一种基于人工智能的证券资产风险监控系统技术方案

本发明专利技术公开了一种基于人工智能的证券资产风险监控系统，包括注册模块、登录模块、数据库建立模块、证券信息储存模块、证券分析模块、证券数据实时风险评估模块、证券交易模块，注册模块用于新人注册账户，登录模块用于用户登录，数据库建立模块对数据的信息进行输入、删除、修正，证券信息储存模块对目标投资数据进行汇总、筛选、保存，证券分析模块采用了期望最大算法区分证券资产的风险性，证券数据实时风险评估模块对证券的风险性做实时判断，客户由证券交易模块进行投资的最终确认。本发明专利技术有益效果：通过机器学习算法判断证券信息有无风险，对风险证券信息进一步监控、分析长期波动和期望收益，以保证为客户带来最大化的收益。以保证为客户带来最大化的收益。以保证为客户带来最大化的收益。

【技术实现步骤摘要】
一种基于人工智能的证券资产风险监控系统


[0001]本专利技术涉及项目投资领域，特别是涉及一种基于人工智能的证券资产风险监控系统。

技术介绍

[0002]国家证券市场本身作为一个重要的融资场所，对任何一个国家的经济发展都起着举足轻重的作用，国家的经济增长也可以带动各类企业的发展，证券市场的发展对整个国家有着深远的影响，因此，要想保持一个国家的经济稳定，最重要的是能够预测和降低一个国家在证券市场上面临的风险。
[0003]风险控制受到证券行业组织和个人的广泛关注，个人和证券机构开始对其资产的风险进行检查和评估，并对其资产进行风险控制和管理，各大证券经纪公司也开始开发风险监控平台，完善公司的风控体系，国内证券市场经过20年的发展，各种风险理论及相关政策体系等已经相对成熟，但风险管理方法仍处于手动和半自动操作阶段，如今基于人工智能技术结合证券公司对证券资产风险的日常监控，已成为证券公司的当务之急，在国内证券市场上，缺乏人工智能的证券资产风险识别、评估、预测和控制的体系，因此提出一种基于人工智能的证券资产风险监控系统，对证券市场风险进行评估有着重要意义。

技术实现思路

[0004]针对上述问题，本专利技术旨在提供一种基于人工智能的证券资产风险监控系统。
[0005]本专利技术创造的目的通过以下技术方案实现：
[0006]一种基于人工智能的证券资产风险监控系统包括注册模块、登录模块、数据库建立模块、证券信息储存模块、证券分析模块、证券数据实时风险评估模块、证券交易模块，所述注册模块用于新人注册账户，所述登录模块设置有登录界面，所述登录界面包括姓名输入栏、手机号输入栏、身份证号输入栏、验证码栏；所述数据库建立模块包括使用数据库实现对数据的信息进行输入、删除、修正等操作，对客户需要项目投资管理的数据进行制表绘图；所述证券信息储存模块包括对客户的目标投资数据进行汇总、筛选、保存，以方便这些数据在后期进行分析对比，所述证券分析模块，采用了期望最大算法，包括对客户数据库内的证券信息标准化后，对已有的历史安全信息的各类特征和存在风险的信息的特征进行训练，以区分有风险证券资产和无风险证券资产，所述证券数据实时风险评估模块包括对证券的风险性做实时判断，采用极端梯度推进来预测风险证券资产信息以给出量化的投资建议，所述证券交易模块，包括客户交易平台可视化界面、风险证券资产信息展示界面、投资风险证券弹窗和确认交易界面，由客户进行投资的最终确认。
[0007]进一步的，所述注册模块，用于新人注册账户，以建立连接，实现平台为客户服务功能。
[0008]进一步的，所述登录模块，设置登录界面，所述登录界面包括姓名输入栏、手机号输入栏、身份证号输入栏、验证码栏，输入相关的信息以进行安全验证，保证客户为本人操
作，由数据库保存客户的访问频率以及访问记录。
[0009]进一步的，所述数据库建立模块，包括使用数据库实现对数据的信息进行输入、删除、修正、保存等操作，对客户需要项目投资管理的数据进行制表绘图。
[0010]进一步的，所述证券信息储存模块包括对客户的目标投资数据进行汇总、筛选、保存，以方便这些数据在后期进行分析对比。
[0011]进一步的，所述证券分析模块，采用了最大期望(ExDectation
‑
Maximum，EM) 算法，包括对客户数据库内的证券信息标准化后，对已有的历史安全信息的各类特征和存在风险的信息的特征进行训练，以区分有风险证券资产和无风险证券资产，具体步骤如下：
[0012](1)假设所述证券信息集记作X，其中一种证券信息作为样本记作x，x∈X，所述证券信息集X的隐变量集合记作Z，其中一种证券信息的隐变量记作z，z∈Z，所述其中一种证券信息x的分布参数记作θ，为了能够有效预测最优分布参数以区分证券数据的风险性，定义：
[0013][0014]其中，θ
t+1
为下一时刻要预测的证券信息分布参数，θ
t
为这一时刻的证券信息分布参数，P(z|x，θ
t
)表示在这一时刻已知证券信息分布参数，某一种证券信息x对应的隐变量为z的概率，也叫后验概率，P(x，z|θ)表示某一时刻证券信息分布参数为θ条件下，所述某一种证券信息x和其对应的隐变量z的联合概率，也叫完整数据，z为隐变量的集合Z，log P(x，z|θ)是对数完整数据；
[0015](2)在给定这一时刻的证券信息分布参数θ
t
，为了保证下一时刻要预测的证券信息分布参数θ
t+1
收敛，须证：
[0016]log P(x|θ
t
)≤log P(x|θ
t+1
)
[0017]其中，P(x|θ
t
)为这一时刻已知分布参数θ
t
的条件下所对应的某一种证券信息x的概率，P(x|θ
t+1
)为下一时刻已知分布参数θ
t
的条件下所对应的某一种证券信息x的概率，上式的一般形式为：log P(x|θ)，根据Bayes公式和对数计算公式展开如下：
[0018][0019]对上式两边隐变量同时求期望，有：
[0020][0021]由于上述∑
z∈Z
P(z|x，θ
t
)log P(x，z|θ)和分布参数θ
t+1
，θ
t
有关，记A(θ，θ
t
)＝∑
z∈Z
P(z|x，θ
t
)log P(x，z|θ)，上述∑
z∈Z
P(z|x，θ
t
)log P(z|x，θ)和分布参数θ，θ
t
有关，记B(θ，θ
t
)＝∑
z∈Z
P(z|x，θ
t
)log P(z|x，θ)，上式化简为：
[0022][0023]由概率分布易知：∑
z∈Z
P(z|x，θ
t
)＝1，故log P(x|θ)＝A(θ，θ
t
)
‑
B(θ，θ
t
)，又因为θ
t+1
，θ
t
∈θ，由θ
t+1
定义可知，有A(θ
t+1
，θ
t
)≥A(θ，θ
t
)，A(θ
t+1
，θ
t
)≥ A(θ
t
，θ
t
)成立，因此，要证log P(x|θ
t
)≤log P(x|θ
t+1
)，只需证B(θ
t+1
，θ
t
)≤ B(θ
t
，θ
t
)，可计算B(θ
t+1
，θ
t
)
‑
B(θ
t
，θ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的证券资产风险监控系统包括注册模块、登录模块、数据库建立模块、证券信息储存模块、证券分析模块、证券数据实时风险评估模块、证券交易模块，所述注册模块用于新人注册账户，所述登录模块设置有登录界面，所述登录界面包括姓名输入栏、手机号输入栏、身份证号输入栏、验证码栏；所述数据库建立模块包括使用数据库实现对数据的信息进行输入、删除、修正等操作，对客户需要项目投资管理的数据进行制表绘图；所述证券信息储存模块包括对客户的目标投资数据进行汇总、筛选、保存，以方便这些数据在后期进行分析对比，所述证券分析模块，采用了期望最大算法，包括对客户数据库内的证券信息标准化后，对已有的历史安全信息的各类特征和存在风险的信息的特征进行训练，以区分有风险证券资产和无风险证券资产，所述证券数据实时风险评估模块包括对证券的风险性做实时判断，采用极端梯度推进来预测风险证券资产信息以给出量化的投资建议，所述证券交易模块，包括客户交易平台可视化界面、风险证券资产信息展示界面、投资风险证券弹窗和确认交易界面，由客户进行投资的最终确认。2.根据权利要求1所述一种基于人工智能的证券资产风险监控系统，其特征在于，所述注册模块，用于新人注册账户，以建立连接，实现平台为客户服务功能。3.根据权利要求1所述一种基于人工智能的证券资产风险监控系统，其特征在于，所述登录模块，设置登录界面，所述登录界面包括姓名输入栏、手机号输入栏、身份证号输入栏、验证码栏，输入相关的信息以进行安全验证，保证客户为本人操作，由数据库保存客户的访问频率以及访问记录。4.根据权利要求1所述一种基于人工智能的证券资产风险监控系统，其特征在于，所述数据库建立模块，包括使用数据库实现对数据的信息进行输入、删除、修正、保存等操作，对客户需要项目投资管理的数据进行制表绘图。5.根据权利要求1所述一种基于人工智能的证券资产风险监控系统，其特征在于，所述证券信息储存模块包括对客户的目标投资数据进行汇总、筛选、保存，以方便这些数据在后期进行分析对比。6.根据权利要求1所述一种基于人工智能的证券资产风险监控系统，其特征在于，所述证券分析模块，采用了最大期望(Expectation
‑
Maximum，EM)算法，包括对客户数据库内的证券信息标准化后，对已有的历史安全信息的各类特征和存在风险的信息的特征进行训练，以区分有风险证券资产和无风险证券资产，具体步骤如下：(1)假设所述证券信息集记作X，其中一种证券信息作为样本记作x，x∈X，所述证券信息集X的隐变量集合记作Z，其中一种证券信息的隐变量记作z，z∈Z，所述其中一种证券信息x的分布参数记作θ，为了能够有效预测最优分布参数以区分证券数据的风险性，定义：其中，θ
t+1
为下一时刻要预测的证券信息分布参数，θ
t
为这一时刻的证券信息分布参数，P(z|x，θ
t
)表示在这一时刻已知证券信息分布参数，某一种证券信息x对应的隐变量为z的概率，也叫后验概率，P(x，z|θ)表示某一时刻证券信息分布参数为θ条件下，所述某一种证券信息x和其对应的隐变量z的联合概率，也叫完整数据，z为隐变量的集合Z，log P(x，z|θ)是对数完整数据；(2)在给定这一时刻的证券信息分布参数θ
t
，为了保证下一时刻要预测的证券信息分布
参数θ
t+1
收敛，须证：log P(x|θ
t
)≤log P(x|θ
t+1
)其中，P(x|θ
t
)为这一时刻已知分布参数θ
t
的条件下所对应的某一种证券信息x的概率，P(x|θ
t+1
)为下一时刻已知分布参数θ
t
的条件下所对应的某一种证券信息x的概率，上式的一般形式为：log P(x|θ)，根据Bayes公式和对数计算公式展开如下：对上式两边隐变量同时求期望，有：由于上述∑
z∈Z
P(z|x，θ
t
)log P(x，z|θ)和分布参数θ
t+1
，θ
t
有关，记A(θ，θ
t
)＝∑
z∈Z
P(z|x，θ
t
)log P(x，z|θ)，上述∑
z∈Z
P(z|x，θ
t
)log P(z|x，θ)和分布参数θ，θ
t
有关，记B(θ，θ
t
)＝∑
z∈Z
P(z|x，θ
t
)log P(z|x，θ)，上式化简为：由概率分布易知：∑
z∈Z
P(z|x，θ
t
)＝1，故log P(x|θ)＝A(θ，θ
t
)
‑
B(θ，θ
t
)，又因为θ
t+1
，θ
t
∈θ，由θ
t+1
定义可知，有A(θ
t+1
，θ
t
)≥A(θ，θ
t
)，A(θ
t+1
，θ
t
)≥A(θ
t
，θ
t
)成立，因此，要证logP(x|θ
t
)≤logP(x|θ
t+1
)，只需证B(θ
t+1
，θ
t
)≤B(θ
t
，θ
t
)，可计算B(θ
t+1
，θ
t
)
‑
B(θ
t
，θ
t
)是否大于0来判断上述不等式是否成立：其中，P(z|x，θ
t+1
)表示在下一时刻在已预测出的证券信息分布参数θ
t+1
条件下，某一种证券信息x对应的隐变量为z的概率；(3)根据吉布斯不等式：如果∑
z∈Z
P(z|x，θ
t
)＝∑
z∈Z
P(z|x，θ
t+1
)＝1，则：根据所述吉布斯不等式，将上式移项：根据所述吉布斯不等式，将上式移项：根据所述吉布斯不等式，将上式移项：是负相对熵，用KL散度表示：
‑
KL(P(z|x，θ
t
)||P(z|x，θ
t+1
))≤0根据KL散度非负性，KL(P(z|x，θ
t
)||P(z|x，θ
t+1
))≥0，故原式收敛，即log P(x|θ
t
)≤log P(x|θ
t+1
)，对于所述已知分布参数θ所对应的证券信息为x的概率记为log P(x|θ)，根据对数Bayes对数公式，有：据对数Bayes对数公式，有：其中，q(z)表示在某一种分布参数下隐变量的概率分布，上式等式两边同时求期望：
其中，所述为证明下界(Evidence Lower Board，ELBO)，用ELBO来表示，是负KL散度，用
‑
KL(q(z)||P(z|x，θ))表示，上式化简为：log P(x|θ)∑
z∈Z
q(z)＝ELBO
‑
(
‑
KL(q(z)||P(z|x，θ)))，由概率分布性质：∑
z∈Z
q(z)＝1，有：log{P(x|θ)}＝ELBO+KL(q(z)||P(z|x，θ))，又因为KL散度非负性，有：log P(x|θ)≥ELBO，因此，存在一个分布参数满足：由于P(z|x，θ
t
)和log P(z|x，θ
t
)是这一时刻已知证券信息分布参数时，某一种证券信息x对应的隐变量z的概率为常数，因此与运算无关，所以上式化简为：因此，在已知t时刻前的证券信息，可以通过EM算法迭代出下一时刻预测分布参数，通过预测的分布参数可以推断出该种证券资产的风险性...

【专利技术属性】
技术研发人员：李益非，
申请(专利权)人：李益非，
类型：发明
国别省市：