首页
学习
活动
专区
工具
TVP
发布

将人工智能应用于结算风险预警的研究

1 引言

风险的防范是期货市场充分发挥功能的前提和基础。结算风险作为期货市场重要的风险之一,交易所和经纪公司主要通过日终结算流程对此风险进行管理控制。除此之外,也会采用专家法等方法进行风险预警,即提前预测未来的结算价,然后按此结算价进行结算,进而对会员或客户的资金状况进行评估。

随着经济的全球化和金融的自由化,影响市场风险的因素越来越复杂,这对专家法进行风险预警提出了挑战。通过对金融科技的探索,本文提出利用人工智能方法进行风险预警,使金融科技赋能风险控制,在预警过程中不依赖人类经验,有效地辅助风险管理人员进行结算风险控制,提高风险控制的质量和效率。

2 思路与方法

目前,比较有代表性地预警模型有三种:FR概率模型、STV横截面模型、KLR信号模型,近年来,人们对预警采用了新的方法人工神经网络。本文以此作为出发点,并为了能够实现高层抽象表征的复杂能力,采用深层神经网络(3层以上)对未来的指标进行预测,同时采用可解释模型逻辑回归、支持向量机进行预测,对比分析结果。主要过程如图1所示,离线部分输出训练好的模型给在线部分,在线部分调用模型进行预测。

图1 未来指标预测主要流程

模型的输入数据可包含两部分:结构化数据和非结构数据,本文进行的研究集中在结构化数据上,未来将会基于社交化网络分析、挖掘人们的情绪观点,以便更准确的预测。模型的输出数据为要预测的指标。数据处理是对数据进行预处理、并划分训练集和验证集等。训练集用于模型的训练,验证集用于判断模型的效果。最后将处理后的数据输入模型进行训练和测试。本文对4个指标进行了预测:结算价、历史波动率、隐含波动率、delta。在每个指标上对未来的趋势、幅度以及数值3个维度进行预测。

趋势为某一指标未来的数值相对于当前的涨跌方向,用未来指标数值与当前相减,大于0为上涨,小于0为下跌,等于0为横向延伸。趋势的预测抽象为3分类问题。

幅度为某一指标未来的数值相对于当前的涨跌幅度,未来指标数值与当前相减得到的数值即为幅度值。幅度值的预测抽象为回归问题。

数值为某一指标的实际数值。数值的预测抽象为回归问题。

本文的研究问题为时间序列预测问题,循环神经网络主要用途是处理和预测序列数据,它的来源就是为了刻画一个序列当前的输出与之前信息的关系,关键点在于使用历史信息来帮助当前的决策。LSTM 是序列和时序相关问题方面的一个很有前途的解决方案,因此选用LSTM神经网络进行建模,采用多层LSTM层和一层全链接层构建网络。

3 研究结果

本文的研究基于TensorFlow实现。TensorFlow作为最为流行的深度学习资源库,是帮助深度学习新方法走向实现的强大工具。它为大多数深度学习领域中使用的常用语言提供了大量应用程序接口。对于开发者和研究人员来说十分便捷。

准确率做如下定义:

 准确率:测试样本集中预测准确的个数除以总测试样本个数;

 结算价数值与幅度的准确率:预测值与真实值绝对误差小于或等于10元为准确;

 波动率数值与幅度的准确率:预测值与真实值绝对误差小于或等于0.5%为准确;

 delta数值与幅度的准确率:预测值与真实值绝对误差小于或等于0.025为准确;

 趋势类准确率:预测结果与真实结果完全相同为准确;

数据说明:

用于结算价格预测的数据为铁矿石期货主力合约数据。趋势预测时,使用840个训练数据,120个测试数据;幅度与数值预测时,使用850个训练数据,100个测试数据。

用于历史波动率、隐含波动率及delta预测的数据为芝加哥商业交易所的豆粕期货及期权合约数据。历史波动率部分的趋势预测使用800个训练数据,100个测试数据;幅度与数值预测使用800个训练数据,200个测试数据。隐含波动率与delta部分的三种预测均使用1600个训练数据,200个测试数据。

3.1 专家法预测结果

此方法主要借助历史经验,预测的原则为未来与当前的信息相同。

在趋势上,若t日结算价相对于t-1日为涨,则认为t+1日结算价相对于t日亦为涨。在幅度上,t日结算价相对于t-1日降低10元,则认为t+1日结算价相对于t日亦降低10元。此方法与神经网络采用同样的数据测试,结果如表1所示,准确率在60%左右浮动,但大部分低于60%。

3.2 逻辑回归与支持向量机预测结果

逻辑回归与SVM均为可解释模型,预测结果如表2所示,在对次日结算价的预测上,准确率高于60%,已具有重要的现实意义。

3.3 神经网络预测结果

此节为重点研究内容,采用深度学习神经网络LSTM对各指标进行全面预测,结果如表3所示。对各指标各维度的预测大部分在60%以上。其中部分较低的准确率无法进一步提升的原因可能是数据本身的解释能力不足,也就是说,对于我们的目标值,还有其他的决定因素在现有的数据之外。

以结算价预测为例,图2和图3分别为次日结算价的幅度与数值在真实值与预测值在测试集上的拟合效果。从图中可见,对幅度的拟合效果稍差,还存在优化的空间。

图2 次日结算价格变化幅度真实值与预测值在测试集上的拟合效果

图3 次日结算价格真实值与预测值在测试集上的拟合效果

2018年初,CMU联合蒙特利尔大学提出嵌套式LSTM(Nested LSTM), 是一种具有多级记忆的新型循环神经网络架构,采用其对次日结算价格趋势进行预测,准确率为69%,稍差于LSTM。

3.4 神经网络对未来5日预测结果

表4展示了未来5日各指标在趋势上预测的准确率,随着预测时间跨度的增大,准确率呈下降走势,从图4可以看出,t+5日时验证集上的损失已达到2.0,尚有优化空间。

图4 未来5日结算价格趋势预测模型在训练集与测试集上的损失数据

4 总结

总体来说,无论是什么模型均有一定的预测能力,在预警方面均能起到一定的效果,但从以上的研究和测试结果上看,LSTM神经网络相对于其他模型具表现较好,尽管在有些场景下准确率尚不理想,相信通过后续的优化准确率会不断提升。本文认为人工智能应用于结算风险预警领域具有诸多优势,但仍需继续探索和完善。

参考文献

[1] 姜兰兰,何张燕.我国期货市场风险及其监管[J].现代经济.2009,5:32-33.

[2] 杨再斌.我国期货市场风险控制预警系统研究[D].上海交通大学.2007.

[3] 嵌套LSTM :

https://arxiv.org/pdf/1801.10308.pdf

[4] 白凯敏.神经网络和深度学习在量化交易中的应用[D].山东大学.2016.

[5] Menard S W. Applied logistic regression analysis[M]. 2001.

[6] Shumway R H, Stoffer D S. Time Series Analysis and Its Applications[J]. Publications of the American Statistical Association, 2013, 102(479):1079-1079.

[7] François Chollet, Fariz Rahman, Oleg Zabluda. Keras Documentation[OL]. Retrieved December 21, 2017, from

https://keras.io/

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180227G0THL100?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券