一種智能雙漁網(wǎng)風(fēng)險(xiǎn)控制方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及互聯(lián)網(wǎng)輿情監(jiān)控，傳染病傳播擴(kuò)散途徑，金融衍生品交易等范疇，包括 輿情控制，傳染病爆發(fā)預(yù)測(cè)與監(jiān)控，金融衍生品量化交易等技術(shù)領(lǐng)域，特別涉及一種智能雙 漁網(wǎng)風(fēng)險(xiǎn)控制方法及裝置。
【背景技術(shù)】
[0002] 論壇中的某個(gè)話題一旦被極化往往會(huì)形成一個(gè)新的觀點(diǎn)被傳播，新聞中的部分負(fù) 面消息一旦被某些意見領(lǐng)袖轉(zhuǎn)發(fā)或評(píng)論往往形成對(duì)某事件的輿情，2003年SARS傳染病的 擴(kuò)散導(dǎo)致某些股票暴漲，這些看起來毫不相關(guān)的事件其實(shí)都有著相似的數(shù)據(jù)特征，比如某 些詞在短時(shí)間內(nèi)的高頻出現(xiàn)，大數(shù)據(jù)的重要特征不是之前小數(shù)據(jù)時(shí)代注重?cái)?shù)據(jù)之間的因果 關(guān)系，大數(shù)據(jù)更注重?cái)?shù)據(jù)之間的相關(guān)關(guān)系。本發(fā)明以高頻行情數(shù)據(jù)（實(shí)時(shí)數(shù)據(jù)）和用戶行 為數(shù)據(jù)（歷史數(shù)據(jù)）作為研宄對(duì)象，不僅能挖掘這兩種數(shù)據(jù)之間的相關(guān)關(guān)系，同時(shí)還能通過 機(jī)器自學(xué)習(xí)算法用一種數(shù)據(jù)的數(shù)據(jù)特征來引導(dǎo)并控制另外一種數(shù)據(jù)，以便起到柔性控制的 效果，而不是簡(jiǎn)單粗暴的直接阻斷或刪除信息源。另外，刪除信息源也是事后應(yīng)對(duì)措施，并 非在輿情開始或中間階段就開始逐步引導(dǎo)并控制，金融風(fēng)險(xiǎn)實(shí)施例就是講如何識(shí)別這兩種 數(shù)據(jù)的相互關(guān)系和引導(dǎo)并控制相關(guān)數(shù)據(jù)的變動(dòng)。這種方法同樣適合在輿情控制和傳染病傳 播的開始及中間階段，因?yàn)樗麄兊臄?shù)據(jù)維度和數(shù)據(jù)特征是相同的。
[0003] 輿情控制有幾個(gè)技術(shù)難點(diǎn)，第一、在輿情擴(kuò)散之前我們很難知道那個(gè)話題會(huì)被極 化，比如今天同時(shí)播報(bào)了 100條新聞，或者某論壇今天有1000個(gè)帖子，但是在新聞被擴(kuò)散之 前或帖子被反復(fù)頂之前，我們不知道那個(gè)新聞或者帖子會(huì)成為大家討論的熱點(diǎn)，換句話說 要提高識(shí)別熱點(diǎn)新聞或話題的準(zhǔn)確率是比較困難的，第二、如果我們打算控制某個(gè)話題或 者新聞的傳播，不讓某話題被廣泛傳播，傳統(tǒng)的做法是直接刪除信息源或控制轉(zhuǎn)發(fā)數(shù)量，但 是這樣做會(huì)遇到2個(gè)問題，1、信息源往往是多個(gè)信息源而且可能變異，比如換個(gè)標(biāo)題，內(nèi)容 還是一樣或者修改部分內(nèi)容和標(biāo)題，這樣刪除信息源就比較困難，2、控制轉(zhuǎn)發(fā)數(shù)量目前看 到的是出相關(guān)法律來制裁轉(zhuǎn)發(fā)的人，但這樣的缺點(diǎn)是：高壓手段相對(duì)比較粗暴，而且用計(jì)算 機(jī)程序模擬出虛擬人來轉(zhuǎn)發(fā)也是很容易的?？偨Y(jié)起來，刪除信息源還是控制轉(zhuǎn)發(fā)數(shù)量的技 術(shù)難點(diǎn)其實(shí)是如何可以把高頻數(shù)據(jù)轉(zhuǎn)化為低頻數(shù)據(jù)。對(duì)于這兩個(gè)問題，本發(fā)明方法用金融 風(fēng)險(xiǎn)實(shí)施例來講解，之所以用金融風(fēng)險(xiǎn)實(shí)施例來講解，是因?yàn)榻鹑谛袠I(yè)的高頻數(shù)據(jù)與輿情 或傳染病傳播的高頻數(shù)據(jù)無論在數(shù)據(jù)維度或者數(shù)據(jù)特征上幾乎一樣，而金融行業(yè)的某些高 頻交易策略部分解決了"控制"高頻數(shù)據(jù)的方法，但不完全，因?yàn)?