人工智能模型下的金融数据自动识别与预警系统

摘要

本发明提出人工智能模型下的金融数据自动识别与预警系统。所述金融数据自动识别系统包括多个本地数据处理中心；在每个本地数据处理中心的广播范围内存在多个移动终端，所述移动终端配置有金融数据发生器；当移动终端与本地数据处理中心处于数据可交换状态时，移动终端将金融数据发生器产生的金融数据发送至本地数据处理中心，并从本地数据处理中心接收反馈处理结果。所述金融数据自动预警系统布置于所述每个本地数据处理中心，采用多种人工智能预警模型对所述本地数据中心收集的金融数据进行风险识别。本发明的技术方案能够在本地数据中心各自的广播范围内及时汇总金融数据并给出风险反馈，同时不影响金融数据终端的正常使用。

说明书

技术领域

本发明属于金融数据处理技术领域，尤其涉及一种人工智能模型下的金融数据自动识别与预警系统。

背景技术

互联网金融(ITFIN)就是互联网技术和金融功能的有机结合，依托大数据和云计算在开放的互联网平台上形成的功能化金融业态及其服务体系，包括基于网络平台的金融市场体系、金融服务体系、金融组织体系、金融产品体系以及互联网金融监管体系等，并具有普惠金融、平台金融、信息金融和碎片金融等相异于传统金融的金融模式。

互联网金融终端是指利用互联网进行金融产品的销售以及为金融产品销售提供第三方服务的平台终端。互联网金融平台终端多元化创新发展，形成了提供高端理财投资服务和理财产品的第三方理财机构，提供保险产品咨询、比价、购买服务的保险门户网站等。

然而，金融科技创新会使信息不对称问题更加严重，当金融机构通过人工智能和机器学习分析和处理金融数据与风险时，监管者知之甚少，对金融风险的识别与应对变得迟缓。而如果金融机构的决策对数据更加敏锐，当经济下行时“跑”更快，就会强化顺周期行为，不利于金融稳定，使系统性风险更加严重。此外，大部分互联网金融平台还没有接入人民银行征信系统，也不存在信用信息共享机制，不具备类似银行的风控、合规和清收机制，容易发生各类风险问题。

因此，根据现有法律法规的规定，金融机构需要定期将各自的金融数据上报给监管机构，以便于监管机构及时掌握金融数据的属性，从中提前进行金融风险预警，并给出反馈(监管)意见。

申请号为CN202010749615.X的中国发明专利申请提出一种基于金融大数据特性的风控分析预警系统，风控分析预警系统包括临时数据库Tep-DB和业务数据库Bus-DB，临时数据库Tep-DB接收并执行业务请求指令Op-C，业务数据库Bus-DB同步接收与临时数据库Tep-DB相同的业务请求指令Op-C，待临时数据库Tep-DB执行完验证操作后，业务数据库Bus-DB执行与临时数据库Tep-DB相同的业务请求指令Op-C，以此完成一个业务请求指令Op-C的执行操作。该发明在保证数据安全情况下，不影响数据风控分析预警的效率；临时数据库和业务数据库相对隔离，异步执行业务请求指令，通过验证操作进行数据风控分析预警，通过验证后对业务数据库执行操作，两者之间只有先后顺序，可以使用该两套计算系统，避免彼此争夺计算资源。

然而，在我国现有监管体制下，金融监管机构都是分区域管理的。对于已有的大量互联网金融创新主体来说，应该将数据上报给哪一个监管机构以及具体如何上报，法律只有原则性的规定而现有技术并未给出明确的技术手段；此外，在鼓励创新的环境下，既要加强监管也要避免影响创新主体的市场发展尤其是用户体验，在这方面现有技术也没有给出有效的技术方案。

发明内容

为解决上述技术问题，本发明提出人工智能模型下的金融数据自动识别与预警系统。所述金融数据自动识别系统包括多个本地数据处理中心；在每个本地数据处理中心的广播范围内存在多个移动终端，所述移动终端配置有金融数据发生器；当移动终端与本地数据处理中心处于数据可交换状态时，移动终端将金融数据发生器产生的金融数据发送至本地数据处理中心，并从本地数据处理中心接收反馈处理结果。所述金融数据自动预警系统布置于所述每个本地数据处理中心，采用多种人工智能预警模型对所述本地数据中心收集的金融数据进行风险识别。本发明的技术方案能够在本地数据中心各自的广播范围内及时汇总金融数据并给出风险反馈，同时不影响金融数据终端的正常使用。

