金融商品的相关性预测系统及其方法与流程

本发明关于一种金融商品的相关性预测系统及其方法，特别是关于一种使用人工智慧(artificialintelligence；ai)的金融商品的相关性预测系统及其方法。

背景技术：

各种金融商品的价格与波动率之间是彼此相关联的。并且，金融商品的价格与波动率与整个市场机制具有高度的连结。在建构大型的投资组合时，资产管理者的任务在于，针对提供预先选取的金融商品来建构出可降低该些金融商品之间的内部相关性的投资组合。对于控制总体投资组合的风险而言，降低投资组合中的金融商品之间的相关性是非常关键的步骤。因为在投资组合中的金融商品如果是彼此不相关的，则该些金融商品各自的随机变动将可彼此抵销，使得上述投资组合可提供更好的分散效果，以及可保护投资者。现在大多数的资产管理者，例如基金经理人，所使用的方法是建构出平均数-变异数投资组合(mean-varianceportfolio)。然而，平均数-变异数投资组合自马柯维茨(markowitz)1952年提出至今，并没有经过几十年的发展。一般而言，平均数-变异数投资组合的方法是使用过去一年(past-year)的历史波动率与历史共变异数(covariances)/相关系数(correlations)，并假设这些属性在下一个投资期间中将维持不变。

有鉴于此，开发可提供更贴近市场分布的不断演进的未来相关性预测的金融商品的相关性预测系统及其方法，是一项相当值得产业重视且可有效提升产业竞争力的课题。

技术实现要素：

鉴于上述的发明背景中，为了符合产业上的要求，本发明提供一种金融商品的相关性预测系统及其方法，上述金融商品的相关性预测系统及其方法可提供更贴近市场分布的不断演进的更准确地未来相关性预测结果。

本发明的一目的在于提供一种金融商品的相关性预测系统及其方法，藉由使用人工智慧模型来进行金融商品的趋势预测，使得上述金融商品的相关性预测系统及其方法可针对至少两标的金融商品来产出更准确的未来相关性预测。

本发明的另一目的在于提供一种金融商品的相关性预测系统及其方法，藉由金融商品与市场指数的相关性预测来进行金融商品间的未来相关性预测，使得上述金融商品的相关性预测系统及其方法可产出更贴近市场分布的不断演进的准确预测结果。

本发明的又一目的在于提供一种使用金融商品的相关性预测系统及其方法，藉由使用复数个经过至少一次回溯测试与参数调整的人工智慧模型来进行金融商品的未来趋势预测，使得上述使用人工智慧的金融风险预测系统及其方法可产出更准确的风险预测结果。

根据以上所述的目的，本发明揭示了一种金融商品的相关性预测系统及其方法。上述金融商品的相关性预测方法，可用于一金融商品的相关性预测系统，包含搜集金融商品与市场指针的成对数据并建立数据资料库、建构并训练复数个人工智慧模型、测试并回溯测试上述人工智慧模型、储存并使用通过回溯测试的人工智慧模型来产出金融商品与市场指标的未来相关性预测结果、以及藉由上述金融商品与市场指标的未来相关性预测结果来计算出金融商品间的未来相关性预测结果。上述金融商品的相关性预测系统及其方法可针对任何金融商品提供具有竞争力的风险预测结果。根据本发明的设计，上述金融商品的相关性预测系统及其方法藉由使用递归神经网络从金融商品与市场指针的历史成对数据建构出复数个人工智慧模型，再经过测试、与至少一次回溯测试等方式，过滤出贴近金融商品与市场指标的相关性的最佳人工智慧模型。最后再以这些最佳人工智慧模型来进行未来金融商品间的未来相关性预测结果。因此，根据本发明所揭露的技术，金融机构/投资人可更有效地将金融商品之间的未来相关性升/降纳入建构投资组合时的考虑，并由此建构出更有效率且更具竞争力的投资组合。

