CN111680107B - 一种基于人工智能和区块链的金融预测系统 - Google Patents

一种基于人工智能和区块链的金融预测系统 Download PDF

Info

Publication number
CN111680107B
CN111680107B CN202010800798.3A CN202010800798A CN111680107B CN 111680107 B CN111680107 B CN 111680107B CN 202010800798 A CN202010800798 A CN 202010800798A CN 111680107 B CN111680107 B CN 111680107B
Authority
CN
China
Prior art keywords
financial
data
sequence
subsequence
financial data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010800798.3A
Other languages
English (en)
Other versions
CN111680107A (zh
Inventor
卞垚
蔡庆龙
周忠良
刘星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jingdong Technology Co., Ltd
Original Assignee
Shanghai Jingdong Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jingdong Technology Co Ltd filed Critical Shanghai Jingdong Technology Co Ltd
Priority to CN202010800798.3A priority Critical patent/CN111680107B/zh
Publication of CN111680107A publication Critical patent/CN111680107A/zh
Application granted granted Critical
Publication of CN111680107B publication Critical patent/CN111680107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基于人工智能和区块链的金融预测系统，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测。本发明的有益效果为：实现了对金融时间序列走势的有效预测，对于政府、投资机构和投资者均有着重要的意义。

Description

一种基于人工智能和区块链的金融预测系统
技术领域
本发明创造涉及金融领域，具体涉及一种基于人工智能和区块链的金融预测系统。
背景技术
时间序列是各行各业的数据按照不同的时间间隔依次、连续产生的，它们通常包含着丰富且复杂的信息。由于人们需要从时间序列中获取有价值的信息，因此时间序列分析技术应运而生。时间序列分析领域的关键一环是预测，时间序列预测是根据数据的历史规律以及变化趋势，对未来数据的发展状况做出合理的推测。金融时间序列是金融领域中最重要的数据，对这类数据进行分析、预测在金融投资决策与风险管理中具有重要的意义。
发明内容
针对上述问题，本发明旨在提供一种基于人工智能和区块链的金融预测系统。
本发明创造的目的通过以下技术方案实现：
一种基于人工智能和区块链的金融预测系统，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测。
优选地，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化。
优选地，所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为F，对金融时间序列F中的金融数据进行依次处理，设f(k)表示金融时间序列F中当前待处理的金融数据，且f(k)表示金融时间序列F中的第k个金融数据，给定数据阈值ΔF(k)，根据给定的数据阈值ΔF(k)确定金融数据f(k)对应的参考数据序列F(k)，设根据给定的数据阈值ΔF(k)确定的参考数据序列F(k)＝{f(k-l+1),f(k-l+2),…,f(k-1)}，其中，f(k-l+1)、f(k-l+2)和f(k-1)分别表示金融时间序列F中的第(k-l+1)、(k-l+2)和第(k-1)个金融数据，(l-1)表示参数数据序列F(k)中的金融数据量；
设f(a)表示参考数据序列F(k)中的金融数据，且f(a)为金融时间序列F中的第a个金融数据，f(b)表示参考数据序列F(k)中的金融数据，且f(b)表示金融时间序列F中的第b个金融数据，其中，a≠b，则参考数据序列F(k)中的金融数据f(a)和金融数据f(b)满足：|f(a)-f(b)|≤ΔF(k)；
设
Figure GDA00027124310200000226
表示参考数据序列F(k)中金融数据的均值，F′(k)表示金融数据f(k)的第一参考数据子序列，且F′(k)＝{f(k-m′),f(k-m′+1),…,f(k)}，其中，f(k-m′)表示金融时间序列F中的第(k-m′)个金融数据，f(k-m′+1)表示金融时间序列F中的第(k-m′+1)个金融数据，m′的值采用下列方式确定；
