交易风险因子的预测方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域和金融领域，更具体地，涉及一种交易风险因子的预测方法、装置、电子设备、计算机可读存储介质和一种计算机程序产品。


背景技术：

2.随人工智能技术的发展，以关系网络为对象的交易风险因子优化计算，可以获得更加可靠的交易风险因子计算结果，从而为金融决策人员提供更具说服力的数据支持。
3.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：现有的交易风险因子预测方法，在快速变化的金融市场的环境下，无法保障预测的准确性。


技术实现要素：

4.有鉴于此，本公开提供了一种交易风险因子的预测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
5.根据本公开的一个方面，提供了一种交易风险因子的预测方法，包括：
6.响应于接收到交易风险因子预测请求，获取与上述交易风险因子预测请求中的待预测交易数据对应的交易风险因子预测参数，其中，上述交易风险因子预测参数包括上述集中度风险因子、上述风险权重和上述初始敏感度；
7.将上述交易风险因子预测参数，输入至经训练的交易风险因子预测模型中的支持向量机模块，输出初始交易风险因子预测值；以及
8.将上述初始交易风险因子预测值，输入至经训练的交易风险因子预测模型中的径向基函数神经网络模块，输出交易风险因子预测值。
9.根据本公开的实施例，交易风险因子的预测方法还包括：
10.根据上述交易风险因子预测值，对与上述待预测交易数据对应的待预测交易进行评估，得到上述待预测交易的保证金额度；
11.在上述保证金额度满足预设预警条件的情况下，输出表征允许执行上述待预测交易的提示信息；以及
12.在上述保证金额度不满足上述预设预警条件的情况下，输出表征禁止执行上述待预测交易的预警信息。
13.根据本公开的实施例，上述经训练的交易风险因子预测模型的训练方法包括：
14.从源数据库中提取与样本交易数据对应的训练样本数据，其中，上述训练样本数据包括样本集中度风险因子、样本风险权重、样本初始敏感度和交易风险因子真实值；
15.将上述训练样本数据输入至交易风险因子预测模型，输出样本交易风险因子预测值；以及
16.利用上述样本交易风险因子预测值和上述交易风险因子真实值，调整上述交易风险因子预测模型的模型参数，得到上述经训练的交易风险因子预测模型。
17.根据本公开的实施例，上述交易风险因子预测模型包括上述支持向量机模块和上
述径向基函数神经网络模块；
18.上述将上述训练样本数据输入至交易风险因子预测模型，输出样本交易风险因子预测值包括：
19.将上述训练样本数据输入至上述支持向量机模块，输出初始样本交易风险因子预测值；以及
20.将上述初始样本交易风险因子预测值输入至上述径向基函数神经网络模块，输出上述样本交易风险因子预测值；
21.上述利用上述样本交易风险因子预测值和上述交易风险因子真实值，调整上述交易风险因子预测模型的模型参数，得到上述经训练的交易风险因子预测模型包括：
22.利用上述初始样本交易风险因子预测值和上述交易风险因子真实值，调整上述支持向量机模块的模型参数，得到上述经训练的交易风险因子预测模型中的支持向量机模块；以及
23.在保持上述经训练的交易风险因子预测模型中的支持向量机模块的模型参数不变的情况下，利用上述样本交易风险因子预测值和上述交易风险因子真实值，调整上述径向基函数神经网络模块的模型参数，得到上述经训练的交易风险因子预测模型中的径向基函数神经网络模块。
24.根据本公开的实施例，上述交易风险因子预测模型中的径向基函数神经网络模块包括输入层、隐藏层和输出层，上述隐藏层的核函数包括高斯函数。
25.根据本公开的实施例，上述利用上述样本交易风险因子预测值和上述交易风险因子真实值，调整上述径向基函数神经网络模块的模型参数，得到上述经训练的交易风险因子预测模型中的径向基函数神经网络模块包括：
26.根据正交最小二乘法，确定上述核函数的中心参数，其中，上述中心参数包括上述隐藏层的中心节点数和上述中心节点的位置参数；
27.根据上述中心参数，确定上述核函数的方差参数；
28.根据最小均方算法和梯度下降法，确定上述隐藏层与上述输出层之间的权重参数；
29.根据平均绝对误差、均方误差、平均绝对百分比误差和均方根误差中的至少一项，确定上述交易风险因子真实值与上述样本交易风险因子预测值的误差参数是否满足预设条件；以及
30.将在上述误差参数满足预设条件时得到的模型确定为上述经训练的交易风险因子预测模型中的径向基函数神经网络模块。
31.根据本公开的实施例，上述方法还包括：
32.响应于上述误差参数不满足上述预设条件，更新上述径向基函数神经网络模块的目标学习率；
33.根据上述目标学习率，更新上述样本交易风险因子预测值；以及
34.根据上述交易风险因子真实值和更新后的样本风险因子预测值，确定更新后的误差参数。
35.根据本公开的另一个方面，提供了一种交易风险因子的预测装置，包括：
36.获取模块，用于响应于接收到交易风险因子预测请求，获取与上述交易风险因子
预测请求中的待预测交易数据对应的交易风险因子预测参数，其中，所述交易风险因子预测参数包括集中度风险因子、风险权重和初始敏感度；
