CN112669161A - 基于区块链、舆情和核心算法的金融风控系统 - Google Patents
基于区块链、舆情和核心算法的金融风控系统 Download PDFInfo
- Publication number
- CN112669161A CN112669161A CN202011543538.9A CN202011543538A CN112669161A CN 112669161 A CN112669161 A CN 112669161A CN 202011543538 A CN202011543538 A CN 202011543538A CN 112669161 A CN112669161 A CN 112669161A
- Authority
- CN
- China
- Prior art keywords
- public sentiment
- particle
- unit
- public
- public opinion
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000008451 emotion Effects 0.000 claims abstract description 27
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000010365 information processing Effects 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 152
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于区块链、舆情和核心算法的金融风控系统，包括舆情信息预设单元、舆情信息采集单元、舆情信息优化单元、舆情信息处理单元、舆情分类单元、区块链存储单元和风险评估单元，所述舆情信息采集单元根据舆情预设单元预设的关键词在网络上采集舆情文章，所述舆情信息优化单元用于对所述舆情文章进行清洗，所述舆情信息处理单元用于获取舆情文章的词向量序列，所述舆情分类单元用于获得舆情文章对应的情感标签，所述区块链存储单元用于存储舆情文章和其情感标签，所述风险评估单元用于对待投资企业的信用进行评估。本发明的有益效果：实现了动态跟踪与企业相关的舆情信息，及时了解用户待投资企业的信用信息，为用户提供及时的警示和告警。
Description
技术领域
本发明创造涉及金融投资领域，具体涉及一种基于区块链、舆情和核心算法的金融风控系统。
背景技术
近年来，金融投资已经逐渐成为普通用户理财的一个手段。投资者在投资时面临了很大的风险，如何在投资时判断待投资企业是否为风险较高的企业，是政府以及投资者均面临的一大难题。
投资企业的信用水平是决定银行和投资机构进行贷款和投资时考虑的重要因素，大数据背景下，网络征信具有数据来源广泛、信息表现形式多样化、社会性强等特点。在现实社会中，企业赖以生存的基础就是包括消费者、合作伙伴、政府机构等在内相关者的认可。企业的任何商务行为都会引起相关者对其做出反应，如果相关者将对企业的反应通过互联网形式进行表达，就会形成有关企业的网络舆情，即企业的网络舆情能够有效的反应企业的信用水平。
发明内容
针对上述问题，本发明旨在提供一种基于区块链、舆情和核心算法的金融风控系统。
本发明创造的目的通过以下技术方案实现：
基于区块链、舆情和核心算法的金融风控系统，包括舆情信息预设单元、舆情信息采集单元、舆情信息优化单元、舆情信息处理单元、舆情分类单元、区块链存储单元和风险评估单元；
舆情信息预设单元：用户通过舆情信息预设单元预设与其待投资企业相关的关键词；
舆情信息采集单元：用于通过网络爬虫从网络上采集与用户预设的关键词相关的舆情文章；
舆情信息优化单元：用于对采集的舆情文章进行清洗，去除舆情文章中的垃圾信息；
舆情信息处理单元：用于将优化处理后的舆情文章进行分词处理，获得舆情文章对应的词汇序列，将所述词汇序列转换成词向量序列；
舆情分类单元：采用训练好的支持向量机模型根据所述舆情文章的词向量序列获得所述舆情文章对应的情感标签；
区块链存储单元：用于存储所述舆情文章和其对应的情感标签；
风险评估单元：用于从区块链存储单元中调取所述舆情文章和其对应的情感标签，并根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估。
优选地，所述情感标签包括正面、负面和中性。
优选地，舆情分类单元采用训练好的支持向量机模型根据舆情文章的词向量序列获得舆情文章对应的情感标签，采用下列方式确定用于训练和测试舆情分类单元中的支持向量机的样本集：