附图说明

图1为根据本发明的一金融商品的相关性预测系统之一示意图。

图2a与图2b为根据本发明的金融商品的相关性预测方法的一示意图。

图3为根据本发明的一范例的金融商品的相关性预测系统的示意图。

图4a与图4b为根据本发明的一范例的金融商品的相关性预测方法的流程示意图。

图5a至图5c为图4a与图4b中的一范例的金融商品a从建立ai模型至产出金融商品价格数据与那斯达克指数相关性预测的流程示意图。

图6为应用根据本发明的金融商品的相关性预测系统的投资组合与现在市场上的主动型投资基金的累积收益曲线比较图。

图号说明：

100金融商品的相关性预测系统

110成对数据导入单元

120模型建构单元

130模型过滤单元

140金融商品与市场指标的未来相关性预测产生单元

150计算单元

160金融商品间的未来相关性预测产生单元

200金融商品的相关性预测方法

210建立金融商品与市场指针的数据资料库的步骤

220建立复数个人工智慧模型的步骤

230过滤人工智慧模型的步骤

232测试人工智慧模型的步骤

234对人工智慧模型进行参数调整的步骤

236执行至少一次回溯测试的步骤

238储存最佳人工智慧模型的步骤

240产出金融商品相对于市场指标的未来相关性预测的步骤

250计算金融商品间的未来相关性预测的步骤

260产出金融商品间的未来相关性预测结果的步骤

310成对数据导入单元

312数据搜集模组

314数据资料库

316成对数据特征提取模组

320模型建构单元

322lstm模组

324优化模组

326模型储存模组

330模型过滤单元

332模型测试模组

334参数调整模组

336回溯测试模组

338最佳模型储存模组

340金融商品与市场指标未来相关性的预测产生单元

350计算单元

360金融商品间的未来相关性预测的产生单元

362输入界面

364输出界面

410搜集历史成对数据并建立数据资料库的步骤

420提取历史成对数据的特征的步骤

430将特征输入lstm模组的步骤

440从lstm模组的输出值建立复数个ai模型的步骤

440’训练ai模型的步骤

450测试ai模型的步骤

455进行参数调整的步骤

460进行回溯测试的步骤

465进行参数调整的步骤

460’进行回溯测试的步骤

465’进行参数调整的步骤

470储存最佳模型的步骤

480产出各个金融商品价格数据与那斯达克指数未来相关性的预测的步骤

490计算金融商品间的价格数据的未来相关性预测结果的步骤

495输出金融商品间的价格数据的未来相关性预测结果的步骤

510由lstm模组的输出值建立复数个ai模型

520使用新的成对数据进行ai模型测试

522删除未通过测试的ai模型

524保留通过测试的ai模型

524’进行参数调整

530使用另一批新的成对数据进行回溯测试

532删除未通过回溯测试的ai模型

534保留通过回溯测试的ai模型

534’进行参数调整

540使用再一批新的成对数据进行回溯测试

542删除未通过回溯测试的ai模型

544保留通过回溯测试的ai模型

544’进行参数调整

550储存最佳ai模型

560再启最佳ai模型

570产出金融商品a的价格数据与那斯达克指数的未来相关性的预测结果pan。

具体实施方式

本发明的一实施例揭露一种金融商品的相关性预测系统。图1为一根据本实施例的金融商品的相关性预测系统的示意图。如图1所示，上述金融商品的相关性预测系统100包含成对数据导入单元(paireddataimportingunit)110、模型建构单元120、模型过滤单元130、金融商品与市场指标的未来相关性预测产生单元140、计算单元150、以及金融商品间的未来相关性预测产生单元160。

根据本实施例，上述成对数据导入单元110可用来搜集成对数据(paireddata)，并根据所搜集的成对数据来建构数据资料库(datarepository)。上述的成对数据是指，金融商品与市场指标(marketindicators)的成对数据。在根据本实施例的一较佳范例中，上述的金融商品可以是股票、债券、货币、期货、或是其他习知该项技艺者所熟悉的金融商品。上述的市场指标可以是道琼工业指数、标准普尔500指数、那斯达克指数、msci新兴市场指数、上证指数、债券指数、美元指数、货币汇率、期货指数、市场情绪指数、投资人情绪指数、采购经理人指数、国内生产总值指数、或是其他习知该项技艺者所熟悉的市场指数。根据本实施例，上述数据资料库中的成对数据可先整理成统一格式。并且，上述成对数据导入单元110可先提取出上述成对数据的各种特征(features)，并将这些特征储存于上述的数据资料库。在根据本实施例的一较佳范例中，上述成对数据的搜集来源可以是选自下列群组中之一或其组合：情绪指数(sentimentindicators)、经过调整的历史数据(adjustedhistoricaldata)、基础数据(fundamentaldata)、巨集数据(macrodata)、动态信息(livefeeds)、金融报告(financialreports)、社群媒体数据(socialmediadata)、以及卫星影像(satelliteimages)。成对数据导入单元110在搜集前述的各种成对数据后，将持续进行成对数据内容的更新，并针对所搜集成对数据进行确实地分类，并储存于上述的成对数据导入单元110的数据资料库。