37.第一处理模块，用于将所述交易风险因子预测参数，输入至经训练的交易风险因子预测模型中的支持向量机模块，输出初始交易风险因子预测值；以及
38.第二处理模块，用于将上述初始交易风险因子预测值，输入至经训练的交易风险因子预测模型中的径向基函数神经网络模块，输出交易风险因子预测值。
39.根据本公开的另一个方面，提供了一种电子设备，包括：
40.一个或多个处理器；
41.存储器，用于存储一个或多个指令，
42.其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。
43.根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，上述可执行指令被处理器执行时使处理器实现如上所述的方法。
44.根据本公开的另一个方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述计算机可执行指令在被执行时用于实现如上所述的方法。
45.根据本公开的实施例，通过利用包括支持向量机和径向基函数神经网络的交易风险因子预测模型，对待预测交易数据的集中度风险因子、风险权重和初始敏感度进行处理，得到交易风险因子预测值。通过上述技术手段，至少部分地克服了相关技术中人工计算导致交易风险因子存在历史局限性，在快速变化的金融市场的环境下，无法保障预测的准确性的技术问题，基于人工智能技术，利用经训练的交易风险因子预测模型优化了交易风险因子的预测方式，从而可以提高交易风险因子的预测效率，并保障交易风险因子预测结果的准确性。
附图说明
46.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
47.图1示意性示出了根据本公开实施例的可以应用交易风险因子的预测方法的系统架构图；
48.图2示意性示出了根据本公开实施例的交易风险因子的预测方法的流程图；
49.图3示意性示出了根据本公开实施例的交易风险因子预测模型的训练方法的流程图；
50.图4示意性示出了根据本公开另一实施例的交易风险因子预测模型的训练方法的流程图；
51.图5示意性示出了根据本公开实施例的确定交易风险因子预测模型的方法流程图；
52.图6示意性示出了根据本公开实施例的确定误差参数是否满足预设条件的方法流程图；
53.图7示意性示出了根据本公开实施例的交易风险因子的预测装置的结构框图；
54.图8示意性示出了根据本公开实施例的交易风险因子预测模型的训练装置的结构
框图；以及
55.图9示意性示出了根据本公开实施例的适于实现交易风险因子的预测方法的电子设备的框图。
具体实施方式
56.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
57.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
58.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
59.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
60.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
61.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
62.随人工智能技术的发展，以关系网络为对象的风险因子优化计算研究，可以获得更加可靠的风险因子计算结果，从而为决策人员提供更具说服力的数据支持。
63.传统的交易初始保证金的计算中会涉及多种风险因子，这些风险因子的计算方法较为原始。在现有技术中，一般采用heston随机波动率模型得到历史波动率，在99％的置信区间下模拟得到计算加权敏感度所需要的相关参数。
64.但是，采用heston模型得到的参数只会参考10天的历史波动，而实际上相关参数通常一季度或者半年更新一次，heston模型无法满足快速变化的金融市场，无法频繁通过历史数据风险的变化进行快速修正。而且涉及的子曲线相关性和期限相关性参数的修正一般也是通过开发人员手动更新完成的，从参数的发布，到参数的修正，再到参数在生产用于保证金的计算，对于金融衍生品的整体走势的判断并不准确，容易导致保证金的计算误差，从而造成潜在的信用风险。
65.为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种交易风险因
子的预测方法、装置、电子设备和存储介质，可以应用于人工智能技术领域和金融领域。该交易风险因子的预测方法包括：响应于接收到交易风险因子预测请求，获取与交易风险因子预测请求中的待预测交易数据对应的交易风险因子预测参数，其中，所述交易风险因子预测参数包括集中度风险因子、风险权重和初始敏感度；将所述与待预测交易数据对应的经验风险因子预测参数，输入至经训练的交易风险因子预测模型中的支持向量机模块，输出初始交易风险因子预测值；将初始交易风险因子预测值，输入至经训练的交易风险因子预测模型中的径向基函数神经网络模块，输出交易风险因子预测值。
66.需要说明的是，本公开实施例提供的交易风险因子的预测方法和装置可用于人工智能技术领域和金融领域，例如可以应用于保证金的风险因子计算。本公开实施例提供的交易风险因子的预测方法和装置也可用于除人工智能技术领域和金融领域之外的任意领域，例如可以应用于保险理赔。本公开实施例提供的交易风险因子的预测方法和装置的应用领域不做限定。