利用舆情信息采集单元通过网络爬虫从网络上采集与用户预设的关键词相关的历史舆情文章，利用舆情信息优化单元对采集的历史舆情文章进行清洗，去除所述历史舆情文章中的垃圾信息，利用舆情信息处理单元将优化处理后的历史舆情文章进行分词处理，获得所述历史舆情文章对应的词汇序列，将所述词汇序列转换成词向量序列，对历史舆情文章进行情感标注，将历史舆情文章的词向量序列和其对应的情感标签作为样本集。
优选地，将样本集分为训练样本集和测试样本集，分别采用训练样本集和测试样本集对舆情分类单元采用的支持向量机进行训练和测试，所述历史舆情文章的词向量序列作为支持向量机的输入值，所述情感标签作为支持向量机的输出值。
优选地，在利用训练样本集对舆情分类单元采用的支持向量机进行训练的过程中，采用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，设Vi(t+1)和Xi(t+1)分别表示粒子群中第i个粒子在第(t+1)次迭代时的步长和位置，Vi(t+1)和Xi(t+1)的表达式分别为：
Vi(t+1)＝qi(t)Vi(t)+c1rand1(Pbesti(t)-Xi(t))+c2rand2(Qbest(t)-Xi(t))
Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Vi(t)和Xi(t)分别表示粒子群中第i个粒子在第t次迭代时的步长和位置，c1和c2分别表示学习因子，rand1和rand2分别表示产生(0，1)之间的随机数，Pbesti(t)表示粒子群中第i个粒子在第t次迭代时的历史最优位置，Qbest(t)表示粒子群在第t次迭代时的全局最优位置，qi(t)表示粒子群中第i个粒子在第t次迭代时的惯性权重因子。
优选地，在粒子群的迭代更新后，将粒子群中粒子按其适应度函数值由高到低进行排序组成序列，并依次确定所述序列中各粒子在当前迭代时对应的惯性权重因子，具体为：
设L(t)表示在第t次迭代更新后将粒子群中粒子按其适应度函数值由高到低进行排序组成的序列，且L(t)＝(jt，j＝1，2，...M}，其中，jt表示序列L(t)中的第j个粒子，M表示粒子群中的粒子数，采用下列公式对粒子jt进行检测：
式中，Yj(t)表示粒子jt在第t次迭代更新后的检测函数，Xj(t)表示粒子jt在第t次迭代时的位置，设(j+1)t表示序列L(t)中的第(j+1)个粒子，Xj+1(t)表示粒子(j+1)t在第t次迭代时的位置，d(Xj(t)，Xj+1(t))表示位置Xj(t)和位置Xj+1(t)之间的欧式距离，设lt表示序列L(t)中的第l个粒子，(l+1)t表示序列L(t)中的第(l+1)个粒子，Xl(t)表示粒子lt在第t次迭代时的位置，Xl+1(t)表示粒子(l+1)t在第t次迭代时的位置，d(Xl(t)，Xl+1(t))表示位置Xl(t)和位置Xl+1(t)之间的欧式距离，t表示粒子群的当前迭代次数，Tmax表示粒子群的最大迭代次数；
当检测到粒子jt在第t次迭代更新后满足Yj(t)＞0时，则令粒子jt在第t次迭代时的惯性权重因子qj(t)的取值为：
当检测到粒子jt在第t次迭代更新后满足Yj(t)≤0时，则令粒子jt在第t次迭代时的惯性权重因子qj(t)的取值为：
式中，qmin和qmax分别表示粒子群的最小惯性权重因子值和最大惯性权重因子值，qmin的值取0.4，qmax的值取0.9，Uj(t)表示粒子jt在第t次迭代更新后满足Yj(t)≤0的情况下引入的惯性权重因子的调节值，且令
其中，d(Xj(t)，Qbest(t))表示位置Xj(t)和全局最优位置Qbest(t)之间的欧式距离，d(Xj(t)，Xl(t))表示位置Xj(t)和位置Xl(t)之间的欧式距离，
表示产生0到
之间的随机数。
优选地，所述风险评估单元用于根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估，具体为：
设舆情信息采集单元采集的与用户预设的关键词相关的舆情文章的数量为N，Z(N)表示这N篇舆情文章通过舆情分类单元获得正面标签的舆情文章数，F(N)表示这N篇舆情文章通过舆情分类单元获得负面标签的舆情文章数，K(N)表示这N篇舆情文章通过舆情分类单元获得中性标签的舆情文章数，当
时，风险评估单元判定用户待投资企业的信用为安全，当
时，风险评估单元判定用户待投资企业的信用为危险。
本发明创造的有益效果：
本发明设计了一种通过企业相关的舆情信息评估企业信用的方法，实现了通过动态跟踪与企业相关的舆情信息，及时了解待投资企业的信用信息，为用户提供及时的警示和告警，从而提高投资的安全性，避免风险损失。
