基于多维数据的金融风险数据处理分析方法及系统

专利主权项内容

（来 自 马 克 数 据 网） 1.一种基于多维数据的金融风险数据处理分析方法，其特征在于，包括以下步骤：步骤S1：通过爬虫技术对金融信息进行多维度数据采集，得到多维度金融数据；对多维度金融数据进行数据预处理，多维度金融分类数据；其中，步骤S1包括：步骤S11：通过爬虫技术对金融信息进行多维度数据采集，得到多维度金融数据；步骤S12：对多维度金融数据进行数据预处理 ，得到多维度金融清洗数据；其中，对多维度金融数据进行数据预处理，其中数据预处理具体为：步骤S121：对多维度金融数据进行数据来源分析，得到金融来源渠道数据；步骤S122：根据金融来源渠道数据对多维度金融数据进行数据差异化分析，得到多维度金融差异数据；步骤S123：基于多维度金融差异数据对多维度金融数据进行维度关联计算，得到金融维度关联度值；当金融维度关联度值大于或等于预设的金融维度关联度阈值时，则生成金融维度关联数据；当金融维度关联度值小于预设的金融维度关联度阈值时，则停止维度关联计算，返回上一步骤；其中，对多维度金融数据进行维度关联计算是通过金融维度关联分析算法进行的，金融维度关联分析算法如下所示：式中，/>表示金融维度关联度的结果值，/>表示维度关联计算次数值，/>表示多维度金融差异数据的差异区间值，/>表示多维度金融差异数据的差异区间差值，/>表示多维度金融数据的数据来源复杂度值，/>表示多维度金融数据的数据来源关联度值，/>表示多维度金融数据的权重系数，/>表示金融维度关联分析算法的误差调整值；步骤S124：根据金融维度关联数据对多维度金融数据进行数据采样，得到多维度金融采样数据；步骤S125：对多维度金融采样数据进行线性分析，得到多维度金融线性数据；对多维度金融线性数据进行归一化处理，得到多维度金融清洗数据；步骤S13：对多维度金融清洗数据进行分类处理，得到多维度金融分类数据；步骤S2：获取金融历史风险数据；对金融历史风险数据进行风险影响范围分析，得到金融风险时间序列；根据金融风险时间序列对金融历史风险数据进行最大化似然函数计算，得到金融最大化似然参数；基于金融最大化似然参数金融风险时间序列进行金融风险识别模型构建，得到金融风险识别模型；步骤S3：对多维度金融分类数据进行模块特征选取，得到金融降维特征数据；利用金融风险识别模型对金融降维特征数据进行风险特征行为识别，得到金融风险特征行为数据；其中，步骤S3包括：步骤S31：对多维度金融分类数据进行模块特征选取，得到金融模块特征数据；其中，步骤S31包括：步骤S311：通过递归特征消除法对多维度金融分类数据进行特征优化，得到多维金融特征优化数据；步骤S312：对多维金融特征优化数据进行组合遍历，得到多维金融组合优化数据；步骤S313：通过多维金融组合优化数据进行随机样本抽取，得到金融组合样本优化数据；步骤S314：利用样本组合权重算法对金融组合样本优化数据进行权重分配，得到样本权重优化数据；其中，样本组合权重算法如下所示：式中，/>表示权重分配的输出值，/>表示权重积分结束时间值，/>表示金融组合样本优化数据的样本完整度值，/>表示样本数量值，/>表示样本随机权重值，/>表示金融组合样本优化数据的样本随机值，/>表示第/>个金融组合样本优化数据的优化程度系数，/>表示第/>个金融组合样本优化数据的方差预估值，/>表示第/>个金融组合样本优化数据的约束条件值，表示第/>个金融组合样本优化数据的变化系数值，/>表示样本组合权重算法的偏差修正值；步骤S315：对样本权重优化数据进行有序树结构构建，得到样本权重有序树；步骤S316：对样本权重有序树进行有序查找并进行特征选取，得到金融模块特征数据；步骤S32：对金融模块特征数据进行数据降维，得到金融降维特征数据；步骤S33：利用金融风险识别模型对金融降维特征数据进行风险特征行为识别，得到金融风险特征行为数据；步骤S4：对金融风险特征行为数据进行前置风险行为分析，得到金融前置风险数据；根据金融前置风险数据对金融风险时间序列进行前置关系匹配，得到金融前置影响关系数据；对金融前置影响关系数据进行决策规则制定，得到金融风险决策数据；其中，步骤S4包括：步骤S41：对金融风险特征行为数据进行风险诱因分析，得到金融风险诱因数据；对金融风险诱因数据进行时间行为概率分析，得到风险时间行为概率；步骤S42：对金融风险特征行为数据进行前置风险行为分析，得到金融前置风险数据；步骤S43：根据金融前置风险数据对金融风险时间序列进行前置关系匹配，得到金融前置影响关系数据；步骤S44：根据风险时间行为概率以及金融前置影响关系数据进行决策规则制定，得到金融风险决策数据。