(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 202210809162.4 (22)申请日 2022.07.11 (71)申请人 腾云悦智科技 （长 沙） 有限责任公司 地址 410208 湖南省长 沙市岳麓区洋湖街 道潇湘南路一段208号柏利大厦21006 室 (72)发明人 段超　张永超　郭学威　雷建椿　 (74)专利代理 机构 深圳市中科创为专利代理有 限公司 4 4384 专利代理师 徐方星　谢志龙 (51)Int.Cl. G06Q 40/04(2012.01) G06Q 30/02(2012.01) G06F 16/2458(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种基于特征选择与学习模型融合的波动 率预测方法 (57)摘要 本发明公开一种基于特征选择与学习模型 融合的波动率预测方法。 本发明提供了一种新的 特征选择方法， 结合了传统特征选择的优点， 对 减少模型复杂度、 避免过拟合有较好的应用效 果。 本发明提出一种综合考虑模型未知预测、 模 型相关相关程度、 同质性判断、 时间信息判别的 模型权重分配系统， 并在算法模 型上线后运行过 程中， 根据真实数据结果对参考一、 参考二、 参考 三、 参考四进行动态矫正， 优化模型权重分配系 统。 在对该模型权重分配系统的实际应用中表 明， 该模型为终模型的融合的比率提高了优质的 参考， 提升了预测结果的准确性。 权利要求书2页 说明书6页 附图3页 CN 115049495 A 2022.09.13 CN 115049495 A 1.一种基于特 征选择与学习模型融合的波动率预测方法， 其特 征在于， 包括如下步骤： 步骤1： 从数据库中读取原始数据， 原始数据包括与股票买入与卖出等相关的交易数 据； 步骤2： 基本股票因子构建， 通过alpha101、 统计意义指标、 行为金融学等构 建基础因子 特征； 步骤3： 对基础因子进行机器或人工组合合成深度因子， 并对同一市场上的所有股票进 行聚类分析， 产生聚类因子特 征； 步骤4： 建立特征选择模型， 结合本轮特征因子、 历史优良因子、 专家意见， 通过算法不 断进行迭代优化， 得到具有代 表性的特 征因子参与到模型训练； 步骤5： 计算各模型的预测结果； 步骤6： 通过 结合自动模型权 重计算系统与专 家意见， 迭代优化模型权 重分配策略。 2.根据权利要求1所述的基于特征选择与学习模型融合的波动率预测方法， 其特征在 于， 所述步骤4中， 特 征选择的步骤为： 步骤4.a.1： 分别通过RBF模型、 LGB、 TabNet进行 特征选择； 步骤4.a.2： 将历史优良特征因子根据与本次数据的相关程度进行权重匹配， 并结合专 家意见作为权重参考， 同时对步骤4.1所选择的特征 因子进行加权融合， 形成综合特征 因子 权重； 步骤4.a.3： 采用Filter法根据数据的特征针对性的对特征因子进行特征选择， 将特征 因子分类为相关特 征、 无关特 征以及冗余特 征； 步骤4.a.4： 通过RFECV递归特征消除方法对综合特征因子权重以及分类后的特征进行 处理， 获得最终特 征因子。 3.根据权利要求1所述的基于特征选择与学习模型融合的波动率预测方法， 其特征在 于， 所述步骤4中的模型权 重参考的步骤为： 步骤4.b.1： 将若干模型的权重结合未知测试数据， 通过拟牛顿法求解最优化问题， 得 到若干权重， 记为参考一； 步骤4.b.2： 通过模型预测结果相关系数矩阵从若干模型中， 得出相 关系数高的模型， 赋予更高权 重， 记为参考二； 步骤4.b.3： 对整体数据进行同质性判别， 判断机器学习的算法和模型进行训练的方法 不同树模型 的差异， 同质指数高的为深度学习模型权重较高， 同质指数低的为树模型权重 较高， 记为 参考三； 步骤4.b.4： 根据长期时间依赖、 短期时间依赖以及重要时间点等因素， 进行CNN/LSTM/ attention权重分配， 记为 参考四； 步骤4.b.5： 结合 参考一、 参考二、 参考三以及参 考四， 作为 最终模型权 重参考。 4.根据权利要求1所述的基于特征选择与学习模型融合的波动率预测方法， 其特征在 于， 步骤6的具体步骤为： 步骤6.1： 建立 最终模型权 重参考后， 对模型进行算法预测， 得 出预测情况； 步骤6.2： 将投入使用后的真实情况与算法预测情况进行对比， 并根据历史权重匹配程 度进行分析后， 将数据进行 上报， 存储为历史数据； 步骤6.3： 通过历史数据与最终模型权重参考进行对比分析， 并对最终模型权重参考进权　利　要　求　书 1/2 页 2 CN 115049495 A 2行矫正处理， 实现迭代更新。权　利　要　求　书 2/2 页 3 CN 115049495 A 3