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，本实施例的基于区块链、舆情和核心算法的金融风控系统，包括舆情信息预设单元、舆情信息采集单元、舆情信息优化单元、舆情信息处理单元、舆情分类单元、区块链存储单元和风险评估单元；
舆情信息预设单元：用户通过舆情信息预设单元预设与其待投资企业相关的关键词；
舆情信息采集单元：用于通过网络爬虫从网络上采集与用户预设的关键词相关的舆情文章；
舆情信息优化单元：用于对采集的舆情文章进行清洗，去除舆情文章中的垃圾信息；
舆情信息处理单元：用于将优化处理后的舆情文章进行分词处理，获得舆情文章对应的词汇序列，将所述词汇序列转换成词向量序列；
舆情分类单元：采用训练好的支持向量机模型根据所述舆情文章的词向量序列获得所述舆情文章对应的情感标签；
区块链存储单元：用于存储所述舆情文章和其对应的情感标签；
风险评估单元：用于从区块链存储单元调取所述舆情文章和其对应的情感标签，并根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估。
优选地，所述情感标签包括正面、负面和中性。
本优选实施例设计了一种通过企业相关的舆情信息评估企业信用的方法，实现了通过动态跟踪与企业相关的舆情信息，及时了解用户待投资企业的信用信息，为用户提供及时的警示和告警，从而提高投资的安全性，避免风险损失。
优选地，舆情分类单元采用训练好的支持向量机模型根据舆情文章的词向量序列获得舆情文章对应的情感标签，采用下列方式确定用于训练和测试舆情分类单元中的支持向量机的样本集：
利用舆情信息采集单元通过网络爬虫从网络上采集与用户预设的关键词相关的历史舆情文章，利用舆情信息优化单元对获取的历史舆情文章进行清洗，去除所述历史舆情文章中的垃圾信息，利用舆情信息处理单元将优化处理后的历史舆情文章进行分词处理，获得所述历史舆情文章对应的词汇序列，将所述词汇序列转换成词向量序列，对历史舆情文章进行情感标注，将历史舆情文章的词向量序列和其对应的情感标签作为样本集。
优选地，将样本集分为训练样本集和测试样本集，分别采用训练样本集和测试样本集对舆情分类单元采用的支持向量机进行训练和测试，所述历史舆情文章的词向量序列作为支持向量机的输入值，所述情感标签作为支持向量机的输出值。
优选地，在利用训练样本集对舆情分类单元采用的支持向量机进行训练的过程中，以径向基函数作为支持向量机的核函数，采用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，选用支持向量机训练样本的分类误差作为粒子群算法的适应度函数，设Vi(t+1)和Xi(t+1)表示粒子群中第i个粒子在第(t+1)次迭代时的步长和位置，Vi(t+1)和Xi(t+1)的表达式分别为：
Vi(t+1)＝qi(t)Vi(t)+c1rand1(Pbesti(t)-Xi(t))+c2rand2(Qbest(t)-Xi(t))
Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Vi(t)和Xi(t)分别表示粒子群中第i个粒子在第t次迭代时的步长和位置，c1和c2分别表示学习因子，rand1和rand2分别表示产生(0，1)之间的随机数，Pbesti(t)表示粒子群中第i个粒子在第t次迭代时的历史最优位置，Qbest(t)表示粒子群在第t次迭代时的全局最优位置，qi(t)表示粒子群中第i个粒子在第t次迭代时的惯性权重因子。
本优选实施例采用支持向量机根据舆情文章的词向量序列获得舆情文章对应的情感标签，考虑到支持向量机的惩罚参数及核参数的选择直接影响到支持向量机的性能，本优选实施例采用粒子群算法解决支持向量机的参数选择问题，实现了支持向量机参数选择的自动化，使得支持向量机具有更好的分类能力。
优选地，在粒子群的迭代更新后，将粒子群中粒子按其适应度函数值由高到低进行排序组成序列，并依次确定所述序列中各粒子在当前迭代时对应的惯性权重因子，具体为：
设L(t)表示在第t次迭代更新后将粒子群中粒子按其适应度函数值由高到低进行排序组成的序列，且L(t)＝{jt，j＝1，2，...M}，其中，jt表示序列L(t)中的第j个粒子，M表示粒子群中的粒子数，采用下列公式对粒子jt进行检测：
