本发明属于绿色智能金融技术领域;涉及一种数据分析控制系统和方法,具体地,涉及一种区域金融风险数据分析控制系统和方法。
背景技术:
金融是国家和区域的核心竞争力之首,同样,金融安全也是国家和区域安全的重要组成部分。近年来,随着国际金融市场的创新发展与互联网金融科技的迅速崛起,为我国持续发展的金融市场增添活力的同时,也增加了国家和区域金融风险性和不稳定性。此外,随着供给侧改革的不断推进,部分区域和行业陷入流动性危机,各区域的地方债务和民间借贷风险引发的金融风险越来越突出,并且在区域内各经济部门不断累积和传播,进而通过各种渠道影响区域金融和经济的稳定性。
这种局面已经引起了中央的高度重视,并在报告中正式将防范化解重大金融风险列入三大攻坚战之首。随着金融监管手段日益完善,累积的金融风险也逐步得到缓解,总体呈现出安全可控状态。
然而,由于不同地区的资源禀赋、经济社会发展水平各不相同,区域金融市场发展阶段和水平也存在较大个体差异,金融风险承受能力也不尽相同。
因此,合理分析区域金融数据和有效控制区域金融风险对于维系区域金融的稳定性具有不可或缺的重要价值,其重要性和紧迫性日益显著。
人们主要通过不同的指标体系定量地判断区域金融风险的大小程度。例如,国家统计局某课题组提出了5大类共计33个指标的指标体系。但某些指标体系还不具体,操作性不强;此外,部分指标的选取标准不够清晰,未充分考虑指标之间存在的统计学协从性,导致计算工作量较为庞大,甚至影响了指标体系的精度。
另一方面,多个量化指标可以按照时间先后顺序排出一个动态数列,也称为时间序列。通过对一定长度范围内的金融数据建立数学模型,可以准确分析并拟合时间序列各项指标中包含的动态依存关系,并利用它对未来的数值或行为进行预测。但由于实际预测中所采用的数据较为复杂,仅仅采用单一的时间序列对数据的适应度不高,同样存在精度不高和稳定性不佳的技术缺陷;采用多个时间序列时主要关注消除量级差异后不同序列之间的距离,即主要考虑与预测指标序列正相关的情形,而忽视了与其负相关的情形。以上均导致上述方法的精度和稳定性不佳。
因此,针对上述技术缺陷,迫切需要提供一种精度较高且稳定性更好的区域金融风险数据分析控制系统和方法。
技术实现要素:
本发明的目的在于,提供一种区域金融风险数据分析控制系统和方法。
为实现上述目的,一方面,本发明提供了一种区域金融风险数据分析控制方法,所述方法包括:
步骤s1,选取技术指标,导入数据并建立各指标的时间序列;
步骤s2,以某一技术指标为预测指标,其余指标作为外部指标,通过计算统计关联度优化外部指标,获得初始时间序列;
步骤s3,将初始时间序列进行累加,获得新序列及其白化微分方程;并且根据最小二乘法公式获得待估算参数,同时获得初始序列的预测值模型;
步骤s4,使用粒子群算法进行参数优化,并基于优化后的待估算参数获得新的预测值模型;
步骤s5,将预测指标的预测值与预设风险阈值进行比对,确定其风险等级。
根据本发明所述的分析控制方法,其特征在于,步骤s1具体为:
步骤s11,选取反映区域金融平均水平的资产负债率、销售利润率、相对劳动产生率、产品销售率、m1/m2比值、存贷比、不良贷款率、财政赤字率、资本充足率、住房销售价格指数、商品房销售面积/竣工面积、股票市盈率、外汇储备金额、pmi和国外净资产增长率共15个技术指标,导入数据并建立各指标的时间序列。
根据本发明所述的分析控制方法,其特征在于,步骤s2的预测指标为资产负债率。
根据本发明所述的分析控制方法,其特征在于,步骤s2具体为:
步骤s21,对各指标的时间序列进行归一化处理;
步骤s22,以资产负债率为预测指标时间序列,以其余指标作为外部指标时间序列,计算外部指标时间序列的统计关联度;
步骤s23,将外部指标按照所述统计关联度大小进行排序,进一步选取排名前n-1位的外部指标,与预测指标时间序列共同形成初始时间序列
根据本发明所述的分析控制方法,其特征在于,n取4-10的整数。优选地,n取4-9的整数;更优选地,n取4-8的整数;以及,最优选地,n取4-6的整数。
在一个具体的实施方式中,n取5。
根据本发明所述的分析控制方法,其特征在于,步骤s21的归一化处理公式为:
根据本发明所述的分析控制方法,其特征在于,步骤s22的统计关联度公式为:
其中,
ρ为0-1之间的小数;
优选地,ρ为0.2-0.8之间的小数;更优选地,ρ为0.3-0.7之间的消失;以及,最优选地,ρ为0.4-0.6之间的小数。