作为一个概括性的说明，本发明可以包括N个数据处理中心{C

其中，所述N个数据处理中心{C

在本发明的第一个方面，提出一种人工智能模型下的金融数据自动识别系统，所述金融数据自动识别系统包括多个本地数据处理中心，每个本地数据处理中心具备广播范围；

所述多个本地数据处理中心的至少两个在广播范围上邻接；

每个所述本地数据处理中心均包含至少一个金融数据处理引擎，所述金融数据处理引擎采用至少一个人工智能模型对所述金融数据进行属性识别；

所述在广播范围上邻接的至少两个本地数据处理中心对应的所述金融数据处理引擎不同；

在每个所述本地数据处理中心的所述广播范围内存在多个移动终端，所述移动终端配置有金融数据发生器；

当所述移动终端与所述本地数据处理中心处于数据可交换状态时，所述移动终端将所述金融数据发生器产生的金融数据发送至所述本地数据处理中心，并从所述本地数据处理中心接收反馈处理结果。

作为本发明的第一个优点，当所述移动终端上的至少一个金融APP处于非活跃时段时，所述移动终端将所述处于非活跃时段的金融APP当前产生的金融数据发送至所述本地数据处理中心，并接收所述本地数据处理中心发送针对所述处于非活跃时段的金融APP前次发送的金融数据的反馈处理结果。

作为本发明的再一个优点，当所述移动终端上的至少一个金融APP处于非活跃时段时，所述移动终端确定自身的基站位置，基于所述基站位置，确定基站传播范围；

基于所述基站广播范围，所述移动终端将所述金融数据发送至目标数据处理中心，所述目标数据中心为所述多个本地数据处理中心中广播范围与所述基站传播范围存在重叠的本地数据处理中心。

作为与上述优点相关联的更关键技术手段，每个所述金融数据处理引擎配置多个不同的人工智能模型；

所述在广播范围上邻接的至少两个本地数据处理中心对应的所述金融数据处理引擎配置的人工智能模型不完全相同。

在本发明的第二个方面，提出一种人工智能模型下的金融数据自动预警系统，所述金融数据自动预警系统前述的金融数据自动识别系统中的所述每个本地数据处理中心，采用多种人工智能预警模型对所述本地数据中心收集的金融数据进行风险识别。

更具体的，所述人工智能预警模型采用受限波尔兹曼机挖掘金融数据的标签数据特征，通过分类分区的受限波尔兹曼机构建深度置信网络，对所述金融数据进行风险识别；

所述深度置信网络包括无监督学习的置信网络和带权重调节的有监督学习的置信网络；

基于所述风险识别的结果向所述本地数据处理中心发出预警信号。

作为优选，所述深度置信网络基于层次贝叶斯深度置信网络算法实现。

作为再一个优点，所述人工智能预警模型首先使用没有标签的训练数据，对受限玻尔兹曼机进行训练，再基于BP算法对训练数据进行有监督的学习。

通过所述人工智能预警模型得出风险识别结果后，所述本地数据处理中心将所述预警信号发送至产生所述金融数据的金融APP的运营方。

在本发明的上述技术方案中，深度置信网络(DBN)是一种融合了深度学习和特征学习的多层次神经网络。传统的神经网络也试图通过多层次的网络结构去学习更加深刻的特征，但是多层神经网络很难通过单纯的梯度下降法训练达到良好的效果。深度置信网络采用逐层的无监督预训练机制较好地解决了该问题。它是由多层无监督的受限波尔兹曼机和一层有监督的BP神经网络组成的深度神经网络模型。

在本发明的上述技术方案中，所述金融数据来自于安装于所述移动终端上的多个多种不同类型的金融APP，所述多种不同类型的金融APP的活跃时段不同。

本发明的技术方案，产生金融数据的移动终端可以自动选择最佳的本地数据处理中心上报金融数据；并且，是在移动终端处于数据可交换状态时进行数据传输，避免了对用户正常使用时段的干扰；并且，不同本地数据处理中心采用不同人工智能模型，尤其是广播范围存在重叠(基本上等同于在广播范围上邻接)的本地数据处理中心采用不同的人工智能模型，能够避免数据反馈结果的单一；最后，本发明采用分类分区的受限波尔兹曼机构建深度置信网络进行风险预测，避免了传统方法存在的不足。

本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例的一种人工智能模型下的金融数据自动识别系统的主体架构图

图2是图1所述金融数据自动识别系统在大范围空间的布局示意图

图3是图1或图2所述系统中移动终端与本地数据处理中心的数据通信示意图

图4是本发明一个实施例的一种人工智能模型下的金融数据自动预警系统的主体架构图

图5是图4所述系统使用的基于分类分区受限玻尔兹曼机的学习算法流程

图6是图1-图4所述实施例中使用的移动终端示意图

具体实施方式

下面，结合附图以及具体实施方式，对发明做出进一步的描述。

首先，作为本发明各个实施例的一般性说明，本发明各个实例中提到的本地数据处理中心可以是依法设置的金融监管中心或者机构，例如人民银行、银保监会或者证监会等监管机构的在各自管辖城市(地理位置)依法设立的本地数据监控处理中心；上述每个地理位置代表上述金融监管中心或者机构或者其分支机构的管辖城市，以所述地理位置为中心的行政区域或者其他预定范围内的管辖区域在本发明中可称为该地理位置的广播范围。

作为一般性的例子，述N个本地数据处理中心{C

在上述一般性的例子中，每个地理位置至少设置一个数据处理中心。即N＞M，一个地理位置可以设置两个或者以上的数据处理中心。

显然，N和M都是正整数。

接下来结合附图对每一个附图所表示的实施例进行具体介绍。

参见图1，是本发明一个实施例的一种人工智能模型下的金融数据自动识别系统的主体架构图。

在图1中，所述金融数据自动识别系统包括多个本地数据处理中心，

每个所述本地数据处理中心均包含至少一个金融数据处理引擎，所述金融数据处理引擎采用至少一个人工智能模型对所述金融数据进行属性识别。

在图1中，所述本地数据处理中心包括两个金融数据处理引擎01和02，这两个金融数据处理引擎各自采用2个人工智能模型进行属性识别。

在图1中，金融数据处理引擎01和02各自使用的人工智能模型不完全相同，金融数据处理引擎01使用人工智能模型A和人工智能模型B；金融数据处理引擎02使用人工智能模型B和人工智能模型C，这种设置，能够确保同一个本地数据中心对于同一个金融数据集合至少得出两个处理结果，同时两个处理结果本身也存在关联性，便于对比分析。

在图1的实施例中，每个本地数据处理中心具备广播范围；

由于部分监管区域的相邻存在，其中，所述多个本地数据处理中心的至少两个在广播范围上邻接；所述在广播范围上邻接的至少两个本地数据处理中心对应的所述金融数据处理引擎不同。

这种配置，也使得当同一个移动终端可能存在两个目标数据处理中心时，这两个目标数据中心也可能就是在广播范围上邻接的，此时，在广播范围上邻接的两个本地数据中心对于同一个金融数据集合会得出两个处理结果，为了确保分析和监管不重复，也便于对比分析，所述在广播范围上邻接的至少两个本地数据处理中心对应的所述金融数据处理引擎不同。

进一步的，图2给出了更大范围的布局示意图。

一般来说，每个地理位置(本地数据处理中心)的广播范围内必然存在数以万计的活跃移动终端，图2中仅示出一个代表性的符号，并非表示只有这个移动终端，在其他附图或者实施例中也是如此。

在每个所述本地数据处理中心的所述广播范围内存在多个移动终端，所述移动终端配置有金融数据发生器。

当所述移动终端与所述本地数据处理中心处于数据可交换状态时，所述移动终端将所述金融数据发生器产生的金融数据发送至所述本地数据处理中心，并从所述本地数据处理中心接收反馈处理结果。

作为更具体的实施例，当所述移动终端自身处于数据可交换状态时，所述移动终端将所述金融数据发生器在前一个处理周期内产生的金融数据发送给目标数据处理中心，并从目标数据处理中心获取前次发送的前次金融数据的反馈结果。

更具体的，参见图6，所述金融数据发生器包括安装于所述移动终端上的多个多种不同类型的金融APP，所述多种不同类型的金融APP的活跃时段不同。

关于目标本地数据中心的确定，在图2的示意图下，当所述移动终端上的至少一个金融APP处于非活跃时段时，所述移动终端确定自身的基站位置，基于所述基站位置，确定基站传播范围；

基于所述基站广播范围，所述移动终端将所述金融数据发送至目标数据处理中心，所述目标数据中心为所述多个本地数据处理中心中广播范围与所述基站传播范围存在重叠的本地数据处理中心。

对于每一个移动终端来说，所述移动终端自身处于数据可交换状态，包括：至少一个所述金融APP(金融应用)当前不处于高频率使用时段。

当某个金融APP处于非高频使用时段时，才进行所述数据交换，既保证了数据上传的及时性(例如每周或者每天上传一次，因为必然存在非高频时段)，也能避免数据传输堵塞，同时还是在用户无感的情况下进行，不影响用户实际的使用。

尤其是对于图3的情形来说，多个移动终端可以在不同时间段向同一个目标数据中心发送不同金融应用产生的金融数据，也可以在同一个时间段向同一个目标数据中发送同一个金融应用产生的金融数据。

显然，对于本地数据处理中心，尤其是后者的处理方式，能够集中的收集同一种金融应用的数据，便于后续快速集中处理，因为对于同一个金融应用来说，其在所有不同移动终端的非高频使用时段基本应该相同。