式中，Yj(t)表示粒子jt在第t次迭代更新后的检测函数，Xj(t)表示粒子jt在第t次迭代时的位置，设(j+1)t表示序列L(t)中的第(j+1)个粒子，Xj+1(t)表示粒子(j+1)t在第t次迭代时的位置，d(Xj(t)，Xj+1(t))表示位置Xj(t)和位置Xj+1(t)之间的欧式距离，设lt表示序列L(t)中的第l个粒子，(l+1)t表示序列L(t)中的第(l+1)个粒子，Xl(t)表示粒子lt在第t次迭代时的位置，Xl+1(t)表示粒子(l+1)t在第t次迭代时的位置，d(Xl(t)，Xl+1(t))表示位置Xl(t)和位置Xl+1(t)之间的欧式距离，t表示粒子群的当前迭代次数，Tmax表示粒子群的最大迭代次数；
当检测到粒子jt在第t次迭代更新后满足Yj(t)＞0时，则令粒子jt在第t次迭代时的惯性权重因子qj(t)的取值为：
当检测到粒子jt在第t次迭代更新后满足Yj(t)≤0时，则令粒子jt在第t次迭代时的惯性权重因子qj(t)的取值为：
式中，qmin和qmax分别表示粒子群的最小惯性权重因子值和最大惯性权重因子值，qmin的值取0.4，qmax的值取0.9，Uj(t)表示粒子jt在第t次迭代更新后满足Yj(t)≤0的情况下引入的惯性权重因子的调节值，且令
其中，d(Xj(t)，Qbest(t))表示位置Xj(t)和全局最优位置Qbest(t)之间的欧式距离，d(Xj(t)，Xl(t))表示位置Xj(t)和位置Xl(t)之间的欧式距离，
表示产生0到
之间的随机数。
本优选实施例公开了粒子群中各粒子的惯性权重因子的取值方式，在本优选实施例定义的粒子群算法中，粒子当前的适应度函数值越小，表明粒子的寻优能力越好，当粒子的适应度函数值较为接近时，表明粒子的寻优性能较为相近，当一个区域中存在多个寻优性能相近的粒子进行寻优时，如果令这些寻优性能相近的粒子继续按照原有的步长对该区域进行寻优，容易减弱粒子群的多样性从而增加粒子群陷入局部极值的可能性的同时，减小了粒子群的收敛速度，针对上述情况，本优选实施例提出的惯性权重因子的取值方式的作用是为了在一个区域中保留寻优性能相差较大的粒子对该区域进行寻优，从而保证了对该区域的局部寻优精度的同时，将粒子群中寻优性能相近的粒子尽可能的分散开来，从而增加粒子群的多样性避免粒子群陷入局部极值，并且增加粒子群的收敛速度，具体为：
当一个区域中存在多个寻优性能相近的粒子时，寻优性能较好的粒子相较于寻优性能较差的粒子具有较大概率寻找到全局最优解，此时令寻优性能较好的粒子继续对该区域进行局部寻优，而令寻优性能较差的粒子采用较大的步长离开该区域去对其他区域进行寻优，即在保证了粒子群的局部寻优精度的同时，加强了粒子群的全局寻优能力；在令寻优性能较差的粒子以较大的步长离开该区域去对其他区域进行寻优时，引入调节值调节所述粒子的惯性权重因子值的大小，并利用粒子和全局最优解之间的欧式距离来控制调节值的取值范围，当粒子和全局最优解的距离较近时，随机数的产生范围较小，使得所述粒子增长较小的步长进行寻优，加强全局最优解附近其他区域的寻优，当粒子和全局最优解的距离较远时，随机数的产生范围较大，使得所述粒子增长较大的步长脱离该区域以加强全局寻优，即利用粒子和全局最优解的欧式距离控制粒子的惯性权重因子值的增长范围，使得粒子群能够兼顾局部寻优和全局寻优的同时，增加粒子群的多样性，从而提高了粒子群的寻优能力；综上所述，本优选实施例定义的粒子惯性权重因子的取值方式，使得在一个区域中保留了寻优性能相差较大的粒子，并且当该区域中存在多个寻优性能相近的粒子时，保留这些寻优性能相近粒子中寻优性能最好的粒子对该区域继续进行局部寻优，使其他和该寻优性能最好粒子的寻优性能相近的粒子以较大的步长离开该区域，从而在保证了粒子群对该区域的局部寻优精度的同时，增加了粒子群的多样性，避免了粒子群陷入局部极值的缺陷，并且增加了粒子群的收敛速度。
优选地，所述风险评估单元用于根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估，具体为：
设舆情信息采集单元采集的与用户预设的关键词相关的舆情文章的数量为N，Z(N)表示这N篇舆情文章通过舆情分类单元获得正面标签的舆情文章数，F(N)表示这N篇舆情文章通过舆情分类单元获得负面标签的舆情文章数，K(N)表示这N篇舆情文章通过舆情分类单元获得中性标签的舆情文章数，当
时，风险评估单元判定用户待投资企业的信用为安全，当
时，风险评估单元判定用户待投资企业的信用为危险。
本优选实施例根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估，实现了通过动态跟踪与企业相关的舆情信息，及时了解待投资企业的信用信息。
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 (7)
