CN114881768A - 一种金融大数据风险分析平台 - Google Patents

一种金融大数据风险分析平台 Download PDF

Info

Publication number
CN114881768A
CN114881768A CN202210587026.5A CN202210587026A CN114881768A CN 114881768 A CN114881768 A CN 114881768A CN 202210587026 A CN202210587026 A CN 202210587026A CN 114881768 A CN114881768 A CN 114881768A
Authority
CN
China
Prior art keywords
data
analysis
module
financial
risk
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.)
Pending
Application number
CN202210587026.5A
Other languages
English (en)
Inventor
丁文涛
刘天航
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.)
Henan Ranlin Enterprise Management Consulting Co ltd
Original Assignee
Henan Ranlin Enterprise Management Consulting 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 Henan Ranlin Enterprise Management Consulting Co ltd filed Critical Henan Ranlin Enterprise Management Consulting Co ltd
Priority to CN202210587026.5A priority Critical patent/CN114881768A/zh
Publication of CN114881768A publication Critical patent/CN114881768A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

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

Abstract

本发明公开了一种金融大数据风险分析平台，包括数据采集模块、云存储模块、控制中心模块、数据分析模块、数据校验模块、信息补偿模块、风险评估模块、警报模块，所述数据采集模块将采集到的金融数据发送至云存储模块进行存储，数据分析模块通过对初始阶段的数据影响和分析过程影响来对进行阶段数据分析过程进行分析得到数据加权矩阵和算法加权矩阵，再结合进行进行阶段对金融数据的状态分析对金融数据实施状态监控，当存在数据异常时，由数据校验模块和信息补偿模块对偏差数据进行数据补偿得到待预测数据，再由风险评估模块对得但预测数据进行风险评估，从而提高了金融大数据中风险预测分析的准确性，加强了金融大数据的风险管理程度。