(1)当金融数据f(k)满足
Figure GDA0002712431020000021
时，采用下列方式确定m′的值：
Figure GDA0002712431020000022
其中，θ(k)表示当金融数据f(k)大于等于
Figure GDA0002712431020000023
时对应的序列检测函数，f(k-s)表示金融时间序列F中的第(k-s)个金融数据，
Figure GDA0002712431020000024
表示金融数据f(k-s)对应的第一比较函数，当
Figure GDA0002712431020000025
时，则
Figure GDA0002712431020000026
当
Figure GDA0002712431020000027
时，则
Figure GDA0002712431020000028
选取使得序列检测函数θ(k)＝1的最大m的值记为m′；
(2)当金融数据f(k)满足
Figure GDA0002712431020000029
时，采用下列方式确定m′的值：
Figure GDA00027124310200000210
其中，
Figure GDA00027124310200000211
表示当金融数据f(k)小于
Figure GDA00027124310200000212
时对应的序列检测函数，
Figure GDA00027124310200000213
表示金融数据f(k-s)对应的第二比较函数，当
Figure GDA00027124310200000214
时，则
Figure GDA00027124310200000215
当
Figure GDA00027124310200000216
时，则
Figure GDA00027124310200000217
选取使得序列检测函数
Figure GDA00027124310200000218
的最大m的值记为m′；
设F″(k)表示金融数据f(k)的第二参考数据子序列，且
Figure GDA00027124310200000219
其中，
Figure GDA00027124310200000220
表示金融时间序列F中的第
Figure GDA00027124310200000221
个金融数据，
Figure GDA00027124310200000222
表示金融时间序列F中的第
Figure GDA00027124310200000223
个金融数据，
Figure GDA00027124310200000224
表示金融时间序列F中的第
Figure GDA00027124310200000225
个金融数据；定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第一检测系数为Y1(k)，且Y1(k)的表达式为：
Figure GDA0002712431020000031
Figure GDA0002712431020000032
Figure GDA0002712431020000033
Figure GDA0002712431020000034
Figure GDA0002712431020000035
式中，Δf(k-m′)表示金融数据f(k-m′)在第一参考数据子序列F′(k)中的标准差，Δf(k)表示金融数据f(k)在第一参考数据子序列F′(k)中的标准差，
Figure GDA0002712431020000036
表示金融数据
Figure GDA0002712431020000037
在第二参考数据子序列F″(k)中的标准差，
Figure GDA0002712431020000038
表示金融数据
Figure GDA0002712431020000039
在第二参考数据子序列F″(k)中的标准差，
Figure GDA00027124310200000310
表示向上取整；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第二检测系数为Y2(k)，且Y2(k)的表达式为：
Figure GDA00027124310200000311
式中，
Figure GDA00027124310200000312
表示第一参考数据子序列F′(k)中金融数据的均值，
Figure GDA00027124310200000313
表示第二参考数据子序列F″(k)中金融数据的均值；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的异常检测函数为Y(k)，且Y(k)的表达式为：
Figure GDA00027124310200000314
当异常检测函数Y(k)的值满足：Y(k)≤0时，判定金融数据f(k)为正常金融数据，且金融数据f(k)的值保持不变；当异常检测函数Y(k)的值满足：Y(k)>0时，判定金融数据f(k)为异常数据，且令
Figure GDA00027124310200000315
其中，f(k-c)表示金融时间序列F中的第(k-c)个金融数据。
本发明创造的有益效果：