1.基于区块链、舆情和核心算法的金融风控系统，其特征是，包括舆情信息预设单元、舆情信息采集单元、舆情信息优化单元、舆情信息处理单元、舆情分类单元、区块链存储单元和风险评估单元；
舆情信息预设单元：用户通过舆情信息预设单元预设与其待投资企业相关的关键词；
舆情信息采集单元：用于通过网络爬虫从网络上采集与用户预设的关键词相关的舆情文章；
舆情信息优化单元：用于对采集的舆情文章进行清洗，去除舆情文章中的垃圾信息；
舆情信息处理单元：用于将优化处理后的舆情文章进行分词处理，获得舆情文章对应的词汇序列，将所述词汇序列转换成词向量序列；
舆情分类单元：采用训练好的支持向量机模型根据所述舆情文章的词向量序列获得所述舆情文章对应的情感标签；
区块链存储单元：用于存储所述舆情文章和其对应的情感标签；
风险评估单元：用于从区块链存储单元中调取所述舆情文章和其对应的情感标签，并根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估。
2.根据权利要求1所述的基于区块链、舆情和核心算法的金融风控系统，其特征是，所述情感标签包括正面、负面和中性。
3.根据权利要求2所述的基于区块链、舆情和核心算法的金融风控系统，其特征是，舆情分类单元采用训练好的支持向量机模型根据舆情文章的词向量序列获得舆情文章对应的情感标签，采用下列方式确定用于训练和测试舆情分类单元中的支持向量机的样本集：
利用舆情信息采集单元通过网络爬虫从网络上采集与用户预设的关键词相关的历史舆情文章，利用舆情信息优化单元对采集的历史舆情文章进行清洗，去除所述历史舆情文章中的垃圾信息，利用舆情信息处理单元将优化处理后的历史舆情文章进行分词处理，获得所述历史舆情文章对应的词汇序列，将所述词汇序列转换成词向量序列，对历史舆情文章进行情感标注，将历史舆情文章的词向量序列和其对应的情感标签作为样本集。
4.根据权利要求3所述的基于区块链、舆情和核心算法的金融风控系统，其特征是，将样本集分为训练样本集和测试样本集，分别采用训练样本集和测试样本集对舆情分类单元采用的支持向量机进行训练和测试，所述历史舆情文章的词向量序列作为支持向量机的输入值，所述情感标签作为支持向量机的输出值。
5.根据权利要求4所述的基于区块链、舆情和核心算法的金融风控系统，其特征是，在利用训练样本集对舆情分类单元采用的支持向量机进行训练的过程中，采用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，设Vi(t+1)和Xi(t+1)分别表示粒子群中第i个粒子在第(t+1)次迭代时的步长和位置，Vi(t+1)和Xi(t+1)的表达式分别为：
Vi(t+1)＝qi(t)Vi(t)+c1rand1(Pbesti(t)-Xi(t))+c2rand2(Qbest(t)-Xi(t))
Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Vi(t)和Xi(t)分别表示粒子群中第i个粒子在第t次迭代时的步长和位置，c1和c2分别表示学习因子，rand1和rand2分别表示产生(0，1)之间的随机数，Pbesti(t)表示粒子群中第i个粒子在第t次迭代时的历史最优位置，Qbest(t)表示粒子群在第t次迭代时的全局最优位置，qi(t)表示粒子群中第i个粒子在第t次迭代时的惯性权重因子。
6.根据权利要求5所述的基于区块链、舆情和核心算法的金融风控系统，其特征是，在粒子群的迭代更新后，将粒子群中粒子按其适应度函数值由高到低进行排序组成序列，并依次确定所述序列中各粒子在当前迭代时对应的惯性权重因子，具体为：
设L(t)表示在第t次迭代更新后将粒子群中粒子按其适应度函数值由高到低进行排序组成的序列，且L(t)＝{jt，j＝1，2，...M}，其中，jt表示序列L(t)中的第j个粒子，M表示粒子群中的粒子数，采用下列公式对粒子jt进行检测：
式中，Yj(t)表示粒子jt在第t次迭代更新后的检测函数，Xj(t)表示粒子jt在第t次迭代时的位置，设(j+1)t表示序列L(t)中的第(j+1)个粒子，Xj+1(t)表示粒子(j+1)t在第t次迭代时的位置，d(Xj(t)，Xj+1(t))表示位置Xj(t)和位置Xj+1(t)之间的欧式距离，设lt表示序列L(t)中的第l个粒子，(l+1)t表示序列L(t)中的第(l+1)个粒子，Xl(t)表示粒子lt在第t次迭代时的位置，Xl+1(t)表示粒子(l+1)t在第t次迭代时的位置，d(Xl(t)，Xl+1(t))表示位置Xl(t)和位置Xl+1(t)之间的欧式距离，t表示粒子群的当前迭代次数，Tmax表示粒子群的最大迭代次数；
