CN116777633A - 基于数据管理的金融资产管理系统 - Google Patents
基于数据管理的金融资产管理系统 Download PDFInfo
- Publication number
- CN116777633A CN116777633A CN202310678969.3A CN202310678969A CN116777633A CN 116777633 A CN116777633 A CN 116777633A CN 202310678969 A CN202310678969 A CN 202310678969A CN 116777633 A CN116777633 A CN 116777633A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- index
- investment
- module
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 58
- 238000013523 data management Methods 0.000 title claims abstract description 17
- 238000012954 risk control Methods 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013524 data verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开了基于数据管理的金融资产管理系统，涉及资产管理系统技术领域，包括采集模块、分类模块、跟踪模块、风险管理模块以及决策支持模块，分类模块根据资产的类型和特征对资产进行分类，跟踪模块跟踪与资产相关的数据，风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析资产的投资风险，并制定相应的风险控制策略。本发明通过采集模块从各种资产数据源中采集和获取必要的数据，跟踪模块跟踪与资产相关的数据，风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析投资组合的风险暴露，并制定相应的风险控制策略，从而有效对金融投资资产进行风险预测和评估，保障投资交易的安全性。
Description
技术领域
本发明涉及资产管理系统技术领域，具体涉及基于数据管理的金融资产管理系统。
背景技术
金融资产管理系统是专门用于管理金融机构的投资组合和资产的软件系统，它提供了一个集中化的平台，帮助金融机构监控、跟踪和优化其投资组合，以实现风险管理、投资决策和绩效评估等目标；
金融资产管理系统的背景可以追溯到金融市场的复杂性和多样化的投资工具，随着金融产品和服务的不断发展，金融机构需要更好的工具来管理其不断增长的投资组合，此外，金融监管机构对金融机构的风险管理和合规性要求也不断提高，这促使金融机构采用更为高效和可靠的系统来管理其资产。
现有技术存在以下不足：
现有的金融资产管理系统在投资交易过程中，对投资交易风险没有预测和评估处理，若在投资交易过程中投资风险增大时，由于管理系统无法预测，不仅会导致金融损失，而且还会导致投资者个人信息泄露，使得金融投资交易的安全性得不到保障。
发明内容
本发明的目的是提供基于数据管理的金融资产管理系统，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于数据管理的金融资产管理系统，包括采集模块、分类模块、跟踪模块、风险管理模块以及决策支持模块；
采集模块：从资产数据源中采集和获取数据，将资产数据源进行标准化和整合；
分类模块：根据资产的类型和特征对资产进行分类；
跟踪模块：跟踪与资产相关的数据；
风险管理模块：综合分析与资产相关的数据后，建立风险模型，通过风险模型分析资产的投资风险，并制定相应的风险控制策略；
决策支持模块：为投资经理做出决策提供数据和工具。
在一个优选的实施方式中，所述跟踪模块跟踪与资产相关的数据，相关的数据包括用户数据以及网络数据，用户数据包括用户行为欧氏距离，网络参数包括威胁情报指数以及网络流量偏差值。
在一个优选的实施方式中，所述风险管理模块将用户行为欧氏距离、威胁情报指数以及网络流量偏差值综合分析后，通过公式：；计算得到风险指数/>，式中，/>为用户行为欧氏距离，/>为威胁情报指数，/>为网络流量偏差值，/>分别为用户行为欧氏距离、威胁情报指数以及网络流量偏差值的比例系数，且/>均大于0。
在一个优选的实施方式中，所述用户行为欧氏距离的计算表达式为：；式中，i为投资交易用户数量编号库，且i={1、2、3、...、n}，n为大于0的正整数，/>为第i个用户行为与正常行为之间的差值，/>，/>为用户行为值，为正常行为值。
在一个优选的实施方式中，所述威胁情报指数的计算表达式为：；式中，/>、/>、分别为恶意软件样本数量、恶意软件传播速度；
所述网络流量偏差值的计算表达式为：，/>为实时监测网络流量，为预期网络流量。
在一个优选的实施方式中，所述风险管理模块获取风险指数后，将风险指数与第一风险阈值/>、第二风险阈值/>进行对比，第一风险阈值/>＜第二风险阈值/>，完成风险模型的建立。
在一个优选的实施方式中，所述风险管理模块通过风险模型分析资产的投资风险包括以下步骤：
若风险指数≥第二风险阈值/>，分析投资组合的风险小，无需制定相应的风险控制策略；
若第一风险阈值≤风险指数/>＜第二风险阈值/>，分析投资组合的风险中时，需要对风险指数/>的数值进行趋势分析后，再判断是否制定相应的风险控制策略；
若风险指数＜第一风险阈值/>，分析投资组合的风险大，需制定相应的风险控制策略。
在一个优选的实施方式中，若第一风险阈值≤风险指数/>＜第二风险阈值，分析投资组合的风险中时，需要对风险指数/>的数值进行趋势分析包括以下步骤：
将所有正在进行的投资交易中，第一风险阈值≤风险指数/>＜第二风险阈值的风险指数/>建立风险指数集合；
计算风险指数集合内风险指数平均值与离散系数FQ，平均值/>等于所有风险指数/>求和再除去风险指数数量获取；
式中i=，n表示风险指数集合内风险指数/>的数量，n为正整数，/>表示风险指数集合内不同的风险指数/>，/>表示风险指数集合内所有风险指数/>的平均值。
在一个优选的实施方式中，若平均值小于第一风险阈值/>，且离散系数FQ小于离散系数FQ阈值，则预测当前投资交易未来的变化趋势向高风险发展，且发展速度快；若平均值/>小于第一风险阈值/>，且离散系数FQ大于离散系数FQ阈值，则预测当前投资交易未来的变化趋势向高风险发展，且发展速度缓和；若平均值/>大于等于第二风险阈值/>，则预测当前投资交易未来的变化趋势向低风险发展。
在上述技术方案中，本发明提供的技术效果和优点：
本发明通过采集模块从各种资产数据源中采集和获取必要的数据，跟踪模块跟踪与资产相关的数据，风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析投资组合的风险暴露，并制定相应的风险控制策略，从而有效对金融投资资产进行风险预测和评估，保障投资交易的安全性；
本发明通过跟踪模块跟踪与资产相关的数据，相关的数据包括用户数据以及网络数据，用户数据包括用户行为欧氏距离，网络参数包括威胁情报指数以及网络流量偏差值，风险管理模块将用户行为欧氏距离、威胁情报指数以及网络流量偏差值综合分析后计算得到风险系数，并通过风险系数与风险梯度阈值的对比结果生成相应的风险控制策略，大大提高了对投资风险预测的准确性；
本发明通过预测当前投资交易未来的变化趋势向高风险发展，且发展速度快时，需要及时制定风险控制策略，当预测当前投资交易未来的变化趋势向高风险发展，且发展速度缓和时，需要制定风险控制策略，且为风险控制策略的制定留有一定时间，当预测当前投资交易未来的变化趋势向低风险发展，则无需制定风险控制策略，从而避免过度管理，降低管理成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：请参阅图1所示，本实施例所述基于数据管理的金融资产管理系统，包括采集模块、分类模块、跟踪模块、风险管理模块以及决策支持模块；
采集模块从各种资产数据源（如金融市场数据、交易数据、财务数据等）中采集和获取必要的数据，它可以通过API接口、数据订阅服务或直接与数据供应商集成来获取数据，将资产数据源进行标准化和整合后，确保数据的准确性和一致性，资产数据源信息发送至分类模块以及跟踪模块；
分类模块根据资产的类型（如股票、债券、衍生品等）和特征（如地理位置、行业、市值等）对资产进行分类；
跟踪模块跟踪与资产相关的数据，以便对资产组合进行实时监控和分析，相关的数据发送至风险管理模块；
风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析投资组合的风险暴露，还可以执行压力测试、敏感性分析和场景模拟，以帮助识别和管理潜在的风险，并制定相应的风险控制策略，风险控制策略发送至决策支持模块；
决策支持模块提供数据和工具，帮助投资经理做出决策，它可以提供实时的市场数据、行情分析工具、投资模型和指标，以帮助投资经理评估投资机会、制定投资策略和进行资产配置。
本申请通过采集模块从各种资产数据源中采集和获取必要的数据，跟踪模块跟踪与资产相关的数据，风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析投资组合的风险暴露，并制定相应的风险控制策略，从而有效对金融投资资产进行风险预测和评估，保障投资交易的安全性。
决策支持模块提供数据和工具，帮助投资经理做出决策，它可以提供实时的市场数据、行情分析工具、投资模型和指标，以帮助投资经理评估投资机会、制定投资策略和进行资产配置包括以下步骤：
A、提供实时市场数据：决策支持模块可以提供实时的市场数据，包括各种资产的价格、成交量、波动率等信息；这些数据可以帮助投资经理更好地了解市场趋势，掌握市场动态；
B、提供行情分析工具：决策支持模块可以提供各种行情分析工具，包括趋势分析、技术分析、基本面分析等；这些工具可以帮助投资经理对市场进行分析和预测，发现投资机会；
C、进行资产配置：决策支持模块可以帮助投资经理进行资产配置，即选择合适的资产组合，以实现投资目标；这个过程需要考虑各种因素，如市场风险、投资收益、资产流动性等；
D、评估决策效果：决策支持模块可以帮助投资经理对决策进行跟踪和评估，以了解决策效果；这个过程需要不断地对市场进行观察和分析，及时调整投资策略，以达到投资目标。
采集模块从各种资产数据源（如金融市场数据、交易数据、财务数据等）中采集和获取必要的数据，将资产数据源进行标准化和整合后，确保数据的准确性和一致性包括以下步骤：
1）确定数据需求：首先，需要确定采集模块所需的数据类型和具体的数据需求；这可以根据投资管理的具体要求、策略和目标来确定；
2）识别数据源：识别和选择需要采集数据的资产数据源，包括金融市场数据提供商、交易所、金融机构、财务报表等；这些数据源可能包含多种格式和来源的数据；
3）建立数据采集接口：与各个数据源建立数据采集接口，以获取数据；这可以涉及与数据提供商的合作、订阅数据服务、API接口的连接等；
4）数据抓取和提取：根据数据需求，使用适当的方法和技术从数据源中抓取和提取数据；这可以包括使用自动化脚本、数据抓取工具、API调用等方式来获取数据；
5）数据标准化和整合：将从不同数据源获取的数据进行标准化和整合，确保数据的格式、单位、命名一致性；这包括数据清洗、处理缺失值、解决数据格式差异等操作；
6）数据验证和校验：对采集的数据进行验证和校验，确保数据的准确性和完整性；这可以包括数据比对、数据校验规则的应用、异常值检测等；
7）数据存储和管理：将采集到的数据存储到适当的数据库或数据仓库中，并进行合理的管理和维护；这包括数据备份、数据索引、数据安全等方面的考虑；
8）数据更新和同步：定期更新和同步数据，以保持数据的实时性和准确性；这可以通过自动化的任务调度和数据同步机制来实现。
实施例2：跟踪模块跟踪与资产相关的数据，以便对资产组合进行实时监控和分析，相关的数据发送至风险管理模块；
风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析投资组合的风险暴露，还可以执行压力测试、敏感性分析和场景模拟，以帮助识别和管理潜在的风险，并制定相应的风险控制策略，风险控制策略发送至决策支持模块。
跟踪模块跟踪与资产相关的数据，相关的数据包括用户数据以及网络数据，用户数据包括用户行为欧氏距离，网络参数包括威胁情报指数以及网络流量偏差值。
风险管理模块将用户行为欧氏距离、威胁情报指数以及网络流量偏差值综合分析后，通过公式：；计算得到风险指数/>，式中，/>为用户行为欧氏距离，/>为威胁情报指数，/>为网络流量偏差值，/>分别为用户行为欧氏距离、威胁情报指数以及网络流量偏差值的比例系数，且/>均大于0。
通过计算用户行为欧氏距离，可以得到用户行为与正常行为之间的差异程度，用户行为欧氏距离的计算表达式为：；式中，i为投资交易用户数量编号库，且i={1、2、3、...、n}，n为大于0的正整数，/>为第i个用户行为与正常行为之间的差值，，/>为用户行为值，/>为正常行为值，用户行为值是指用户实际表现的行为数据（如登录时间、交易金额、访问频率等），正常行为值是指正常行为模型或参考模型所定义的期望值或基准值；
欧氏距离是用来度量两个向量之间的差异或距离，其计算结果越大表示两个向量之间的差异越大，在用户异常行为的上下文中，如果使用欧氏距离来比较用户的行为向量与正常行为向量之间的差异，那么较大的欧氏距离值通常表示用户的行为更为异常，意味着投资交易的风险越大。
威胁情报指数的计算表达式为：；式中，/>、/>、分别为恶意软件样本数量、恶意软件传播速度，恶意软件样本数量通过系统日志计算在一定时间范围内获取得到，恶意软件传播速度通过系统日志计算恶意软件样本数量在一定时间内的增长速度得到，威胁情报指数越大，表明交易平台的交易安全性越差。
网络流量偏差值的计算表达式为：，/>为实时监测网络流量，/>为预期网络流量，实时监测网络流量是指实际观测到的网络流量值，预期网络流量是根据历史数据或其他方法得到的初始网络流量值，在正常环境下，交易平台的网络流量是一个标准值，当交易平台网络受到黑客攻击或网络不稳定时，会导致网络流量急剧下降，网络流量偏差值越大，表明交易平台的网络环境越不稳定，投资交易风险大。
获取风险指数后，将风险指数/>与第一风险阈值/>、第二风险阈值/>进行对比，第一风险阈值/>＜第二风险阈值/>，完成风险模型的建立。
风险管理模块综合分析与资产相关的数据后，建立风险模型，通过风险模型分析投资组合的风险暴露具体如下：
若风险指数≥第二风险阈值/>，分析投资组合的风险小，无需制定相应的风险控制策略；
若第一风险阈值≤风险指数/>＜第二风险阈值/>，分析投资组合的风险中时，需要对风险指数/>的数值进行趋势分析后，再判断是否制定相应的风险控制策略；
若风险指数＜第一风险阈值/>，分析投资组合的风险大，需制定相应的风险控制策略。
当分析投资组合的风险大，需制定相应的风险控制策略包括：
A、分散投资：将投资组合分散到不同的资产类别、行业、地理区域等，以降低特定资产或市场的风险；分散投资可以减少单一投资的影响力，提高整体投资组合的稳定性；
B、资产配置策略：根据投资目标、风险承受能力和市场环境，制定合理的资产配置策略；通过在不同资产类别之间分配资金，可以实现风险和收益的平衡，减少特定资产类别的风险对整个投资组合的影响；
C、设置止损和止盈点：设定投资组合的止损和止盈点，即在投资达到一定亏损或盈利幅度时自动出场，以控制风险和保护收益；
D、定期重新评估和再平衡：定期重新评估投资组合的风险状况，并根据市场变化和投资目标进行必要的再平衡；这可以确保投资组合始终与风险承受能力和目标保持一致；
E、使用衍生品工具：根据风险管理需求，可以使用衍生品工具如期权、期货或保险策略，来对冲特定风险或增加投资组合的保护。
本申请通过跟踪模块跟踪与资产相关的数据，相关的数据包括用户数据以及网络数据，用户数据包括用户行为欧氏距离，网络参数包括威胁情报指数以及网络流量偏差值，风险管理模块将用户行为欧氏距离、威胁情报指数以及网络流量偏差值综合分析后计算得到风险系数，并通过风险系数与风险梯度阈值的对比结果生成相应的风险控制策略，大大提高了对投资风险预测的准确性。
实施例3：若第一风险阈值≤风险指数/>＜第二风险阈值/>，分析投资组合的风险中时，需要对风险指数/>的数值进行趋势分析后，再判断是否制定相应的风险控制策略：
由于在同一时间段内（如1小时或30min），可能会同时发生多起投资交易，当第一风险阈值≤风险指数/>＜第二风险阈值/>时，表明当前投资交易的风险中，当前投资交易未来的变化趋势可能向低风险发展也可能向高风险发展，为了提高对变化趋势预测的准确性，避免过度管理，我们提出以下方案：
将所有正在进行的投资交易中，第一风险阈值≤风险指数/>＜第二风险阈值的风险指数/>建立风险指数集合；
计算风险指数集合内风险指数平均值与离散系数FQ，平均值/>等于所有风险指数/>求和再除去风险指数数量获取；
式中i=，n表示风险指数集合内风险指数/>的数量，n为正整数，/>表示风险指数集合内不同的风险指数/>，/>表示风险指数集合内所有风险指数/>的平均值；
若平均值小于第一风险阈值/>，且离散系数FQ小于离散系数FQ阈值，则预测当前投资交易未来的变化趋势向高风险发展，且发展速度快；若平均值/>小于第一风险阈值，且离散系数FQ大于离散系数FQ阈值，则预测当前投资交易未来的变化趋势向高风险发展，且发展速度缓和；若平均值/>大于等于第二风险阈值/>，则预测当前投资交易未来的变化趋势向低风险发展。
当预测当前投资交易未来的变化趋势向高风险发展，且发展速度快时，需要及时制定风险控制策略，当预测当前投资交易未来的变化趋势向高风险发展，且发展速度缓和时，需要制定风险控制策略，且为风险控制策略的制定留有一定时间，当预测当前投资交易未来的变化趋势向低风险发展，则无需制定风险控制策略，从而避免过度管理，降低管理成本。
本发明通过预测当前投资交易未来的变化趋势向高风险发展，且发展速度快时，需要及时制定风险控制策略，当预测当前投资交易未来的变化趋势向高风险发展，且发展速度缓和时，需要制定风险控制策略，且为风险控制策略的制定留有一定时间，当预测当前投资交易未来的变化趋势向低风险发展，则无需制定风险控制策略，从而避免过度管理，降低管理成本。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.基于数据管理的金融资产管理系统，其特征在于：包括采集模块、分类模块、跟踪模块、风险管理模块以及决策支持模块；
采集模块：从资产数据源中采集和获取数据，将资产数据源进行标准化和整合；
分类模块：根据资产的类型和特征对资产进行分类；
跟踪模块：跟踪与资产相关的数据；
风险管理模块：综合分析与资产相关的数据后，建立风险模型，通过风险模型分析资产的投资风险，并制定相应的风险控制策略；
决策支持模块：为投资经理做出决策提供数据和工具。
2.根据权利要求1所述的基于数据管理的金融资产管理系统，其特征在于：所述跟踪模块跟踪与资产相关的数据，相关的数据包括用户数据以及网络数据，用户数据包括用户行为欧氏距离，网络参数包括威胁情报指数以及网络流量偏差值。
3.根据权利要求2所述的基于数据管理的金融资产管理系统，其特征在于：所述风险管理模块将用户行为欧氏距离、威胁情报指数以及网络流量偏差值综合分析后，通过公式：；计算得到风险指数 /> ，式中，/> 为用户行为欧氏距离，为威胁情报指数，/> 为网络流量偏差值，/> 分别为用户行为欧氏距离、威胁情报指数以及网络流量偏差值的比例系数，且 /> 均大于0。
4.根据权利要求3所述的基于数据管理的金融资产管理系统，其特征在于：所述用户行为欧氏距离的计算表达式为： ；式中，i为投资交易用户数量编号库，且i={1、2、3、...、n}，n为大于0的正整数，/> 为第i个用户行为与正常行为之间的差值，，/>为用户行为值，/>为正常行为值。
5.根据权利要求4所述的基于数据管理的金融资产管理系统，其特征在于：所述威胁情报指数的计算表达式为：；式中，/>、/> 、分别为恶意软件样本数量、恶意软件传播速度；
所述网络流量偏差值的计算表达式为：，/> 为实时监测网络流量，/>为预期网络流量。
6.根据权利要求5所述的基于数据管理的金融资产管理系统，其特征在于：所述风险管理模块获取风险指数 后，将风险指数/>与第一风险阈值 /> 、第二风险阈值 />进行对比，第一风险阈值 />＜第二风险阈值/>，完成风险模型的建立。
7.根据权利要求6所述的基于数据管理的金融资产管理系统，其特征在于：所述风险管理模块通过风险模型分析资产的投资风险包括以下步骤：
若风险指数 ≥第二风险阈值 /> ，分析投资组合的风险小，无需制定相应的风险控制策略；
若第一风险阈值 ≤风险指数 /> ＜第二风险阈值 /> ，分析投资组合的风险中时，需要对风险指数/>的数值进行趋势分析后，再判断是否制定相应的风险控制策略；
若风险指数 ＜第一风险阈值/>，分析投资组合的风险大，需制定相应的风险控制策略。
8.根据权利要求7所述的基于数据管理的金融资产管理系统，其特征在于：若第一风险阈值 ≤风险指数 /> ＜第二风险阈值 />，分析投资组合的风险中时，需要对风险指数/>的数值进行趋势分析包括以下步骤：
将所有正在进行的投资交易中，第一风险阈值≤风险指数/>＜第二风险阈值 />的风险指数/>建立风险指数集合；
计算风险指数集合内风险指数平均值 与离散系数FQ，平均值/>等于所有风险指数 求和再除去风险指数数量获取；
式中i= /> ，n表示风险指数集合内风险指数的数量，n为正整数，/> 表示风险指数集合内不同的风险指数 />，/>表示风险指数集合内所有风险指数/>的平均值。
9.根据权利要求8所述的基于数据管理的金融资产管理系统，其特征在于：若平均值小于第一风险阈值/>，且离散系数FQ小于离散系数FQ阈值，则预测当前投资交易未来的变化趋势向高风险发展，且发展速度快；若平均值/>小于第一风险阈值/>，且离散系数FQ大于离散系数FQ阈值，则预测当前投资交易未来的变化趋势向高风险发展，且发展速度缓和；若平均值/>大于等于第二风险阈值/>，则预测当前投资交易未来的变化趋势向低风险发展。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678969.3A CN116777633A (zh) | 2023-06-09 | 2023-06-09 | 基于数据管理的金融资产管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678969.3A CN116777633A (zh) | 2023-06-09 | 2023-06-09 | 基于数据管理的金融资产管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777633A true CN116777633A (zh) | 2023-09-19 |
Family
ID=87995649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310678969.3A Pending CN116777633A (zh) | 2023-06-09 | 2023-06-09 | 基于数据管理的金融资产管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777633A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557380A (zh) * | 2023-11-14 | 2024-02-13 | 冠帝智能科技(南京)有限公司 | 一种基于区块链和大数据的数字化金库管理系统 |
-
2023
- 2023-06-09 CN CN202310678969.3A patent/CN116777633A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557380A (zh) * | 2023-11-14 | 2024-02-13 | 冠帝智能科技(南京)有限公司 | 一种基于区块链和大数据的数字化金库管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alali et al. | Cloud computing: Overview and risk analysis | |
| CN109191282A (zh) | 一种基于行为模型的贷中监测评分方法以及系统 | |
| EP1897055A2 (en) | Method and system for determining effectiveness of a compliance program | |
| CN110866822B (zh) | 资产证券化的风控管理方法、装置、电子设备及存储介质 | |
| CN109934268A (zh) | 异常交易检测方法及系统 | |
| CN116777633A (zh) | 基于数据管理的金融资产管理系统 | |
| CN115018651A (zh) | 一种基于互联网的金融风险预警系统 | |
| CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
| US20240078607A1 (en) | Digital system for controlled boost of expert forecasts in complex prediction environments and corresponding method thereof | |
| Klimova | Digital technology in risk-based approach of continuous audit | |
| KR101710649B1 (ko) | 네트워크 자동 추론을 통한 기업 가치 측정 서비스 시스템 | |
| CN116228312A (zh) | 大额积分兑换行为的处理方法和装置 | |
| CN114202411A (zh) | 基于现金流测算与流动性分析的企业资金风险预测系统 | |
| CN112927071A (zh) | 一种贷后行为特征加工的方法与装置 | |
| CN113095676A (zh) | 生产事件风险等级的获取方法、装置、设备、介质 | |
| KR101909138B1 (ko) | 중소기업 매출채권 감소 및 부실방지를 위한 빅데이터 기반 매출채권회수지원 시스템 | |
| CA3070685A1 (en) | Cyber risk segmentation, quantification and visualization methodology | |
| Engemann et al. | Disaster management of information resources using fuzzy and attitudinal modelling | |
| KR20140029994A (ko) | Ｌｇｄ/ｅａｄ에 대한 적합성 검증 방법 및 그 시스템 | |
| CN114492877B (zh) | 一种业务系统的运维分析方法及装置 | |
| CN116862675A (zh) | 信用风险评估方法、装置及非易失性存储介质 | |
| CN117993912A (zh) | 一种保险在线交易存证方法及系统 | |
| Jorgenson et al. | XST XSTATE RESOURCES LIMITED | |
| Limon | Reliability estimation considering customer usage rate profile & warranty claims | |
| Jorgenson et al. | DIN Dine Brands Global Inc. Common Stock |
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 |