67.图1示意性示出了根据本公开实施例的可以应用交易风险因子的预测方法的系统架构图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
68.如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
69.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
70.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
71.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
72.需要说明的是，本公开实施例所提供的交易风险因子的预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的交易风险因子的预测装置一般可以设置于服务器105中。本公开实施例所提供的交易风险因子预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的交易风险因子的预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的交易风险因子的预测方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的交易风险因子的预测装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。
73.例如，训练样本数据和/或交易风险因子预测参数可以原本存储在终端设备101、
102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的交易风险因子的预测方法，或者将训练样本数据和/或交易风险因子预测参数发送到其他终端设备、服务器、或服务器集群，并由接收该训练样本数据和/或交易风险因子预测参数的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的交易风险因子的预测方法。
74.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
75.图2示意性示出了根据本公开实施例的交易风险因子的预测方法的流程图。
76.如图2所示，该交易风险因子的预测方法包括操作s201～s203。
77.在操作s201，响应于接收到交易风险因子预测请求，获取与交易风险因子预测请求中的待预测交易数据对应的交易风险因子预测参数。交易风险因子预测参数包括集中度风险因子、风险权重和初始敏感度。
78.在操作s202，将交易风险因子预测参数，输入至经训练的交易风险因子预测模型中的支持向量机模块，输出初始交易风险因子预测值。
79.在操作s203，将初始交易风险因子预测值，输入至经训练的交易风险因子预测模型中的径向基函数神经网络模块，输出交易风险因子预测值。
80.根据本公开的实施例，交易风险因子预测请求可以是在用户发起待预测交易的情况下，通过客户端向服务器发送的请求报文。交易风险因子预测请求可以包括与待预测交易对应的待预测交易数据。
81.根据本公开的实施例，金融工具可以包括股票、期货、黄金、外汇和保单等在金融市场中能够交易的金融资产。待预测交易数据可以包括用来证明金融工具的贷者与借者之间融通货币余缺的书面证明，例如，待预测交易数据可以包括交易金额和交易条件等。
82.根据本公开的实施例，可以根据待预测交易数据计算得到与待预测交易数据对应的交易风险因子预测参数。
83.根据本公开的实施例，初始交易风险因子预测值可以通过对待预测交易数据按照公式计算等方法得到。初始交易风险因子预测值还可以通过基于机器学习方法对待预测交易数据进行处理得到。
84.例如，可以利用经训练的交易风险因子预测模型中的支持向量机模块，对待预测交易数据的集中度风险因子、待预测交易数据的风险权重和待预测交易数据的初始敏感度进行处理，得到初始交易风险因子预测值。
85.根据本公开的实施例，可以利用训练的交易风险因子预测模型中的径向基函数神经网络模块，对初始交易风险因子预测值进行处理，得到交易风险因子预测值。
86.根据本公开的实施例，交易风险因子预测值即为加权敏感度k的拟合值，可以将该拟合值代入风险类型的货币间聚合公式即可得到delta模式保证金金额。
87.根据本公开的实施例，通过利用包括支持向量机和径向基函数神经网络的交易风险因子预测模型，对待预测交易数据的集中度风险因子、风险权重和初始敏感度进行处理，得到交易风险因子预测值。通过上述技术手段，至少部分地克服了相关技术中人工计算导致交易风险因子存在历史局限性，在快速变化的金融市场的环境下，无法保障预测的准确
性的技术问题，基于人工智能技术，利用经训练的交易风险因子预测模型优化了交易风险因子的预测方式，从而可以提高交易风险因子的预测效率，并保障交易风险因子预测结果的准确性。
88.下面参考图3～图6，结合具体实施例对图2所示的方法做进一步说明。
89.根据本公开的实施例，交易风险因子的预测方法还可以包括以下操作。