当检测到粒子jt在第t次迭代更新后满足Yj(t)＞0时，则令粒子jt在第t次迭代时的惯性权重因子qj(t)的取值为：
当检测到粒子jt在第t次迭代更新后满足Yj(t)≤0时，则令粒子jt在第t次迭代时的惯性权重因子qj(t)的取值为：
式中，qmin和qmax分别表示粒子群的最小惯性权重因子值和最大惯性权重因子值，qmin的值取0.4，qmax的值取0.9，Uj(t)表示粒子jt在第t次迭代更新后满足Yj(t)≤0的情况下引入的惯性权重因子的调节值，且令
其中，d(Xj(t)，Qbest(t))表示位置Xj(t)和全局最优位置Qbest(t)之间的欧式距离，d(Xj(t)，Xl(t))表示位置Xj(t)和位置Xl(t)之间的欧式距离，
表示产生0到
之间的随机数。
7.根据权利要求1-4任一项所述的基于区块链、舆情和核心算法的金融风控系统，其特征是，所述风险评估单元用于根据所述舆情文章和其对应的情感标签对用户待投资企业的信用进行评估，具体为：
设舆情信息采集单元采集的与用户预设的关键词相关的舆情文章的数量为N，Z(N)表示这N篇舆情文章通过舆情分类单元获得正面标签的舆情文章数，F(N)表示这N篇舆情文章通过舆情分类单元获得负面标签的舆情文章数，K(N)表示这N篇舆情文章通过舆情分类单元获得中性标签的舆情文章数，当
时，风险评估单元判定用户待投资企业的信用为安全，当
时，风险评估单元判定用户待投资企业的信用为危险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011543538.9A CN112669161B (zh) | 2020-12-24 | 2020-12-24 | 基于区块链、舆情和核心算法的金融风控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011543538.9A CN112669161B (zh) | 2020-12-24 | 2020-12-24 | 基于区块链、舆情和核心算法的金融风控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669161A true CN112669161A (zh) | 2021-04-16 |
| CN112669161B CN112669161B (zh) | 2021-11-26 |
Family
ID=75409483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011543538.9A Active CN112669161B (zh) | 2020-12-24 | 2020-12-24 | 基于区块链、舆情和核心算法的金融风控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669161B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205409A (zh) * | 2021-05-28 | 2021-08-03 | 中国工商银行股份有限公司 | 贷款业务处理方法及装置 |
| CN113393321A (zh) * | 2021-07-11 | 2021-09-14 | 北京天仪百康科贸有限公司 | 一种基于区块链的金融风控方法 |
| CN113393330A (zh) * | 2021-07-11 | 2021-09-14 | 北京天仪百康科贸有限公司 | 一种基于区块链的金融风控管理系统 |
| CN114612240A (zh) * | 2022-03-11 | 2022-06-10 | 刘星 | 基于核心算法和人工智能的股票舆情监测系统 |
| CN117788136A (zh) * | 2023-11-24 | 2024-03-29 | 浙江孚临科技有限公司 | 一种基于区块链和舆情的金融风控系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846547A (zh) * | 2018-05-06 | 2018-11-20 | 成都信息工程大学 | 一种动态调整的企业信用风险评估方法 |
| CN108875788A (zh) * | 2018-05-23 | 2018-11-23 | 东南大学 | 一种基于改进的粒子群算法的svm分类器参数优化方法 |
| CN111105311A (zh) * | 2019-12-19 | 2020-05-05 | 第一创业证券股份有限公司 | 债券主体的动态信用评级方法及装置 |
-
2020