Description

一种金融大数据风险分析平台
技术领域
本发明涉及及金融大数据技术领域，特别是涉及一种金融大数据风险分析平台。
背景技术
随着互联网时代的发展，大数据在各个领域都得到了广泛的应用，为了通过金融大数据建立和维护一个稳定、健全和高效的金融体系来保护各方参与者的利益；现有技术中管理人员利用风险评估模型对全面的、准确的、及时的用户数据进行信用风险的预估和分析，即通过数学算法模型对交易中的金融数据进行分析计算，降低了金融数据领域中信息不对称问题带来的风险，但是由于不同层次的金融交易的要求不同，且掌握的科技技术水平不同，使得信息不对称的风险不能完全消除；数学算法模型的融合分析不断提高了金融大数据数据分析过程中的数据分析的准确性；但是数学模型的融合的复杂性又会降低金融大数据的处理过程信息的传递，提高分析准确性的同时又加大了信息不对称的风险，不对称的数据信息又会造成信息泄露、风险预测不及时和决策不准确的问题，在进行金融交易的过程中，不同状态下的数据安全风险受到分析过程的不同影响因素的影响，为了提高金融大数据的监管程度，克服风险分析过程中信息不对称、风险预测算法的选择和计算误差带来的影响，提高风险预测和决策的准确性，我们提出了一种金融大数据风险分析平台。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供一种金融大数据风险分析平台，本发明将就不同层次的交易用户带来的数据风险和不同的数据分析模型带来的误差考虑在内，数据分析模块对金融交易的初始阶段的数据进行分析得到数据加权矩阵和算法加权矩阵，再通过对进行阶段的金融数据进行的状态分析得到分析误差，数据校验模块再根据分析误差进行金融数据进行数据校验，再由风险评估模块进行风险评估，大大提高了风险预测的准确性，加强了金融大数据的数据安全管理程度。
其解决的技术方案是，一种金融大数据风险分析平台，包括数据采集模块、云存储模块、控制中心模块、数据分析模块、数据校验模块、信息补偿模块、风险评估模块、警报模块，所述数据采集模块对金融交易过程中产生的金融数据进行采集，并将金融数据存储于云存储模块，数据分析模块利用融合数据分析算法对金融数据进行数据分析得到分析结果，数据校验模块根据数据分析模块的分析结果对金融数据进行校验并得到校验误差，信息补偿模块根据校验误差对金融数据进行数据补偿得到待预测数据，风险评估模块对待预测的金融数据进行风险预测得到风险预测结果，警报模块根据风险预测结果发送警报信号，此系统管理过程具体如下：
(1)数据采集模块分别对金融交易的初始阶段、进行阶段、最终阶段产生的金融数据进行采集并将金融数据存出于云存储模块，当进行金融数据分析时，由控制中心模块向云存储模块发送调用指令来对金融数据进行调用；
(2)数据分析模块在接收到控制中心模块发送的分析指令后利用融合数据分析算法对金融数据进行分析得到分析结果，首先，数据分析模块对待分析的初始阶段的金融数据和进行阶段的分析指令进行分类得到分类结果，再根据分类结果建立数据分析模型，并对金融数据进行拟合分析得到分析结果，具体分析过程如下：
步骤1、数据分析模块将初始阶段金融数据的采集时间分为不同的时间段 t1，t2，t3...ti，i∈[1，n]，n为时间段的个数，再对每一个时间段内采集的金融数据的数据量进行分析得到p1，p2，p3...pj，j∈[1，m]，m表示的是产生不同的金融数据的用户数量，初始阶段中不同时间段的交易用户对进行阶段的数据影响程度不同，将数据影响程度记为yij，数据影响程度的数据加权值记为wij，公式为 wij＝tipj，根据数据加权值wij得到数据加权矩阵W，
Figure BDA0003666375990000021
数据加权矩阵W表示的是在金融交易过程中初始阶段的金融数据对进行阶段的安全风险的影响矩阵，不同时间段内不同的交易用户的交易数据量和信息安全值不同；
步骤2、当金融交易处于进行阶段时，数据分析模块根据分析指令调取对应的初始阶段的金融数据，并对提取的金融数据进行预处理得到预处理数据集，数据分析模块根据人工神经网络分类算法对预处理数据集进行分类得到分类数据，方程如下：
Figure BDA0003666375990000031
其中，Y为非线性输出函数，xi一个数据集中的数据项，wi为权值，θ为分类误差；