90.根据交易风险因子预测值，对与待预测交易数据对应的待预测交易进行评估，得到待预测交易的保证金额度。在保证金额度满足预设预警条件的情况下，输出表征允许执行待预测交易的提示信息。在保证金额度不满足预设预警条件的情况下，输出表征禁止执行待预测交易的预警信息。
91.根据本公开的实施例，可以将交易风险因子预测值代入风险类型的货币间聚合公式，以便于对与待预测交易数据对应的待预测交易进行评估，得到delta模式的保证金额度。
92.根据本公开的实施例，预设预警条件的具体内容可以由本领域技术人员根据实际应用情况而灵活设置，本公开实施例不对预设预警条件的具体内容进行限定。
93.例如，预设预警条件可以包括大于预设阈值。在此情况下，在保证金额度满足预设预警条件，即保证金额度大于预设阈值的情况下，可以输出提示信息，提示信息可以用于表征允许执行待预测交易。在保证金额度不满足预设预警条件，即保证金额度小于或者等于预设阈值的情况下，可以输出预警信息，预警信息可以用于表征禁止执行待预测交易。
94.根据本公开的实施例，通过将交易风险因子预测值用于保证金额度的评估，由于该交易风险因子预测值是经由经训练的交易风险因子预测模型输出的，因而提高了保证金额度的评估准确性。此外，由于是通过得到的待预测交易的保证金额度与预设预警条件的关系，确定的输出信息，因而该输出信息可以指示相关人员待预测交易能否执行，因而保障了交易的安全性。
95.图3示意性示出了根据本公开实施例的交易风险因子预测模型的训练方法的流程图。
96.如图3所示，该交易风险因子的预测模型的训练方法包括操作s301～s303。
97.在操作s301，从源数据库中提取与样本交易数据对应的训练样本数据，训练样本数据包括样本集中度风险因子、样本风险权重、样本初始敏感度和交易风险因子真实值。
98.根据本公开的实施例，与样本交易数据对应的训练样本数据可以通过持久化方式存储在源数据库中，在训练交易风险因子的预测模型时，可以通过调用源数据库接口的方式，从源数据库中训练样本数据。
99.根据本公开的实施例，期权保证金模式可以包括传统模式、delta模式和span模式。在delta模式保证金中，金融工具i相对于无风险曲线r的期限t的敏感度s(i，r
t
)可以定义为：
100.s(i，r
t
)＝vi(r
t
+1bp，cs
t
)-vi(r
t
，cs
t
)
ꢀꢀꢀꢀ
(1)
101.其中，s(i，r
t
)金融工具i相对于风险因子rt的敏感度；r
t
表示期限t时的无风险利率；cs
t
表示期限t时的信用利差；vi作为无风险利率和信用利差曲线的一个函数，表示金融工具i的市值；1bp表示1个基点，可以包括0.0001或0.01％。
102.根据本公开的实施例，每组训练样本数据可以包括样本集中度风险因子cr、样本
风险权重wk和样本初始敏感度s
k，i
。
103.在操作s302，将训练样本数据输入至交易风险因子预测模型，输出样本交易风险因子预测值。
104.根据本公开的实施例，样本交易风险因子预测值可以通过对训练样本数据进行按照公式计算等方法得到。样本交易风险因子预测值还可以通过基于机器学习方法对训练样本数据进行处理得到。
105.根据本公开的实施例，交易风险因子预测模型可以是基于不同机器学习方法构建得到的模型。
106.在操作s303，利用样本交易风险因子预测值和交易风险因子真实值，调整交易风险因子预测模型的模型参数，得到经训练的交易风险因子预测模型。
107.根据本公开的实施例，通过利用交易风险因子预测模型处理训练样本数据，输出样本交易风险因子预测值，再利用样本交易风险因子预测值和对应的交易风险因子真实值，调整交易风险因子预测模型的模型参数，得到经训练的交易风险因子预测模型。通过上述技术手段，提高了交易风险因子的适应性、计算效率和计算准确性。
108.图4示意性示出了根据本公开另一实施例的交易风险因子预测模型的训练方法的流程图。
109.根据本公开的实施例，交易风险因子预测模型包括支持向量机模块和径向基函数神经网络模块。
110.根据本公开的实施例，将训练样本数据输入至交易风险因子预测模型，输出样本交易风险因子预测值可以包括以下操作。
111.将训练样本数据输入至支持向量机模块，输出初始样本交易风险因子预测值。将初始样本交易风险因子预测值输入至径向基函数神经网络模块，输出样本交易风险因子预测值。
112.根据本公开的实施例，利用样本交易风险因子预测值和交易风险因子真实值，调整交易风险因子预测模型的模型参数，得到经训练的交易风险因子预测模型可以包括以下操作。
113.利用初始样本交易风险因子预测值和交易风险因子真实值，调整支持向量机模块的模型参数，得到经训练的交易风险因子预测模型中的支持向量机模块。在保持经训练的交易风险因子预测模型中的支持向量机模块的模型参数不变的情况下，利用样本交易风险因子预测值和交易风险因子真实值，调整径向基函数神经网络模块的模型参数，得到经训练的交易风险因子预测模型中的径向基函数神经网络模块。
114.根据本公开的实施例，可以基于第一损失函数，利用初始样本交易风险因子预测值和交易风险因子真实值，得到第一输出值。根据第一输出值调整支持向量机模块的模型参数，直至满足预定条件。将在满足预定条件的情况下得到的支持向量机模块确定为经训练的交易风险因子预测模型中的支持向量机模块。第一损失函数的具体形式可以由本领域工作人员根据实际需求进行设置，本公开实施例对此不作限定。
