[发明专利]基于卷积神经网络与注意力机制的金融时间序列处理方法

说明书

本发明公开了基于卷积神经网络与注意力机制的金融时间序列处理方法，涉及金融时间序列处理领域，解决了现有对金融时间序列处理人工进行，精准度差且效率低的问题，现提出如下方案，其包括在卷积神经网络学习系统分别连接有注意力机制系统与模型训练系统，进而通过模型训练系统可以在卷积神经网络学习系统向风险数据库或者直接接收风险诊断系统所提供的新的风险模型时进行训练，以进一步提高卷积神经网络学习系统的诊断准确率，同时注意力机制系统也可以增加其在诊断金融产品时的精确度。本方法具有可以高效、精确的对金融产品的风险进行诊断的特点。

技术领域

本发明涉及金融时间序列处理领域，尤其涉及基于卷积神经网络与注意力机制的金融时间序列处理方法。

背景技术

金融时间序列一般包含当前的研究热点，如风险值、高频数据分析和马尔科夫链蒙特卡罗方法等。主要内容包括：金融时间序列数据的基本特征，神经网络，非线性方法，使用跳跃扩散方程进行衍生产品的定价，采用极值理论计算风险值，带时变相关系数的多元波动率模型，贝叶斯推断。

但是在现有的金融风险预测领域，相关人员不能结合行业内数据进行高效准确的计算预测，且计算大多也都是通过人工进行，且精确度也能以得到提高。因此提出基于卷积神经网络与注意力机制的金融时间序列处理方法。

发明内容

本发明的目的在于提供基于卷积神经网络与注意力机制的金融时间序列处理方法，解决了现有对金融时间序列处理人工进行，精准度差且效率低的问题。

为实现上述目的，本发明提供如下技术方案：基于卷积神经网络与注意力机制的金融时间序列处理方法，包括以下步骤：

S1：首先通过金融产品录入系统对相关金融产品进行录入，然后由金融产品分类系统对该金融产品进行分类；

S2：由金融风险分析系统根据对金融产品的分类，采用适用其的方法进行风险分析，并通过风险诊断系统得出诊断结果；

S3：在进行风险分析的同时还可以根据对该金融产品的分类，而由风险数据库中提取适用其的常见风险模型，并通过智能对比系统进行对比，最后通过风险诊断系统得出诊断结果；

S4：同时还可以由人工分析系统进行人工分析，并由风险诊断系统得出相应的人工诊断结果；

S5：当确定得出诊断结果后可以由风险数据库进行储存，并增加该风险的权重，而得不出诊断结果则通过分析诊断系统借助卷积神经网络学习系统对其进行缝隙并得出结果，然后该结果可以由风险数据库进行储存；

S6：卷积神经网络学习系统分别与风险数据库以及风险诊断系统连接，可以向风险诊断系统或者风险数据库中提出风险模型，并通过其自身连接的模型训练系统对自身进行训练，而方便进行自主学习。

优选的，所述卷积神经网络学习系统还连接有注意力机制系统。

优选的，所述注意力机制系统用于在卷积神经网络学习系统对金融产品进行风险诊断时提高其精准度，以及在模型训练系统进行训练时，提高训练的精确度与效率。

优选的，所述风险数据库还可以接收来自大数据中的各种金融产品风险模型。

优选的，所述金融风险分析系统内包含有多中金融产品的分析诊断算法。

与相关技术相比较，本发明提供的基于卷积神经网络与注意力机制的金融时间序列处理方法具有如下有益效果：

本发明提供基于卷积神经网络与注意力机制的金融时间序列处理方法，通过设置风险数据库、数据提取系统以及智能对比系统，而可以对分类后的金融产品进行自主高效与现有风险模型对比而得出风险诊断结果，同时金融风险分析系统自身也可以对金融产品进行分析，还可以通过人工分析系统进行人工缝隙，并通过风险诊断系统对各方法得出的诊断结果模型保存在风险数据库中。