计算机工程与科学

作者：赵鑫博, 陆忠华

单位：1.中国刑事警察学院公安信息技术与情报学院，辽宁 沈阳 110854；2.中国科学院计算机网络信息中心，北京 100083；3.中国科学院大学，北京 100049

关键词：深度行情,已实现波动率,分布式训练,差分进化,

基金：北京市自然科学基金(4232039)

深度行情数据是沪深交易所的新一代实时行情数据产品，是普通基础行情数据的升级版，是目前国内信息密度最高、蕴含信息量最大、挖掘最不充分的行情数据，对挖掘证券市场潜在风险具有重要价值。但是，现有研究缺少基于深度行情数据面向证券市场的风险度量和计算分析，且全市场深度行情数据规模大，用于提取信息的深度学习模型也越来越复杂，尽管当下硬件的计算能力也在一直不断地发展与提高，但仍然无法解决训练耗时长、效率低等问题。因此，基于沪深300成分股深度行情数据，利用深度学习等方法挖掘高频波动率因子，构建了基于TabNet与LightGBM的高频波动率预测模型。同时，提出了一种基于并行差分进化的分布式训练算法Parallel_DE，用于模型分布式训练过程中的参数计算，并详细阐述了其场景映射方案与整体流程设计。针对上述2项工作基于自有分布式训练平台进行充分验证，实验结果表明，高频波动率预测模型可以对已实现波动率进行高精度预测，且效果相较于其他方法具有一定优越性；Parallel_DE算法可以在一定程度保留参数多样性的同时，有效减少本地参数在测试集上的误差，从而高效率分布式地训练出性能优良的深度学习模型，为证券市场的风险识别提供了面向深度行情数据的相关技术与方法。

来源：2024年第9期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第9期