基于改进GRU的金融行业另类数据预测方法和系统技术方案

本发明专利技术公开了一种基于改进GRU的金融行业另类数据预测方法和系统，包括：输入特征获取模块、超参数确定模块、权重分配模块和对比模块，首先需要确定预测模型的输入特征。其次，通过贝叶斯优化算法来确定模型的各项超参数。随后，在模型的隐藏层，通过注意力机制对特征分配不同的权重。通过大量数据训练后分别得到传感器数据、周期预测模型。使用测试集将模型的预测结果与观测值对比，根据贝叶斯优化方法判断是否达到结束条件。本发明专利技术的优点是：实现精准的金融行业另类数据预测，提供可靠的另类数据变化趋势指导，以人工智能算法为基础的金融行业数据分析提供有力支撑。行业数据分析提供有力支撑。行业数据分析提供有力支撑。

【技术实现步骤摘要】
基于改进GRU的金融行业另类数据预测方法和系统


[0001]本专利技术涉及人工智能数据挖掘
，特别涉及一种基于改进GRU的金融行业另类数据预测方法和系统。

技术介绍

[0002]物联网、区块链、人工智能等关键核心技术在内的新技术创新成为国际竞争的焦点，同时也推动着金融科技发展模式创新。物联网作为金融科技应用最广的底层技术之一，通过与垂直行业深度融合，已经不断应用于金融行业的各项业务中，物联网技术不断打破金融行业壁垒、创造新的价值。人工智能技术数据分析的常用工具，广泛应用于金融行业的数据分析当中，尤其是对另类数据的分析。在以人工智能技术融合进金融决策系统分析的过程中，在所构建的投资组合中，以最低的风险水平上赚取最高的收益率为目标。同时，在人工智能技术的前提下，由学习系统、决策系统、智能执行构成的智能代理，通过数据监测和模块分析对金融发展走势进行预测。
[0003]目前，物联网金融广泛应用于金融信贷、金融租赁、保险等多个领域。在金融信贷领域，物联网金融通过物联网技术实时监控抵押物状态，提高风控精准率；在金融租赁领域，物联网金融通过物联网技术对融资租赁标的物实时监控，确保设备安全、不被挪用，同时通过对生产设备的状态监控分析企业生产经营信息，确保企业正常还款能力，从而保证融资租赁机构的风控精确度。在保险领域，物联网金融促进了UBI车险业务的发展，通过车联网技术了解驾驶员驾驶习惯，与车辆信息、周围环境等数据综合起来，建立人、车、路(环境)多维度模型定价系统，给保险公司合理定价、精准获客、降低赔付率等带来帮助。目前许多企业开展了金融物联网的部署。
[0004]在实际应用中，市面上许多金融公司开始进行金融物联网的部署。苏宁金融就基于物联网仓储车辆监管，建立了汽车库融平台，通过手机程序满足车辆的远程监控需求，实现了贷款流向与贸易对手、质押清单与库存实物、贷款额度与质押价值的对应，增强了信息的透明度和信贷风险管控能力。江苏银行利用物联网和区块链技术，推出的全线上化物联网动产质押融资业务。通过实时收集仓库和客流情况、采集生产能源消耗、获取企业质押物信息，掌握经营能力及偿债能力，实现质物与贷款一对一对应，杜绝过去质物池化的权属风险以及信息传递问题，大大节省了金融服务的时间及资金成本、及时解决了生产经营资金周转需求。平安银行完成了物联网仓库的全国性布局，与上百家大型仓库和物流园区建立了深度合作关系；并且打造港口物联网金融合作新范式，与10多家大型港口开展矿产、粮食等大宗散货合作。
[0005]另类数据是不同于传统的交易所披露、公司公告披露的新数据，是有利于投资者进行投资决策的有价值信息。通过人工智能对金融另类数据的分析，目前在信贷、反欺诈、异常交易检测等领域应用广泛，为金融行业欺诈风险的分析和预警监测提供了坚实的技术支持。目前国内外使用人工智能保障金融安全，在金融决策方面也进行了大量的研究。
[0006]随着人工智能在金融领域的不断推广，目前缺少对金融行业中规范使用物联网产
生的异构数据、人工智能在金融中的应用规范等相关的标准，对当前人工智能的部署进行规范。然而，国内与金融安全相关的标准仅仅包括GB/T 36618
‑
2018 信息安全技术与金融信息服务安全规范，该标准虽然提供了金融信息安全的相关内容，但是没有说明在金融领域人工智能和另类数据的评估准则。此外，IEEE标准定义委员会(IEEE SA)目前正在进行金融安全的相关工作，主要讨论了人工智能对金融行业的影响。目前IEEE标准定义委员会正在进行可信数据和人工智能系统的服务标准、人工智能系统对金融行业风险的影响这两项标准的制定。

