[发明专利]一种基于深度学习神经网络的金融风险预测方法

权利要求书

1.一种基于深度学习神经网络的金融风险预测方法，其特征在于，该方法包括以下步骤：

获取多种金融数据；

将每一种金融数据分成不同类型的若干数据段，根据每一类型的数据段总长度获取每一类型数据段的相似程度值，根据每一类型数据段的相似程度值的最小值作为每一种金融数据的稳态值；

获取新金融数据以及最佳数据段；对最佳数据段进行编号，并根据新金融数据所在最佳数据段的编号获取差值序列；根据差值序列获取高斯模型，将新金融数据带入获取高斯概率值；根据每一种金融数据的新金融数据对应的高斯概率值以及每一种金融数据的稳态值获取新金融数据的风险值；

根据新金融数据以及新金融数据对应的风险值使用神经网络训练，通过训练后的网络输入新金融数据完成金融数据的风险预测。

2.根据权利要求1所述的一种基于深度学习神经网络的金融风险预测方法，其特征在于，所述将每一种金融数据分成不同类型的若干数据段的方法为：

对金融数据的数据段长度设置一个上限值，给定数据段长度的上限值为，的值为金融数据总数据点的十分之一，数据段长度从2开始逐渐增大直至；根据每个数据段长度将金融数据分成若干数据段，每一类型的数据段总长度和金融数据长度相同。

3.根据权利要求2所述的一种基于深度学习神经网络的金融风险预测方法，其特征在于，所述根据每个数据段长度将金融数据分成若干数据段的方法为：

将金融数据的每一个时间点采集的数据记为数据点，将金融数据的起始数据点记为初始数据段的端点，由该点开始，沿着时间方向，在间隔L个数据点后将第L个数据点作为初始数据段的另一个端点，两个端点之间的所有数据点，包括两个端点构成了初始数据段；将初始数据段从该类金融数据中截去，之后对剩余的金融数据使用相同的方式得到第二个初始数据段，依次类推，直到金融数据所剩余的数据点数量不足L时，此时将剩余的所有数据点作为一段，由此得到了若干数据段。

4.根据权利要求1所述的一种基于深度学习神经网络的金融风险预测方法，其特征在于，所述根据每一类型的数据段总长度获取每一类型数据段的相似程度值的方法为：

对于同一种金融数据使用同一类型的数据段长度将金童数据分为了若干数据段，对于所有数据段，其中任意两个数据段使用DTW算法获取两个数据段之间的DTW距离，获取所有数据段两两数据段之间的DTW距离，获取所有DTW距离的平均值，将该平均值作为同类金融数据同一个数据段长度对应的相似程度值。

5.根据权利要求1所述的一种基于深度学习神经网络的金融风险预测方法，其特征在于，所述新金融数据为按照时间顺序对每一种金融数据采集的一个新的金融数据点。

6.根据权利要求1所述的一种基于深度学习神经网络的金融风险预测方法，其特征在于，所述最佳数据段为相似程度值最大时对应的数据段。

7.根据权利要求1所述的一种基于深度学习神经网络的金融风险预测方法，其特征在于，所述对最佳数据段进行编号，并根据新金融数据所在最佳数据段的编号获取差值序列的方法为：

对于每个最佳数据段，从段内起点到段内终点从1开始进行递增不重复的编号，将编号作为序列值；将金融数据中所有的最佳数据段按照时间排序最后一个最佳数据段作为最后一段，在最后一段中，将新金融数据的序列值和最后一段的起始点对应的序列值作差得到新差值，之后在每个最佳数据段中，将每个数据点与起始点的序列值作差，将每一个最佳数据段内序列值差值等于新差值的数据点提取出来，按照时间顺序排序，将新金融数据放在最后一个位置，由此得到一个新的序列，记为差值序列。