市场风险预测方法、系统和计算机可读存储介质与流程

本发明涉及金融领域，尤其涉及一种市场风险预测方法、系统和计算机可读存储介质。

背景技术：

一些金融业务存在市场风险。例如，金融代采业务是物流和金融相结合的产品，不仅能提高第三方采购企业的服务能力、经营利润，而且可以协助企业拓展融资渠道，降低融资成本，提高资本的使用效率。但在代采期间，例如金融代采方已经完成代采货物的采购但还未与第三方采购企业进行交付的期间，若代采货物的市场价格出现波动(例如降价)，可能会导致第三方采购企业违约，给金融代采方造成经济损失。又例如，货押融资业务是一种出现时间较早的金融业务。货押融资业务通过库存商品盘活沉淀资金，提高了资金使用效率。通常，金融机构在货押融资业务中进行放贷时，是基于待质押货物的当前价格以及质押规则，计算得出放款金额。但是在货物的质押期间，由于市场变化等原因，质押货物的价格会有变动，可能会导致质押货物出现贬值等情况，金融机构存在放贷风险。

技术实现要素：

本申请提供一种市场风险预测方法、系统和计算可读存储介质，基于该市场风险预测方法，可以降低金融业务风险。

本申请提供一种市场风险预测方法，所述市场风险预测方法包括：

获取目标货物的历史价格数据以及对应的价格影响因子的数据，其中，所述历史价格数据包括按照时间先后顺序排列的多个历史价格数据，每个所述历史价格数据存在对应的所述价格影响因子的数据；

将所述目标货物的所述历史价格数据和所述价格影响因子的数据按照对应关系，输入到已训练好的循环神经网络模型中，以使所述循环神经网络模型根据所述目标货物的所述历史价格数据和对应的所述价格影响因子的数据，输出所述目标货物的市场风险结果。

本申请提供一种市场风险预测系统，所述市场风险预测系统包括一个或多个处理器，用于实现如上任一项所述的市场风险预测方法。

本申请的提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现如上任一项所述的市场风险预测方法。

在本申请的一些实施例中，本申请的市场风险预测方法基于循环神经网络模型、目标货物的历史价格数据和价格影响因子的数据，可以得到目标货物的市场风险结果，可以对针对目标货物的金融业务的市场风险进行较为准确的预估，使得金融机构在开展针对目标货物的金融业务前，可以提前获知相应的市场风险，从而可以采取相应的风控策略来进行风险转移或缓释，降低了针对目标货物的金融业务风险。

附图说明

图1是本申请的一个实施例提供的金融代采业务的流程示意图；

图2是本申请的一个实施例提供的市场风险预测方法的流程图；

图3是本申请的一个实施例提供的目标货物的价格影响因子确定方法；

图4是本申请一个实施例提供的市场风险预测系统的模块框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本说明书一个或多个实施例相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

在金融领域，一些金融业务通常会存在一定的市场风险。以金融代采业务为例。图1是本申请的一个实施例提供的金融代采业务的流程示意图。

参见图1，对于金融代采方来说，在接收到采购企业或个人的货物采购需求后，会事先垫付货款，对货物进行代采，然后将代采的货物交付给采购企业或个人时，再与采购企业或个人结清垫付的货款。在这种代采业务场景中，若代采货物的价格在代采期间以及交付前，出现降价等情况，可能会导致采购企业或个人违约，即采购企业或个人放弃金融代采公司已经为其代采的货物，以较低的价格重新采购货物。这导致金融代采公司存在代采货物无法交付，垫付的货款无法收回的风险。基于此，有必要在金融代采业务中，对代采业务的市场风险进行预估，并基于预估的市场风险，制定相应的代采策略来进行风险转移或缓释，保障金融代采方的资金安全。

以下以代采业务为例，对本申请的市场风险预测方法进行说明。需要说明的是，本申请的市场风险预测方法还可以应用于其他的金融业务中，例如在货押融资业务中，可以对货押融资业务的市场风险进行预测，以降低金融机构的放贷风险。

图2是本申请的一个实施例提供的市场风险预测方法的流程图。市场风险预测方法可以包括步骤s21至步骤s22。

步骤s21，获取目标货物的历史价格数据以及对应的价格影响因子的数据，其中，历史价格数据包括按照时间先后顺序排列的多个历史价格数据，每个历史价格数据存在对应的价格影响因子的数据。其中，目标货物可以指金融业务中具体涉及到的货物。在本实施例中，目标货物包括金融代采业务中的代采货物。在其他一些实施例中，目标货物也可以包括其他类型的货物，例如金融质押业务中的质押货物。

