本發(fā)明涉及金融數(shù)據(jù)處理分析領域，具體來說是一種基于長短期記憶模型的外匯市場風險量化和預警方法。

背景技術：

1、防范化解系統(tǒng)性風險是金融工作永恒的主題。在外匯市場，匯率波動是衡量市場風險的關鍵指標，關系到外匯市場日常風險監(jiān)測中市場機構頭寸組合的盯市價值、風險敞口以及保證金、清算基金要求等風險指標的監(jiān)測和預警；在違約處置時，對及時、高效地完成違約機構頭寸分割、風險對沖以及頭寸拍賣等有重要影響，直接關系到能否快速平穩(wěn)地完成違約處置，防止風險溢出。

2、本發(fā)明提出了一種基于長短期記憶模型(long?short?term?memory,lstm)的外匯市場風險量化和預警方法。lstm作為一種先進的時序預測模型，能夠有效捕捉外匯市場匯率波動的長期依賴關系和短期動態(tài)變化，為外匯市場風險監(jiān)測提供了一個統(tǒng)一的、可擴展的分析工具箱。與傳統(tǒng)時序模型相比，lstm模型在處理匯率波動預測問題時展現(xiàn)出更高的準確性和靈活性，顯著提升了日常風險監(jiān)測的效率和精度。

3、此外，本項目還引入了lstm模型進行劇烈波動可能性的判斷，為預警提供了量化依據(jù)。本發(fā)明綜合運用先進的數(shù)據(jù)分析技術，旨在為外匯市場風險管理提供一種更為科學、系統(tǒng)的解決方案，能夠給金融機構提供一種更好地識別、計量和管理外匯市場風險度量方法，幫助相關市場機構在風云變幻的市場環(huán)境中做出及時而精準的判斷。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種基于長短期記憶模型的外匯市場風險量化和預警方法，用以通過獲取歷史宏觀和微觀業(yè)務數(shù)據(jù)，使用模型判斷當日匯率波動以及是否存在異常波動，解決現(xiàn)有匯率監(jiān)測人員人工判斷存在的數(shù)據(jù)處理復雜、流程長和依賴經(jīng)驗等問題。

2、為了實現(xiàn)上述目的，設計一種基于長短期記憶模型的外匯市場風險量化和預警方法，所述方法如下：

3、s1.獲取影響匯率風險的歷史特征數(shù)據(jù)，并在原始數(shù)據(jù)基礎上進行特征衍生和篩選，構建數(shù)據(jù)集，具體包括：

4、s1.1.通過萬得數(shù)據(jù)庫獲取國內外宏觀經(jīng)濟數(shù)據(jù)、微觀匯率數(shù)據(jù)、微觀流動性數(shù)據(jù)、微觀市場情緒數(shù)據(jù)；

5、s1.2.根據(jù)中國一攬子貨幣政策中貨幣所占份額選取重要貨幣，包括人民幣(cny)，美元(usd)，澳元(aud)，歐元(eur)，英鎊(gbp)，港元(khd)，日元(jpy),韓元(krw)，盧布(rub)，泰元(thb)，構成重要貨幣集合c，表示如下：

6、c＝{cny,usd,aud,eur,gbp,hkd,jpy,krw,rub,thb}

7、s1.3.基于選取的重要貨幣集合構建外匯市場特征矩陣如下：

8、

9、mi為構建的外匯市場特征矩陣，矩陣大小為m×n,m表示選取的貨幣種類數(shù)量,n表示選取的天數(shù)，表示t0時刻cny的貨幣特征，可以表示cny在時間t0至tn的特征趨勢；

10、s1.4.在原始數(shù)據(jù)的基礎上進行特征衍生，對所選取的原始數(shù)據(jù)利用后值減前值與后值除以前值的方式進行特征衍生，分別以_diff與_div后綴表示；

11、s1.5.基于皮爾遜相關系數(shù)選擇相關性強的特征；

12、s2.構建穩(wěn)定算子和誤差糾正算子，計算調整系數(shù)，避免高權重貨幣自身劇烈波動造成風險預警失準，具體包括：

13、s2.1.設計穩(wěn)定算子，表征貨幣在連續(xù)時間內的波動，定義如下:

14、

15、其中m表示幣種數(shù)量，c表示具體幣種，t表示第t天，表示貨幣c第t天的指數(shù)估計值；

16、s2.2.設計誤差糾正算子，表征預測誤差，計算過程為:

17、

18、其中m表示幣種數(shù)量，n表示統(tǒng)計多少天，c表示具體的幣種，t表示第t天，表示第t天幣種c的真實匯率，表示第t天幣種c的估計匯率，

19、誤差糾正算子的輸入包括匯率矩陣實際值和匯率矩陣估計值，

20、

21、me為匯率矩陣實際值，矩陣大小為表示從m種貨幣中任意組合兩種，n表示連續(xù)天數(shù),表示第t0天cny對usd的真實匯率；

22、

23、me表示匯率矩陣估計值，矩陣大小為表示從m種貨幣中任意組合兩種，n表示連續(xù)天數(shù),表示第t0天a對b的估計匯率，其中貨幣a兌換貨幣b的估計值為

24、s2.3.計算調整系數(shù)，調整后誤差為指數(shù)波動誤差系數(shù)乘上指數(shù)波動系數(shù)與匯率估計誤差乘上匯率估計誤差系數(shù)的兩積之和，公式表示如下：

25、error＝weightwave*errorwave+weightexchange*errorexchange

26、s3.構建樣本和匯率預測lstm模型，基于歷史數(shù)據(jù)預測匯率變化，訓練和評估匯率預測模型，具體包括：

27、s3.1.將歷史匯率數(shù)據(jù)樣本以3:1比例拆分為訓練集和測試集，其中特征x為t日到t+30日所有有效特征數(shù)據(jù)，標簽y為t+31日真實匯率；

28、s3.2.模型選擇2層lstm模型，使用mseloss，輸入數(shù)據(jù)為t日到t+30日所有有效特征數(shù)據(jù)，模型輸出為t+31日預測匯率，模型參照值為t+31日真實匯率；

29、s3.3.基于訓練集和測試集進行模型訓練和評估，優(yōu)化模型參數(shù)，降低模型預測誤差；

30、s4.檢驗匯率預測lstm模型的結果并判斷是否進行風險預警，具體包括：

31、s4.1.計算指數(shù)拐點，構成指數(shù)拐點集合

32、setindexchangepoint＝{datet,if|it+1-it|>thresholdindexchangepoint}

33、該過程表示將統(tǒng)計超過指數(shù)拐點閾值的日期集合步驟；

34、s4.2.計算投放量拐點，構成投放量拐點集合

35、setsupplychangepoint＝{datet,if|st+1-st|>thresholdsupplychangepoint}

36、該過程表示將統(tǒng)計超過投放量拐點閾值的日期集合；

37、s4.3.計算波動拐點配準得分

38、score拐點配準得分＝len(set指數(shù)拐點∩set投放量拐點)/len(set指數(shù)拐點)

39、該過程表示將指數(shù)拐點日期集合與投放量拐點集合的交集占比；

40、s4.4.波動拐點配準得分絕對值大于0.015表明外匯市場有出現(xiàn)波動風險，進行預警，否則不預警。

41、優(yōu)選的，本發(fā)明所述方法步驟s3.3具體如下：訓練過程中，基于測試集使用反向傳播算法對模型預測的輸出結果和原始的真實結果進行誤差計算，基于減少誤差的目標做模型參數(shù)迭代更新，在迭代過程中選擇最佳一組模型參數(shù)，使得模型預測誤差最小，完成匯率模型的訓練，評估過程中，基于訓練好的模型參數(shù)帶入測試集進行誤差評估計算，保證模型在測試集上誤差表現(xiàn)和訓練集上基本一致。

42、本發(fā)明同現(xiàn)有技術相比，其優(yōu)點在于：

43、通過獲取歷史業(yè)務數(shù)據(jù)，包括但不限于匯率收盤價、美元指數(shù)、日元匯率、再按匯率收盤價、離岸匯率收盤價、納斯達克綜合指數(shù)、金價、新興市場貨幣指數(shù)、匯率最高價、匯率最低價、匯率中間價、在岸匯率與離岸匯率價差，即可利用本發(fā)明中的模型判斷當日匯率波動以及是否存在異常波動的風險。