步骤3、数据分析模块利用非线性分析函数对初始阶段的每一类分类数据进行非线性分析得到算法分析误差Li(i∈[1，k])，k表示分类数据的类别数，数据分析模块根据分析目的建立目标函数，并根据目标函数对k类分类数据的分析结果设定l个目标参数，记为y1，y2，y3...yl，不同的分类数据得到目标参数的分析过程不同，不同的分析过程中利用了不同复杂程度的数据分析模型，算法分析误差的非线性方程组如下：
Figure BDA0003666375990000032
其中，vij为目标参数的加权值，i，j表示加权值下标的正整数，i，j的范围分别满足i∈[1，l]，j∈[1，k]，数据分析模块对非线性方程组进行求解得到算法加权矩阵 V；
步骤4、数据分析模块对金融阶段的进行阶段中的金融数据进行分析得到对应的分析结果，分析结果中包括分析影响参数，进行阶段中金融交易的数据安全风险受到初级阶段金融数据的数据加权矩阵和算法加权矩阵的影响，数据分析模块对初始阶段影响下的进行阶段的金融数据进行动态分析得到动态阈值，再根据动态阈值进行分析得的进行阶段的分析误差，最后数据分析模块将分析误差发送至数据校验模块；
(3)数据校验模块接收数据分析模块的分析误差，并根据分析误差对进行阶段的金融数据进行校验得到偏差数据，信息补偿模块根据数据分析模块和数据校验模块的分析结果对偏差数据进行补偿得到待预测数据；
(4)风险评估模块利用风险评估模型对补偿过后的待预测数据进行风险评估，警报模块根据风险评估模块的风险评估结果对数据分析过程进行信息安全预警。
所述数据分析模块根据初始阶段中分析得到的数据加权矩阵和算法加权矩阵对进行阶段的数据安全进行状态分析，状态方程如下：
Figure BDA0003666375990000041
其中，I0为初始状态量，I(t)为状态函数，在进行阶段中金融数据处理中的信息链，Ri(t)为进行阶段中产生的金融数据的分析结果中的边缘分析值，Ro(t)为确定性分析结果的确定分析值，ε为状态误差，δ为数据加权矩阵和算法加权矩阵对带来的分析误差，方程为：
Figure BDA0003666375990000042
其中，V＝(v1，v2，v3...vk)非线性方程组的特征值。
所述数据分析模块根据初始阶段的金融数据对进行阶段的数据分析的过程进行动态分析得到进行阶段金融数据的初始值，所述数据校验模块再根据数据分析模块分析得到的分析误差、初始值和校验值对待预测的金融数据进行校验对比，校验值是金融交易过程中设定的数据阈值上限，超出数据阈值上限的金融数据记为偏差数据，信息补偿模块根据数据分析模块和数据校验模块的分析结果对偏差数据进行补偿得到待预测数据，并将待预测数据发送至风险评估模块。
由于以上技术方案的采用，本发明与现有技术相比具有如下优点；
1.平台的数据分析模块通过对金融交易过程中的不同阶段的金融数据的分析来进行金融数据监控，数据分析模块对金融交易的初始阶段的用户产生的金融数据进行分析得到数据加权矩阵，数据分析模块还将算法的分析过程的影响也考虑在内，首先数据分析模块根据人工神经网络分类算法对初始阶段的金融数据进行分类和训练得到分类数据，再通过非线性方程组对不同的数据分析算法得到目标参数，最后根据目标参数得到算法加权矩阵，将不同的数据处理算法带来的误差进行了量化，提高了金融平台对金融数据的监控管理程度。
2.数据分析模块利用状态分析方程对金融交易的进行阶段产生的金融数据进行状态分析，将数据加权矩阵和算法加权矩阵与进行阶段的系统动力学分析模型进行结合，实现数据分析模块对金融交易的进行阶段的金融数据的监控，数据校验模块和信息补偿模块根据数据分析模块的分析结果将偏差数据进行数据补偿得到待预测数据，再由风险评估模块对得但预测数据进行风险评估，从而提高了金融大数据中风险预测分析的准确性，减小了预测分析的误差使得在系统动力学模型风险预测过程中充分考虑到所有的误差，加强了金融交易进行过程中对金融数据的监控。
附图说明
图1为本系统的整体模块图；
图2为本系统的整体计算流程图；
图3为数据分析模块的流程图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1 至图3对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