115.根据本公开的实施例，可以基于第二损失函数，利用样本交易风险因子预测值和交易风险因子真实值，得到第二输出值。根据第二输出值调整径向基函数神经网络模块的模型参数，直至满足预定条件。将在满足预定条件的情况下得到的径向基函数神经网络模
块确定为经训练的交易风险因子预测模型中的径向基函数神经网络模块。第二损失函数的具体形式可以由本领域工作人员根据实际需求进行设置，本公开实施例对此不作限定。
116.根据本公开的实施例，支持向量机(support vector machine，svm)是在统计学习理论基础上发展起来的机器学习方法，可以用于解决小样本的学习规律。svm避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预测样本的传导推理，简化了常规的分类和回归等问题，较好地解决了小样本、非线性、过拟合和局部极小等问题，具有数学理论完备、全局优化性能好、泛化能力强、算法复杂度与特征空间维数无关等优点。
117.根据本公开的实施例，可以通过对训练样本数据进行按照公式计算等方法得到交易风险因子真实值。
118.根据本公开的实施例，对于每个样本风险因子(k，i)，可以利用样本集中度风险因子cr与样本风险因子k的样本风险权重rwk加权到样本初始敏感度s
k，i
：
119.ws
k，i
＝rwks
k，i
cr
ꢀꢀꢀꢀꢀ
(2)
120.其中，ws
k，i
表示样本风险权重对样本净敏感度的加权值，可以简称为样本加权敏感度。
121.根据本公开的实施例，k可以表示对ws
k，i
的进一步聚合，样本加权敏感度k的原业务计算公式可以为：
[0122][0123]
根据本公开的实施例，可以将得到的ws
k，i
作为支持向量机模块的入参样本以样本加权敏感度的平方k2作为支持向量机模块的因变量f(x)，对样本加权敏感度的平方建立支持向量机模块：
[0124]
k2＝f(x)＝wφ(x)+b
ꢀꢀꢀꢀ
(4)
[0125]
其中，w和b表示最大分割平面的系数；表示用于模拟子曲线相关性φ
i，j
和期限相关性参数ρ
k，l
的权向量。
[0126]
根据本公开的实施例，可以采用优化函数对支持向量机模块进行目标值优化：
[0127][0128]
其中，c表示常数；ξ
i*
表示某次迭代之前的原始松弛变量；ξi表示某次迭代之后的松弛变量。
[0129]
根据本公开的实施例，可以通过引入拉格朗日乘子，将上述优化问题转变为凸二次优化问题：
[0130][0131]
其中，α
*
和γ
*
为常数，表示某次迭代之前的原始值，0＜α
*
，γ
*
＜c；α和γ为变量，表示某次迭代之后的值，0＜α，γ＜c。
[0132]
根据本公开的实施例，可以通过求解优化后的凸二次优化问题，得到加权敏感度的拟合值可以作为初始样本交易风险因子预测值。
[0133]
根据本公开的实施例，通过将训练样本数据输入至风险因子预测模型中的支持向量机模块，可以得到一系列与交易风险因子真实值存在误差的初始交易风险因子预测值。
[0134]
根据本公开的实施例，可以将初始交易风险因子预测值作为输入样本，将交易风险因子真实值作为输出样本，对神经网络模型进行训练，可以得到一系列结点的权值与阈值，用于模拟初始交易风险因子预测值和交易风险因子真实值之间偏差关系，以及序列之间的相互关系。
[0135]
根据本公开的实施例，可以将支持向量机模块下一时刻的预测值或者多个时刻的预测值作为神经网络模型的输入，将下一时刻或者多个时刻最终的预测值作为神经网络模型的输出。
[0136]
根据本公开的实施例，神经网络模型可以包括径向基函数神经网络模块。径向基函数神经网络的局部逼近性能使得该神经网络能够以任意精度逼近任一连续函数。
[0137]
根据本公开的实施例，可以将支持向量机模块获得的初始样本交易风险因子预测值作为径向基函数神经网络模块的输入参数。
[0138]
根据本公开的实施例，可以利用支持向量机模块和径向基函数神经网络模块进行组合和预测，以便获取更加优化的交易风险因子预测结果，从而优化保证金的计算。
[0139]
如图4所示，交易风险因子预测模型402可以包括支持向量机模块402_1和径向基函数神经网络模块402_2。
[0140]
在交易风险因子预测模型的训练过程中，可以将训练样本数据401输入至支持向量机模块402_1，输出初始样本交易风险因子预测值403。将初始样本交易风险因子预测值403输入至径向基函数神经网络模块402_2，输出样本交易风险因子预测值404。
[0141]
利用初始样本交易风险因子预测值403和交易风险因子真实值405，调整支持向量机模块402_1的模型参数，得到经训练的交易风险因子预测模型中的支持向量机模块。
[0142]
在保持经训练的交易风险因子预测模型中的支持向量机模块的模型参数不变的情况下，利用样本交易风险因子预测值404和交易风险因子真实值405，调整径向基函数神经网络模块402_2的模型参数，得到经训练的交易风险因子预测模型中的径向基函数神经网络模块。
[0143]