在一些实施例中，目标货物的历史价格数据可以包括目标货物的历史市场价格数据。目标货物的历史价格数据可以是以天为单位。比如以天为单位，获取代采货物在采购日前一年的历史价格数据，则可以获取到按照时间先后顺序排列的365个历史价格数据。在一些实施例中，目标货物的历史价格数据也可以是以小时、周、月等为单位。本申请对此不作限制。

在一些实施例中，目标货物的价格影响因子可以用于表征会使目标货物的市场价格产生变动的因子，包括目标货物所在产业链的上下游因子。例如上下游商品的价格、库存、产量、利润等。以目标货物是钢材为例。在钢材所在的产业链，其上游的铁矿石、煤炭等商品的产量、价格和库存量，以及其下游的机械制造业利润、负债、产量和进出口数量等，其中任一项因子的取值发生改变，均可能会导致钢材的市场价格产生变动。因此，这些上下游因子可以是钢材的价格影响因子。和目标货物的历史价格数据类似，价格影响因子的数据也可以以天为单位，例如获取代采货物的某个价格影响因子在采购日前一年的数据，则可以获取到按照时间先后顺序排列的365个数据。在一些实施例中，目标货物的价格影响因子还可以包括国内生产总额、全国居民消费价格指数、居民家庭收支等经济因子。

在一些实施例中，价格影响因子对目标货物市场价格的影响具有滞后性。以目标货物是钢材为例，若其产业链上游的铁矿石价格在2019年3月15日下跌，则可能会导致钢材的市场价格在2019年4月1日下跌，即2019年3月15日的铁矿石价格与2019年4月1日的钢材市场价格相关；同理，若其产业链下游的机械制造业出口数量在2019年3月20日减少，则可能会导致钢材的市场价格在2019年3月25日下跌，即2019年3月20日的机械制造业出口数量与2019年3月25日的钢材市场价格相关。

在一些实施例中，对于目标货物在具体某一天的市场价格来说，可能该天之前一段时间内的各价格影响因子的数据，均会对目标货物在该天的市场价格产生影响，即目标货物在具体某一天的市场价格与该天之前一段时间内的各价格影响因子的数据均存在相关性。依然以目标货物是钢材为例。钢材在2019年4月1日的市场价格，可能与2019年3月1日至2019年3月30日的铁矿石市场价格、以及2019年3月15日至2019年3月30日的机械制造业出口数量均相关。但各价格影响因子在不同天的数据，与目标货物在具体某一天的市场价格的相关程度不同。例如2019年3月1日的铁矿石价格与2019年4月1日的钢材市场价格的相关程度可以为20％，但2019年3月15日的铁矿石价格与2019年4月15日的钢材市场价格的相关程度可以为30％。一般，与目标货物在具体某一天的市场价格存在最大相关性的各价格影响因子的数据，对目标货物在该天的市场价格影响最大。例如，假设在2019年3月1日至2019年3月30日的铁矿石市场价格数据中，2019年3月15日的铁矿石市场价格与2019年4月1日的钢材市场价格相关性最大，表示2019年3月15日的铁矿石市场价格对2019年4月1日的钢材市场价格影响最大。

基于以上描述，与目标货物的历史价格数据对应的价格影响因子的数据可以包括与目标货物的历史价格数据存在最大相关性的价格影响因子的数据。每个历史价格数据分别对应有与其存在最大相关性的价格影响因子的数据。

表格1示例性的给出了钢材在2019年4月1日至2019年4月3日的历史价格数据，以及与各历史价格数据存在最大相关性的部分价格影响因子的数据。

表格1

上述表格1中，铁矿石市场价格、铁矿石库存和煤炭价格均为钢材价格的价格影响因子。表格1中第一列的日期为与钢材市场价格相对应的日期，比如第一行的钢材市场价格是指钢材在2019年4月1日市场价格，即2019年4月1日的钢材价格为3000元/吨。而与钢材市场价格对应的铁矿石市场价格、铁矿石库存和煤炭价格，则可以是与相应日期的钢材市场价格具有最大相关性的对应日期的铁矿石市场价格、铁矿石库存和煤炭价格。例如2019年3月15日的铁矿石市场价格与2019年4月1日的钢材市场价格具有最大相关性，则与2019年4月1日的钢材市场价格对应的铁矿石市场价格为2019年3月15日的铁矿石的市场价格。