- 2020-12-24 CN CN202011543538.9A patent/CN112669161B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846547A (zh) * | 2018-05-06 | 2018-11-20 | 成都信息工程大学 | 一种动态调整的企业信用风险评估方法 |
| CN108875788A (zh) * | 2018-05-23 | 2018-11-23 | 东南大学 | 一种基于改进的粒子群算法的svm分类器参数优化方法 |
| CN111105311A (zh) * | 2019-12-19 | 2020-05-05 | 第一创业证券股份有限公司 | 债券主体的动态信用评级方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205409A (zh) * | 2021-05-28 | 2021-08-03 | 中国工商银行股份有限公司 | 贷款业务处理方法及装置 |
| CN113393321A (zh) * | 2021-07-11 | 2021-09-14 | 北京天仪百康科贸有限公司 | 一种基于区块链的金融风控方法 |
| CN113393330A (zh) * | 2021-07-11 | 2021-09-14 | 北京天仪百康科贸有限公司 | 一种基于区块链的金融风控管理系统 |
| CN113393330B (zh) * | 2021-07-11 | 2022-12-23 | 深圳市鼎驰科技发展有限公司 | 一种基于区块链的金融风控管理系统 |
| CN114612240A (zh) * | 2022-03-11 | 2022-06-10 | 刘星 | 基于核心算法和人工智能的股票舆情监测系统 |
| CN117788136A (zh) * | 2023-11-24 | 2024-03-29 | 浙江孚临科技有限公司 | 一种基于区块链和舆情的金融风控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669161B (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669161B (zh) | 基于区块链、舆情和核心算法的金融风控系统 | |
| Ren et al. | Selection-based resampling ensemble algorithm for nonstationary imbalanced stream data learning | |
| Huang et al. | Naive Bayes classification algorithm based on small sample set | |
| Jiang et al. | SSEM: A novel self-adaptive stacking ensemble model for classification | |
| CN109191276B (zh) | 一种基于强化学习的p2p网络借贷机构风险评估方法 | |
| CN112990371B (zh) | 一种基于特征扩增的无监督夜间图像分类方法 | |
| Dai et al. | Price change prediction of ultra high frequency financial data based on temporal convolutional network | |
| Mezei et al. | Credit risk evaluation in peer-to-peer lending with linguistic data transformation and supervised learning | |
| CN113010634A (zh) | 一种基于层级多标签分类的金融事件检测方法、设备 | |
| Lv et al. | Research on imbalanced data: based on SMOTE-AdaBoost algorithm | |
| Tsai et al. | Data pre-processing by genetic algorithms for bankruptcy prediction | |
| Chandok et al. | Enhancing Bankruptcy Prediction with White Shark Optimizer and Deep Learning: A Hybrid Approach for Accurate Financial Risk Assessment. | |
