【技術實現步驟摘要】
本申請涉及計算機，特別是涉及一種股票價格路徑預測模型的參數優化方法、裝置、設備及存儲介質。
技術介紹
1、股票價格路徑預測在大型保險公司的資產配置與風險管理中扮演著至關重要的角色。通過股票價格路徑預測模型能夠預測多種可能的未來股票市場情景，為金融機構提供評估投資組合風險、制定穩健投資策略依據。這些預測的股票價格路徑不僅能夠幫助機構在日常運行中優化資產配置比例，降低風險，還能在極端市場情況下(如金融危機)測試金融機構的承受能力。
2、然而，股票價格路徑預測模型在很大程度上依賴于精準的初始參數范圍配置。一旦初始參數范圍設置不當，可能出現無法收斂的問題。針對這一問題，傳統的參數優化方法是采用窮舉試錯或網格搜索的方法，但是這兩種方法存在顯著缺陷。具體地，傳統的參數優化方法不僅容易陷入局部最優解，而且在參數數量和取值范圍增大時，計算效率低下，尤其在處理大數據集或復雜模型時問題更為突出。因此，開發一種高效且準確的參數優化方法，對于提升股票價格路徑預測模型的準確性和實用性至關重要。
技術實現思路
1、基于上述問題，本申請提供了一種股票價格路徑預測模型的參數優化方法、裝置、設備及存儲介質。目的是在對股票價格預測模型的參數進行優化時，在避免陷入局部最優解的同時提升參數優化效率，實現對股票價格預測模型的參數高效且準確的優化。
2、本申請實施例公開了如下技術方案：
3、本申請第一方面提供了一種股票價格路徑預測模型的參數優化方法，該方法包括：
4、根據預設的
5、基于多組所述初始參數，利用所述股票價格路徑預測模型生成多條不同的歷史股票價格路徑；
6、對所述多條不同的歷史股票價格路徑進行特征提取和降維處理，得到降維后的特征集；
7、基于所述多條不同的歷史股票價格路徑和所述降維后的特征集構建deeponet網絡框架；
8、基于所述deeponet網絡框架采用soft?moe機制集成k個deeponet專家模型作為參數優化模型；所述k為正整數；
9、通過所述參數優化模型對所述股票價格路徑預測模型的參數進行優化。
10、在一種可能的實現方式中，所述基于所述多條不同的歷史股票價格路徑和所述降維后的特征集構建deeponet網絡框架，包括：
11、將所述多條不同的歷史股票價格路徑進行標準化處理；
12、將標準化處理后的多條不同的歷史股票價格路徑作為deeponet網絡的分支網絡輸入，將降維后的特征集作為deeponet網絡的主線網絡輸入構建deeponet網絡框架。
13、在一種可能的實現方式中，所述基于所述deeponet網絡框架采用soft?moe機制集成k個deeponet專家模型作為參數優化模型，包括：
14、訓練k個deeponet專家模型；所述k個deeponet專家模型均基于所述deeponet網絡架構但使用不同的初始化參數和訓練樣本；
15、通過門控網絡確定每個deeponet專家模型的權重；
16、基于所述每個deeponet專家模型的權重，將所述k個deeponet專家模型的輸出進行加權平均作為參數優化模型的輸出。
17、在一種可能的實現方式中，所述通過門控網絡確定每個deeponet專家模型的權重，包括：
18、將所述降維后的特征作為門控網絡的輸入；
19、獲取所述門控網絡輸出層對應于k個deeponet專家模型的原始輸出值；
20、基于所述k個deeponet專家模型的原始輸出值確定每個deeponet專家模型的權重；所述k個deeponet專家模型的權重相加之和等于1；所述k個deeponet專家模型的權重分別表示每個deeponet專家模型被選擇的概率。
21、在一種可能的實現方式中，在所述基于所述deeponet網絡框架采用soft?moe機制集成k個deeponet專家模型作為參數優化模型之后，所述方法還包括：
22、基于損失函數對所述參數優化模型進行訓練優化；
23、所述損失函數的具體公式為
24、
25、其中，mse為均方誤差，n為樣本數量，θi為所述初始參數，為所述參數優化模型的輸出。
26、在一種可能的實現方式中，在所述通過所述參數優化模型對所述股票價格路徑預測模型的參數進行優化之后，所述方法還包括：
27、將所述參數優化模型的輸出作為卡爾曼濾波器的初始輸入；
28、通過所述卡爾曼濾波器迭代更新輸出進一步優化后的股票價格路徑預測模型的參數。
29、本申請第二方面提供了一種股票價格路徑預測模型的參數優化裝置，該裝置包括：
30、初始參數生成模塊，用于根據預設的參數范圍隨機生成多組所述股票價格路徑預測模型的初始參數；