步骤s22，将目标货物的历史价格数据和价格影响因子的数据按照对应关系，输入到已训练好的循环神经网络模型中，以使循环神经网络模型根据目标货物的历史价格数据和对应的价格影响因子的数据，输出目标货物的市场风险结果。

在本实施例中，目标货物的市场风险结果可以包括对目标货物进行代采的市场风险结果。在其他一些实施例中，对目标货物的市场风险结果还可以包括在质押融资业务中，金融机构针对目标货物的价值进行放贷的市场风险结果。

在一些实施例中，目标货物的市场风险结果可以包括目标货物的未来价格。其中，未来价格相对于历史价格数据对应的时间而言，表征在历史价格数据对应的时间之后的价格。以目标货物为代采货物为例，假设历史价格数据是代采货物在采购日之前一年的数据，则循环神经网络模型输出的未来价格，可以包括代采货物在采购日以及采购日之后的预测价格。如此，金融代采方基于代采货物的未来价格，可以确定对代采货物进行代采的风险，从而可以制定相应的代购策略来转移或缓释风险，保障资金安全。例如，在循环神经网络模型输出的代采货物的未来价格低于阈值时，金融代采方可以要求采购企业或个人增加保证金，以保证出现代采货物价格下跌等情况时，采购企业或个人不会违约，给金融代采方造成经济损失。

在一些实施例中，未来价格可以包括目标货物在未来一段时间内的多个价格，例如目标货物在未来一个月内每天的价格，也可以包括目标货物在未来一段时间内的平均价格，例如目标货物在未来一个月内的平均价格，或者还可以包括目标货物在未来具体的某个时间点的单个价格，例如未来第一天的价格。本申请对未来价格的形式不做限制。

在一些实施例中，目标货物的市场风险结果还可以包括针对目标货物在未来开展金融业务的市场风险率。例如目标货物为代采货物时，目标货物的市场风险结果可以包括未来一段时间内对货物进行代采的市场风险率。又例如，目标货物包括质押货物时，目标货物的市场风险结果可以包括在未来一段时间内，金融机构针对目标货物的价值进行放贷的市场风险率。以目标货物为代采货物为例，假设循环神经网络输出的市场风险率高于阈值时，金融代采公司可以采取相应的风控策略来进行风险转移或缓释，以来保障资金安全，降低代采风险。

在一些实施例中，循环神经网络模型可以间隔一定时长，基于新产生的历史价格数据，对目标货物的市场风险结果进行重新预测。以目标货物为代采货物为例。循环神经网络模型可以在每天，基于当天之前一段时间内的代采货物的历史价格数据，对代采货物的未来价格以及代采的市场风险率进行重新预测。例如在2019年3月20日，可以基于代采货物在2019年3月19日及其之前一段时间内的历史价格数据，预测2019年3月20日及其之后一段时间内每天的价格；在2019年3月21日，可以基于代采货物在2019年3月20日及其之前一段时间内的历史价格数据，预测2019年3月21日及其之后一段时间内每天的价格。如此，可以提高预测的准确度。具体而言，未来时间点与历史价格数据对应的时间点相隔越近，预测结果越准确。例如，假设均是预测钢材在2019年3月29日的价格，相对于使用钢材在2019年1月20日之前一年的历史价格数据来预测钢材在2019年3月29日的价格，使用钢材在2019年3月29日之前一年的历史价格数据来预测钢材在2019年3月29日的钢材价格，预测得到的结果更为准确。在一些实施例中，以目标货物为代采货物为例，基于最新的预测结果，可以对代购策略等进行相应调整，以保证代采业务中的资金安全。

在一些实施例中，循环神经网络模型可以包括lstm(longshort-termmemory，长短期记忆网络)模型。相对于一般的rnn(recurrentneuralnetwork，循环神经网络)模型，lstm模型具有长短期记忆功能，可以选择性的存储所需的信息，模型适用性更好，预测的结果更加准确。