上述的模型建构单元120可用以根据上述成对数据导入单元110的数据资料库中所储存的复数个成对数据的特征来建构出复数个人工智慧模型。上述人工智慧模型的架构模式可以是下列群组之一：递归神经网络(recurrentneuralnetworks；rnn)、长短期记忆神经网络(long-shorttermmemory；lstm)、前馈神经网络(feedforwardnetwork)、卷积神经网络(convolutionalneuralnetworks；cnn)、以及其他习知该项技艺者所熟知的人工神经网络。在根据本实施例的一较佳范例中，上述的特征可以是选自下列群组中之一或其组合：价格走势(pricemovements)、共异变数(covariances)、以及产品特点(productcharacteristics)。在根据本实施例的一较佳范例中，上述人工智慧模型的输出可以是时间序列的观察结果(timeseriesofobservations)。在根据本实施例的一较佳范例中，上述人工智慧模型的输出可以被分割成用于上述人工智慧模型的训练、验证、以及测试数据。在根据本实施例的一较佳范例中，上述人工智慧模型可在上述模型建构单元120中进行训练。在根据本实施例的一较佳范例中，上述的人工智慧模型可使用上述成对数据导入单元110中已具有统一格式的数据来进行训练。上述人工智慧模型可使用下列方法中的至少之一来进行训练：亚当优化演算法(adamoptimizationalgorithm)、反向传播算法(backpropagation)、以及其他习知该项技艺者所熟知的技术/方法。

上述的模型过滤单元130可用来针对模型建构单元120中的人工智慧模型进行过滤。在上述的模型过滤单元130中，上述的复数个人工智慧模型可使用复数种不同的技术与方法来进行测试。在根据本实施例的一较佳范例中，上述的测试可以是使用新的时间区间中的成对数据来进行测试上述的复数个人工智慧模型。在上述测试中产出错误测试数据的人工智慧模型将会被过滤出并且被删除。经过上述测试之后，通过上述测试的复数个人工智慧模组将会依据在上述测试中所产出的测试结果分别进行参数调整(tweakedparameters)。在根据本实施例的一较佳范例中，上述的参数调整包括视实际需求对通过上述测试的复数个人工智慧模组进行超参数调整(adjustedhyperparameters)，以期能产出准确性更高的测试结果。在经过参数调整与/或超参数调整之后，上述的复数个经过参数调整的人工智慧模组可使用新的成对数据来进行至少一次回溯测试(backtesting)。在每次的回溯测试之后，产出错误测试结果的人工智慧模型将被删除，且通过回溯测试的至少一人工智慧模组将依据在回溯测试中所产出的测试结果分别进行参数调整与/或超参数调整。在回溯测试后，上述通过回溯测试且经过参数调整的至少一人工智慧模组将储存于上述的模型过滤单元130中。在根据本实施例的一较佳范例中，只有新近通过上述回溯测试的至少一人工智慧模型会被保留下来，储存于上述的模型过滤单元130中较早期通过回溯测试的人工智慧模型将会被定期移除。

在上述金融商品与市场指标的未来相关性预测产生单元140中，储存于上述模型过滤单元130中的上述通过回溯测试且经过参数调整的至少一人工智慧模组可被再启(reloaded)，并用依据所输入的要求来产出先前的成对数据的金融商品与市场指标在未来一段时间内的相关性预测。上述的相关性预测可以是相关系数(correlativecoefficient)、共异变数(covariance)、或是其他习知该项技艺者所熟知的方式来呈现。

上述的金融商品与市场指标的未来相关性预测产生单元140中所产出的各个金融商品与市场指针的相关性数据，将会传送至上述的计算单元150。在计算单元150中，可针对该些金融商品与市场指针的相关性数据进行计算，并将计算结果传送至上述的金融商品间的未来相关性预测产生单元160。在金融商品间的未来相关性预测产生单元160中，可依据所输入的要求，依据来自上述计算单元150所计算出的相关性结果，来产出所要求的金融商品间的未来相关性预测结果。

在根据本实施例的一较佳范例中，上述的计算单元150的计算方式可以是使用另一组人工智慧模型来进行计算。

在根据本实施例的一较佳范例中，上述金融商品间的未来相关性预测产生单元160可以针对复数个所要求的金融商品产出彼此的未来相关性预测结果。

在根据本实施例的一较佳范例中，上述金融商品间的未来相关性预测产生单元160所产出的未来相关性预测结果可传送至另一计算单元，未显示于图中，以产生优化后的投资组合建议。

在根据本发明的另一实施例揭露一种金融商品的相关性预测方法。上述金融商品的相关性预测方法可用于金融商品的相关性预测系统。因为个别的金融商品可能的变动因素很多，如果直接以个别金融商品来进行未来的相关性预测，将可能因为过多的变量而失去准确性。然而，相对于个别的金融商品，市场指标的变动性比较小。所以，根据本实施例，我们选择先针对个别金融商品相对于市场指标来进行未来的相关性预测，再根据这些个别商品相对于市场指标的未来相关性进行计算，间接得出个别金融商品之间的未来相关性预测，将可大幅提升预测结果的准确性。

图2a是一根据本实施例的金融商品的相关性预测方法的示意图。上述金融商品的相关性预测方法200包含建立金融商品与市场指针的数据资料库(datarepositoryoffinancialinstrumentandrelatedmarketindicator)的步骤210、建立复数个人工智慧模型的步骤220、过滤该些人工智慧模型的步骤230、产出金融商品与市场指标的未来相关性预测的步骤240、计算金融商品间的未来相关性预测的步骤250、以及产出金融商品间的未来相关性预测结果的步骤260。