在一个具体的实施方式中,ρ为0.5。
根据本发明所述的分析控制方法,其特征在于,步骤s3具体为:
步骤s31,将初始时间序列进行累加,获得新序列
其中,
步骤s32,获得新序列
其中,b1,b2,…,bn和u为待估算参数,t=1,2,…,f;f为预测项数;
步骤s33,对所述白化微分方程在[k-1,k]区间积分变换,获得:
;其中,
步骤s34,根据下列最小二乘法公式计算所述待估算参数;
步骤s35,获得初始序列的预测值,
根据本发明所述的分析控制方法,其特征在于,步骤s4具体为:
步骤s41,初始化粒子群,设定种群规模n、粒子维度d和最大迭代次数tmax,在定义空间rd中随机产生j个粒子x1,x2,…,xj,并随机产生各粒子的初始速度v1,v2,…,vj;
步骤s42,选用适应度函数,并且根据适应度函数计算群体中每个粒子的适应度值;
步骤s43,将各粒子的初始化位置确定为各自初始化的个体最优值pbestj,并根据各粒子的适应度值确定初始的群体最优值gbest;
步骤s44,更新每个粒子的速度和位置,并按照
步骤s45,计算更新后各粒子的适应度值,将新适应度值与pbestj的适应度值比较,若更优则使用该粒子的新位置替换pbesti,否则不替换;比较各pbestj与gbest的适应度值,确定新的gbest;
步骤s46,检查是否满足迭代次数达到最大值tmax的停止条件,若满足,则停止搜索并输出搜索结果gbest,否则令t=t 1,返回步骤s44继续搜索。
根据本发明所述的分析控制方法,其特征在于,步骤s41的种群规模n=40;粒子维度d=10;最大迭代次数tmax=500。
根据本发明所述的分析控制方法,其特征在于,步骤s42的适应度函数为下列平均相对误差函数,
其中,
另一方面,本发明还提供了一种区域金融风险数据分析控制系统,所述系统包括:
数据导入模块,所述模块选取技术指标,导入数据并建立各指标的时间序列;
外部指标优化模块,所述模块以某一技术指标为预测指标,其余指标作为外部指标,通过计算统计关联度优化外部指标,获得初始时间序列;
时间序列分析模块,所述模块将初始时间序列进行累加,获得新序列及其白化微分方程;并且根据最小二乘法公式获得待估算参数,同时获得初始序列的预测值模型;
粒子群优化模块,所述模块使用粒子群算法进行参数优化,并基于优化后的待估算参数获得新的预测值模型;
风险评级模块,所述模块将预测指标的预测值与预设风险阈值进行比对,确定其风险等级。
本发明的有益效果在于,与现有技术相比,本发明同时采取时间序列算法和粒子群算法对区域金融风险数据进行融合分析;尤其是采用多个时间序列时不仅关注与预测指标序列正相关的情形(即αi),同时关注了与其负相关的情形(βi);并且在指标优化时选取排名前n-1位的外部指标,与预测指标时间序列共同形成初始时间序列,结合粒子群算法对参数的优化,大大改进了算法精度和稳定性。
具体实施方式
在下文中,将对本发明的具体实施方式进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本发明,并能够实施本发明。在不违背本发明原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施方式中的某些特征,获得其它优选的实施方式。
在具体的实施方式中,首先提供了一种区域金融风险数据分析控制方法,所述方法包括:
步骤s1,选取技术指标,导入数据并建立各指标的时间序列;
步骤s2,以某一技术指标为预测指标,其余指标作为外部指标,通过计算统计关联度优化外部指标,获得初始时间序列;
步骤s3,将初始时间序列进行累加,获得新序列及其白化微分方程;并且根据最小二乘法公式获得待估算参数,同时获得初始序列的预测值模型;
步骤s4,使用粒子群算法进行参数优化,并基于优化后的待估算参数获得新的预测值模型;
步骤s5,将预测指标的预测值与预设风险阈值进行比对,确定其风险等级。
在一个具体的实施方式中,步骤s1具体为:
步骤s11,选取反映区域金融平均水平的资产负债率、销售利润率、相对劳动产生率、产品销售率、m1/m2比值、存贷比、不良贷款率、财政赤字率、资本充足率、住房销售价格指数、商品房销售面积/竣工面积、股票市盈率、外汇储备金额、pmi和国外净资产增长率共15个技术指标,导入数据并建立各指标的时间序列。
在一个具体的实施方式中,步骤s2的预测指标为资产负债率。