在一些实施例中，本申请的市场风险预测方法基于循环神经网络模型、目标货物的历史价格数据和价格影响因子的数据，可以得到目标货物的市场风险结果，可以对针对目标货物的金融业务的市场风险进行较为准确的预估，使得金融机构在开展针对目标货物的金融业务前(例如对目标货物代采前)，可以提前获知相应的市场风险，从而可以采取相应的风控策略来进行风险转移或缓释，降低了针对目标货物的金融业务风险(例如代采风险)。同时，在一些相关技术中，建模过程只抽取了目标货物的历史价格数据的趋势和季节周期性，将历史价格数据的其他特征(例如价格影响因子对目标货物价格的影响)丢失于残差中，模型预测结果误差较大。而本申请的市场风险预测方法基于目标货物的历史价格数据和对应的价格影响因子的数据来对目标货物的市场风险(例如代采风险)进行预测，同时考虑了目标货物的价格自身规律特征以及隐藏在目标货物价格中的价格影响因子对目标货物价格的影响，预测结果较为准确。另外，一些相关技术中，虽然可能也同时基于目标货物的历史价格数据和目标货物的价格影响因子的数据，对目标货物的市场风险结果进行预估，但这些技术中，目标货物的历史价格数据和价格影响因子的数据均为同一天的数据，例如基于钢材在2019年3月1日的价格，以及钢材的各价格影响因子在2019年3月1日的数据，对钢材的市场风险结果进行预测。基于上述相关描述可以得知，对钢材在2019年3月1日的市场价格影响最大的各价格影响因子的数据，可能并非2019年3月1日的数据，因此，相关技术中存在预测结果不准确的问题。而本申请的市场风险预测方法将目标货物的历史价格数据和价格影响因子的数据按照最大相关性进行对应，预测得到的结果更加准确。

以下对目标货物的价格影响因子的确定进行说明。

图3是本申请的一个实施例提供的目标货物的价格影响因子确定方法。参见图3，目标货物的价格影响因子确定方法包括步骤s31至步骤s32。

步骤s31，获取目标货物的价格关联因子的数据。在一些实施例中，目标货物的价格关联因子用于表征与目标货物的市场价格存在关联的因子。目标货物的价格关联因子可以包括会引起目标货物的市场价格产生变动的因子(即价格影响因子)，以及与目标货物的市场价格相关，但不会引起目标货物的市场价格产生变动的因子。例如假设在某类目标货物所在产业链的上下游因子中，目标货物下游的制造业利润会受目标货物的市场价格影响，即目标货物的市场价格会使其产业链下游的制造业利润产生变动，但产业链下游的制造业利润不会对目标货物的市场价格产生影响，则该类目标货物所在产业链下游的制造业利润与目标货物的市场价格存在关联，为目标货物的价格关联因子，但不会对目标货物的价格产生影响。

在一些实施例中，价格关联因子的数据可以是价格关联因子与历史价格数据同期的数据。例如目标货物的历史价格数据是目标货物在2019年的每天价格，则价格关联因子的数据也可以是2019年对应的每天数据。

步骤s32，将目标货物的历史价格数据和价格关联因子的数据，输入到已训练好的向量自回归模型，以使向量自回归模型根据目标货物的历史价格数据以及对应的价格关联因子的数据，输出用于确定目标货物的价格影响因子的结果。在一些实施例中，向量自回归模型可以被训练为，基于目标货物的历史价格数据以及对应的价格关联因子的数据，寻找各价格关联因子的数据与目标货物的历史价格数据之间是否存在因果关系，即各价格关联因子是否与目标货物的市场价格存在相关性，并输出相应的结果。向量自回归模型输出的结果可以包括脉冲响应结果。基于该脉冲响应结果，可以确定与目标货物的市场价格存在相关性的价格关联因子。确定的与目标货物的市场价格存在相关性的价格关联因子即为目标货物的价格影响因子。向量自回归模型输出的脉冲响应结果分析属于相关技术领域的常规技术，本申请在此处省略相关的描述。

在一些实施例中，基于向量自回归模型输出的结果确定目标货物的价格影响因子后，可以进一步确定各价格影响因子的数据与目标货物的市场价格数据之间的相关时间。其中，相关时间可以用于表征价格影响因子的数据与目标货物的历史价格数据存在最大相关性的时间。

在一些实施例中，可以将目标货物的历史价格数据以及价格影响因子的数据，输入到已训练好的定阶模型，以使定阶模型基于目标货物的历史价格数据以及价格影响因子的数据，输出用于确定相关时间的结果。其中，定阶模型输出的结果可以是以目标货物的历史价格数据的时间为基准，各价格影响因子与目标货物的历史价格数据存在最大相关性的时间。具体可参见上述表格1的相关描述，此处不赘述。