根据本公开的实施例，通过在保持经训练的支持向量机模块的模型参数不变的情况下，再利用样本交易风险因子预测值和交易风险因子真实值，调整径向基函数神经网络模块的模型参数，得到经训练的交易风险因子预测模型中的径向基函数神经网络模块。由此得到经训练的交易风险因子预测模型，由于该组合模型包括经训练的支持向量机模块和经训练的径向基函数神经网络模块，因而可以降低交易风险因子预测值与交易风险因子真实值之间的偏差，获得更好的拟合结果，以便提高交易风险因子预测的效率和精度。
[0144]
图5示意性示出了根据本公开实施例的确定交易风险因子预测模型的方法流程图。
[0145]
如图5所示，该确定交易风险因子预测模型的方法包括操作s501～s505。
[0146]
在操作s501，根据正交最小二乘法，确定核函数的中心参数，其中，中心参数包括隐藏层的中心节点数和中心节点的位置参数。
[0147]
根据本公开的实施例，交易风险因子预测模型中的径向基函数神经网络模块包括输入层、隐藏层和输出层，隐藏层的核函数包括高斯函数。
[0148]
根据本公开的实施例，由于高斯(gaussian)函数从中心到两边单调递减，函数的回应是局部有限的，可以获得更加逼真的特征。因此，可以选择高斯函数作为径向基函数神经网络的径向基函数：
[0149][0150]
根据本公开的实施例，确定核函数的中心参数的方法可以包括固定中心法、自组织选择法和有监督的中心选择法等。
[0151]
根据本公开的实施例，固定中心法可以从训练样本数据集中随机选择中心，适用于训练数据的分布有代表性的情况，缺点是容易使网络表现不理想或者使网络体积过于庞大。
[0152]
根据本公开的实施例，自组织选择法可以包括k均值聚类法，通过对训练样本数据集进行聚类，并将聚类的中心作为网络的中心。k均值聚类法的优点是可以将径向基函数神经网络的中心设置为较为重要的数据点，缺点是若初始聚类的中心是准确的，最终预测结果可能为局部最优解。
[0153]
根据本公开的实施例，有监督的中心选择法需要在网络学习过程中确定成本函数，中心的确定过程即为使成本函数最小的过程。
[0154]
根据本公开的实施例，确定核函数的中心参数的方法还可以包括正交最小二乘法，可以通过训练提高径向基函数神经网络模块输出预测值的准确性。
[0155]
在操作s502，根据中心参数，确定核函数的方差参数。
[0156]
根据本公开的实施例，可以先确定径向基函数神经网络隐含层节点数，利用正交最小二乘法确定中心参数c并计算方差δ2。
[0157]
在操作s503，根据最小均方算法和梯度下降法，确定隐藏层与输出层之间的权重参数。
[0158]
根据本公开的实施例，可以通过最小均方算法进行权重的计算，通过梯度下降法进行网络的学习。梯度下降法可以使权重沿着与目标函数梯度相反的方向进行逐步调整，以便求得权重的最优值，使网络最优化。权重的调整过程可表示为：
[0159][0160]
在操作s504，根据平均绝对误差、均方误差、平均绝对百分比误差和均方根误差中的至少一项，确定交易风险因子真实值与样本交易风险因子预测值的误差参数是否满足预设条件。
[0161]
根据本公开的实施例，可以使用多种误差评价方法确定误差参数。误差评价方法可以包括平均绝对误差(mae)、均方误差(mse)、平均绝对百分比误差(mape)、均方根误差(rmse)等，上述各误差评价方法的计算方法如下：
[0162][0163]
[0164][0165][0166]
其中，n表示样本数量；xi表示风险因子真实值；表示风险因子预测值。
[0167]
根据本公开的实施例，在拟合过程中采用多种误差评价方法，可以获得更优的拟合结果，防止因使用单种误差评价方法造成的数据盲点问题。
[0168]
在操作s505，将在误差参数满足预设条件时得到的模型确定为经训练的交易风险因子预测模型中的径向基函数神经网络模块。
[0169]
根据本公开的实施例，通过利用正交最小二乘法确定核函数的中心参数和方差参数，利用最小均方算法和梯度下降法确定隐藏层与输出层之间的权重参数，并对交易风险因子真实值与样本交易风险因子预测值进行误差参数分析，可以得到权重参数的最优值，获得更好的拟合结果，从而提高交易风险因子的预测准确性。
[0170]
图6示意性示出了根据本公开实施例的确定误差参数是否满足预设条件的方法流程图。
[0171]
如图6所示，该确定误差参数是否满足预设条件的方法包括操作s601～s603。
[0172]
在操作s601，响应于误差参数不满足预设条件，更新径向基函数神经网络模块的目标学习率。
[0173]
在操作s602，根据目标学习率，更新样本交易风险因子预测值。
[0174]
在操作s603，根据交易风险因子真实值和更新后的样本交易风险因子预测值，确定更新后的误差参数。
[0175]
根据本公开的实施例，在径向基函数神经网络的使用中，学习率通常被人为设置为一个固定值，在整个网络学习过程中保持不变。但是，如果学习率设置过大，虽然能够提高网络的收敛速度，但可能会导致网络不稳定甚至无法学习；而如果学习率设置过小，则会导致网络收敛速度慢，消耗大量的计算时间，无法满足实际应用的时效要求。
[0176]
根据本公开的实施例，提供一种“动态最优学习率”，可以通过该动态最优学习率更新径向基函数神经网络模块的目标学习率，从而使得该目标学习率对于网络的每一步迭代学习都是适用的。
[0177]
根据本公开的实施例，可以建立如下模型：
[0178][0179]
其中，φ(||x-ci||)表示高斯函数；ωi表示连接权重。
[0180]
基于上述模型，可以得到第t次的成本函数，即：