技术实现思路

[0007]本专利技术针对现有技术的缺陷，提供了一种基于改进GRU的金融行业另类数据预测方法和系统。
[0008]为了实现以上专利技术目的，本专利技术采取的技术方案如下：
[0009]一种基于改进GRU的金融行业另类数据预测方法，包括以下步骤：
[0010]首先需要确定预测模型的输入特征。
[0011]其次，通过贝叶斯优化算法来确定模型的各项超参数。
[0012]随后，在模型的隐藏层，通过注意力机制对特征分配不同的权重。
[0013]通过大量数据训练后分别得到传感器数据、周期预测模型。
[0014]使用测试集将模型的预测结果与观测值对比，根据贝叶斯优化方法判断是否达到结束条件。
[0015]如果是则使用该模型预测金融另类数据变化趋势；如果否，则继续参数寻优。
[0016]进一步地，在训练过程中，选用均方误差(MSE)作为损失函数，如公式(1) 所示，式中n是样本数，y
i
是观测值，x
i
是预测值。权重参数的更新由自适应动量估计(Adam)算法完成。Adam优化器结合了RMSProp、AdaGrad算法善于处理稀疏梯度和非平稳目标的优点，它能够以很快的速度获得很好的结果。为了防止模型训练过程中出现过拟合，采用了Early Stopping方法，随着训练轮次的增加，如果验证集上的测试误差上升，则停止训练。
[0017][0018]进一步地，金融行业另类数据预测方法中需要使用前后平均值填充的方式对缺失值进行处理，即将缺失值前一时刻属性值与后一时刻属性值的平均值作为缺失时刻的填充值。填充值的计算如公式(19)所示。当有多个连续数值缺失时，则使用前后临近的两个非空值的平均值填充。
[0019][0020]进一步地，选取了近一年保险受益人的各项保费及保险受益人收入水平作为预测模型的输入特征。
[0021]进一步地，特征标准化：采用了零均值标准化处理特征数据。标准化后的数据均值为0，标准差为1，服从标准正态分布。计算公式如(3)所示，其中，n是样本量，X
*
是处理后数据，X是原始数据，是原始数据的均值，δ是原始数据标准差。标准差的计算如公式(4)表
示。
[0022][0023][0024]进一步地，基于贝叶斯优化算法对超参数进行了寻优，寻优迭代次数为30。待优化超参数的取值范围以及最终取值，其中time step为时间步长，units为神经元个数，dense为全连接层节点数，n estimators树的数量，max depth为树的最大深度。此外，神经网络GRU的学习率均为0.001,训练轮次均为100。GRU 的激活函数为tanh。
[0025]本专利技术还公开了一种基于改进GRU的金融行业另类数据预测系统，包括：
[0026]输入特征获取模块，用于确定预测模型的输入特征；
[0027]超参数确定模块，用于确定模型的各项超参数；
[0028]权重分配模块，通过注意力机制对特征分配不同的权重；
[0029]对比模块，使用测试集将模型的预测结果与观测值对比，根据贝叶斯优化方法判断是否达到结束条件，如果是则使用该模型预测金融另类数据变化趋势；如果否，则继续参数寻优。
[0030]本专利技术还公开了一种用于金融行业另类数据预测的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进GRU的金融行业另类数据预测方法，其特征在于，包括以下步骤：首先需要确定预测模型的输入特征；其次，通过贝叶斯优化算法来确定模型的各项超参数；随后，在模型的隐藏层，通过注意力机制对特征分配不同的权重；通过大量数据训练后分别得到传感器数据、周期预测模型；使用测试集将模型的预测结果与观测值对比，根据贝叶斯优化方法判断是否达到结束条件；如果是则使用该模型预测金融另类数据变化趋势；如果否，则继续参数寻优。2.根据权利要求1所述的一种基于改进GRU的金融行业另类数据预测方法，其特征在于：在训练过程中，选用均方误差(MSE)作为损失函数，如公式(1)所示：式中n是样本数，y
i
是观测值，x
i
是预测值；权重参数的更新由自适应动量估计(Adam)算法完成；Adam优化器结合了RMSProp、AdaGrad算法善于处理稀疏梯度和非平稳目标的优点，它能够以很快的速度获得很好的结果；为了防止模型训练过程中出现过拟合，采用了Early Stopping方法，随着训练轮次的增加，如果验证集上的测试误差上升，则停止训练。3.根据权利要求1所述的一种基于改进GRU的金融行业另类数据预测方法，其特征在于：金融行业另类数据预测方法中需要使用前后平均值填充的方式对缺失值进行处理，即将缺失值前一时刻属性值与后一时刻属性值的平均值作为缺失时刻的填充值；填充值的计算如公式(2)所示；当有多个连续数值缺失时，则使用前后临近的两个非空值的平均值填充。4.根据权利要求1所述的一种基于改进GRU的金融行业另类数据预测方法，其特征在于：选取了近一年保险受益人的各项保费及保险受益人收入水平作为预测模型的输入特征。5.根据权利要求1所述的一种基于改进GR...

【专利技术属性】
技术研发人员：吕智涵，王娜娜，田亚峻，马潇萌，孙运传，孟毅，娄冉冉，刘筱成，
申请(专利权)人：新华融合媒体科技发展北京有限公司，
类型：发明
国别省市：