一种基于高维点过程的金融时间序列的因果关系学习方法发明专利.pdf

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 111597229 A (43)申请公布日 2020.08.28 (21)申请号 202010409718.1 (22)申请日 2020.05.15 (71)申请人 上海明寰科技有限公司 地址 200030 上海市徐汇区虹桥路333号1 幢298室 (72)发明人 陆培丽　 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/25(2019.01) G06Q 40/04(2012.01) 权利要求书1页 说明书3页 附图1页 (54)发明名称 一种基于高维点过程的金融时间序列的因 果关系学习方法 (57)摘要 本发明公开了金融数据分析领域的一种基 于高维点过程的金融时间序列的因果关系学习 方法，包括以下步骤：步骤1：事件序列提取，将金 融时间序列数据事件化，使得时间序列可以用点 过程模型进行建模与分析；步骤2：事件序列建 模，对多维Hawkes过程进行修正，并使用该过程 对步骤1中抽取得到的金融事件序列进行建模， 估计转化矩阵；步骤3：参数估计，使用正则化的 极大似然估计和EM算法估计模型参数；步骤4：因 果关系网络构建，利用步骤3中得到的转化矩阵 构建因果关系网络，提取多种金融数据间的因果 A 关系。本发明能够有效地发掘金融数据中的因果 9 关系，并能够更好地满足金融时间序列的因果关 2 2 7 系学习的需求，能够有效地替代传统的因果关系 9 5 1 学习方法。 1 1 N C CN 111597229 A 权　利　要　求　书 1/1 页 1.一种基于高维点过程的金融时间序列的因果关系学习方法，其特征在于，包括以下 步骤： 步骤1：事件序列提取，将金融时间序列数据事件化，使得时间序列可以用点过程模型 进行建模与分析； 步骤2：事件序列建模，对多维Hawkes过程进行修正，并使用该过程对步骤1中抽取得到 的金融事件序列进行建模，估计转化矩阵； 步骤3：参数估计，使用正则化的极大似然估计和EM算法估计模型参数； 步骤4：因果关系网络构建，利用步骤3中得到的转化矩阵构建因果关系网络，提取多种 金融数据间的因果关系。 2.根据权利要求1所述的一种基于高维点过程的金融时间序列的因果关系学习方法， 其特征在于，所述步骤1包括以下步骤： 步骤1-1：将时间序列数据规范化处理； 步骤1-2：抽取其中超过阈值的时间点组成事件数据。 3.根据权利要求1所述的一种基于高维点过程的金融时间序列的因果关系学习方法， 其特征在于，所述步骤2中对多维Hawkes过程进行修正具体为在原Hawkes过程的基础上加 入滞后项。 4.根据权利要求1所述的一种基于高维点过程的金融时间序列的因果关系学习方法， 其特征在于，所述步骤3包括以下步骤： 步骤3-1：使用正则化的极大似然估计构建优化目标，对极大似然估计中的对数似然函 数进行正则化处理，防止过拟合； 步骤3-2：EM算法估计模型参数，通过迭代计算E步和M步， 基于EM的学习算法来求解正 则化的极大似然估计问题。 5.根据权利要求1所述的一种基于高维点过程的金融时间序列的因果关系学习方法， 其特征在于，所述步骤4具体为：基于步骤3中估计得到的转化矩阵，选择其中超过指定阈值 的项，将此项对应的两种金融数据加入到因果关系网络中，并在因果关系网络中添加连接 这两种金融数据的边。 2