在步骤220中，先搜集来自复数种不同数据源的成对数据(paireddata)，以建立金融商品与市场指针的数据资料库。上述的成对数据是指，金融商品与市场指标(marketindicators)的成对数据。在根据本实施例的一较佳范例中，上述的金融商品可以是股票、债券、货币、期货、或是其他习知该项技艺者所熟悉的金融商品。上述的市场指标可以是道琼工业指数、标准普尔500指数、那斯达克指数、msci新兴市场指数、上证指数、债券指数、美元指数、货币汇率、期货指数、市场情绪指数、投资人情绪指数、采购经理人指数、国内生产总值指数、或是其他习知该项技艺者所熟悉的市场指数。由于金融商品与市场指标之间均具有某种方式的相关性，所以，在本实施例中，先从各种数据源搜集金融商品与市场指数之间的成对数据。在根据本实施例的一较佳范例中，上述的数据源可以是下列群组之一或其组合：情绪指数(sentimentindicators)、经过调整的历史数据(adjustedhistoricaldata)、基础数据(fundamentaldata)、巨集数据(macrodata)、动态信息(livefeeds)、金融报告(financialreports)、社群媒体数据(socialmediadata)、以及卫星影像(satelliteimages)。每一数据资料库将持续进行成对数据内容的更新，并针对所搜集成对数据进行确实地分类。在根据本实施例的一较佳范例中，相关的成对数据可储存于上述的金融商品与市场指针的数据资料库。根据本实施例，上述金融商品与市场指针的数据资料库中的成对数据会整理成统一的格式。并且，在建立金融商品与市场指针的数据资料库的步骤210中，可先提取出上述成对数据的各种特征(features)，并将这些特征储存于上述金融商品与市场指针的数据资料库。

在步骤220中，在上述金融商品与市场指针的数据资料库中各种成对数据的特征可用来建立复数个人工智慧模型。在根据本实施例的一较佳范例中，上述的复数个人工智慧模型可使用一种上述金融商品与市场指针的数据资料库中的数据特征来建立。在根据本实施例的另一较佳范例中，上述的复数个人工智慧模型可分别使用多种上述金融商品与市场指针的数据资料库中的数据特征来建立。上述人工智慧模型的架构模式可以是下列群组之一：递归神经网络(recurrentneuralnetworks；rnn)、长短期记忆神经网络(long-shorttermmemory；lstm)、前馈神经网络(feedforwardnetwork)、卷积神经网络(convolutionalneuralnetworks；cnn)、以及其他习知该项技艺者所熟知的人工神经网络。在根据本实施例的一较佳范例中，上述的特征可以是选自下列群组之一或其组合：价格走势(pricemovements)、共异变数(covariances)、以及产品特点(productcharacteristics)。在根据本实施例的一较佳范例中，上述人工智慧模型的输出可以是时间序列的观察结果(timeseriesofobservations)。在根据本实施例的一较佳范例中，上述人工智慧模型的输出可以被分割成用于上述人工智慧模型的训练、验证、以及测试数据。上述的人工智慧模型可在上述的步骤220中进行训练。在根据本实施例的一较佳范例中，上述的人工智慧模型可使用上述步骤210中具有统一格式的数据来进行训练。上述人工智慧模型可使用下列方法中的至少一者来进行训练：亚当优化演算法(adamoptimizationalgorithm)、反向传播演算法(backpropagation)、以及其他习知该项技艺者所熟知的技术/方法。

在上述步骤220建立该些人工智慧模型之后，在步骤230中可针对该些人工智慧模型进行过滤。根据本实施例，上述步骤230可以包含下列步骤：测试该些人工智慧模型的步骤232、对人工智慧模型进行参数调整的步骤234、执行至少一次回溯测试(backtesting)的步骤236、以及储存最佳人工智慧模型的步骤238，如图2b所示。在上述步骤232中，可使用复数种不同的技术与方法来对上述步骤220建立的该些人工智慧模型进行测试。在根据本实施例的一较佳范例中，上述的测试可以是使用不同时间区间的“新的历史成对数据”来进行测试。在经过上述步骤232的测试后，在上述测试中产出错误测试数据的人工智慧模型将会被过滤出并且被删除。在根据本实施例的一较佳范例中，上述产生错误测试数据的人工智慧模型，是指在上述测试中产出的测试结果与上述测试中所使用的测试数据(新的历史成对数据)之间的偏差值大于一预设的阀值的人工智慧模型。在上述步骤232的测试之后，上述步骤234将针对上述通过测试的复数个人工智慧模型进行参数调整(tweakedparameters)，并视实际需求来进行超参数调整(adjustedhyperparameters)，以产出准确性更高的测试数据。上述步骤234将依据上述通过测试的复数个人工智慧模型在上述测试中的测试结果，分别进行参数调整与/或超参数调整，以得到复数个经过参数调整的人工智慧模型。