一般来讲,不良贷款率、财政赤字率、住房销售价格指数、股票市盈率、商品房销售面积/竣工面积、pmi和国外净资产增长率与资产负债率呈现正相关关系;而销售利润率、相对劳动产生率、产品销售率、m1/m2比值、存贷比、资本充足率、住房销售价格指数、股票市盈率、外汇储备金额与资产负债率呈现正相关关系。
在一个具体的实施方式中,步骤s2具体为:
步骤s21,对各指标的时间序列进行归一化处理;
步骤s22,以资产负债率为预测指标时间序列,以其余指标作为外部指标时间序列,计算外部指标时间序列的统计关联度;
步骤s23,将外部指标按照所述统计关联度大小进行排序,进一步选取排名前n-1位的外部指标,与预测指标时间序列共同形成初始时间序列
在一个具体的实施方式中,步骤s21的归一化处理公式为:
在一个具体的实施方式中,步骤s22的统计关联度公式为:
其中,
ρ为0-1之间的小数;
在一个具体的实施方式中,ρ为0.5。
在一个具体的实施方式中,n取5。按照本发明前述的统计关联度计算方法得到4个外部指标的统计关联度分别为0.8724、0.8327、0.7968和0.7841;随后将这4个指标与预测指标时间序列共同形成初始时间序列。
在一个具体的实施方式中,步骤s3具体为:
步骤s31,将初始时间序列进行累加,获得新序列
其中,
步骤s32,获得新序列
其中,b1,b2,…,bn和u为待估算参数,t=1,2,…,f;f为预测项数;
步骤s33,对所述白化微分方程在[k-1,k]区间积分变换,获得:
;其中,
步骤s34,根据下列最小二乘法公式计算所述待估算参数;
步骤s35,获得初始序列的预测值,
在一个具体的实施方式中,按照本发明的上述计算方法,得到参数b1=0.7463;b2=-0.4982;b3=0.3146;b4=0.9127;b5=0.0584;u=2842.5。
在一个具体的实施方式中,步骤s4具体为:
步骤s41,初始化粒子群,设定种群规模n、粒子维度d和最大迭代次数tmax,在定义空间rd中随机产生j个粒子x1,x2,…,xj,并随机产生各粒子的初始速度v1,v2,…,vj;
步骤s42,选用适应度函数,并且根据适应度函数计算群体中每个粒子的适应度值;
步骤s43,将各粒子的初始化位置确定为各自初始化的个体最优值pbestj,并根据各粒子的适应度值确定初始的群体最优值gbest;
步骤s44,更新每个粒子的速度和位置,并按照
步骤s45,计算更新后各粒子的适应度值,将新适应度值与pbestj的适应度值比较,若更优则使用该粒子的新位置替换pbesti,否则不替换;比较各pbestj与gbest的适应度值,确定新的gbest;
步骤s46,检查是否满足迭代次数达到最大值tmax的停止条件,若满足,则停止搜索并输出搜索结果gbest,否则令t=t 1,返回步骤s44继续搜索。
在一个具体的实施方式中,步骤s41的种群规模n=40;粒子维度d=10;最大迭代次数tmax=500。
在一个具体的实施方式中,步骤s42的适应度函数为下列平均相对误差函数,
其中,
在一个具体的实施方式中,步骤s5的预设风险阈值为60-100%。
在一个更加具体的实施方式中,步骤s5的预设风险阈值为80%。
在另一个具体的实施方式中,还提供了一种区域金融风险数据分析控制系统,所述系统包括:
数据导入模块,所述模块选取技术指标,导入数据并建立各指标的时间序列;
外部指标优化模块,所述模块以某一技术指标为预测指标,其余指标作为外部指标,通过计算统计关联度优化外部指标,获得初始时间序列;
时间序列分析模块,所述模块将初始时间序列进行累加,获得新序列及其白化微分方程;并且根据最小二乘法公式获得待估算参数,同时获得初始序列的预测值模型;
粒子群优化模块,所述模块使用粒子群算法进行参数优化,并基于优化后的待估算参数获得新的预测值模型;
风险评级模块,所述模块将预测指标的预测值与预设风险阈值进行比对,确定其风险等级。
本发明前述分析控制系统和方法的相对误差q、方差比c和小概率误差p分别为0.0094、0.285和1.0;不采用步骤s2而使用全部15个指标所获得的系统和方法相对误差q、方差比c和小概率误差p分别为0.062、0.179和1.0;仅使用αi进行指标优化其余同本发明前述分析控制方法所获得的系统和方法相对误差q、方差比c和小概率误差p分别为0.017、0.261和1.0;未采用粒子群算法优化所获得的系统和方法相对误差q、方差比c和小概率误差p分别为0.028、0.182和1.0。