大量的数据支持和数据处理能力是金融大数据发展的关键因素，大数据挖掘克服了传统的金融行业中的弊端，通过对大数据的处理可以降低金融行业的影响，数据分析可以利用金融数据进行风险控制、服务创新、精准营销、产品创新，金融数据包括交易信息、行为数据、客户数据，在现有技术中，交易用户在金融交易平台的交易过程中会产生大量的金融数据，金融平台通过对金融数据的分析来保证金融交易的正常进行，本发明提出了一种金融大数据风险分析平台，包括数据采集模块、云存储模块、控制中心模块、数据分析模块、数据校验模块、信息补偿模块、风险评估模块、警报模块，所述数据采集模块对金融交易过程中产生的金融数据进行采集，并将金融数据存储于云存储模块，数据采集模块的采集端包括登录端和交易端，交易用户登陆金融交易平台时，通过登陆端上传用于身份验证的验证信息，数据分析模块利用融合数据分析算法对金融数据进行数据分析得到分析结果，数据校验模块根据数据分析模块的分析结果对金融数据进行校验并得到校验误差，信息补偿模块根据校验误差对金融数据进行数据补偿得到待预测数据，风险评估模块对待预测的金融数据进行风险预测得到风险预测结果，警报模块根据风险预测结果发送警报信号，此系统管理过程具体如下：
(1)数据采集模块分别对金融交易的初始阶段、进行阶段、最终阶段产生的金融数据进行采集并将金融数据存出于云存储模块，交易用户在本次交易过程的进行阶段之前的所有信息均属于初始阶段，初始阶段属于进行阶段的准备阶段，当进行金融数据分析时，由控制中心模块向云存储模块发送调用指令来对金融数据进行调用，控制中心模块是金融交易平台的管理中心，对所有交易用户的交易过程进行管理；
(2)当金融交易的进行阶段开始时，数据分析模块为了实现对进行阶段的金融数据监控，需要对一个金融交易过程中进行阶段对应的初始阶段的金融数据进行分析，控制中心模块根据请求发送分析指令和调用指令，数据分析模块在接收到控制中心模块发送的分析指令后利用融合数据分析算法对金融数据进行分析得到分析结果，首先，数据分析模块对待分析的初始阶段的金融数据和进行阶段的分析指令进行分类得到分类结果，再根据分类结果建立数据分析模型，并对金融数据进行拟合分析得到分析结果，具体分析过程如下：
步骤1、当金融交易过程中有多个交易用户同时进行交易时，多个交易用户的金融交易数据中的交易的时间和交易的数据量不同，数据分析模块将初始阶段金融数据的采集时间分为不同的时间段t1，t2，t3...ti，i∈[1，n]，n为时间段的个数，再对每一个时间段内采集的金融数据的数据量进行分析得到p1，p2，p3...pj，j∈[1，m]，m表示的是产生不同的金融数据的用户数量，初始阶段中不同时间段的交易用户对进行阶段的数据影响程度不同，将数据影响程度记为yij，数据影响程度的数据加权值记为wij，公式为wij＝tipj，根据数据加权值wij得到数据加权矩阵W，
Figure BDA0003666375990000071
数据加权矩阵W表示的是在金融交易过程中初始阶段的金融数据对进行阶段的安全风险的影响矩阵，一个交易过程中的初级阶段的金融数据对进行阶段的数据安全风险的影响通过数据量化得到了数据加权矩阵，不同时间段内不同的交易用户的交易数据量和信息安全值不同；
步骤2、当金融交易处于进行阶段时，数据分析模块根据分析指令调取对应的初始阶段的金融数据，并对提取的金融数据进行预处理得到预处理数据集，数据分析模块根据人工神经网络分类算法对预处理数据集进行分类得到分类数据，方程如下：
Figure BDA0003666375990000072
其中，Y为非线性输出函数，xi一个数据集中的数据项，wi为权值，θ为分类误差，根据Y对金融数据的金融数据进行训练得到最佳匹配值，再根据最佳匹配值得到自适应权重作用于输入值，根据人工神经网络分类算法对预处理数据进行处理得到分类数据；
步骤3、数据分析模块利用非线性分析函数对初始阶段的每一类分类数据进行非线性分析得到算法分析误差Li(i∈[1，k])，k表示分类数据的类别数，分类数据中所含的金融数据集时不同的，为了得到初始阶段的金融数据对进行阶段的金融数据的误差影响，需要对k类分类数据进行系统分析，首先数据分析模块根据分析目的建立目标函数，并根据目标函数对k类分类数据的分析结果设定l个目标参数，记为y1，y2，y3...yl，对于每一类分类数据来说，设定相同的目标参数 y1，y2，y3...yl，但是每一个分类数据得到形同的目标参数的过程是不同的，利用到的算法分析模型的复杂程度也是不同的，为了将这种算法分析过程对进行阶段产生的金融数据的影响也包含在内，本发明中设定了非线性方程组对算法的影响进行分析，不同的分类数据得到目标参数的分析过程不同，不同的分析过程中利用了不同复杂程度的数据分析模型，算法分析误差的非线性方程组如下：
Figure BDA0003666375990000081