以下对定阶模型的训练进行说明。

在一些实施例中，可以基于目标货物的训练历史价格数据以及价格影响因子的训练数据，确定目标货物的训练历史价格数据与价格影响因子的训练数据之间的最大相关系数。基于最大相关系数，将目标货物的训练历史价格数据以及价格影响因子的数据，输入到定阶模型，以对定阶模型进行训练，得到训练好的定阶模型。具体的，可以分别确定目标货物的训练历史价格数据与各价格影响因子的训练数据之间的最大相关系数。此处以目标货物的训练历史价格数据与价格影响因子a的训练数据为例进行说明。假设目标货物在2018年3月20日的历史价格数据，与价格影响因子a在2018年3月1日的训练数据具有最大相关系数，表示目标货物在2018年3月20日的历史价格数据与价格影响因子a在2018年3月1日的训练数据具有最大相关性。基于此，可以确定价格影响因子a数据与目标货物的训练历史价格数据存在最大相关性的相关时间。如此，可以将目标货物的训练历史价格数据以及价格影响因子的数据，输入到定阶模型，以对定阶模型进行训练，对定阶模型的参数进行调优，使得定阶模型输出的结果可以与上述确定的相关时间保持一致，从而得到训练好的定阶模型。

在一些实施例中，目标货物的训练历史价格数据和价格影响因子的训练数据可以指用于对定阶模型进行训练的目标货物的历史价格数据和价格影响因子的数据。在定阶模型训练完成后，可以用于确定目标货物的其他历史价格数据和价格影响因子的数据的相关时间。例如将目标货物在2018年的历史价格数据和价格影响因子的数据作为训练数据对定阶模型进行训练，得到训练好的定阶模型后，可以将目标货物在2019年的历史价格数据和价格影响因子的数据输入已训练好的定阶模型，定阶模型可以输出2019年的历史价格数据与价格影响因子的数据的相关时间。

在一些实施例中，基于定阶模型输出的相关时间，可以确定目标货物的历史价格数据与各价格影响因子的数据存在最大相关性的时间，进而可以确定与各历史价格数据具有最大相关性的各价格影响因子的数据。使得循环神经网络模型可以基于目标货物的历史价格数据和对应的价格影响因子的数据，输出目标货物的市场风险结果。

在一些实施例中，在获取到目标货物的历史价格数据后，还可以将目标货物的历史价格数据输入到已训练好的时间序列模型，以使时间序列模型对历史价格数据进行分解，输出对应的分解数据，其中，分解数据包括历史价格数据的波动周期、波动值以及残差值。分解数据可以反映目标货物的价格规律。波动值可以用于表征目标货物的价格在一个波动周期内，基于市场价格的波动。残差值可以用于表征波动值可以允许的误差大小。

在一些实施例中，时间序列模型包括arma(autoregressivemovingaveragemodel，自回归滑动平均模型)模型。

在一些实施例中，可以预设波动阈值。若在一个波动周期内，对历史价格数据分解得到的波动值，大于预设的波动阈值，可以进行风险报警。可以将目标货物的训练历史价格数据输入到时间序列模型中，由时间序列模型接训练历史价格数据进行分解后，得到相应的波动周期、波动值和残差值。基于此处的波动值可以确定对应的波动阈值。例如，可以将此处分解得到的最大波动值作为波动阈值，或将此处分解得到的最大波动值和最大残差值之和作为波动阈值。确定波动阈值后，可以对目标货物的其他历史价格数据进行分解，确定该些其他历史价格数据的波动是否正常。例如可以对目标货物在2018年的历史价格数据进行分解，得到相应的波动周期、波动值和残差值，进而确定相应的波动阈值，然后可以对目标货物在2019年的历史价格数据进行分解，检查目标货物在2019的价格在一个波动周期内的波动是否合理(即是否合理)。通过对目标货物的价格波动进行监控，可以进一步降低针对目标货物的金融业务风险。

在其他一些实施例中，波动阈值也可以基于其他的方式得到，例如根据经验值确定。本申请对波动阈值的确定方式不作限制。

在一些实施例中，上述循环神经网络模型、向量自回归模型、定阶模型和时间序列模型可以作为一个模型组。不同的目标货物，可能具有不同的价格规律特点，针对不同的目标货物，可以分别建立不同的模型组。例如，可以按照目标货物的品类进行划分，针对不同的品类，分别建立不同的模型组。以提高方案的可实施性。

图4是本申请一个实施例提供的市场风险预测系统10的模块框图。

市场风险预测系统10包括一个或多个处理器100，用于实现如上描述的市场风险预测方法。在一些实施例中，市场风险预测系统10可以包括计算机可读存储介质109，计算机可读存储介质可以存储有可被处理器100调用的程序，可以包括非易失性存储介质。在一些实施例中，市场风险预测系统10可以包括内存108和接口107。在一些实施例中，市场风险预测系统10还可以根据实际应用包括其他硬件。

本申请实施例的计算机可读存储介质109，其上存储有程序，该程序被处理器100执行时，用于实现如上描述的市场风险预测方法。

本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。