[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

说明书

本发明涉及数据处理技术领域，提出了一种基于深度学习神经网络的金融风险预测方法，包括：获取多种金融数据；将金融数据分成若干数据段，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，并由此得到金融数据的稳态值；获取新金融数据以及最佳数据段；根据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，并得到高斯概率值；根据金融数据的新金融数据对应的高斯概率值以及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完成金融数据的风险预测。本发明利用不同金融数据的自身稳定性进行风险值放大，以实现更高效的金融风险预测。

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于深度学习神经网络的金融风险预测方法。

背景技术

金融数据往往会受各种人类活动导致金融数据出现波动，并根据时令季节呈现出周期性，进而导致由于周期性变化，通过神经网络难以学到有效的风险特征，难以实现对金融风险的准确性分析。并且对不同类型金融数据进行风险分析监管时，往往是通过对不同类型的金融数据，设定不同参数阈值，进行风险检测但是由于不同金融数据类型不同，要求阈值不一，较难预测，进而为了更准确实现金融数据风险预警，本分方案提出了一种基于深度学习神经网络的金融风险预测方法，通过表示学习，提取金融数据的风险值，用于提高神经网络对金融风险数据的学习能力。

发明内容

本发明提供一种基于深度学习神经网络的金融风险预测方法，以解决不同金融数据类型不同，较难预测的问题，所采用的技术方案具体如下：

本发明一个实施例提供一种基于深度学习神经网络的金融风险预测方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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：