金融产品价格预测方法、装置、设备及介质与流程

本发明涉及智能决策，尤其涉及一种金融产品价格预测方法、装置、设备及介质。

背景技术：

1、金融行业在预测金融衍生产品价格预测上一般使用机器学习方法，例如回归模型、分类模型等，但是由于这些模型过于简单，时常会导致拟合金融产品价格的误差较大，导致预测出来的金融产品价格不具备采用价值。

2、现有技术中，也有使用深度学习的循环神经网络在时间序列上进行金融产品价格预测，这类方法只关注在时间序列上的数值波动，使得预测出来的金融产品价格准确度不高。因此，现在亟需一种准确高效的进行金融产品价格预测的方法。

技术实现思路

1、本发明提供一种金融产品价格预测方法、装置、设备及介质，其主要目的在于提升金融产品价格预测的准确度。

2、为实现上述目的，本发明提供的一种金融产品价格预测方法，包括：

3、获取金融产品的信息，识别所述金融产品的信息中包含的产品静态信息、产品已知信息和产品观察信息；

4、获取所述产品静态信息的特征编码，并根据所述特征编码获取所述产品静态信息的多个静态隐变量；

5、根据所述产品静态信息中的文本因子构建全量静态因子，并获取所述全量静态因子的注意力权重，根据所述注意力权重和所述静态隐变量获取所述金融产品的产品属性信息；

6、根据所述产品已知信息和所述产品属性信息获取所述金融产品各个时期的历史实际值，以及根据所述产品观察信息和所述产品属性信息获取所述金融产品各个时期的历史预测值；

7、根据所述金融产品各个时期的历史实际值和各个时期的历史预测值构建所述金融产品涨跌的均方误差，并通过所述均方误差预测所述金融产品的实时预测价格。

8、可选地，所述获取所述产品静态信息的特征编码，并根据所述特征编码获取所述产品静态信息的多个静态隐变量，包括：

9、根据所述产品静态信息创建字典，得到静态信息字典，并对所述静态信息字典中的各个文本因子进行编码，得到多个静态文本编码；

10、将所述静态文本编码和预设的第一可学习矩阵相乘，得到多个特征编码；

11、将各个所述特征编码输入预设的图循环网络，并通过所述图循环网络对所述特征编码进行非线性变换获取所述文本因子的隐变量，得到多个所述静态隐变量。

12、可选地，所述根据所述产品静态信息创建字典，得到静态信息字典，包括：

13、获取基于预设编程语言构建的字典推导式；

14、根据所述字典推导式，将所述产品静态信息中的必选文本作为键，所述必选文本对应的文本数据作为键值，以及将所述产品静态信息中的可选文本作为键，所述可选文本对应的文本数据作为键值创建字典，得到所述静态信息字典。

15、可选地，所述根据所述产品静态信息中的文本因子构建全量静态因子，并获取所述全量静态因子的注意力权重，根据所述注意力权重和所述静态隐变量获取所述金融产品的产品属性信息，包括：

16、获取所述产品静态信息中所有的文本因子，得到全量静态因子；

17、将所述全量静态因子中的各个文本因子进行拼接，得到综合文本因子；

18、利用所述综合文本因子和预设的第二可学习矩阵相乘，得到所述产品静态信息的全量因子编码；

19、根据所述全量因子编码获取所述产品静态信息中各个文本因子的注意力权重值，并根据各个所述文本因子的注意力权重值和对应文本因子的静态隐变量构建所述金融产品的产品属性信息。

20、可选地，所述将所述全量静态因子中的各个文本因子进行拼接，得到综合文本因子，包括：

21、获取预设的文本拼接模板，其中所述文本拼接模板中包括多个模板组件；

22、通过所述模板组件接收所述全量静态因子中的各个文本因子，得到设置完成的文本拼接模板；

23、将所述设置完成的文本拼接模板输入到预训练的文本拼接模型进行文本拼接，得到拼接完成的所述综合文本因子。

24、可选地，所述根据所述产品已知信息和所述产品属性信息获取所述金融产品各个时期的历史实际值，包括：

25、将所述产品已知信息和所述产品属性信息输入预设的变量选择网络，得到综合特征：

26、将所述综合特征和所述产品属性信息输入预设的长短期记忆网络模型，得到已知信息总量，并将所述已知信息总量按时间分布排列计算，得到所述金融产品各个时期的历史实际值。

27、可选地，所述识别所述金融产品的信息中包含的产品静态信息、产品已知信息和产品观察信息，包括：

28、确定所述金融产品的信息中不随时间改变的信息为所述产品静态信息；

29、确定所述金融产品的信息中所有历史时间上的趋势信息为产品已知信息；

30、确定所述金融产品的信息中实时交易信息为产品观察信息。

31、为了解决上述问题，本发明还提供一种金融产品价格预测装置，所述装置包括：

32、产品信息识别模块，用于获取金融产品的信息，识别所述金融产品的信息中包含的产品静态信息、产品已知信息和产品观察信息；

33、产品属性获取模块，用于获取所述产品静态信息的特征编码，并根据所述特征编码获取所述产品静态信息的多个静态隐变量，根据所述产品静态信息中的文本因子构建全量静态因子，并获取所述全量静态因子的注意力权重，根据所述注意力权重和所述静态隐变量获取所述金融产品的产品属性信息；

34、历史值获取模块，用于根据所述产品已知信息和所述产品属性信息获取所述金融产品各个时期的历史实际值，以及根据所述产品观察信息和所述产品属性信息获取所述金融产品各个时期的历史预测值；

35、产品价格预测模块，用于根据所述金融产品各个时期的历史实际值和各个时期的历史预测值构建所述金融产品涨跌的均方误差，并通过所述均方误差预测所述金融产品的实时预测价格。

36、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

37、至少一个处理器；以及，

38、与所述至少一个处理器通信连接的存储器；其中，

39、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的金融产品价格预测方法。

40、为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的金融产品价格预测方法。

41、本发明实施例中，通过识别金融产品的信息中的产品静态信息、产品已知信息和产品观察信息，实现金融产品信息的分类，并根据产品静态信息和产品已知信息获取金融产品各个时期的实际值，根据产品静态信息和产品观察信息获取金融产品各个时期的预测值，然后根据实际值和预测值构建金融产品的均方误差，通过均方误差获取金融产品的实时预测价格，实现准确高效地对金融产品的价格进行预测的目的。