，雖然高頻交易策略的優(yōu) 點(diǎn)在于通過減少交易持倉時(shí)間增加交易頻率來減小風(fēng)險(xiǎn)，獲得更多的收益，但是缺點(diǎn)是準(zhǔn) 確率要求高，而這跟輿情控制中如何提高話題極化的準(zhǔn)確率是一樣的，但準(zhǔn)確率并不是容 易獲得提升的。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供的這種方法，原則上也是通過減少交易時(shí)間增加交易頻率來達(dá)到減少 風(fēng)險(xiǎn)增加收益的效果，但它不需要提高準(zhǔn)確率，而是通過機(jī)器算法把準(zhǔn)確率或其他的硬指 標(biāo)參數(shù)轉(zhuǎn)化成了軟指標(biāo)參數(shù)（比如全局最優(yōu)參數(shù)K值和局部最優(yōu)參數(shù)α和β)，并提升內(nèi) 部性能的參數(shù)值（比如N值），使得高頻數(shù)據(jù)"矮化"成低頻數(shù)據(jù)，從而達(dá)到識(shí)別并控制輿情 或傳染病傳播的速度和范圍。
[0005] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明一種智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，包括：
[0006] 初始化模塊，用于獲取歷史數(shù)據(jù)，對(duì)所述歷史數(shù)據(jù)進(jìn)行初始化，生成初始化數(shù)據(jù)， 通過風(fēng)險(xiǎn)雙向轉(zhuǎn)換策略分別訓(xùn)練風(fēng)險(xiǎn)模型1與風(fēng)險(xiǎn)模型2,當(dāng)實(shí)時(shí)數(shù)據(jù)出現(xiàn)所述初始化數(shù) 據(jù)中觸發(fā)點(diǎn)時(shí)，若為負(fù)，則進(jìn)入所述風(fēng)險(xiǎn)模型1，若為正，則進(jìn)入所述風(fēng)險(xiǎn)模型2 ;
[0007] 判斷模塊，用于根據(jù)風(fēng)險(xiǎn)判斷裝置1與風(fēng)險(xiǎn)判斷裝置2,判斷是否需要再次進(jìn)入所 述風(fēng)險(xiǎn)雙向轉(zhuǎn)換策略，根據(jù)風(fēng)險(xiǎn)判斷裝置3調(diào)整輸出值，使得收益風(fēng)險(xiǎn)比越高越好。
[0008] 所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，所述風(fēng)險(xiǎn)模型1的公式為：
[0009]
【主權(quán)項(xiàng)】
1. 一種智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，其特征在于，包括： 初始化模塊，用于獲取歷史數(shù)據(jù)，對(duì)所述歷史數(shù)據(jù)進(jìn)行初始化，生成初始化數(shù)據(jù)，通過 風(fēng)險(xiǎn)雙向轉(zhuǎn)換策略分別訓(xùn)練風(fēng)險(xiǎn)模型1與風(fēng)險(xiǎn)模型2,當(dāng)實(shí)時(shí)數(shù)據(jù)出現(xiàn)所述初始化數(shù)據(jù)中 觸發(fā)點(diǎn)時(shí)，若為負(fù)，則進(jìn)入所述風(fēng)險(xiǎn)模型1，若為正，則進(jìn)入所述風(fēng)險(xiǎn)模型2 ; 判斷模塊，用于根據(jù)風(fēng)險(xiǎn)判斷裝置1與風(fēng)險(xiǎn)判斷裝置2,判斷是否需要再次進(jìn)入所述風(fēng) 險(xiǎn)雙向轉(zhuǎn)換策略，根據(jù)風(fēng)險(xiǎn)判斷裝置3調(diào)整輸出值，使得收益風(fēng)險(xiǎn)比越高越好。
2. 如權(quán)利要求1所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，其特征在于，所述風(fēng)險(xiǎn)模型1的公式 為： Dvalue1 = {aJots * β.,step η-----h ajots * pkstep) 其中Dvalue1為最小化策略的值，n為總次數(shù)，α為手?jǐn)?shù)的系數(shù)，lots為每次做的手?jǐn)?shù)， β為步長(zhǎng)的系數(shù)，step為每次做的間隔點(diǎn)位，計(jì)算a的公式為： / IogVl .O l Cl I
