一种基于arch-garch-m模型的金融大数据分析与交易方法
【技术领域】
[0001] 本发明涉及一种金融交易方法，尤其是一种基于ARCH-GARCH-M模型的金融大数 据分析与交易方法。
【背景技术】
[0002] 金融大数据分析和人工智能交易平台（后简称"算法平台"）是能够根据一定的金 融算法模型，自动进行数据分析和证券交易的计算机平台系统。该产品是金融模型和计算 机技术的综合体。现有技术的问题和缺点我们也将分为金融和计算机两个方面进行阐述。
[0003] 金融方面，目前市场上广泛应用的资产定价分析的模型主要是线性同方差模型。 其典型代表是：CAPM模型。CAPM模型是资本资产定价模型（CapitalAssetPricingModel， 简称CAPM)，是在现代投资组合理论的基础上发展起来的，是现代金融市场价格理论的支 柱，广泛应用于投资决策和公司理财领域。
[0004]模型公式：ECrJ=rf+0im[E(rm-rf]
[0005] 其中，Ε(Γι)为资产i的期望收益率，rf为无风险收益率，通常以短期国债的利率 来近似替代，Β1Π1为是资产i的系统性风险系数，#(&)为市场投资组合m的 期望收益率。
[0006] 模型说明：Var值（不因时间和证券价格变动而变动）和其他金融变量代入公式， 将会得到不同的Ε(Γι)，即资产i的期望收益率。如果E(ri)值越高，代表应该买入。Ε(Γι) 越低，代表应该卖出。
[0007]CAPM模型的先天不足在于：（1)该模型假设市场处于完善的竞争状态，但是，实际 操作中完全竞争的市场是很难实现的，"做市"时有发生；（2)该模型中的Var值必须是同 方差的而不可以使用异方差值，就是随着时间的变化，证券的波动幅度（Var值）是固定的， 而在现实中，证券的波动性是会因为政策和市场等因素随着时间而变化的，这种固定的Var 值必定无法对证券的收益进行实时有效的评定。
[0008] 计算机方面，现有的计算机交易软件技术通过赋值和比较能进行模仿人类的分析 和判断能力。但在人类最重要的学习能力上，一直难以实现。我们采用的新技术使得计算 机在金融分析和交易上具有了分析，判断和学习的能力，从而真正意义上实现了计算机在 金融方面的人工智能。
【发明内容】
[0009] 发明目的：提供一种由计算机根据金融大数据的实时分析和学习来指导金融交易 自动化运行的方法。
[0010] 技术方案：本发明所述的基于ARCH-GARCH-M模型的金融大数据分析与交易方法， 包括如下步骤：
[0011] 步骤1，参数初始化，根据金融市场上的宏观金融数据、设定的金融数据统计分析 模型以及实时收集的微观金融数据生成临时数据集；
[0012] 步骤2,虚拟交易学习，周期性地根据临时数据集对各个金融产品采用蒙特卡洛自 学习算法进行虚拟地买入卖出，并将每次虚拟买入卖出的操作结果数据均写入知识库中；
[0013] 步骤3,启动自动交易，根据当前待交易的金融产品查询知识库，若知识库中存在 当前待交易的金融产品的操作结果数据，则进入步骤4,若知识库中不存在当前待交易的金 融产品的操作结果数据，则将不存在信息反馈给知识库，并进入步骤5 ;
[0014] 步骤4,风险控制，将获得的操作结果数据与风险控制库中设定的风险控制规则进 行比对，若该操作结果数据不满足风险控制规则，则将不满足信息反馈给知识库，并进入步 骤5,若该操作结果数据满足风险控制规则，则将该操作结果数据作为最佳交易数据，再进 入步骤6 ;
[0015] 步骤5,调用公式组，从已设定的交易套利模型公式组中调用与当前待交易的金融 产品相适应的可行套利公式，并将该可行套利公式应用于当前待交易的金融产品交易控制 中；
[0016] 步骤6,执行自动交易，根据最佳交易数据或可行套利公式向金融交易平台发送最 终交易指令，从而进行自动交易。
[0017] 采用蒙特卡洛自学习算法进行虚拟交易学习能够根据实时采集的临时数据集进 行虚拟地买入卖出，实现了人工智能化，可以直观有效地反映各个操作结果数据，便于风险 控制规则快速比对，提高自动交易效率，抢占市场先机；采用风险控制规则能够获得最佳交 易数据，从而将交易亏损风险设定在可控的范围内，同时也可满足客户的自定义交易控制 指令，具有较好的灵活性；采用调用交易套利模型公式组能够在不满足风险控制规则的条 件下选择更加保险的可行套利公式进行交易，确保交易能够获取最基本的盈利或最低的亏 损。
