本发明专利技术公开了一种金融预测方法和系统，包括：金融获取模块，用于获取金融时间序列；金融处理模块，用于处理金融时间序列；金融存储模块，基于区块链存储处理的金融时间序列；金融预测模块，基于金融时间序列通过初始神经网络模型得到预测金融时间序列；结果处理模块，用于显示、存储和输出预测金融时间序列；金融验证模块，用于比较预测金融时间序列和实际金融时间序列并计算其欧氏距离，基于欧式距离判断预测金融时间序列的有效性；模型修正模块，若预测金融时间序列的无效，构建对象神经网络模型并调整参数。本发明专利技术的有益效果：能够通过神经网络模型预测金融时间序列，能够基于实际金融时间序列调整神经网络模型参数。
2、现有技术中，通常通过对金融数据进行加密的方式，对金融数据处理过程中可信性进行验证，从而提高金融数据的安全性，通过多端协调的方法，实现对金融数据的处理，有利于提高金融数据应用系统识别外界攻击的能力，但是存在不能够通过神经网络模型预测金融时间序列，不能够基于实际金融时间序列调整神经网络模型参数的问题。
3、例如，在中国专利文献上公开的“一种金融数据处理方法”，其公告号为cn113382021b，其申请日为2021年8月11日，该专利技术包括：获取待处理的金融数据，并从第一端获取第一数、和从第二端获取第二数。根据第一数和第二数，生成公钥和私钥采用私钥对金融数据进行加密，得到加密数据；将加密数据和公钥，发送至第二端，使得第二端采用公钥，对加密数据进行解密得到金融数据，之后，第二端将金融数据发送至第一端。第一端对金融数据进行处理，得到中间结果。本说明书中的方法适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；以及，在期望数量的用户之间或在用户与网络设备之间选择性地建立一个或多个无线通信链路以便经由这些通信链路传输信息的通信网络，但是存在不能够通过神经网络模型预测金融时间序列，不能够基于实际金融时间序列调整神经网络模型参数的问题。
>技术实现思路1、针对现有技术不能够通过神经网络模型预测金融时间序列，不能够基于实际金融时间序列调整神经网络模型参数的不足，本申请提出了一种金融预测方法和系统，能够通过神经网络模型预测金融时间序列，能够基于实际金融时间序列调整神经网络模型参数。
2、以下是本专利技术的技术方案，一种金融预测系统，包括：
3、金融获取模块，用于获取金融时间序列；
4、金融处理模块，用于处理金融时间序列，连接金融获取模块；
5、金融存储模块，基于区块链存储处理的金融时间序列，连接金融处理模块；
6、金融预测模块，基于金融时间序列通过初始神经网络模型得到预测金融时间序列，连接金融存储模块和金融处理模块；
7、结果处理模块，用于显示、存储和输出预测金融时间序列，连接金融预测模块；
8、金融验证模块，用于比较预测金融时间序列和实际金融时间序列并计算其欧氏距离，基于欧式距离判断预测金融时间序列的有效性，连接金融处理模块和结果处理模块；
9、模型修正模块，若预测金融时间序列的无效，构建对象神经网络模型并调整参数，连接金融验证模块和金融预测模块。
10、作为优选，金融时间序列包括获取时间、对象名、数据时间以及若干个数据名和数据值。
11、作为优选，金融获取模块获取对象的金融时间序列时，仅获取上次获取时间和本次获取时间之间的金融时间序列。
12、作为优选，金融处理模块选择若干个金融时间序列，按照数据时间对若干个金融时间序列进行排序，对排序后的金融时间序列的数据值进行异常值处理和空缺值处理。
13、作为优选，结果处理模块连接显示屏。
14、一种金融预测方法，包括以下步骤：
15、s1、获取若干个对象的金融时间序列，对金融时间序列进行异常值处理和空缺值处理；
16、s2、按照每个对象基于金融时间序列建立数据集，创建并训练初始神经网络模型，基于初始神经网络模型得到预测金融时间序列；
17、s3、计算实际金融时间序列和预测金融时间序列的欧氏距离，基于欧式距离判断预测金融时间序列的有效性；