計(jì)算β的公式為：
其中m為漲或跌的總次數(shù)，CloseTime為最后持倉時(shí)間，OpenTime為開始持倉時(shí)間， Closeprice為最后的價(jià)格，Openprice為開始的價(jià)格，k為加倉次數(shù)，Xi是每次負(fù)值的持倉 時(shí)間，?是平均負(fù)值持倉時(shí)間，S i為每次行情的振幅，5為振幅的均值，ek為自然數(shù)e的k次 方； 計(jì)算k的公式為： k = L*log(D)/log(((R+l)*P_l)/R) 其中L為杠桿比例，D為用戶自定義可承受的最大負(fù)值比率，R為風(fēng)險(xiǎn)回報(bào)率，P為獲利 準(zhǔn)確率的百分比。
3. 如權(quán)利要求1所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，其特征在于，所述風(fēng)險(xiǎn)模型2的公式 為： Dvaluc2 = y/' (lots * step^ H-----l· lots =5= stepH) 其中Dvalue2為最大化策略的值，lots為每次做的手?jǐn)?shù)，step為每次做的間隔點(diǎn)位，k 為加倉次數(shù)，η為總次數(shù)。
4. 如權(quán)利要求2所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，其特征在于，所述風(fēng)險(xiǎn)判斷裝置1 為： 當(dāng)最近一單補(bǔ)倉出現(xiàn)負(fù)值并且步長(zhǎng)超過|3n*step時(shí)，自動(dòng)跳轉(zhuǎn)到所述風(fēng)險(xiǎn)模型1 ; 當(dāng)最近一單補(bǔ)倉出現(xiàn)正值時(shí)，所有風(fēng)險(xiǎn)模型1中的單正值點(diǎn)大于〇時(shí)，自動(dòng)全部攔截。
5. 如權(quán)利要求1所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，其特征在于，所述風(fēng)險(xiǎn)判斷裝置2 為： 當(dāng)最近一單有正值后，以后每次隔Step1時(shí)自動(dòng)跳轉(zhuǎn)到所述風(fēng)險(xiǎn)模型2 ; 當(dāng)最近一單出現(xiàn)負(fù)值后，所有單的總正值點(diǎn)超過DVAULE_POINT* β后自動(dòng)全部攔截， DVAULE_POINT為初始正值點(diǎn)位。
6. 如權(quán)利要求2或3所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制裝置，其特征在于，所述風(fēng)險(xiǎn)判斷裝置 3為： 當(dāng)k值超過3, Dvaulel+Dvaule2>ProS時(shí)自動(dòng)全部攔截，ProS為最小正值數(shù)； 當(dāng)所有單持倉超過7天，自動(dòng)全部攔截； 當(dāng)總負(fù)值超過D時(shí)，自動(dòng)全部攔截。
7. -種智能雙漁網(wǎng)風(fēng)險(xiǎn)控制方法，其特征在于，包括： 步驟1，獲取歷史交易數(shù)據(jù)，對(duì)所述歷史交易數(shù)據(jù)進(jìn)行初始化，生成初始化數(shù)據(jù)，通過風(fēng) 險(xiǎn)雙向轉(zhuǎn)換策略分別訓(xùn)練風(fēng)險(xiǎn)模型1與風(fēng)險(xiǎn)模型2,當(dāng)實(shí)時(shí)數(shù)據(jù)出現(xiàn)所述初始化數(shù)據(jù)中觸 發(fā)點(diǎn)時(shí)，若為負(fù)，則進(jìn)入所述風(fēng)險(xiǎn)模型1，若為正，則進(jìn)入所述風(fēng)險(xiǎn)模型2 ; 步驟2,根據(jù)風(fēng)險(xiǎn)判斷裝置1與風(fēng)險(xiǎn)判斷裝置2,判斷是否需要再次進(jìn)入所述風(fēng)險(xiǎn)雙向 轉(zhuǎn)換策略，根據(jù)風(fēng)險(xiǎn)判斷裝置3調(diào)整輸出值，使得收益風(fēng)險(xiǎn)比越高越好。