其中，vij为目标参数的加权值，i，j表示加权值下标的正整数，i，j的范围分别满足i∈[1，l]，j∈[1，k]，数据分析模块对非线性方程组进行求解得到算法加权矩阵 V；
步骤4、数据分析模块对金融阶段的进行阶段中的金融数据进行分析得到对应的分析结果，分析结果中包括分析影响参数，进行阶段中金融交易的数据安全风险受到初级阶段金融数据的数据加权矩阵和算法加权矩阵的影响，数据分析模块对初始阶段影响下的进行阶段的金融数据进行动态分析得到动态阈值，再根据动态阈值进行分析得的进行阶段的分析误差，最后数据分析模块将分析误差发送至数据校验模块；
(3)数据校验模块接收数据分析模块的分析误差，并根据分析误差对进行阶段的金融数据进行校验得到偏差数据，信息补偿模块根据数据分析模块和数据校验模块的分析结果对偏差数据进行补偿得到待预测数据；
(4)风险评估模块利用风险评估模型对补偿过后的待预测数据进行风险评估，警报模块根据风险评估模块的风险评估结果对数据分析过程进行信息安全预警。
所述数据分析模块根据初始阶段中分析得到的数据加权矩阵和算法加权矩阵对进行阶段的数据安全进行状态分析，状态方程如下：
Figure BDA0003666375990000091
其中，I0为初始状态量，I(t)为状态函数，在进行阶段中金融数据处理中的信息链，Ri(t)为进行阶段中产生的金融数据的分析结果中的边缘分析值，Ro(t)为确定性分析结果的确定分析值，ε为状态误差，δ为数据加权矩阵和算法加权矩阵对带来的分析误差，方程为：
Figure BDA0003666375990000092
其中，V＝(v1，v2，v3...vk)非线性方程组的特征值。
所述数据分析模块根据初始阶段的金融数据对进行阶段的数据分析的过程进行动态分析得到进行阶段金融数据的初始值，所述数据校验模块再根据数据分析模块分析得到的分析误差、初始值和校验值对待预测的金融数据进行校验对比，校验值是金融交易过程中设定的数据阈值上限，超出数据阈值上限的金融数据记为偏差数据，信息补偿模块根据数据分析模块和数据校验模块的分析结果对偏差数据进行补偿得到待预测数据，并将待预测数据发送至风险评估模块。
所述风险评估模块利用风险评估模型对补偿过后的待预测数据进行风险评估，金融数据通过风险评估模型的风险评估预测得到数据安全风险，所述警报模块根据风险评估模块的风险评估结果对数据分析过程进行信息安全预警。
所述数据采集模块对金融平台上进行金融交易的所有交易用户的金融数据进行采集，根据金融交易的状态将金融交易过程分为三个阶段，不同阶段所采集的数据类型和数据量不同，数据采集模块将采集到的不同极端的金融数据存储于云存储模块，云存储模块采用分布式存储的方法进行数据存储。
本发明具体使用时，包括数据采集模块、云存储模块、控制中心模块、数据分析模块、数据校验模块、信息补偿模块、风险评估模块、警报模块，所述数据采集模块对金融交易过程中产生的金融数据进行采集，并将金融数据存储于云存储模块，在金融交易平台上进行的不同金融交易的过程中不同阶段金融数据的数据采集过程和分析过程均不相同，为了保证金融交易的进行阶段中产生的金融数据的安全，数据分析模块通过对初始阶段的数据影响和分析过程影响来对进行阶段数据分析过程进行分析，初始阶段的金融数据包括在进行金融交易进行阶段以前的交易用户的所有交易数据，数据分析模块对金融交易的初始阶段的用户产生的金融数据进行分析得到数据加权矩阵，同时数据分析模块根据人工神经网络分类算法对初始阶段的金融数据进行分类和训练得到分类数据，再通过非线性方程组对不同的数据分析算法得到目标参数，从而根据目标参数得到算法加权矩阵，算法加权矩阵代表的是在不同复杂程度下分析过程的对进行阶段的状态分析的影响程度，数据分析模块结合初始阶段的影响利用状态分析方程对进行阶段的金融数据进行状态分析，数据校验模块和信息补偿模块根据数据分析模块的分析结果将偏差数据进行数据补偿得到待预测数据，再由风险评估模块对得但预测数据进行风险评估，从而提高了金融大数据中风险预测分析的准确性，减小了预测分析的误差使得在系统动力学模型风险预测过程中充分考虑到所有的误差，加强了金融交易进行过程中对金融数据的监控，将不同的数据处理算法带来的误差进行了量化，提高了金融平台对金融数据的监控管理程度。
以上所述是结合具体实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施仅局限于此；对于本发明所属及相关技术领域的技术人员来说，在基于本发明技术方案思路前提下，所作的拓展以及操作方法、数据的替换，都应当落在本发明保护范围之内。