在图3中，每个所述本地数据处理中心接收其广播范围内的多个移动终端发送的金融数据，并将前次接收的金融数据的反馈处理结果发送给所述移动终端，更具体的，反馈给产生对应金融数据的金融APP。

结合前述描述，具体操作包括：当所述移动终端上的至少一个金融APP处于非活跃时段时，所述移动终端将所述处于非活跃时段的金融APP当前产生的金融数据发送至所述本地数据处理中心，并接收所述本地数据处理中心发送针对所述处于非活跃时段的金融APP前次发送的金融数据的反馈处理结果。

需要注意的是，对于金融数据的反馈处理包括多种，风险识别与预警是其中的一种最主要的反馈处理。

接下来参见图4。

图4给出了一种人工智能模型下的金融数据自动预警系统，所述金融数据自动预警系统布置于图2所述的金融数据自动识别系统中的所述每个本地数据处理中心，采用多种人工智能预警模型对所述本地数据中心收集的金融数据进行风险识别。

更具体的，图4所述的实施例中，所述人工智能预警模型采用受限波尔兹曼机挖掘金融数据的标签数据特征，通过分类分区的受限波尔兹曼机构建深度置信网络，对所述金融数据进行风险识别；

所述深度置信网络包括无监督学习的置信网络和带权重调节的有监督学习的置信网络；

基于所述风险识别的结果向所述本地数据处理中心发出预警信号；

将所述预警信号发送至产生所述金融数据的金融APP的运营方。

在图4的实施例中，深度置信网络是由多层无监督的受限波尔兹曼机和一层有监督的神经网络组成。

深度置信网络是在传统神经网络的基础上发展起来的，它解决了传统神经网络隐含层深度受到限制，无法扩展的问题。通过梯度下降贪婪算法逐层训练受限波尔兹曼机，获得层间权重W、可见层偏置c和隐含层偏置b。该训练过程中，使用无监督学习，主要是提取输入数据的特征表示。在训练层叠受限波尔兹曼机的基础上，使用BP算法对系统参数进行微调。

作为本发明的改进，基于受限波尔兹曼机解决分类问题时，受限波尔兹曼机的作用为特征提取器。首先使用没有标签的训练数据，对受限玻尔兹曼机进行训练，再利用其他算法(比如DBN中的BP算法)等对训练数据进行有监督的学习。

本实例中，在深度置信网络的两个学习步骤中，第一阶段信息是自下向上生成，第二阶段的信息是自上而下生产。

更具体的，图4所述的实施例中基于分类分区受限玻尔兹曼机的学习算法流程参见图5。

对于本实施例使用的受限玻尔兹曼机对比散度学习模型来说，该模型有一个输入层(可见层)、两个隐含层和一个输出层，其中X为输入样本数据，Y为样本标签。

图5根据标签数据y，生成一个分类分区惩罚项Q，Q同时对可见层与隐含层单元之间的连接权重w、可见层的偏置c同时产生影响,不改变隐含层的置b作用。图5未标注的其他参数的含义遵循本领域的一般理解。

需要注意的是，在图5中，分类分区的初衷是增加训练过程中的不确定性，给不同数据集不同的权重惩罚项，使权重产生不同效应。分类分区受限波尔兹曼机训练过程必须使用小批量数据(Mini-batch)不能单个样本训练，目的是均衡不同惩罚项的作用，不至于系统不收敛。分类分区向量在系统初始化就要确定，所以在学习过错中相对给权重施加了一个常数惩罚项，尽管惩罚向量服从高斯分布，但是并不影响隐含层单元间的独立性，不会给系统收敛添加更多不确定。惩罚向量设置为常量，主要是因为受限波尔兹曼机之所以比波尔兹曼机算法更优，就是因为限定层间单元没有连接，减小层内相关性，如将惩罚向量定义为变量，将大大增加系统算法复杂性，甚至性能下降。

此外，本发明的上述事实李，针对输入样本相同，输出为不同连续变量的多任务预测问题，采用层次贝叶斯深度置信网络算法，可提升有监督学习预测能力。

参见图6，发送所述金融数据的移动终端包括安卓或者IOS或者黑莓系统，以及不同系统下可安装的多个金融应用01-03。

仿真模拟证明，本发明的技术方案，产生金融数据的移动终端可以自动选择最佳的本地数据处理中心上报金融数据；并且，是在移动终端处于数据可交换状态时进行数据传输，避免了对用户正常使用时段的干扰；并且，不同本地数据处理中心采用不同人工智能模型，尤其是广播范围存在重叠(基本上等同于在广播范围上邻接)的本地数据处理中心采用不同的人工智能模型，能够避免数据反馈结果的单一；最后，本发明采用分类分区的受限波尔兹曼机构建深度置信网络进行风险预测，避免了传统方法存在的不足。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。