接下来，在步骤236中，上述复数个经过参数调整的人工智慧模型将使用另一批“新的历史成对数据”来进行至少一次回溯测试(backtesting)。在步骤236中，每次的回溯测试都使用不同的“新的历史成对数据”。在每次的回溯测试之后，产生错误回溯测试结果的人工智慧模型将被删除。在根据本实施例的一较佳范例中，上述产生错误回溯测试数据的人工智慧模型，是指在回溯测试中产出的测试结果，与回溯测试中所使用的测试数据(新的历史成对数据)之间的偏差值大于一预设的阀值的人工智慧模型。通过回溯测试的至少一人工智慧模型将会分别依据各自在该次回溯测试的结果来进行另一次的参数调整与/或超参数调整。换言之，在上述的步骤234与步骤236之间可以存在一种回路(loop)关系。在经过上述的回溯测试之后，上述通过回溯测试的至少一人工智慧模型将可被储存，如步骤238所示。在根据本实施例的一较佳范例中，只有新近通过回溯测试的至少一人工智慧模型会被保留下来，在步骤238所储存，较早期通过回溯测试的人工智慧模型将会被定期移除。

在步骤240中，步骤268中所储存的上述通过回溯测试的至少一人工智慧模型将被再启(reloaded)，并用依据所输入的要求来产出个别金融商品与市场指标在未来一段时间内的相关性预测。上述的相关性预测可以是相关系数(correlativecoefficient)、共异变数(covariance)、或是其他习知该项技艺者所熟知的方式来呈现。接下来，步骤250可依据所输入的要求，使用在步骤240所产出的个别金融商品与市场指标的相关性预测计算出个别金融商品之间的相关性预测结果。在步骤260中可依据使用者要求的模式来呈现出步骤250计算后的个别金融商品之间的相关性预测结果。

在根据本实施例的一较佳范例中，上述的步骤250的计算方式可以是使用另一组人工智慧模型来进行计算。再根据本范例的一较佳实施方式中，上述的另一组人工智慧模型可以是经过测试、至少一次回溯测试与参数调整的至少一人工智慧模型。

在根据本实施例的一较佳范例中，上述的步骤250的计算方式可以是相关系数、共异变量、或是其他习知该项技艺者所熟知的相关性计算模式。在根据本范例的一较佳实施方式中，步骤250的计算方式可以是通过下列算式。

在根据本实施例的一较佳范例中，上述步骤260可以针对复数个所要求的金融商品产出彼此的未来相关性预测结果。

在根据本实施例的一较佳范例中，上述步骤260所呈现出的金融商品之间未来相关性预测结果可再经过一计算步骤，以产生优化后的投资组合建议，未呈现于图中。

在根据本发明的一较佳范例中，是以复数个金融商品的历史价格数据与该些金融商品的指数来进行该些金融商品的未来相关性预测。请同时参见图3与图4a至图4b。图3是一根据本范例的金融商品的未来相关性预测系统的示意图。图4a至图4b是一根据本范例的金融商品的未来相关性预测方法的流程示意图。在本范例中，用来说明的市场指标是那斯达克指数(nasdaqcompositeindex)；所称的金融商品，是指那斯达克指数中的金融商品。然而，本发明的范围并不以此为限。

首先，使用成对数据导入单元310中的成对数据搜集模组312分别搜集复数个金融商品的历史价格与那斯达克指数的历史数据的成对数据，并在成对数据导入单元310中建立数据资料库314，如步骤410所示。上述的金融商品的历史价格与那斯达克指数的历史数据可以是由使用者导入上述的成对数据导入单元，或是由成对数据搜集模组312依据预设的条件，自动至网络中抓取。根据本范例，上述成对数据搜集模组312将持续地搜集并更新所搜集的金融商品历史价格数据与那斯达克指数数据至上述的成对数据资料库314。上述的成对数据导入单元310除了搜集金融商品的历史价格数据与那斯达克指数的历史数据，也会藉由成对数据特征提取模组316对所搜集的金融商品的历史价格数据与那斯达克指数的历史数据分别进行格式整理，并以成对数据特征提取模组316提取出所搜集的成对数据的特征，如步骤420所示。上述成对数据特征提取模组316所提取出的成对数据的特征可储存于上述的成对数据资料库314。