| Kašćelan et al. | Hybrid support vector machine rule extraction method for discovering the preferences of stock market investors: Evidence from Montenegro | |
| CN116467451A (zh) | 一种文本分类方法、装置、存储介质以及电子设备 | |
| Wang et al. | SVM classifier incorporating feature selection using GA for spam detection | |
| Khedr et al. | An ensemble model for financial statement fraud detection | |
| Bi et al. | Forecasting mergers and acquisitions failure based on partial-sigmoid neural network and feature selection | |
| Zhang | Research on quantitative investment based on machine learning | |
| Zhang et al. | Self Adaptive Threshold Pseudo-labeling and Unreliable Sample Contrastive Loss for Semi-supervised Image Classification | |
| Qiang et al. | Bitcoin High-Frequency Trend Prediction with Convolutional and Recurrent Neural Networks | |
| Mao et al. | Loan prepayment prediction based on SVM-RFE and XGBoost models | |
| Netisopakul et al. | Thai stock news classification based on price changes and sentiments | |
| Ainan et al. | Advancing bankruptcy forecasting with hybrid machine learning techniques: Insights from an unbalanced Polish dataset | |
| CN116304058B (zh) | 企业负面信息的识别方法、装置、电子设备及存储介质 | |
| CN113112005B (zh) | 一种基于注意力机制的领域自适应方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 250000 Zhonghai Huashan Longcheng, 2nd Ring East Road, Jinan City, Shandong Province Applicant after: Wang Jianying Address before: Hechuan Town, Yongxin County, Ji'an City, Jiangxi Province Applicant before: Wang Jianying |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211108 Address after: No.15, 1st floor, building 25, 360 Huayang Nanhu Avenue, Tianfu New District, Chengdu, Sichuan 610000 Applicant after: Daoyun Co.,Ltd. Address before: 250000 Zhonghai Huashan Longcheng, East 2nd Ring Road, Jinan City, Shandong Province Applicant before: Wang Jianying |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |