一种基于用户信息耦合算法的金融信息管理系统技术方案

一种基于用户信息耦合算法的金融信息管理系统，包括金融用户信息分析模块、用户信息耦合模块、金融数据管理模块；本发明专利技术从主观的用户金融行为和客观的整体金融环境的角度出发，基于动态的多数据属性耦合算法将金融环境中的多因素进行耦合处理，在此基础上，预测金融的综合能力，根据预测结果实时反馈未来的应对方案，以此提高金融风险意识和应对手段。以此提高金融风险意识和应对手段。以此提高金融风险意识和应对手段。

【技术实现步骤摘要】
一种基于用户信息耦合算法的金融信息管理系统


[0001]本专利技术涉及金融数据管理领域，具体地说，涉及一种基于用户信息耦合算法的金融信息管理系统。

技术介绍

[0002]金融信息管理系统是链接金融业各种业务，对基础数据进行采集，加工，分析，传递，为管理者提供及时、全面的信息和丰富的信息分析工具的关键系统，金融信息管理系统可分为金融机构内部的信息系统，金融机构之间的信息系统和金融机构和用户之间的信息系统。金融机构内部的系统通常是指用于银行内部处理银行业务、银行网络服务、银行经营相关的系统。金融机构之间的信息管理系统是提高银行等金融机构经营效率的重要系统，因为随着各项业务之间交往的频繁，银行间的各种转账结算业务急剧上升，资金清算需要的到得到及时有效的处理，因此需要建立统一的、标准化的信息管理系统，提高各金融机构的经营效率。对于金融机构与与用户的信息管理系统，是各金融机构推出面向大众的各类自动服务，建立了自动客户服务系统网络，包括金融机构与企业客户建立企业银行以及金融机构与社会大众建立网络银行，通过各类终端为客户提供各类周详、多样的金融服务。但目前由于用户种类多，金融环境复杂多元化，不同种类的用户需要提供不同的服务，存在着服务不匹配，服务质量低，无法准确考虑到各种金融环境的影响等问题。为解决这类问题，将一种基于用户的信息耦合的算法与金融信息管理系统之间相结合，对用户类别，用户金融能力，金融环境风险建立多维耦合模型，加入LSTM长短时间序列模型算法，将以往大量的数据添加到预测模型之中，经模型计算自动保留有用数据进入下一轮循环，剔除无效数据，加强了各种因素之间的预测准确性，提高金融服务的针对性，对不同需求用户提供更匹配的服务，针对预测不同用户的金融综合能力，根据预测结果实时反馈对未来的应对方案，提高金融风险意识和应对方案，丰富了金融信息管理系统的功能，增加了金融机构的经营效率。

技术实现思路

[0003]本专利技术的目的在于提供一种基于用户信息耦合算法的金融信息管理系统，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，提出了一种基于用户信息耦合算法的金融信息管理系统，包括金融用户信息分析模块、用户信息耦合模块、金融数据管理模块；首先，根据金融环境和能力对用户的类别进行判断，基于近15年的最低和最高金融行为对用户的历史金融能力进行分析，利用改进的时序神经网络模型基于近10年的平均金融行为对用户的未来金融能力进行分析；然后，确定金融风险因素的多属性，并将这些属性耦合到各类别用户的金融行为，基于用户历史和未来的金融能力分析，将这些参数耦合到用户综合金融能力上，根据客观因素构建多维金融环境的因素耦合模型；最后，将耦合信息按特征储存至系统数据库，基于动态的多数据属性耦合算法将金融环境中的多因素进行耦合处理，在此基础上，预测金融
的综合能力，根据预测结果实时反馈，以此提高金融风险意识和应对手段。
[0005]进一步的，所述金融用户信息分析模块，根据金融环境和能力对用户的类别进行判断，详细过程如下：
[0006]根据当前金融环境和用户的金融能力进行分析，对用户分为投资型、稳健型、投机型三类；对于当时金融环境较好时，对于敢于投资，有长期投资意愿的，期望有较大收益率的金融用户，可将其分为投资型用户，投资型用户是金融市场的资金盈余者，出让资金的使用权保留对资金的所有权获得对应的收益以达到资产增值的目的，投资型用户一般愿意承担一定量的风险；当金融环境混乱，想在短期内快速获得较大收益的用户，可将其定为投机型用户，投机型用户期望在混乱的市场环境中寻找到投机机会以快速获得大量收益，他们承受风险的能力也相对较高；对于希望在金融市场获取一定的收益，但首先是希望自己的资金不贬值，这类的用户可称之为稳健型用户，他们基本会持有具有保值功能的金融产品；
[0007]进一步的，所述金融用户信息分析模块，基于近15年的最低和最高金融行为对用户的历史金融能力进行分析，详细过程如下：
[0008]对用户近15年的金融行为按投资金额进行量化，定义X
i(j)
，i表示第i类用户，j代表将用户15年投资行为按投资金额进行从小到大排序，j代表第j个大小的金融行为；计算近15年的极差，公式为：
[0009]Y
i
＝X
i(15)
‑
X
i(1)
[0010]X
i(15)
、X
i(1)
分别为i类用户最大和最小的投资金额Y
i
为i类用户历史金融投资极差，Y
i
越大表示用户在过去十五年投资波动性大，抗风险性高，用户金融知识丰富，代表历史金融能力高；
[0011]本专利技术引出夏普比率概念，夏普比率可以同时对风险和收益综合考量的指标。当投资的预期收益越高时，波动性风险越大，投资预期收益越低，波动性风险越低；也代表投资人没多承担一部分风险，可以获得多少超额报仇，其可代表投资人投资能力的指标。具体公式为：
[0012][0013]其中SharpeRatio代表夏普比率，E(R
p
)是投资预期年化报酬率，R
f
为年华无风险利率，σ
P
投资组合年化报酬率的标准差。根据历史15年的金融行为数据计算夏普比率，判断用户的额投资能力。
[0014]进一步的，所述金融用户信息分析模块，利用改进的时序神经网络模型基于近10年的平均金融行为对用户的未来金融能力进行分析，详细过程如下：
[0015]在处理时序数据时，本专利技术采用具有良好性能的长短期记忆神经网络(LSTM)基于近十年的平均金融行为对用户的未来金融能力进行分析及预测。标准的循环神经网络包扩输入层，隐含层，输出层三个模块，但是在标准循环神经网络在传递数据时，易发生梯度消失问题，造成参数难以持续优化。而本专利技术使用的长短期记忆神经网络通过对遗忘门参数的选择，可进一步解决此种问题。而且通过增加一定数量的单元门，对即时信息对历史信息的影响程度进行控制，使模型能够持续有效的进行。
[0016]LSTM模型可看作一种储存信息的记忆单元，这种模型单元的优点在于尝试长久储存信息。该单元由遗忘门、输入门和输出门所保护，高效的实现信息的更新和利用，计算公
式如下：
[0017]g
f
＝W
af
h
t
‑1+W
cf
x
t
+ε
f
[0018]f
t
＝σ(g
f
)
[0019]g
i
＝W
ai
h
t
‑1+W
ci
x
t
+ε
i
[0020]i
t
＝σ(g
i
)
[0021]g
f
＝W
ao
h
t
‑1+W
co
x...

【技术保护点】

【技术特征摘要】
1.一种基于用户信息耦合算法的金融信息管理系统，包括金融用户信息分析模块、用户信息耦合模块、金融数据管理模块；首先，根据金融环境和能力对用户的类别进行判断，基于近15年的最低和最高金融行为对用户的历史金融能力进行分析，利用改进的时序神经网络模型基于近10年的平均金融行为对用户的未来金融能力进行分析；然后，确定金融风险因素的多属性，并将这些属性耦合到各类别用户的金融行为，基于用户历史和未来的金融能力分析，将这些参数耦合到用户综合金融能力上，根据客观因素构建多维金融环境的因素耦合模型；最后，将耦合信息按特征储存至系统数据库，基于动态的多数据属性耦合算法将金融环境中的多因素进行耦合处理，在此基础上，预测金融的综合能力，根据预测结果实时反馈，以此提高金融风险意识和应对手段。2.根据权利要求1所述一种基于用户信息耦合算法的金融信息管理系统，其特征在于，所述金融用户信息分析模块，根据金融环境和能力对用户的类别进行判断，详细过程如下：根据当前金融环境和用户的金融能力进行分析，将用户分为投资型、稳健型、投机型三类；对于当时金融环境较好时，对于敢于投资、有长期投资意愿的且期望有较大收益率的金融用户，将其归为投资型用户，投资型用户是金融市场的资金盈余者，出让资金的使用权保留对资金的所有权获得对应的收益以达到资产增值的目的，投资型用户愿意承担一定量的风险；当金融环境混乱，想在短期内快速获得较大收益的用户，将其定为投机型用户，投机型用户期望在混乱的市场环境中寻找到投机机会以快速获得大量收益，他们承受风险的能力较高；对于希望在金融市场获取收益，但首先是希望自己的资金不贬值，这类的用户称之为稳健型用户，他们会持有具有保值功能的金融产品。3.根据权利要求1所述一种基于用户信息耦合算法的金融信息管理系统，其特征在于，所述金融用户信息分析模块，基于近15年的最低和最高金融行为对用户的历史金融能力进行分析，详细过程如下：对用户近15年的金融行为进行量化，定义用户属性X
i(j)
，i表示第i类用户，将用户15年投资行为按所投资金额进行从小到大排序，j代表第j个大小的金融行为；计算近15年的极差，公式为：Y
i
＝X
i(15)
‑
X
i(1)
X
i(15)
、X
i(1)
分别为i类用户最大和最小的投资行为，Y
i
为i类用户历史金融投资极差，Y
i
越大表示用户在过去十五年投资波动性大，抗风险性高，用户金融知识丰富，代表历史金融能力高。4.根据权利要求1所述一种基于用户信息耦合算法的金融信息管理系统，其特征在于，所述金融用户信息分析模块，利用改进的时序神经网络模型基于近10年的平均金融行为对用户的未来金融能力进行分析，详细过程如下：在处理时序数据时，本发明采用具有良好性能的长短期记忆神经网络(LSTM)基于近十年的平均金融行为对用户的未来金融能力进行分析及预测，LSTM模型由遗忘门、输入门和输出门所保护，高效的实现信息的更新和利用，计算公式如下：g
f
＝W
af
h
t
‑1+W
cf
x
t
+ε
f
f
t
＝σ(g
f
)g
i
＝W
ai
h
t
‑1+W
ci
x
t
+ε
i
i
t
＝σ(g
i
)
g
f
＝W
ao
h
t
‑1+W
co
x
t
+ε
o
o
t
＝σ(g
o
)式中：x
t
为t时刻序列输入；h
t
‑1为t
‑
1时刻LSTM单元输出；W
cf
、W
ci
、W
co
分别为遗忘门、输入门、输出门对时序输入的权重矩阵；W
af
、W
ai
、W
ao
分别为遗忘门、输入门、输出门对t
‑
1时刻的输出权重矩阵；ε
f
、ε
i
、ε
o
分别为遗忘门、输入门、输出门的偏差项；f
t
、i
t
、o
t
分别为遗忘门，输入门、输出门的状态；g
f
、g
i
、g
o
分别...

【专利技术属性】
技术研发人员：王超，汪珏，方秋燕，
申请(专利权)人：上海圈讯科技股份有限公司，
类型：发明
国别省市：