；步骤2，对中间特征值进行加权计算，得到加权特征值；步骤3，将历史目标特征值更新为加权特征值，并循环执行预设次数的步骤1与步骤2，得到多个中间特征值；步骤4，对多个中间特征值进行求和，得到训练特征值；步骤5，根据训练特征值与标签训练得到波动率预测模型。
102.可选的，处理器执行程序时还实现以下步骤：根据训练特征值与标签训练得到初始预测模型；根据损失函数确定初始预测模型的预测结果与标签之间的误差；在误差大于或等于预设误差的情况下，对初始预测模型进行调整并训练，直至调整后的预测模型所输
出的预测结果与标签之间的误差小于预设误差，确定调整后的预测模型为波动率预测模型。
103.可选的，处理器执行程序时还实现以下步骤：在预测波动率大于预设阈值的情况下，确定目标商品在未来预设时间段内存在交易风险，并生成提示信息；在预测波动率小于或等于预设阈值的情况下，生成交易指令，其中，交易指令中至少包括目标商品的交易价格以及交易数量。
104.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
105.在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
106.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
107.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
108.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
109.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
110.以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。