本发明对获取的金融时间序列中的金融数据进行去噪处理，避免了噪声数据对金融预测的精度产生影响，在对金融时间序列中的金融数据进行去噪处理时，对金融时间序列中的金融数据依次进行检测，判断所述金融数据是否为噪声数据，在对所述金融数据进行检测时，给定数据阈值用于确定待检测金融数据的参考数据序列，所述参考数据序列中的任两个金融数据之间的欧式距离都小于等于所述数据阈值，从而保证了参数数据序列中的金融数据的相似性，根据待检测金融数据和参考数据序列中金融数据均值的关系在所述参考数据序列中选取部分金融数据和待检测金融数据组成待检测金融数据的第一参考数据子序列，从而保证了所述第一参考数据子序列走势的统一性，选取第一参考数据子序列中间的部分金融数据组成待检测金融数据的第二参考子序列，当待检测金融数据为正常数据时，确定的第一参考数据子序列和第二参考数据子序列将有着相似的走势，定义所述金融数据在第一参考数据子序列和第二参考数据子序列中的第一检测系数和第二检测系数，所述第一检测系数通过将所述第一参考数据子序列的初始金融数据的标准差和第二参考数据子序列的初始金融数据的标准差、第一参考数据子序列的结尾金融数据的标准差(即待检测金融数据的标准差)和第二参考数据子序列的结尾金融数据的标准差进行比较，判断待检测金融数据的第一参考数据子序列和第二参考数据子序列走势的相似性，所述第二检测系数通过将第一参考数据子序列中金融数据的均值和第二参考数据子序列中金融数据的均值进行比较，从而判断第一参考数据子序列和第二参考数据子序列走势的相似性，定义待检测金融数据对应的异常检测函数，所述异常检测函数通过将第一检测系数和第二检测系数进行比较，从而判断待检测金融数据是否为噪声数据，考虑到当第二参考数据子序列的首尾数据距离第一参考数据子序列的首尾金融数据距离越远，第一参考数据子序列和第二参考数据子序列之间的相似性减小的情况，本优选实施例在待检测金融数据的异常检测函数中引入了正弦形式的修正系数对第一检测系数进行修正，使得待检测金融数据的异常检测函数能够更加的灵活，从而有效的提高了噪声数据的检测精度。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于人工智能和区块链的金融预测系统，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测。
优先地，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化。
优选地，所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为F，对金融时间序列F中的金融数据进行依次处理，设f(k)表示金融时间序列F中当前待处理的金融数据，且f(k)表示金融时间序列F中的第k个金融数据，给定数据阈值ΔF(k)，其中，ΔF(k)可以设置为
Figure GDA0002712431020000051
根据给定的数据阈值ΔF(k)确定金融数据f(k)对应的参考数据序列F(k)，设根据给定的数据阈值ΔF(k)确定的参考数据序列F(k)＝{f(k-l+1),f(k-l+2),…,f(k-1)}，其中，f(k-l+1)、f(k-l+2)和f(k-1)分别表示金融时间序列F中的第(k-l+1)、(k-l+2)和第(k-1)个金融数据，(l-1)表示参数数据序列F(k)中的金融数据量；
设f(a)表示参考数据序列F(k)中的金融数据，且f(a)为金融时间序列F中的第a个金融数据，f(b)表示参考数据序列F(k)中的金融数据，且f(b)表示金融时间序列F中的第b个金融数据，其中，a≠b，则参考数据序列F(k)中的金融数据f(a)和金融数据f(b)满足：|f(a)-f(b)|≤ΔF(k)；
设
Figure GDA0002712431020000052
表示参考数据序列F(k)中金融数据的均值，设F′(k)表示金融数据f(k)的第一参考数据子序列，且F′(k)＝{f(k-m′),f(k-m′+1),…,f(k)}，其中，f(k-m′)表示金融时间序列F中的第(k-m′)个金融数据，f(k-m′+1)表示金融时间序列F中的第(k-m′+1)个金融数据，m′的值采用下列方式确定；
(1)当金融数据f(k)满足
Figure GDA0002712431020000053
时，采用下列方式确定m′的值：
Figure GDA0002712431020000054
其中，θ(k)表示当金融数据f(k)大于等于
Figure GDA0002712431020000055
时对应的序列检测函数，f(k-s)表示金融时间序列F中的第(k-s)个金融数据，
Figure GDA0002712431020000061
表示金融数据f(k-s)对应的第一比较函数，当
Figure GDA0002712431020000062
时，则
Figure GDA0002712431020000063
当
Figure GDA0002712431020000064
时，则
Figure GDA0002712431020000065
选取使得序列检测函数θ(k)＝1的最大m的值记为m′；
(2)当金融数据f(k)满足
Figure GDA0002712431020000066
时，采用下列方式确定m′的值：
Figure GDA0002712431020000067
其中，
Figure GDA0002712431020000068
表示当金融数据f(k)小于
Figure GDA0002712431020000069
时对应的序列检测函数，
Figure GDA00027124310200000610
表示金融数据f(k-s)对应的第二比较函数，当
Figure GDA00027124310200000611
时，则
Figure GDA00027124310200000612
当
Figure GDA00027124310200000613
时，则
Figure GDA00027124310200000614
选取使得序列检测函数
Figure GDA00027124310200000615
的最大m的值记为m′；
设F″(k)表示金融数据f(k)的第二参考数据子序列，且
Figure GDA00027124310200000616
其中，
Figure GDA00027124310200000617
表示金融时间序列F中的第
Figure GDA00027124310200000618
个金融数据，
Figure GDA00027124310200000619
表示金融时间序列F中的第
Figure GDA00027124310200000620
个金融数据，
Figure GDA00027124310200000621
表示金融时间序列F中的第
Figure GDA00027124310200000622
个金融数据；定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第一检测系数为Y1(k)，且Y1(k)的表达式为：
Figure GDA00027124310200000623
Figure GDA00027124310200000624
Figure GDA00027124310200000625
Figure GDA00027124310200000626
Figure GDA00027124310200000627
式中，Δf(k-m′)表示金融数据f(k-m′)在第一参考数据子序列F′(k)中的标准差，Δf(k)表示金融数据f(k)在第一参考数据子序列F′(k)中的标准差，
Figure GDA00027124310200000628
表示金融数据
Figure GDA00027124310200000629
在第二参考数据子序列F″(k)中的标准差，
Figure GDA00027124310200000630
表示金融数据
Figure GDA0002712431020000071
在第二参考数据子序列F″(k)中的标准差，
Figure GDA0002712431020000072
表示向上取整；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据、子序列F″(k)中的第二检测系数为Y2(k)，且Y2(k)的表达式为：
Figure GDA0002712431020000073
式中，
Figure GDA0002712431020000074
表示第一参考数据子序列F′(k)中金融数据的均值，
Figure GDA0002712431020000075
表示第二参考数据子序列F″(k)中金融数据的均值；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的异常检测函数为Y(k)，且Y(k)的表达式为：
Figure GDA0002712431020000076
当异常检测函数Y(k)的值满足：Y(k)≤0时，判定金融数据f(k)为正常金融数据，且金融数据f(k)的值保持不变；当异常检测函数Y(k)的值满足：Y(k)>0时，判定金融数据f(k)为异常数据，且令
Figure GDA0002712431020000077
其中，f(k-c)表示金融时间序列F中的第(k-c)个金融数据。
本优选实施例用于去除所述金融时间序列中的噪声数据，对金融时间序列中的金融数据依次进行检测，判断所述金融数据是否为噪声数据，在对所述金融数据进行检测时，给定数据阈值用于确定待检测金融数据的参考数据序列，所述参考数据序列中的任两个金融数据之间的欧式距离都小于等于所述数据阈值，从而保证了参数数据序列中的金融数据的相似性，根据待检测金融数据和参考数据序列中金融数据均值的关系在所述参考数据序列中选取部分金融数据和待检测金融数据组成待检测金融数据的第一参考数据子序列，从而保证了所述第一参考数据子序列走势的统一性，选取第一参考数据子序列中间的部分金融数据组成待检测金融数据的第二参考子序列，当待检测金融数据为正常数据时，确定的第一参考数据子序列和第二参考数据子序列将有着相似的走势，根据该特性，定义所述金融数据在第一参考数据子序列和第二参考数据子序列中的第一检测系数和第二检测系数，所述第一检测系数通过将所述第一参考数据子序列的初始金融数据的标准差和第二参考数据子序列的初始金融数据的标准差、第一参考数据子序列的结尾金融数据的标准差(即待检测金融数据的标准差)和第二参考数据子序列的结尾金融数据的标准差进行比较，判断待检测金融数据的第一参考数据子序列和第二参考数据子序列走势的相似性，所述第二检测系数通过将第一参考数据子序列中金融数据的均值和第二参考数据子序列中金融数据的均值进行比较，从而判断第一参考数据子序列和第二参考数据子序列走势的相似性，定义待检测金融数据对应的异常检测函数，所述异常检测函数通过第一检测系数和第二检测系数比较所述第一参考数据子序列和第二参数数据子序列之间走势的相似性，从而判断待检测金融数据是否为噪声数据，考虑到当第二参考数据子序列的首尾数据距离第一参考数据子序列的首尾金融数据距离越远，第一参考数据子序列和第二参考数据子序列之间走势的相似性减小的情况，本优选实施例在待检测金融数据的异常检测函数中引入了正弦形式的修正系数对第一检测系数进行修正，使得待检测金融数据的异常检测函数能够更加的灵活，从而有效的提高了噪声数据的检测精度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (2)