18、s4：若预测金融时间序列有效，后续该对象使用初始神经网络模型预测金融时间序列；否则，基于初始神经网络模型创建对象神经网络模型并调整参数，直至预测金融时间序列有效，后续该对象使用对象神经网络模型得到预测金融时间序列。
19、作为优选，若目标数据值和前一个数据值的差值大于判断阈值并且目标数据值和后一个数据值的差值大于判断阈值，则目标数据值异常；
20、计算目标数据值前两个和后两个数据值的均值替换目标数据值。
21、作为优选，若目标数据值为空缺值，则计算目标数据值前一个和后一个数据值的均值补充至目标数据值。
22、作为优选，s2中，按照每个对象基于金融时间序列建立数据集，包括：以每个对象的金融时间序列中的数据时间和数据值作为元素构成数据集，按照数据时间将最近若干个元素作为预测集，将其他数据时间的元素作为训练集。
23、作为优选，s3包括：计算每个预测数据值和实际数据值的单项欧氏距离，若单项欧式距离小于欧式距离阈值，则预测数据值有效；否则，预测数据值无效；
24、若预测数据值无效的个数小于或等于数量阈值，则预测金融时间序列有效；否则，预测金融时间序列无效。
25、本专利技术的有益效果是：能够获取若干个对象的金融时间序列，并通过神经网络模型预测金融时间序列，提高金融数据的预测能力；能够基于实际金融时间序列调整神经网络模型参数，提高神经网络模型的预测精度。
本文档来自技高网...
【技术保护点】
1.一种金融预测系统，其特征在于，包括：
2.根据权利要求1所述的一种金融预测系统，其特征在于，金融时间序列包括获取时间、对象名、数据时间以及若干个数据名和数据值。
3.根据权利要求1或2所述的一种金融预测系统，其特征在于，金融获取模块获取对象的金融时间序列时，仅获取上次获取时间和本次获取时间之间的金融时间序列。
4.根据权利要求1所述的一种金融预测系统，其特征在于，金融处理模块选择若干个金融时间序列，按照数据时间对若干个金融时间序列进行排序，对排序后的金融时间序列的数据值进行异常值处理和空缺值处理。
5.根据权利要求1所述的一种金融预测系统，其特征在于，结果处理模块连接显示屏。
6.一种金融预测方法，适用于如权利要求1-5任一项所述的一种金融预测系统，其特征在于，包括以下步骤：
7.根据权利要求6所述的一种金融预测方法，其特征在于，若目标数据值和前一个数据值的差值大于判断阈值并且目标数据值和后一个数据值的差值大于判断阈值，则目标数据值异常；
8.根据权利要求6或7所述的一种金融预测方法，其特征在于，若目标数据值为空缺值，则计算目标数据值前一个和后一个数据值的均值补充至目标数据值。
9.根据权利要求6所述的一种金融预测方法，其特征在于，S2中，按照每个对象基于金融时间序列建立数据集，包括：以每个对象的金融时间序列中的数据时间和数据值作为元素构成数据集，按照数据时间将最近若干个元素作为预测集，将其他数据时间的元素作为训练集。
10.根据权利要求6所述的一种金融预测方法，其特征在于，S3包括：计算每个预测数据值和实际数据值的单项欧氏距离，若单项欧式距离小于欧式距离阈值，则预测数据值有效；否则，预测数据值无效；
...
【技术特征摘要】
1.一种金融预测系统，其特征在于，包括：
2.根据权利要求1所述的一种金融预测系统，其特征在于，金融时间序列包括获取时间、对象名、数据时间以及若干个数据名和数据值。
3.根据权利要求1或2所述的一种金融预测系统，其特征在于，金融获取模块获取对象的金融时间序列时，仅获取上次获取时间和本次获取时间之间的金融时间序列。
4.根据权利要求1所述的一种金融预测系统，其特征在于，金融处理模块选择若干个金融时间序列，按照数据时间对若干个金融时间序列进行排序，对排序后的金融时间序列的数据值进行异常值处理和空缺值处理。
5.根据权利要求1所述的一种金融预测系统，其特征在于，结果处理模块连接显示屏。
6.一种金融预测方法，适用于如权利要求1-5任一项所述的一种金融预测系统，其特征在于，包括以下步骤：
7.根...
【专利技术属性】
技术研发人员：王沁，雷宗辉，
申请(专利权)人：杭州保盒科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。