接下来，将上述成对数据的特征传送至模型建构单元320的长短期记忆神经网络模组(以下简称为lstm模组)322。上述成对数据的特征可作为lstm模组的输入值，如步骤430所示。lstm模组322的输出值可建立出复数个人工智慧模型(artificialintelligencemodels，以下简称为ai模型)，如步骤440所示。在根据本范例的一较佳实施方式中，lstm模组可同时以多种成对数据的特征作为输入值，来建立出多群不同的复数个人工智慧模型，并进行后续的测试、回溯测试、与产出预测结果。为了单纯化本范例的内容，以下仅以使用单一成对数据的特征(金融商品历史价格数据与那斯达克指数历史数据)来来建立出多群不同的复数个人工智慧模型作为说明。

上述的复数个ai模型在进行测试之前，可先在优化模组324以优化法进行训练，以得到经过训练的ai模型，如步骤440’所示。根据本范例，上述优化模组324可使用亚当优化演算法(adamoptimizationalgorithm)来训练上述的ai模型，并产生经过训练的ai模型。上述经过训练的ai模型可先储存于模型储存模组326。

上述经过训练的ai模型接着传送至模型过滤单元330，藉由测试与参数调整，来产出最贴近金融商品价格数据与那斯达克指数相关性的复数个ai模型。首先，在模型过滤单元330中，模型测试模组332将使用“新的成对数据”对上述经过训练的复数个ai模型进行测试，如步骤450所示。根据本范例，上述“新的成对数据”可以是使用新的时间区间中的金融商品历史价格数据与那斯达克指数历史数据的成对数据。在根据本范例的另一实施方式中，上述“新的成对数据”可以是使用不同时间区间中的金融商品历史价格数据与那斯达克指数历史数据的成对数据(例如更大时间范围中的金融商品历史价格数据与那斯达克指数历史数据的成对数据)。在上述测试中，如果ai模型所产出的预测结果与“新的成对数据”之间的偏差值大于预先设定的阀值，则判定该ai模型产出的预测结果偏差过大，且未通过测试。未通过测试的ai模型将会被删除。而在上述测试中通过测试的复数个ai模型可被保留。模型过滤单元330中的参数调整模组334将依据每一通过测试的ai模型的测试结果的偏差度，分别对上述每一通过测试的复数个ai模型进行参数调整与/或超参数调整，以得到经过参数调整的ai模型，如步骤455所示。

上述经过参数调整的ai模型传送至上述的模型过滤单元330的回溯测试模组336中，并使用“另一批新的成对数据”来进行回溯测试，如步骤460所示。同样地，在回溯测试模组336中，如果ai模型所产出的预测结果与回溯测试中所使用的“另一批新的成对数据”之间的偏差大于预设阀值，将判定该ai模型的偏差过大，未通过回溯测试，并将予以删除。通过上述回溯测试的至少一ai模型将被保留，并由参数调整模组334依据每一通过回溯测试的ai模型的回溯测试结果，分别对上述每一通过回溯测试的ai模型进行参数调整与/或超参数调整，并得到经过参数调整的ai模型，如步骤465所示。上述经过参数调整的ai模型可使用“再一批新的成对数据”来进行第二次回溯测试，如步骤460’所示。未通过上述第二次回溯测试的ai模型，将会被删除。通过上述第二次回溯测试的至少一ai模型将可由参数调整模组334依据每一通过第二次回溯测试的ai模型在第二次回溯测试的测试结果，分别对上述每一通过回溯测试的ai模型进行参数调整与/或超参数调整，并得到经过第二次参数调整的ai模型，如步骤465’所示。上述经过第二次参数调整的ai模型可储存至最佳模型储存模组338，如步骤470所示。根据本范例，为了简单说明本发明的操作方式，只举例两次回溯测试。在实际操作时，可重复多次上述的回溯测试，以产生更贴近金融商品价格数据与那斯达克指数相关性的复数个ai模型。

根据本范例，上述的复数个经过第二次参数调整的ai模型在金融商品与市场指标未来相关性预测的产生单元340中，可依据金融商品间的未来相关性预测的产生单元360的输入界面362所输入的时间长度的要求，分别产出各个金融商品价格数据与那斯达克指数未来相关性的预测，如步骤480所示。上述输入界面362可以是选自：键盘、指点设备(pointingdevice)、图形使用者界面(graphicaluserinterface)、或是其他习知该项技艺者所熟知的输入界面。上述输入界面362所输入的要求，除了预测时间的长度之外，也可以是金融商品项目、加权比例、阀值(thresholdvalue)、或是其他习知该项技艺者所熟知的预测参数设定。在上述金融商品与市场指标未来相关性预测的产生单元340中所产出的复数个金融商品价格数据与那斯达克指数未来相关性的预测结果可传送至计算单元350进行计算。计算单元350将会依据输入界面362所输入的要求，计算出复数个金融商品间的价格数据的未来相关性预测结果，如步骤490所示。上述金融商品间的价格数据的未来相关性预测结果将传送至金融商品间的未来相关性产生单元360的输出界面364，并以使用者要求的方式来呈现出所要求的金融商品间的价格数据的未来相关性预测结果，如步骤495所示。上述的输出界面364可以是一显示设备。根据本范例，上述金融商品间的价格数据的未来相关性预测结果可以图形模式、或是字符串模式呈现于上述的输出界面364。

