(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210768591.1 (22)申请日 2022.07.01 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 赵梦　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 郝博　陶海萍 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 上海银行间同业拆放利率预测方法及装置 (57)摘要 本发明提供了一种上海银行间同业拆放利 率预测方法及装置， 可用于人工智能技术领域， 该方法包括： 基于影响上海 银行间同业拆放利率 Shibor的多维因素的历史数据以及Shibor的多 个品种的多维利率报价的历史数据， 构建多维训 练向量； 以多维训练向量为输入， 多维训练向量 对应的概率分布为输出， 训练混合密度网络模 型， 获得训练好的混合密度网络模型， 混合密度 网络模型包 括Shibor预测网络和混合密度模型； 构建当前多维训练向量， 并输入训练好的混合密 度网络模型， 获得下一时间点的各Shibor产品的 利率的概率 分布； 计算下一时间点的各Shibor产 品的Shibor预测值。 本发明可以进行上海银行间 同业拆放利率预测， 准确度高。 权利要求书3页 说明书9页 附图3页 CN 114997523 A 2022.09.02 CN 114997523 A 1.一种上海银 行间同业拆放利率预测方法， 其特 征在于， 包括： 基于影响上海银行间同业拆放利率Shibor的多维因素的历史数据以及Shibor的多个 品种的多维利率报价的历史数据， 构建多维训练向量； 以多维训练向量为输入， 多维训练向量对应的概率分布为输出， 训练混合密度网络模 型， 获得训练好的混合密度网络模型， 所述混合密度网络模型包括Shibor预测网络和混合 密度模型； 在获得影响上海银行间同业拆放利率Shibor的多维因素的预设时长的数据以及 Shibor的多个品种的多维利率报价的预设时长的数据后， 构建当前多维训练向量， 并输入 训练好的混合密度网络模型， 获得 下一时间点的各Shibor产品的利率的概 率分布； 基于下一时间点的各Shibor产品 的利率的概率分布， 计算下一时间点的各Shibor产品 的Shibor预测值。 2.如权利 要求1所述的方法， 其特征在于， 影响上海银行间同业拆放利率Shibor的因素 包括货币供应量、 币种之间汇率平均数、 上交所成交额、 金融机构人民币存贷款差、 居民消 费价格指数、 采购经理人指数、 银行间质押式回购利率、 新增信贷数据、 外商直接投资中的 其中一种或任意组合； Shibor的品种包括隔夜、 1周、 2周、 1月、 2月、 3月、 6月、 9月、 1年中的其中一种或任意组 合。 3.如权利 要求1所述的方法， 其特征在于， 基于影响上海银行间同业拆放利率Shibor的 多维因素的历史数据以及S hibor的多个品种的多维利率报价的历史数据， 构建多维训练向 量， 包括： 获得预设周期内多个时间点的影响上海银行间同业拆放利率Shibor的多维因素的历 史数据以及Shibor的多个品种的多维利率报价的历史数据， 构建多维训练向量， 所述多维 训练向量的维数由因素的维数、 品种的维数和时间点数量确定 。 4.如权利要求1所述的方法， 其特征在于， 所述Shibor预测网络包括三个LSTM层、 三个 全连接层和一个串联操作层； 三个LSTM层， 用于将多维训练向量映射到隐层特 征空间； 三个全连接层， 用于将隐层特征空间向量进行特征加权， 获得混合密度模型中各混合 成分的均值变量、 方差变量和权 重变量； 串联操作层， 用于将均值变量、 方差变量和权重变量串联起来， 获得参数变量， 所述参 数变量用于构建混合密度模型， 获得输出张量， 所述输出张量为多维训练向量对应的混合 密度模型概 率分布。 5.如权利要求1所述的方法， 其特征在于， 采用如下公式， 基于下一时间点的各Shibor 产品的利率的概 率分布， 计算下一时间点的各Shibor产品的Shibor预测值： 其中， yi为第i个Shibor产品的Shibor预测值； m为混合密度模型中高斯分布的数量； 为输出张量的第j个值， 代 表权重， 为输出张量的第m ×i+j个值， 代 表均值。 6.一种上海银 行间同业拆放利率预测装置， 其特 征在于， 包括：权　利　要　求　书 1/3 页 2 CN 114997523 A 2多维训练向量构建模块， 用于基于影响上海银行间同业拆放利率Shibor的多维因素的 历史数据以及Shibor的多个品种的多维利率报价的历史数据， 构建多维训练向量； 混合密度网络模型训练模块， 用于以多维训练向量为输入， 多维训练向量对应的概率 分布为输出， 训练混合密度网络模型， 获得训练好的混合密度网络模 型， 所述混合密度网络 模型包括Shibor预测网络和混合密度模型； 概率分布预测模块， 用于在获得影响上海银行间同业拆放利率Shibor的多维因素的预 设时长的数据以及S hibor的多个品种的多维利率报价的预设时长的数据后， 构建当前多维 训练向量， 并输入训练好的混合密度网络模型， 获得下一时间点的各Shibor产品的利率的 概率分布； Shibor预测值获得模块， 用于基于下一时间点的各Shibor产品的利率的概率分布， 计 算下一时间点的各Shibor产品的Shibor预测值。 7.如权利 要求6所述的装置， 其特征在于， 影响上海银行间同业拆放利率Shibor的因素 包括货币供应量、 币种之间汇率平均数、 上交所成交额、 金融机构人民币存贷款差、 居民消 费价格指数、 采购经理人指数、 银行间质押式回购利率、 新增信贷数据、 外商直接投资中的 其中一种或任意组合； Shibor的品种包括隔夜、 1周、 2周、 1月、 2月、 3月、 6月、 9月、 1年中的其中一种或任意组 合。 8.如权利要求6所述的装置， 其特 征在于， 多维训练向量构建模块具体用于： 获得预设周期内多个时间点的影响上海银行间同业拆放利率Shibor的多维因素的历 史数据以及Shibor的多个品种的多维利率报价的历史数据， 构建多维训练向量， 所述多维 训练向量的维数由因素的维数、 品种的维数和时间点数量确定 。 9.如权利要求6所述的装置， 其特征在于， 所述Shibor预测网络包括三个LSTM层、 三个 全连接层和一个串联操作层； 三个LSTM层， 用于将多维训练向量映射到隐层特 征空间； 三个全连接层， 用于将隐层特征空间向量进行特征加权， 获得混合密度模型中各混合 成分的均值变量、 方差变量和权 重变量； 串联操作层， 用于将均值变量、 方差变量和权重变量串联起来， 获得参数变量， 所述参 数变量用于构建混合密度模型， 获得输出张量， 所述输出张量为多维训练向量对应的混合 密度模型概 率分布。 10.如权利要求6所述的装置， 其特 征在于， Shibor预测值获得模块具体用于： 其中， yi为第i个Shibor产品 的Shibor预测值； m为混合密度模型中高斯分布的数量； 为输出张量的第j个值， 代 表权重， 为输出张量的第m ×i+j个值， 代 表均值。 11.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至5任一项所述 方法。 12.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程权　利　要　求　书 2/3 页 3 CN 114997523 A 3