1.一种基于人工智能和区块链的金融预测系统，其特征是，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化；
所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为F，对金融时间序列F中的金融数据进行依次处理，设f(k)表示金融时间序列F中当前待处理的金融数据，且f(k)表示金融时间序列F中的第k个金融数据，给定数据阈值ΔF(k)，其中，ΔF(k)设置为
Figure FDA0002712431010000011
根据给定的数据阈值ΔF(k)确定金融数据f(k)对应的参考数据序列F(k)，设根据给定的数据阈值ΔF(k)确定的参考数据序列F(k)＝{f(k-l+1),f(k-l+2),…,f(k-1)}，其中，f(k-l+1)、f(k-l+2)和f(k-1)分别表示金融时间序列F中的第(k-l+1)、(k-l+2)和第(k-1)个金融数据，(l-1)表示参数数据序列F(k)中的金融数据量；
设f(a)表示参考数据序列F(k)中的金融数据，且f(a)为金融时间序列F中的第a个金融数据，f(b)表示参考数据序列F(k)中的金融数据，且f(b)表示金融时间序列F中的第b个金融数据，其中，a≠b，则参考数据序列F(k)中的金融数据f(a)和金融数据f(b)满足：|f(a)-f(b)|≤ΔF(k)；
设
Figure FDA0002712431010000012
表示参考数据序列F(k)中金融数据的均值，F′(k)表示金融数据f(k)的第一参考数据子序列，且F′(k)＝{f(k-m′),f(k-m′+1),…,f(k)}，其中，f(k-m′)表示金融时间序列F中的第(k-m′)个金融数据，f(k-m′+1)表示金融时间序列F中的第(k-m′+1)个金融数据，m′的值采用下列方式确定；
(1)当金融数据f(k)满足
Figure FDA0002712431010000013
时，采用下列方式确定m′的值：
Figure FDA0002712431010000014
其中，θ(k)表示当金融数据f(k)大于等于
Figure FDA0002712431010000021
时对应的序列检测函数，f(k-s)表示金融时间序列F中的第(k-s)个金融数据，
Figure FDA0002712431010000022
表示金融数据f(k-s)对应的第一比较函数，当
Figure FDA0002712431010000023
时，则
Figure FDA0002712431010000024
当
Figure FDA0002712431010000025
时，则
Figure FDA0002712431010000026
选取使得序列检测函数θ(k)＝1的最大m的值记为m′；
(2)当金融数据f(k)满足
Figure FDA0002712431010000027
时，采用下列方式确定m′的值：
Figure FDA0002712431010000028
其中，
Figure FDA0002712431010000029
表示当金融数据f(k)小于
Figure FDA00027124310100000210
时对应的序列检测函数，
Figure FDA00027124310100000211
表示金融数据f(k-s)对应的第二比较函数，当
Figure FDA00027124310100000212
时，则
Figure FDA00027124310100000213
当
Figure FDA00027124310100000214
时，则
Figure FDA00027124310100000215
选取使得序列检测函数
Figure FDA00027124310100000216
的最大m的值记为m′。
2.根据权利要求1所述的基于人工智能和区块链的金融预测系统，其特征在于：