Claims (5)

1.一种金融大数据风险分析平台，其特征在于，包括数据采集模块、云存储模块、控制中心模块、数据分析模块、数据校验模块、信息补偿模块、风险评估模块、警报模块，所述数据采集模块对金融交易过程中产生的金融数据进行采集，并将金融数据存储于云存储模块，数据分析模块利用融合数据分析算法对金融数据进行数据分析得到分析结果，数据校验模块根据数据分析模块的分析结果对金融数据进行校验并得到校验误差，信息补偿模块根据校验误差对金融数据进行数据补偿得到待预测数据，风险评估模块对待预测的金融数据进行风险预测得到风险预测结果，警报模块根据风险预测结果发送警报信号，此系统管理过程具体如下：
(1)数据采集模块分别对金融交易的初始阶段、进行阶段、最终阶段产生的金融数据进行采集并将金融数据存出于云存储模块，当进行金融数据分析时，由控制中心模块向云存储模块发送调用指令来对金融数据进行调用；
(2)数据分析模块在接收到控制中心模块发送的分析指令后利用融合数据分析算法对金融数据进行分析得到分析结果，首先，数据分析模块对待分析的初始阶段的金融数据和进行阶段的分析指令进行分类得到分类结果，再根据分类结果建立数据分析模型，并对金融数据进行拟合分析得到分析结果，具体分析过程如下：
步骤1、数据分析模块将初始阶段金融数据的采集时间分为不同的时间段t1，t2，t3...ti，i[1，n],n为时间段的个数，再对每一个时间段内采集的金融数据的数据量进行分析得到p1，p2，p3...pj，j∈[1，m]，m表示的是产生不同的金融数据的用户数量，初始阶段中不同时间段的交易用户对进行阶段的数据影响程度不同，将数据影响程度记为yij，数据影响程度的数据加权值记为wij，i、j属于正整数共同组成一个下标，公式为wij＝tipj，根据数据加权值wij得到数据加权矩阵W，
Figure FDA0003666375980000011
数据加权矩阵W表示的是在金融交易过程中初始阶段的金融数据对进行阶段的安全风险的影响矩阵，不同时间段内不同的交易用户的交易数据量和信息安全值不同；
步骤2、当金融交易处于进行阶段时，数据分析模块根据分析指令调取对应的初始阶段的金融数据，并对提取的金融数据进行预处理得到预处理数据集，数据分析模块根据人工神经网络分类算法对预处理数据集进行分类得到分类数据，方程如下：
Figure FDA0003666375980000021
其中，Y为非线性输出函数，xi一个数据集中的数据项，wi为权值，θ为分类误差；
步骤3、数据分析模块利用非线性分析函数对初始阶段的每一类分类数据进行非线性分析得到算法分析误差Li(i∈[1，k])，k表示分类数据的类别数，数据分析模块根据分析目的建立目标函数，并根据目标函数对k类分类数据的分析结果设定l个目标参数，记为y1，y2，y3…yl，不同的分类数据得到目标参数的分析过程不同，不同的分析过程中利用了不同复杂程度的数据分析模型，算法分析误差的非线性方程组如下：
Figure FDA0003666375980000022
其中，vij为目标参数的加权值，i，j表示加权值下标的正整数，i，j的范围分别满足i∈[1，l]，j∈[1，k]，数据分析模块对非线性方程组进行求解得到算法加权矩阵V；
步骤4、数据分析模块对金融阶段的进行阶段中的金融数据进行分析得到对应的分析结果，分析结果中包括分析影响参数，进行阶段中金融交易的数据安全风险受到初级阶段金融数据的数据加权矩阵和算法加权矩阵的影响，数据分析模块对初始阶段影响下的进行阶段的金融数据进行动态分析得到动态阈值，再根据动态阈值进行分析得的进行阶段的分析误差，最后数据分析模块将分析误差发送至数据校验模块；
(3)数据校验模块接收数据分析模块的分析误差，并根据分析误差对进行阶段的金融数据进行校验得到偏差数据，信息补偿模块根据数据分析模块和数据校验模块的分析结果对偏差数据进行补偿得到待预测数据；
(4)风险评估模块利用风险评估模型对补偿过后的待预测数据进行风险评估，警报模块根据风险评估模块的风险评估结果对数据分析过程进行信息安全预警。
2.根据权利要求1所述的一种金融大数据风险分析平台，其特征在于，所述数据分析模块根据初始阶段中分析得到的数据加权矩阵和算法加权矩阵对进行阶段的数据安全进行状态分析，状态方程如下：
Figure FDA0003666375980000031
其中，I0为初始状态量，I(t)为状态函数，在进行阶段中金融数据处理中的信息链，Ri(t)为进行阶段中产生的金融数据的分析结果中的边缘分析值，Ro(t)为金融数据的确定性分析结果的确定分析值，ε为状态误差，δ为数据加权矩阵和算法加权矩阵对带来的分析误差，方程为：
Figure FDA0003666375980000032
其中，V＝(v1，v2，v3...vk)为非线性方程组的特征值。
3.根据权利要求1所述的一种金融大数据风险分析平台，其特征在于，所述数据分析模块根据初始阶段的金融数据对进行阶段的数据分析的过程进行动态分析得到进行阶段金融数据的初始值，所述数据校验模块再根据数据分析模块分析得到的分析误差、初始值和校验值对待预测的金融数据进行校验对比，校验值是金融交易过程中设定的数据阈值上限，超出数据阈值上限的金融数据记为偏差数据，信息补偿模块根据数据分析模块和数据校验模块的分析结果对偏差数据进行补偿得到待预测数据，并将待预测数据发送至风险评估模块。
4.根据权利要求1所述的一种金融大数据风险分析平台，其特征在于，所述风险评估模块利用风险评估模型对补偿过后的待预测数据进行风险评估，金融数据通过风险评估模型的风险评估预测得到数据安全风险，所述警报模块根据风险评估模块的风险评估结果对数据分析过程进行信息安全预警。
5.根据权利要求1所述的一种金融大数据风险分析平台，其特征在于，所述数据采集模块对金融平台上进行金融交易的所有交易用户的金融数据进行采集，根据金融交易的状态将金融交易过程分为三个阶段，不同阶段所采集的数据类型和数据量不同，数据采集模块将采集到的不同极端的金融数据存储于云存储模块，云存储模块采用分布式存储的方法进行数据存储。
CN202210587026.5A 2022-05-27 2022-05-27 一种金融大数据风险分析平台 Pending CN114881768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587026.5A CN114881768A (zh) 2022-05-27 2022-05-27 一种金融大数据风险分析平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587026.5A CN114881768A (zh) 2022-05-27 2022-05-27 一种金融大数据风险分析平台