8. 如權(quán)利要求7所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制方法，其特征在于，所述風(fēng)險(xiǎn)模型1的公式 為：
其中Dvalue1為最小化策略的值，η為總次數(shù)，α為手?jǐn)?shù)的系數(shù)，lots為每次做的手?jǐn)?shù)， β為步長(zhǎng)的系數(shù)，step為每次做的間隔點(diǎn)位，計(jì)算α的公式為： /log(l.618,;)
計(jì)算β的公式為：
其中m為漲或跌的總次數(shù)，CloseTime為最后持倉時(shí)間，OpenTime為開始持倉時(shí)間， Closeprice為最后的價(jià)格，Openprice為開始的價(jià)格，k為加倉次數(shù)，Xi是每次負(fù)值的持倉 時(shí)間，?是平均負(fù)值持倉時(shí)間，S i為每次行情的振幅，S為振幅的均值，ek為自然數(shù)e的k次 方； 計(jì)算k的公式為： k = L*log(D)/log(((R+l)*P_l)/R) 其中L為杠桿比例，D為用戶自定義可承受的最大負(fù)值比率，R為風(fēng)險(xiǎn)回報(bào)率，P為獲利 準(zhǔn)確率的百分比。
9. 如權(quán)利要求7所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制方法，其特征在于，所述風(fēng)險(xiǎn)模型2的公式 為： Dvaluc2 = y * (lots =!= Slepx -\-----l· lots step,,) 其中Dvalue2為最大化策略的值，lots為每次做的手?jǐn)?shù)，step為每次做的間隔點(diǎn)位，k 為加倉次數(shù)，η為總次數(shù)。
10.如權(quán)利要求8所述的智能雙漁網(wǎng)風(fēng)險(xiǎn)控制方法，其特征在于，所述風(fēng)險(xiǎn)判斷裝置1 為： 當(dāng)最近一單補(bǔ)倉出現(xiàn)負(fù)值并且步長(zhǎng)超過|3n*step時(shí)，自動(dòng)跳轉(zhuǎn)到所述風(fēng)險(xiǎn)模型1 ; 當(dāng)最近一單補(bǔ)倉出現(xiàn)正值時(shí)，所有風(fēng)險(xiǎn)模型1中的單正值點(diǎn)大于〇時(shí)，自動(dòng)全部攔截。
【專利摘要】本發(fā)明公開了一種智能雙漁網(wǎng)風(fēng)險(xiǎn)控制方法及裝置，涉及金融風(fēng)險(xiǎn)，輿情或傳染病控制技術(shù)領(lǐng)域。該裝置包括初始化模塊，獲取歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，對(duì)所述歷史數(shù)據(jù)進(jìn)行初始化，生成初始化數(shù)據(jù)，通過風(fēng)險(xiǎn)雙向轉(zhuǎn)換策略分別訓(xùn)練風(fēng)險(xiǎn)模型1與風(fēng)險(xiǎn)模型2，當(dāng)實(shí)時(shí)數(shù)據(jù)出現(xiàn)所述初始化數(shù)據(jù)的觸發(fā)點(diǎn)時(shí)，若為負(fù)，則進(jìn)入所述風(fēng)險(xiǎn)模型1，若為正，則進(jìn)入所述風(fēng)險(xiǎn)模型2；判斷模塊，根據(jù)風(fēng)險(xiǎn)判斷裝置1與風(fēng)險(xiǎn)判斷裝置2，判斷是否需要再次進(jìn)入所述風(fēng)險(xiǎn)雙向轉(zhuǎn)換策略，根據(jù)風(fēng)險(xiǎn)判斷裝置3調(diào)整輸出值，使得正值越高越好。本發(fā)明通過機(jī)器算法優(yōu)化參數(shù)，改進(jìn)初始化的值，降低來自外部的風(fēng)險(xiǎn)或傳播頻率，能夠通過自動(dòng)學(xué)習(xí)算法提升內(nèi)部性能的參數(shù)，增強(qiáng)自身轉(zhuǎn)化風(fēng)險(xiǎn)的能力。
【IPC分類】G06F19-00
【公開號(hào)】CN104657608
【申請(qǐng)?zhí)枴緾N201510067460
【發(fā)明人】杜登斌, 曾祥洪
【申請(qǐng)人】北京中潤(rùn)普達(dá)信息技術(shù)有限公司
【公開日】2015年5月27日
【申請(qǐng)日】2015年2月9日