图5a与图5b可用来进一步说明在图4a与图4b中，金融商品a从建立ai模型到产出金融商品价格数据与那斯达克指数相关性预测的流程示意图。需注意的是，其中，ai模型数量与变化，皆仅是举例，并非用以限制本发明的范围。

在输入金融商品a的历史价格数据与那斯达克指数的历史数据的成对数据的特征至lstm模组322后，可由lstm模组322的输出值建立出ai模型a1、a2、a3、a4、a5、a6、a7，如图5a中的510所示。上述的ai模型在建立后，已经过图3中的优化模组324以优化法进行训练，未显示于图中。上述的ai模型可传送至图3中的模型测试模组332，并使用上述“新的成对数据”进行测试，如图5a中的520所示。在模型测试模组332中，未通过测试的ai模型将会被删除，如图5a中的522所示的a3、a5、a7。通过测试的ai模型a1、a2、a4、a6将被保留，如图5a中的524所示，并传送至图3中的参数调整模组334。在参数调整模组334中，将依据每一通过测试的ai模型的测试结果的偏差度，分别进行参数调整与/或超参数调整，以得到经过参数调整的ai模型，如图5a中的524’所示的a1’、a2’、a4’、a6’。

上述经过参数调整的ai模型接着传送至图3中的回溯测试模组336，并使用“另一批新的成对数据”来进行回溯测试，如图5b中的530所示。在回溯测试模组336中，未通过回溯测试的ai模型将会被删除，如图5b中的532所示的a4’。通过测试的ai模型a1’、a2’、a6’将被保留，如图5b中的534所示，并传送至图3中的参数调整模组334。在参数调整模组334中，将依据每一通过回溯测试的ai模型的测试结果的偏差度，分别进行参数调整与/或超参数调整，以得到经过参数调整的ai模型，如图5b中的534’所示的a1”、a2”、a6”。

上述经过参数调整的ai模型a1”、a2”、a6”接着再传送至图3中的回溯测试模组336，并使用“再一批新的成对数据”来进行第二次的回溯测试，如图5b中的540所示。同上，未通过回溯测试的ai模型将会被删除，如图5b中的542所示的a6”。通过测试的ai模型a1”、a2”将被保留，如图5b中的544所示，并传送至图3中的参数调整模组334。在参数调整模组334中，将依据每一通过回溯测试的ai模型的测试结果的偏差度，分别进行参数调整与/或超参数调整，以得到经过参数调整的ai模型，如图5c中的544’所示的a1”’、a2”’。根据本范例，上述回溯测试可重复操作多次。为了简单说明本发明的操作方式，在此只以进行两次回溯测试作为举例。上述通过回溯测试并经过参数调整的ai模型a1”’、a2”’将储存至图3中的最佳模型储存模组338，如图5c中的550所示。补充说明的是，随着时间推进，当使用更新的成对数据特征所建立的ai模组通过回溯测试并经过参数调整时，这些ai模组也将会被储存于上述的最佳模型储存模组338。并且，上述最佳模型储存模组338中，比较早期所储存的ai模组将会被定期删除。

根据本范例，上述储存于最佳模型储存模组338中的ai模组a1”’、a2”’将会在图3的金融商品与市场指标未来相关性的预测单元340中被再启(reloaded)，如图5c中的560所示，并依据图3中的输入界面362所输入的时间长度的要求，分别产出金融商品a的价格数据与那斯达克指数的未来相关性的预测结果pan，如图5c中的570所示。同样地，其他的金融商品，例如金融商品b、c，也会经过图5a与图5b的流程，并在金融商品与市场指标未来相关性的预测单元340中产出金融商品b的价格数据与那斯达克指数的未来相关性的预测结果pbn、与金融商品c的价格数据与那斯达克指数的未来相关性的预测结果pcn。在金融商品与市场指标未来相关性的预测单元340所产出的预测结果，例如上述的pan、pbn、pcn，可传送至图3中的计算单元350，以分别计算出金融商品a与金融商品b、金融商品a与金融商品c、金融商品b与金融商品c之间的未来相关性预测结果。根据本范例，上述计算单元350用来计算金融商品a、b、c彼此之间的未来相关性预测的评量工具为相关系数。上述计算单元350所计算出的结果将传送至图3中的输出界面364，并以使用者要求/预先设定的方式来呈现出金融商品间的价格数据的未来相关性预测结果。