设F″(k)表示金融数据f(k)的第二参考数据子序列，且
Figure FDA00027124310100000217
Figure FDA00027124310100000218
其中，
Figure FDA00027124310100000219
表示金融时间序列F中的第
Figure FDA00027124310100000220
个金融数据，
Figure FDA00027124310100000221
表示金融时间序列F中的第
Figure FDA00027124310100000222
个金融数据，
Figure FDA00027124310100000223
表示金融时间序列F中的第
Figure FDA00027124310100000224
个金融数据；定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第一检测系数为Y1(k)，且Y1(k)的表达式为：
Figure FDA00027124310100000225
Figure FDA00027124310100000226
Figure FDA00027124310100000227
Figure FDA00027124310100000228
Figure FDA0002712431010000031
式中，Δf(k-m′)表示金融数据f(k-m′)在第一参考数据子序列F′(k)中的标准差，Δf(k)表示金融数据f(k)在第一参考数据子序列F′(k)中的标准差，
Figure FDA0002712431010000032
表示金融数据
Figure FDA0002712431010000033
在第二参考数据子序列F″(k)中的标准差，
Figure FDA0002712431010000034
表示金融数据
Figure FDA0002712431010000035
在第二参考数据子序列F″(k)中的标准差，
Figure FDA00027124310100000311
表示向上取整；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第二检测系数为Y2(k)，且Y2(k)的表达式为：
Figure FDA0002712431010000036
式中，
Figure FDA0002712431010000037
表示第一参考数据子序列F′(k)中金融数据的均值，
Figure FDA0002712431010000038
表示第二参考数据子序列F″(k)中金融数据的均值；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的异常检测函数为Y(k)，且Y(k)的表达式为：
Figure FDA0002712431010000039
当异常检测函数Y(k)的值满足：Y(k)≤0时，判定金融数据f(k)为正常金融数据，且金融数据f(k)的值保持不变；当异常检测函数Y(k)的值满足：Y(k)>0时，判定金融数据f(k)为异常数据，且令
Figure FDA00027124310100000310
其中，f(k-c)表示金融时间序列F中的第(k-c)个金融数据。
CN202010800798.3A 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统 Active CN111680107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010800798.3A CN111680107B (zh) 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010800798.3A CN111680107B (zh) 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统

