本发明涉及金融领域，具体是一种基于人工神经网络的期权期货交易分析方法。
背景技术：
当今经济发展迅速，投资成为重要活动。投资活动的对象，最常见的就是一些金融商品，如股票、债券、期货、外汇、基金等。透过对这些金融商品的买进或是卖出，市场得以聚集资金，也达到财富分配的效果。
期货期权是对期货合约买卖权的交易，包括商品期货期权和金融期货期权。一般所说的期权通常是指现货期权，而期货期权则是指“期货合约的期权”，期货期权合约表示在期权到期日或之前，以协议价格购买或卖出一定数量的特定商品或资产的期货合同。期货期权的基础是商品期货合同，期货期权合同实施时要求交易的不是期货合同所代表的商品，而是期货合同本身。如果执行的是一份期货看涨期权，持有者将获得该期货合约的多头头寸外加一笔数额等于当前期货结算价格减去执行价格的现金。
投资里面最重要的部分之一就是预测分析。以股票市场为例，市场上常见的股市大盘加权股价指数预测及个股预测，多采用技术线形分析。每日于股市收盘后，纯粹依据历史的收盘指数和股价线形走势，加上分析师个人的经验，对未来的变化作出可能的推论。
然而我们知道，经济体本身是由一复杂的网络所构成，各个环节彼此相扣，而互相微妙地影响着。其中的一部分经济因素，被取作经济指标，而以一数值来代表其表示的经济因素的内涵。我们可以看到这些经济指标种类繁多，但却又彼此之间互相影响。因此，若能充分观察这些经济指标之间的互动关系，对投资时的预测，将可以达到更客观与更准确的要求。因此，如能有效率地找出这些互动关系，即提供了投资预测地重要工具。
而人工智能的重要领域之一神经网络，相当适合于用来找出多个变量之间的非线性关系。我们可以透过已知的经济指标的历史数据，使神经网络建立各经济指标之间的模型，再用来预测分析并完成期权期货交易。
技术实现要素：
为了达到上述目的，本发明所采用的技术方案为：
一种基于人工神经网络的期权期货交易分析方法，该方法包括信息摘取和信息分析预测系统。
进一步，所述的信息摘取表示从历史数据中选取样本数据，将样本数据导入信息分析预测系统。
进一步，所述的信息分析预测系统是一种基于卷积神经网络的分析预测方法，卷积神经网络是对输入到输出的映射关系的描述，不需要对输入和输出做出明确的数学公式表示，只需要根据已有的数据样本对卷积神经网络进行训练和学习，网络就能够描述输入与输出之间的对应关系，卷积神经网络在有监督的情况下进行训练或学习；开始网络训练之前，网络的初始连接权重设置为一些小的随机数，这些随机数不完全相同。
进一步，卷积神经网络的预测模型由一个输入层、两个卷积层和降采样层以及一个单层感知机共五层网络构成；输入样本长度为30，卷积核大小为1*7，降采样降幅为2，两个卷积层分别有6个和12个卷积核，将第二次降采样后的输出展开并通过全连接的方式构成单层感知机，输出预测值。
进一步，卷积神经网络的训练过程包括前向传播和后向传播两部分：
(1)前向传播过程：从训练样本集中随机抽取一个样本(X，Yp)，其中X是网络输入，Yp是网络期望输出，输入X的信息从输入层经过层层计算传播到输出层，并根据下式计算输入X的实际输出：
OP＝Fn(…(F2(F1(XW1)W2)…)Wn)；
(2)后向传播过程：该过程用于进行误差反向传播，即计算实际输出OP与期望输出Yp的差异：
并以误差的Ep最小化作为优化目标更新连接权重矩阵。
进一步，卷积包括有效卷积和全卷积，设有两个序列，它们的序列长度分别为L1和L2，如果两个序列进行有效卷积，则只计算没有0值填充的部分，返回的卷积结果长度为max{L1，L2}-min{L1，L2}+1；如果两个序列进行全卷积，需要用0值填充卷积部分的缺失值，返回的卷积结果长度为L1+L2-1；在信息的前向传播过程中，卷积核与其输入以有效卷积的方式进行卷积；在误差的反向传播过程中，如果当前层是卷积层，那么它的误差是从下一层(降采样层)传播过来，误差传播需要执行降采样的逆过程；假设降采样降幅为s，那么降采样层的误差需要复制s2份，然后对复制过来的误差进行Sigmoid求导；如果当前层是降采样层，那么它的误差是从下一层(卷积层)传播过来的，误差传播需要执行卷积的逆过程。
进一步，所述的卷积的逆过程本质也是通过卷积实现的，具体过程为先将卷积核旋转180度，然后将卷积核与误差进行全卷积，卷积核旋转180度的原因是，在全卷积方式下，通过将卷积核旋转180度可以获取前向传播计算上层特征映射面与卷积核以及当前特征映射层之间的连接关系；卷积核连接权重的更新也是通过卷积实现的，具体过程为将卷积核的上层特征映射层与反向传播过来的误差进行有效卷积。
本发明的有益效果：
本发明提供的一种基于人工神经网络的期权期货交易分析方法包括信息摘取和信息分析预测系统；所述的信息摘取表示从历史数据中选取样本数据，将样本数据导入信息分析预测系统；所述的信息分析预测系统是一种基于卷积神经网络的分析预测方法；卷积神经网络可以看作是对输入到输出的映射关系的描述，不需要对输入和输出做出明确的数学公式表示，只需要根据已有的数据样本对卷积神经网络进行训练和学习，网络就能够描述输入与输出之间的对应关系；
实现卷积神经网络股票预测模型的程序主要由数据预处理、模型结构初始化、模型参数初始化、模型训练、模型测试五个模块构成，其中数据预处理包括将金融时间序列数据转化为训练集和测试集、数据归一化；模型结构初始化用来设置卷积神经网络的基本参数，主要包括卷积层和降采样层的数量，卷积核的大小，降采样的降幅等参数；模型参数初始化用于设置卷积核连接权重、bias值、单层感知机的参数设置等。卷积核权重和单层感知机连接权重在(-1,1)之间随机赋值，bias全部设置为0；模型训练包括前向过程、误差反向传播和梯度计算过程、以及梯度应用和参数更新过程。通过迭代一定次数完成训练，每次迭代随机取训练样本，减小因为训练样本顺序对预测结果的干扰；模型测试通过测试集验证模型的有效性，即可给出相关评价指标值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明期权期货预测模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种基于人工神经网络的期权期货交易分析方法包括信息摘取和信息分析预测系统；所述的信息摘取表示从历史数据中选取样本数据，将样本数据导入信息分析预测系统；所述的信息分析预测系统是一种基于卷积神经网络的分析预测方法；卷积神经网络可以看作是对输入到输出的映射关系的描述，不需要对输入和输出做出明确的数学公式表示，只需要根据已有的数据样本对卷积神经网络进行训练和学习，网络就能够描述输入与输出之间的对应关系；卷积神经网络在有监督的情况下进行训练或学习；开始网络训练之前，网络的初始连接权重设置为一些小的随机数，这些随机数不完全相同。
参见图1，图中的卷积神经网络预测模型由一个输入层、两个卷积层和降采样层以及一个单层感知机共五层网络构成，图中的输入样本长度为30，卷积核大小为1*7，降采样降幅为2，两个卷积层分别有6个和12个卷积核；将第二次降采样后的输出展开并通过全连接的方式构成单层感知机，输出预测值。金融时间序列的某个时刻的值受到它之前若干时刻的值的影响，通过窗口截取一定范围的历史数据，作为模型输入，输出值为预测值。本发明采用滑动窗口技术，通过滑动窗口从金融时间序列数据中截取数据单元进行研究，滑动窗口只有一个参数n，也就是窗口的宽度，本文将前n-1个金融数据作为输入样本，第n个金融数据作为输入样本，这样可以一定时间长度的金融时间序列数据转化为若干训练样本集和测试集。
定义输入样本长度为l，卷积核大小为c，降采样降幅为s，当卷积层数和降采样层数固定为2时，上述三个参数应满足如下关系：
当网络结构只含有一层卷积和降采样时，上述三个参数应满足如下关系：
其中N为正整数,s不等于1；从式子可以看出，卷积核的大小以及降采样降幅受输入样本长度的约束，对于金融时间序列数据，某个时刻的值能够产生多长时间的影响取决于金融时间序列数据的特点，进而影响输入样本长度。
实现卷积神经网络股票预测模型的程序主要由数据预处理、模型结构初始化、模型参数初始化、模型训练、模型测试五个模块构成。其中数据预处理包括将金融时间序列数据转化为训练集和测试集、数据归一化；模型结构初始化用来设置卷积神经网络的基本参数，主要包括卷积层和降采样层的数量，卷积核的大小，降采样的降幅等参数；模型参数初始化用于设置卷积核连接权重、bias值、单层感知机的参数设置等。卷积核权重和单层感知机连接权重在(-1,1)之间随机赋值，bias全部设置为0；模型训练包括前向过程、误差反向传播和梯度计算过程、以及梯度应用和参数更新过程。通过迭代一定次数完成训练。每次迭代随机取训练样本，减小因为训练样本顺序对预测结果的干扰；模型测试通过测试集验证模型的有效性，并给出相关评价指标值。
最后说明的是，以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行详细说明，本领域的技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征等同替换；而这些修改或者替换，并不使技术方案的本质脱离本发明实施例技术方案的精神和范围。