31、路徑生成模塊，用于基于多組所述初始參數，利用所述股票價格路徑預測模型生成多條不同的歷史股票價格路徑；
32、特征提取模塊，用于對所述多條不同的歷史股票價格路徑進行特征提取和降維處理，得到降維后的特征集；
33、deeponet構建模塊，用于基于所述多條不同的歷史股票價格路徑和所述降維后的特征集構建deeponet網絡框架；
34、集成模塊，用于基于所述deeponet網絡框架采用soft?moe機制集成k個deeponet專家模型作為參數優化模型；所述k為正整數；
35、優化模塊，用于通過所述參數優化模型對所述股票價格路徑預測模型的參數進行優化。
36、在一種可能的實現方式中，所述deeponet構建模塊，包括：
37、標準化單元，用于將所述多條不同的歷史股票價格路徑進行標準化處理；
38、輸入確定單元，用于將標準化處理后的多條不同的歷史股票價格路徑作為deeponet網絡的分支網絡輸入，將降維后的特征集作為deeponet網絡的主線網絡輸入構建deeponet網絡框架。
39、本申請第三方面提供了一種股票價格路徑預測模型的參數優化設備，該設備包括：處理器以及存儲器：
40、所述存儲器用于存儲程序代碼，并將所述程序代碼傳輸給所述處理器；
41、所述處理器用于根據所述程序代碼中的指令執行如第一方面任一實現方式提供的股票價格路徑預測模型的參數優化方法的步驟。
42、本申請第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質用于存儲程序代碼，所述程序代碼用于執行如第一方面任一實現方式提供的股票價格路徑預測模型的參數優化方法的步驟。
43、相較于現有技術，本申請具有以下有益效果：
44、在本申請技術方案中，首先根據預設的參數范圍隨機生成多組股票價格路徑預測模型的初始參數；接著基于多組初始參數，利用股票價格路徑預測模型本文檔來自技高網...
【技術保護點】
1.一種股票價格路徑預測模型的參數優化方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述基于所述多條不同的歷史股票價格路徑和所述降維后的特征集構建DeepONet網絡框架，包括：
3.根據權利要求2所述的方法，其特征在于，所述基于所述DeepONet網絡框架采用SoftMoE機制集成K個DeepONet專家模型作為參數優化模型，包括：
4.根據權利要求3所述的方法，其特征在于，所述通過門控網絡確定每個DeepONet專家模型的權重，包括：
5.根據權利要求1所述的方法，其特征在于，在所述基于所述DeepONet網絡框架采用Soft?MoE機制集成K個DeepONet專家模型作為參數優化模型之后，所述方法還包括：
6.根據權利要求1所述的方法，其特征在于，在所述通過所述參數優化模型對所述股票價格路徑預測模型的參數進行優化之后，所述方法還包括：
7.一種股票價格路徑預測模型的參數優化裝置，其特征在于，所述裝置包括：
8.根據權利要求7所述的裝置，其特征在于，所述DeepO
9.一種股票價格路徑預測模型的參數優化設備，其特征在于，包括：處理器以及存儲器：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質用于存儲程序代碼，所述程序代碼用于執行權利要求1至6中任一項所述的股票價格路徑預測模型的參數優化方法的步驟。
...【技術特征摘要】
1.一種股票價格路徑預測模型的參數優化方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述基于所述多條不同的歷史股票價格路徑和所述降維后的特征集構建deeponet網絡框架，包括：
3.根據權利要求2所述的方法，其特征在于，所述基于所述deeponet網絡框架采用softmoe機制集成k個deeponet專家模型作為參數優化模型，包括：
4.根據權利要求3所述的方法，其特征在于，所述通過門控網絡確定每個deeponet專家模型的權重，包括：
5.根據權利要求1所述的方法，其特征在于，在所述基于所述deeponet網絡框架采用soft?moe機制集成k個deepone...
【專利技術屬性】
技術研發人員：史春奇，王奕渲，丁豪，姚玥，孫谷飛，王磊，蘇罡，
申請(專利權)人：太保科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。