Publications (1)

Publication Number Publication Date
CN114881768A true CN114881768A (zh) 2022-08-09

Family

ID=82678420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587026.5A Pending CN114881768A (zh) 2022-05-27 2022-05-27 一种金融大数据风险分析平台

Country Status (1)

Country Link
CN (1) CN114881768A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011063A (zh) * 2023-09-25 2023-11-07 中国建设银行股份有限公司 客户交易风险预测处理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011063A (zh) * 2023-09-25 2023-11-07 中国建设银行股份有限公司 客户交易风险预测处理方法及装置
CN117011063B (zh) * 2023-09-25 2023-12-29 中国建设银行股份有限公司 客户交易风险预测处理方法及装置

Similar Documents

Publication Publication Date Title
US11257041B2 (en) Detecting disability and ensuring fairness in automated scoring of video interviews
Whitby et al. Filtering out unfair ratings in bayesian reputation systems
CN107633265A (zh) 用于优化信用评估模型的数据处理方法及装置
CN112862298B (zh) 一种针对用户画像的信用评估方法
CN110909984B (zh) 业务数据处理模型训练方法、业务数据处理方法及装置
Joseph Parametric inference with universal function approximators
CN113011973B (zh) 基于智能合约数据湖的金融交易监管模型的方法及设备
CN115983981A (zh) 一种基于金融数据分析的信用风险评估系统
Eddy et al. Credit scoring models: Techniques and issues
CN112668822A (zh) 科技成果转化平台共享系统、方法、存储介质、手机app
CN112116103A (zh) 基于联邦学习的个人资质评估方法、装置及系统及存储介质
CN114881768A (zh) 一种金融大数据风险分析平台
CN110310199B (zh) 借贷风险预测模型的构建方法、系统及借贷风险预测方法
CN108492169A (zh) 基于信用卡审批场景的风险建模方法及系统实现
Eletter et al. Loan decision models for the Jordanian commercial banks
CN113298121B (zh) 基于多数据源建模的消息发送方法、装置和电子设备
CN117132383A (zh) 一种信贷数据处理方法、装置、设备及可读存储介质
CN117455681A (zh) 业务风险预测方法和装置
CN110555007A (zh) 盗号行为判别方法、装置、计算设备及存储介质
CN113837481A (zh) 一种基于区块链的金融大数据管理系统
CN113256404A (zh) 数据处理方法及装置
CN114862563A (zh) 基于主成分分析和神经网络的中小信贷策略模型
CN115860889A (zh) 一种基于人工智能的金融贷款大数据管理方法及系统
CN112488534A (zh) 一种银行软件上线前的风险预警方法、系统、设备和介质
Vlad et al. The use of machine learning techniques in accounting. A short survey

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