[0181][0182]
其中，e(t)＝e(t-1)-η(t)φφ
t
e(t-1)，表示输出误差；η(t)表示学习率；φ表示根据输入样本构建的矩阵；φ
t
表示φ的转置矩阵。
[0183]
上述成本函数可以看作是关于学习率的函数，可以通过最小化得到学习率的最优值，二阶条件如下：
[0184][0185]
基于上述条件，可以得到动态最优学习率η
*
(t)为：
[0186][0187]
根据本公开的实施例，可以设置学习精度rmse
*
和网络学习的最大迭代次数max
t
；可以设置隐含层至输出层的初始连接权重ω0，计算网络输出值并计算实际输出值与网络输出值的均方根误差rmse；可以根据中心参数c并计算方差δ2，求出矩阵φ。
[0188]
根据本公开的实施例，可以判断rmse＜rmse
*
是否成立，或者是否达到最大迭代次数max
t
，如果两者之一成立，则可以完成网络的学习；如果两者均不成立，则可以通过式(16)计算动态最优学习率得到目标学习率。
[0189]
根据本公开的实施例，可以根据目标学习率更新网络输出值并更新实际输出值与网络输出值之间的均方根误差rmse，然后额可以输出最终的均方根误差rmse、网络输出值并计算最终的迭代次数。
[0190]
根据本公开的实施例，通过在误差参数不满足预设条件时，更新径向基函数神经网络模块的目标学习率，并根据更新后的目标学习率更新样本交易风险因子预测值。通过上述技术手段，可以在每一步迭代中都进行学习率的优化计算，实时获得动态最优学习率，从而可以在保证径向基函数神经网络稳定学习的同时，兼顾网络的收敛速度，提高网络的运行效率。
[0191]
图7示意性示出了根据本公开实施例的交易风险因子的预测装置的结构框图。
[0192]
如图7所示，交易风险因子的预测装置700包括第一获取模块701、第一处理模块702和第二处理模块703。
[0193]
第一获取模块701，用于响应于接收到交易风险因子预测请求，获取与交易风险因子预测请求中的待预测交易数据对应的交易风险因子预测参数，其中，交易风险因子预测参数包括集中度风险因子、风险权重和初始敏感度。
[0194]
第一处理模块702，用于将交易风险因子预测参数，输入至经训练的交易风险因子预测模型中的支持向量机模块，输出初始交易风险因子预测值。
[0195]
第二处理模块703，用于将初始交易风险因子预测值，输入至经训练的交易风险因子预测模型中的径向基函数神经网络模块，输出交易风险因子预测值。
[0196]
根据本公开的实施例，交易风险因子的预测装置700还可以包括评估模块、第一输出模块和第二输出模块。
[0197]
评估模块，用于根据交易风险因子预测值，对与待预测交易数据对应的待预测交易进行评估，得到待预测交易的保证金额度。
[0198]
第一输出模块，用于在保证金额度满足预设预警条件的情况下，输出表征允许执行待预测交易的提示信息。
[0199]
第二输出模块，用于在保证金额度不满足预设预警条件的情况下，输出表征禁止执行待预测交易的预警信息。
[0200]
图8示意性示出了根据本公开实施例的交易风险因子预测模型的训练装置的结构框图。
[0201]
如图8所示，交易风险因子预测模型的训练装置800包括第二获取模块801、第三处理模块802和第一训练模块803。
[0202]
第二获取模块801，用于从源数据库中提取与样本交易数据对应的训练样本数据，其中，训练样本数据包括样本集中度风险因子、样本风险权重和样本初始敏感度。
[0203]
第三处理模块802，将训练样本数据输入至交易风险因子预测模型，输出样本交易风险因子预测值。
[0204]
训练模块803，用于利用样本交易风险因子预测值和交易风险因子真实值，调整交易风险因子预测模型的模型参数，得到经训练的交易风险因子预测模型。
[0205]
根据本公开的实施例，交易风险因子预测模型包括支持向量机模块和径向基函数神经网络模块。
[0206]
根据本公开的实施例，第三处理模块802包括第一处理单元和第二处理单元。
[0207]
第一处理单元，用于将训练样本数据输入至支持向量机模块，输出初始样本交易风险因子预测值。
[0208]
第二处理单元，用于将初始样本交易风险因子预测值输入至径向基函数神经网络模块，输出样本交易风险因子预测值。
[0209]
根据本公开的实施例，训练模块803包括第一调整单元和第二调整单元。
[0210]
第一调整单元，用于利用初始样本交易风险因子预测值和交易风险因子真实值，调整支持向量机模块的模型参数，得到经训练的交易风险因子预测模型中的支持向量机模块。
[0211]
第二调整单元，用于在保持经训练的交易风险因子预测模型中的支持向量机模块的模型参数不变的情况下，利用样本交易风险因子预测值和交易风险因子真实值，调整径向基函数神经网络模块的模型参数，得到经训练的交易风险因子预测模型中的径向基函数神经网络模块。
[0212]
根据本公开的实施例，交易风险因子预测模型中的径向基函数神经网络模块包括输入层、隐藏层和输出层，隐藏层的核函数包括高斯函数。
[0213]
根据本公开的实施例，第二调整单元包括第一确定子单元、第二确定子单元、第三确定子单元、第四确定子单元和第五确定子单元。
[0214]
第一确定子单元，用于根据正交最小二乘法，确定核函数的中心参数，其中，中心参数包括隐藏层的中心节点数和中心节点的位置参数。
[0215]
第二确定子单元，用于根据中心参数，确定核函数的方差参数。
[0216]
第三确定子单元，用于根据最小均方算法和梯度下降法，确定隐藏层与输出层之间的权重参数。
[0217]
第四确定子单元，用于根据平均绝对误差、均方误差、平均绝对百分比误差和均方根误差中的至少一项，确定交易风险因子真实值与样本交易风险因子预测值的误差参数是否满足预设条件。
[0218]
第五确定子单元，用于将在误差参数满足预设条件时得到的模型确定为经训练的交易风险因子预测模型中的径向基函数神经网络模块。
[0219]
根据本公开的实施例，第二调整单元还可以包括第一更新子单元、第二更新子单元和第一确定子单元。
[0220]
第一更新子单元，用于响应于误差参数不满足预设条件，更新径向基函数神经网络模块的目标学习率。
[0221]
第二更新子单元，用于根据目标学习率，更新样本交易风险因子预测值。
[0222]
第六确定子单元，用于根据交易风险因子真实值和更新后的样本交易风险因子预测值，确定更新后的误差参数。
[0223]
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0224]
例如，第一获取模块701、第一处理模块702、第二处理模块703、第二获取模块801、第三处理模块802和训练模块803中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块701、第一处理模块702、第二处理模块703、第二获取模块801、第三处理模块802和训练模块803中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块701、第一处理模块702、第二处理模块703、第二获取模块801、第三处理模块802和训练模块803中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0225]
需要说明的是，本公开的实施例中交易风险因子的预测装置部分与本公开的实施例中交易风险因子的预测方法部分是相对应的，交易风险因子的预测装置部分的描述具体参考交易风险因子的预测方法部分，在此不再赘述。本公开的实施例中交易风险因子预测模型的训练装置部分与本公开的实施例中交易风险因子预测模型的训练方法部分是相对应的，交易风险因子预测模型的训练装置部分的描述具体参考交易风险因子预测模型的训练方法部分，在此不再赘述。
[0226]
图9示意性示出了根据本公开实施例的适于实现交易风险因子的预测方法的电子设备的框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围
带来任何限制。
[0227]
如图9所示，根据本公开实施例的计算机电子设备900包括处理器901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0228]
在ram 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、rom 902以及ram 903通过总线904彼此相连。处理器901通过执行rom 902和/或ram 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom902和ram 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0229]
根据本公开的实施例，电子设备900还可以包括输入/输出(i/o)接口905，输入/输出(i/o)接口905也连接至总线904。电子设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
[0230]
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0231]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0232]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0233]
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 902和/或ram 903和/或rom 902和ram 903以外的一个或多个存储器。
[0234]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的交易风险因子的预测方法。
[0235]
在该计算机程序被处理器901执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0236]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0237]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0238]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0239]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。