根据本发明，上述的金融商品的相关性预测系统及其方法相较于现有的金融商品相关性预测方法，上述的使用人工智慧的金融商品的相关性预测系统及其方法所具备的优势包括：

1.使用不同的模型架构；

2.使用不同的方法；

3.可进行输出等级调整；

4.可进行序列式学习(sequentiallearning)；

5.可获得数据与财务对策；

6.可降低硬体采集(hardwareacquisition)与云端计算环境(cloud-basedcomputingenvironment)成本，例如可采用云端运算服务(amazonwebservices；aws)；

7.在数据供货商评估、软体/云端对策发展监控、与解决方案版本评估等方面可达到具备充分金融背景的专业化计划管理与计划管理的行政人员所呈现的能力；

8.可降低支付给基于项目的数据科学家、研究员等的报酬支出；以及

9.可以为了长期发展而培养出(内部或外部的)客制化系统与方法。

上述的金融商品的相关性预测系统及其方法聚焦于以下三点：

a.以深度学习来驱动(deeplearning-driven)，且并非倚赖蒙地卡罗法(montecarlomethod)的独特的资产风险预测与模拟。

b.基于复数个时间序列的人工智慧模型所产出的未来预测来进行的最佳化投资组合权重。

c.依据新的方法或各种投资组合架构来进行自动且有效率的回溯测试验证，以协助进行决策。

在根据本发明的一较佳范例中，上述使用人工智慧的金融商品的相关性预测系统可针对每一金融商品以多种成对数据特征来输入递归神经网络(rnn)，并由递归神经网络的输出来建立多组复数个人工智慧模型。在经过模型测试、参数调整、以及回溯测试等模型过滤后，得到复数个最佳人工智慧模型。藉由上述的复数个最佳人工智慧模型可作为投资组合的未来相关性预测，进而可协助投资机构与投资人有效地进行风险控管。

图6是一根据本发明的应用范例，是使用根据本发明的金融商品的相关性预测系统所做的投资组合与一现在市场上的被动市场指标/s&p500(passivemarketbenchmark/s&p500)曲线比较图。图6的取样时间为公元2016年1月6日至2018年1月31日。图6中较下方的(较细的)线条是一现在市场上的被动市场指标/s&p500(passivemarketbenchmark/s&p500)的累积收益曲线[equity(22148[oef])]；较上方(较粗的)线条是应用根据本说明书的金融商品的相关性预测系统所做的投资组合的累积收益曲线(backtest)。由图6可明显看出，藉由根据本发明的金融商品的相关性预测系统对于金融商品间的未来相关性的准确预测结果，使得应用根据本发明的金融商品的相关性预测系统所做出的投资组合可得到比上述被动市场指标/s&p500更优异的累积收益。

因此，藉由本发明揭露的技术，金融机构的投资团队将可聚焦于风险管理，亦即，可完美地结合投资组合最佳化与未来的定量风险预测(quantitativeriskforecast)。

根据本发明，上述金融商品的相关性预测系统及其方法的发展性至少可条列如下：

1.使用机械学习来强化现有投资组合架构/风险管理中的识别区域；

2.锻炼可用来判别弱点区域的方法与潜在理论解决方案；

3.建构所需的数据基础架构以支持机器学习的发展；

4.使用所提供的数据来发展并训练出复数个人工智慧模型；

5.使用该些人工智慧模型所产出的输出值相对于历史数据来回溯测试该些人工智慧模型；

6.建构出自动数据管理、人工智慧模型训练、产出输出值、以及输出值储存的基础架构；以及

7.发展“客户端”界面(clientinterfaces)用以从该些人工智慧模型来再启与呈现出该些输出值[例如，图形使用者界面(graphicaluserinterface；gui)、具象状态传输应用程序界面(representationalstatetransferapplicationprograminginterface；restapi)]。

综上所述，本发明揭露一种金融商品的相关性预测系统及其方法。上述金融商品的相关性预测系统及其方法可使用复数层感知(深度神经网络)与递归神经网络模型架构来产出更准确的金融商品之间的未来相关性预测。上述的金融商品的相关性预测系统及其方法包含使用数据导入单元来搜集与建立金融商品与市场指针的数据资料库、使用模型建构单元来建立与训练复数个人工智慧模型、使用模型过滤单元来进行过滤人工智慧模型，并对于通过测试/回溯测试的人工智慧模型的进行参数调整，并储存最贴近金融商品趋势的最佳人工智慧模型。然后，上述的金融商品的相关性预测系统及其方法可使用所储存的复数个最佳人工智慧模型来产出金融商品与市场指标的未来相关性预测，以及使用上述的金融商品与市场指标的未来相关性预测来计算出金融商品间的未来相关性预测。根据本发明，使用者可藉由具竞争力的金融商品间的未来相关性预测将金融商品之间的未来相关性升/降纳入建构投资组合时的考虑，并由此建构出更有效率的投资组合。