[0018] 作为本发明的进一步限定方案，步骤6中还将本次自动交易记录扩充进知识库。 将自动交易记录扩充进知识库，能够始终保持知识库与最新交易数据同步，可进一步完善 知识库。
[0019] 作为本发明的进一步限定方案，金融数据统计分析模型为ARCH模型、GARCH模型 或ARCH-GARCH-M模型。ARCH-GARCH-M模型为在GARCH模型的基础上推出的数据统计模型， 该模型为了衡量收益率波动性的非对称性（即内部资讯带来的收益不均衡），在条件方差 方程中加入负冲击的杠杆效应，但仍采用正态分布假设，从而通过不同的杠杆效应，刻画出 非对称波动性对收益率产生正或负的不同影响，最终使得模型能够适用于更真实的金融市 场（不完全竞争市场）。
[0020] 作为本发明的进一步限定方案，ARCH-GARCH-M模型公式为：
[0021]
[0022]
[0023]
[0024] 其中，Et为资产的期望收益率，即金融收益，Ci为无风险收益率，r为单点回报率， 是一个时间序列变量，R表示单点回报率r的个数，Μ为时间序列方差中残差的个数，Φ表 示欧拉函数，k为系统风险率，Gi和Ai根据不同市场特征调用市场映射表中相应的市场模 型公式，q为Gi的取值个数，p为Ai的取值个数，et为残差的值，ht为条件方差，ut为独 立同分布的随机变量，1^与ut互相独立。
[0025] 作为本发明的进一步限定方案，Gi=LogI，Ai=LogP，其中，I为标的物与标的物 所在行业的协方差，P为标的物所在行业与市场的协方差。
[0026] 作为本发明的进一步限定方案，宏观金融数据由第三方金融数据服务器收集而 来，包括非农数据指标、银行间隔夜拆解利率、国际大宗商品交易价格与交易量、国内生产 总额以及消费者物价指数；微观金融数据由证券交易所的交易服务器或第三方金融数据服 务器收集而来，包括每股利润、交易量加权平均价格以及市盈率。利用证券交易所的交易服 务器提供实时的微观金融数据，能够确保微观金融数据的实时性，同时采用第三方金融数 据服务器来作为备用数据，当主线路发生拥堵时，便可自行切换到第三方数据源，以保证数 据的实时性。
[0027] 作为本发明的进一步限定方案，操作结果数据包括每一笔买入和卖出的盈利亏损 额、买入和卖出时金融市场指标的变化量以及买入和卖出后对该金融产品交易量占比的影 响率。
[0028] 作为本发明的进一步限定方案，风险控制规则包括市场价格比对规则、订单单向 控制规则以及订单仓位核对规则。
[0029] 作为本发明的进一步限定方案，可行套利公式规定何时买入以及何时卖出，由全 部套利公式组的交易收益均值和风险均值排序比较获得。
[0030] 作为本发明的进一步限定方案，每个周期内采用蒙特卡洛自学习算法进行虚拟地 买入卖出次数不低于十万次。采用不低于十万次的虚拟操盘，能够在全部的交易结果数据 中选出最佳交易数据，即最佳交易点。
[0031] 本发明与现有技术相比，其有益效果是：（1)采用蒙特卡洛自学习算法进行虚拟 交易学习能够根据实时采集的临时数据集进行虚拟地买入卖出，实现了人工智能化，可以 直观有效地反映各个操作结果数据，便于风险控制规则快速比对，提高自动交易效率，抢占 市场先机；（2)采用风险控制规则能够获得最佳交易数据，从而将交易亏损风险设定在可 控的范围内，同时也可满足客户的自定义交易控制指令，具有较好的灵活性；(3)采用调用 交易套利模型公式组能够在不满足风险控制规则的条件下选择更加保险的可行套利公式 进行交易，确保交易能够获取最基本的盈利或最低的亏损。
【附图说明】
[0032] 图1为本发明的方法流程图。
【具体实施方式】
[0033] 下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于 所述实施例。
[0034] 实施例1 :
[0035] 如图1所示，本发明的一种基于ARCH-GARCH-M模型的金融大数据分析与交易方 法，包括如下步骤：
[0036] 步骤1，参数初始化，根据金融市场上的宏观金融数据、设定的金融数据统计分析 模型以及实时收集的微观金融数据生成临时数据集；
[0037] 步骤2,虚拟交易学习，周期性地根据临时数据集对各个金融产品采用蒙特卡洛自 学习算法进行虚拟地买入卖出，每个周期内采用蒙特卡洛自学习算法进行虚拟地买入卖出 次数不低于十万次，并将每次虚拟买入卖出的操作结果数据均写入知识库中；
[0038] 步