Publications (2)

Publication Number Publication Date
CN111680107A CN111680107A (zh) 2020-09-18
CN111680107B true CN111680107B (zh) 2020-12-08

Family

ID=72458232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010800798.3A Active CN111680107B (zh) 2020-08-11 2020-08-11 一种基于人工智能和区块链的金融预测系统

Country Status (1)

Country Link
CN (1) CN111680107B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930844B (zh) * 2020-08-11 2021-09-24 肖岩 基于区块链和人工智能的金融预测系统
CN113065710A (zh) * 2021-04-09 2021-07-02 深圳市小金象科技有限公司 一种基于人工智能和区块链的金融预测系统
CN117314424B (zh) * 2023-09-18 2024-03-29 纬创软件(武汉)有限公司 面向金融大数据的区块链交易系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600070A (zh) * 2016-12-20 2017-04-26 郭建峰 基于ipso‑bp神经网络的短期股价预测算法
CN108305158A (zh) * 2017-12-27 2018-07-20 阿里巴巴集团控股有限公司 一种训练风控模型和风控的方法、装置及设备
WO2019018533A1 (en) * 2017-07-18 2019-01-24 Neubay Inc NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE
CN109493043A (zh) * 2018-10-30 2019-03-19 广州品唯软件有限公司 交易记录区块化方法、装置、电子设备及存储介质
CN109598387A (zh) * 2018-12-14 2019-04-09 华东师范大学 基于双向跨模态注意力网络模型的股价预测方法及系统
CN109919374A (zh) * 2019-03-01 2019-06-21 杭州电子科技大学 基于apso-bp神经网络的股票价格预测方法
CN111209591A (zh) * 2019-12-31 2020-05-29 浙江工业大学 一种按时间排序的存储结构与快速查询的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600070A (zh) * 2016-12-20 2017-04-26 郭建峰 基于ipso‑bp神经网络的短期股价预测算法
WO2019018533A1 (en) * 2017-07-18 2019-01-24 Neubay Inc NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE
CN108305158A (zh) * 2017-12-27 2018-07-20 阿里巴巴集团控股有限公司 一种训练风控模型和风控的方法、装置及设备
CN109493043A (zh) * 2018-10-30 2019-03-19 广州品唯软件有限公司 交易记录区块化方法、装置、电子设备及存储介质
CN109598387A (zh) * 2018-12-14 2019-04-09 华东师范大学 基于双向跨模态注意力网络模型的股价预测方法及系统
CN109919374A (zh) * 2019-03-01 2019-06-21 杭州电子科技大学 基于apso-bp神经网络的股票价格预测方法
CN111209591A (zh) * 2019-12-31 2020-05-29 浙江工业大学 一种按时间排序的存储结构与快速查询的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波和PSO-BP 神经网络的金融时序预测;苗旭东等;《信息技术》;20180531(第5期);第26-28页 *

Also Published As

Publication number Publication date
CN111680107A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111680107B (zh) 一种基于人工智能和区块链的金融预测系统
CN111930844B (zh) 基于区块链和人工智能的金融预测系统
CN109753591B (zh) 业务流程预测性监控方法
CN102521534B (zh) 一种基于粗糙熵属性约简的入侵检测方法
CN113687972B (zh) 业务系统异常数据的处理方法、装置、设备及存储介质
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN114842371B (zh) 一种无监督视频异常检测方法
Shi et al. An improved agglomerative hierarchical clustering anomaly detection method for scientific data
CN115905855A (zh) 一种改进的元学习算法MG-Reptile
CN114691868A (zh) 文本聚类方法、装置及电子设备
CN112418522A (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
CN116340936A (zh) 融合强化学习和特征选择优化的ics入侵检测系统及方法
CN114004258B (zh) 一种半监督的心电异常检测方法
CN114066239A (zh) 一种用户用电量异常检测方法及装置
CN111507578A (zh) 风险评估方法及相关装置、设备
CN115620802B (zh) 一种基因数据的处理方法及系统
CN115579000B (zh) 一种用于语音识别芯片的智能修正方法及系统
CN116543538B (zh) 一种物联网消防电气预警方法及预警系统
CN117240602B (zh) 一种身份认证平台安全防护方法
CN117909852B (zh) 一种用于水工环生态数据分析的监测数据状态划分方法
CN117593101B (zh) 基于多维数据的金融风险数据处理分析方法及系统
CN114637826A (zh) 用户行为分类审计方法、装置、设备及计算机存储介质
CN115604745A (zh) 高维kpi的异常检测方法、装置、计算机可读介质及设备
CN117353373A (zh) 光伏出力预测方法及装置
Guntoro et al. Enhancing Cybersecurity: Innovative Hybrid Feature Selection for Intrusion Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Bian Yao

Inventor after: Cai Qinglong

Inventor after: Zhou Zhongliang

Inventor after: Liu Xing

Inventor before: Liu Xing

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201119

Address after: 177, block B, building 6, No. 1088, Taihe Road, Baoshan District, Shanghai, 200940

Applicant after: Shanghai Jingdong Technology Co., Ltd

Address before: Room 611-11, Ziyang pearl phase I office building, 2999 Ziyang Avenue, Nanchang hi tech Industrial Development Zone, Nanchang City, Jiangxi Province 330000

Applicant before: Nanchang woody Medical Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant