大宗商品交易市场中风险平台识别及风险传播预测方法技术

本发明专利技术公开了大宗商品交易市场中风险平台识别及风险传播预测方法，根据大宗商品交易的特点，识别风险平台，并预测可能受到风险传播影响的平台。本方法适用于大宗商品电子商务交易市场的监管和服务，通过分析历史交易数据，建立交易网络，根据异常交易模式的拓扑特点，筛查异常交易模式，确定所属的风险平台。并依据平台间商品重叠的关联性，建立最大关联网络，以风险源平台为起点，对风险传播的路径以及范围进行预测，从而不仅识别出风险平台，并预测可能受到风险传播影响的平台，挖掘其中的风险传播路径和范围。本发明专利技术进行了风险平台识别及风险传播预测，可以用于交易平台防范风险的参考以及监管部门的制度健全的参考。的参考以及监管部门的制度健全的参考。的参考以及监管部门的制度健全的参考。

【技术实现步骤摘要】
大宗商品交易市场中风险平台识别及风险传播预测方法


[0001]本专利技术属于大宗商品电子商务监管
，具体涉及大宗商品交易市场中风险平台识别及风险传播预测方法。

技术介绍

[0002]随着互联网信息技术的快速发展，电子金融的不断创新，各种类型、交易模式的大宗商品电子交易市场迅速涌现，牵涉到的商品种类涉及了化工、粮食、钢铁、塑料、贵金属等诸多行业和领域，分布范围遍及上海、山东、广东、北京、广西等23个省、市、自治区具有重要的战略意义。因为其交易模式多样、交易数量大、价格波动大，具有一定的金融特性，导致近年来风险事件频发，继而引发了各种政策和措施的颁布来对大宗商品交易相关的市场进行调控，为找出违反政策措施的交易平台，往往需要大量的人力进行筛查。同时，交易平台中相互的交易商品具有交叉重叠的部分，当某个交易平台违反政策法规被勒令整改时，这种交易模式异常带来的影响也可能传播到相关的交易平台，容易给其他交易平台带来一定的风险感染，最终结果可能是可能蔓延，从而加剧原危机的爆发。借助软件系统算法，帮助监管部门筛查存在异常交易模式的交易平台，能够提升监管的效率。同时，找出风险传染路径和可能的感染平台，有利于监管部门进行相关制度的建立和健全，也有助于交易平台对即将可能受到的风险感染提前进行防范。
[0003]复杂网络由许多节点与节点之间的连边组成，其中节点用来代表真实系统中不同的个体，而边则用来表示个体间的关系，通过拓扑结构，能够将节点间的连接关系很好的体现出来。借助复杂网络结构，将交易账户为节点，交易行为作边，用以总结当前针对大宗商品市场的政策措施中禁止的异常交易模式类型及其拓扑结构。接着构建各平台的交易网络，利用交易网络中存在的幂律分布规律，分析交易网络中是否存在异常交易模式，从而确定具有传播风险的交易平台。
[0004]在复杂网络问题研究中，传播动力学问题是重要分支之一，该问题主要是研究自然网络、社会网络等不同种类的复杂网络上的传播机制，并探究可行有效的控制传播的方法。易感—感染—恢复(SIR)是传播动力学问题研究中的经典模型之一，最初用于研究16世纪黑死病在英国伦敦流行的规律，后被大量应用到其他实际问题中，是传染病动力学的研究基础。将复杂网络和SIR传染病模型结合起来，有利于将感染
‑
免疫的过程进行预测，对风险传染效应进行直观地衡量。因此将复杂网络中的传播动力学的方法引入大宗商品交易市场的风险传播中，把交易平台都看成节点，那么整个大宗商品交易市场就可以看作一张网络，当一个节点出现问题时，网络中其他节点就有可能通过点对点的连接而受到感染。在这种网络模型下，可以对风险在大宗商品交易市场中的传播进行预测，并挖掘其中的异常风险传播路径和范围，不仅有利于监管部门的监管，也有利于危机的防范。

技术实现思路

[0005]为解决上述问题，本专利技术公开了大宗商品交易市场中风险平台识别及风险传播预
测方法,用于给大宗商品电子交易市场的平台从业者以及监管部门预测风险以及风险传播的路径和范围。该系统首先针对大宗商品的相关交易数据，构建交易网络，接着对现有的一些大宗商品交易市场的业内政策中的涉及禁止的交易模式进行抽取和建模，利用网络特征查找出异常交易模式，并将其所属的平台设定为传染源平台。同时根据交易平台之间交易商品的重叠而存在的相关性，计算平台间Pearson相关系数，接着构造最小生成树，生成交易平台间的复杂网络，展现交易平台间的最强相关关系。最后以传染源平台为起点，平台间复杂网络为传播网络，应用SIR传染病模型，对风险传播的路径和范围进行预测，展示可能被风险影响的交易平台。该系统提出的以幂律分布规律为基础的风险平台识别方法以及复杂网络与SIR传染病模型相结合的风险传播预测方法，可以用于大宗商品交易市场中交易平台防范风险的参考以及监管部门的制度健全的参考。
[0006]为达到上述目的，本专利技术的技术方案如下：
[0007]大宗商品交易市场中风险平台识别及风险传播预测方法，包括以下步骤：
[0008](1)系统初始化后，数据库读取历史交易数据，构建用户交易网络；
[0009](2)对政策中的禁止交易模式进行网络建模，并进行幂律分布规律总结；
[0010](3)用最小二乘法对交易账号节点拟合幂律分布，计算离群值；
[0011](4)进行阈值计算，筛选出离群值大于阈值的交易账号形成的交易模式，为异常交易模式，所属的平台为风险源平台；
[0012](5)根据平台对交易商品的评分矩阵，计算平台间的相关系数，最终得到交易平台间的相关系数矩阵；
[0013](6)以交易平台作为树的节点，基于交易平台间的相关系数矩阵连边构造最小生成树；
[0014](7)将步骤(6)中构建的最小生成树看作初始的复杂网络结构，并建立SIR传染病模型；
[0015](8)将所有平台节点加入易感状态S集合，接着按照(4)中异常交易模式的筛选结果，将风险源平台从易感状态S集合中转移到感染状态集合I；
[0016](9)遍历处于易感状态集合S中的交易平台，如果相邻节点中存在感染状态的节点，即在集合I中，则按照感染率，有一定概率发展为感染状态节点，若被感染，则从S集合中移除加入集合I中；
[0017](10)遍历处于感染状态集合I中的交易平台，被感染的平台节点有一定概率变为恢复态，治愈后的节点从集合I中移除加入集合R中；
[0018](11)判断感染的节点数量较前一次迭代有没有变化且迭代次数是否小于最大值，若是则回到步骤(9)，否则进入步骤(12)；
[0019](12)风险源平台识别以及风险感染范围和路径预测结束，根据结果自适应展示风险源平台以及其风险感染范围和路径。
[0020]进一步，所述步骤(1)中将平台中的交易账户定义为U＝{u1,u2,
…
,u
n
}，a
k
表示交易数量，s
k
表示交易商品的种类，则每笔交易可以写成四元组的形式<u
i
,u
j
,a
k
,s
k
>，其中u
i
为卖方，u
j
为买方，a
k
表示交易数量，s
k
表示交易商品的种类。将大宗商品交易市场中交易集合映射成有向图模型G＝{V,E,W}，其中节点集合V代表大宗商品交易市场中涉及到的所有交易账户，即V＝{u1,u2,
…
,u
n
},边集E为所有交易行为集合，即E＝{<u
i
,u
j
,a1,s1>,
…
,<u
i
,
u
j
,a
n
,s
n
>}，以交易量为每条边的属性，边的指向性代表交易的买卖，构成多重边的有向带权图。
...

【技术保护点】

【技术特征摘要】
1.大宗商品交易市场中风险平台识别及风险传播预测方法，其特征在于：包括以下步骤：(1)系统初始化后，数据库读取历史交易数据，构建用户交易网络；(2)对政策中的禁止交易模式进行网络建模，并进行幂律分布规律总结；(3)用最小二乘法对交易账号节点拟合幂律分布，计算离群值；(4)进行阈值计算，筛选出离群值大于阈值的交易账号形成的交易模式，为异常交易模式，所属的平台为风险源平台；(5)根据平台对交易商品的评分矩阵，计算平台间的相关系数，最终得到交易平台间的相关系数矩阵ρ；(6)以交易平台作为树的节点，基于交易平台间的相关系数矩阵ρ连边构造最小生成树；(7)将步骤(6)中构建的最小生成树看作初始的复杂网络结构，并建立SIR传染病模型；(8)将所有平台节点加入易感状态S集合，接着按照步骤(4)中异常交易模式的筛选结果，将风险源平台从易感状态S集合中转移到感染状态集合I；(9)遍历处于易感状态集合S中的交易平台，如果相邻节点中存在感染状态的节点，即在集合I中，则按照感染率，有一定概率发展为感染状态节点，若被感染，则从S集合中移除加入集合I中；(10)遍历处于感染状态集合I中的交易平台，被感染的平台节点有一定概率变为恢复态，治愈后的节点从集合I中移除加入集合R中；(11)判断感染的节点数量较前一次迭代有没有变化且迭代次数是否小于最大值，若是则回到步骤(9)，否则进入步骤(12)；(12)风险源平台识别以及风险感染范围和路径预测结束，根据结果自适应展示风险源平台以及其风险感染范围和路径。2.根据权利要求1所述的大宗商品交易市场中风险平台识别及风险传播预测方法，其特征在于：步骤(1)中将平台中的交易账户定义为U＝{u1,u2,
…
,u
n
}，a
k
表示交易数量，s
k
表示交易商品的种类，则每笔交易可以写成四元组的形式<u
i
,u
j
,a
k
,s
k
>，其中u
i
为卖方，u
j
为买方，a
k
表示交易数量，s
k
表示交易商品的种类；将大宗商品交易市场中交易集合映射成有向图模型G＝{V,E,W}，其中节点集合V代表大宗商品交易市场中涉及到的所有交易账户，即V＝{u1,u2,
…
,u
n
},边集E为所有交易行为集合，即E＝{<u
i
,u
j
,a1,s1>,
…
,<u
i
,u
j
,a
n
,s
n
>}，以交易量为每条边的属性，边的指向性代表交易的买卖，构成多重边的有向带权图。3.根据权利要求1所述的大宗商品交易市场中风险平台识别及风险传播预测方法，其特征在于：步骤(2)中总结政策中所规定的异常交易模式进行模型建立和特征提取，借用复杂网络节点相关结构表示出来，并整理对应的三种幂律分布规律：边数～邻居数：大多数正常交易的节点的连接边的总数E和邻居数N服从幂律分布，即对数坐标后呈线性：E
i
～N
ia
,1≤a≤2权重和～边数：大多数正常交易的节点的总边权重和边数和服从幂律分布：W
i
～N
ic
,c≥1主特征值～权重和：节点的中心网络主特征值与中心网络权值满足一定的幂律关系：
λ
i
～W
iγ
,0.5≤γ≤1。4.根据权利要求3所述的大宗商品交易市场中风险平台识别及风险传播预测方法，其特征在于：步骤(3)中根据总结的满足线性关系的幂律分布规律，采用线性回归模型异常检测算法对异常交易主体进行检测，对幂律分布通过对最小二乘法进行参数拟合，并采用异常值(os
i
)表示节点u
i
在给定幂律分布特征下与正常模式的偏离程度，形式化的，用即预测值和实际值之间的距离，来表示节点u
i
在给定幂律分布下的观测值与预测值的差异，节点u
i
的异常值os
i
需要反映节点偏离正常模式的程度；当节点u

【专利技术属性】
技术研发人员：蒋嶷川，罗宇驰，狄凯，
申请(专利权)人：东南大学，
类型：发明
国别省市：