可以看出,本发明同时采取时间序列算法和粒子群算法对区域金融风险数据进行融合分析;尤其是采用多个时间序列时不仅关注与预测指标序列正相关的情形,同时关注了与其负相关的情形;并且在指标优化时选取排名前n-1位的外部指标,与预测指标时间序列共同形成初始时间序列,结合粒子群算法对参数的优化,大大改进了相对误差,从而提高了算法精度和稳定性。
尽管在上文中参考特定的实施例对本发明进行了描述,但是所属领域技术人员应当理解,在本发明公开的原理和范围内,可以针对本发明公开的配置和细节做出许多修改。本发明的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
1.一种区域金融风险数据分析控制方法,所述方法包括:
步骤s1,选取技术指标,导入数据并建立各指标的时间序列;
步骤s2,以某一技术指标为预测指标,其余指标作为外部指标,通过计算统计关联度优化外部指标,获得初始时间序列;
步骤s3,将初始时间序列进行累加,获得新序列及其白化微分方程;并且根据最小二乘法公式获得待估算参数,同时获得初始序列的预测值模型;
步骤s4,使用粒子群算法进行参数优化,并基于优化后的待估算参数获得新的预测值模型;
步骤s5,将预测指标的预测值与预设风险阈值进行比对,确定其风险等级。
2.根据权利要求1所述的分析控制方法,其特征在于,步骤s1具体为:
步骤s11,选取反映区域金融平均水平的资产负债率、销售利润率、相对劳动产生率、产品销售率、m1/m2比值、存贷比、不良贷款率、财政赤字率、资本充足率、住房销售价格指数、商品房销售面积/竣工面积、股票市盈率、外汇储备金额、pmi和国外净资产增长率共15个技术指标,导入数据并建立各指标的时间序列。
3.根据权利要求1所述的分析控制方法,其特征在于,步骤s2具体为:
步骤s21,对各指标的时间序列进行归一化处理;
步骤s22,以资产负债率为预测指标时间序列,以其余指标作为外部指标时间序列,计算外部指标时间序列的统计关联度;
步骤s23,将外部指标按照所述统计关联度大小进行排序,进一步选取排名前n-1位的外部指标,与预测指标时间序列共同形成初始时间序列
4.根据权利要求3所述的分析控制方法,其特征在于,步骤s21的归一化处理公式为:
5.根据权利要求3所述的分析控制方法,其特征在于,步骤s22的统计关联度公式为:
其中,
ρ为0-1之间的小数;
6.根据权利要求1所述的分析控制方法,其特征在于,步骤s3具体为:
步骤s31,将初始时间序列进行累加,获得新序列
其中,
步骤s32,获得新序列
其中,b1,b2,…,bn和u为待估算参数,t=1,2,…,f;f为预测项数;
步骤s33,对所述白化微分方程在[k-1,k]区间积分变换,获得:
其中,
步骤s34,根据下列最小二乘法公式计算所述待估算参数;
步骤s35,获得初始序列的预测值,
7.根据权利要求1所述的分析控制方法,其特征在于,步骤s4具体为:
步骤s41,初始化粒子群,设定种群规模n、粒子维度d和最大迭代次数tmax,在定义空间rd中随机产生j个粒子x1,x2,…,xj,并随机产生各粒子的初始速度v1,v2,…,vj;
步骤s42,选用适应度函数,并且根据适应度函数计算群体中每个粒子的适应度值;
步骤s43,将各粒子的初始化位置确定为各自初始化的个体最优值pbestj,并根据各粒子的适应度值确定初始的群体最优值gbest;
步骤s44,更新每个粒子的速度和位置,并按照
步骤s45,计算更新后各粒子的适应度值,将新适应度值与pbestj的适应度值比较,若更优则使用该粒子的新位置替换pbestj,否则不替换;比较各pbestj与gbest的适应度值,确定新的gbest;
步骤s46,检查是否满足迭代次数达到最大值tmax的停止条件,若满足,则停止搜索并输出搜索结果gbest,否则令t=t 1,返回步骤s44继续搜索。
8.根据权利要求7所述的分析控制方法,其特征在于,步骤s41的种群规模n=40;粒子维度d=10;最大迭代次数tmax=500。
9.根据权利要求7所述的分析控制方法,其特征在于,步骤s42的适应度函数为下列平均相对误差函数,
其中,
10.执行权利要求1-9任一项所述方法的区域金融风险数据分析控制系统,所述系统包括:
数据导入模块,所述模块选取技术指标,导入数据并建立各指标的时间序列;
外部指标优化模块,所述模块以某一技术指标为预测指标,其余指标作为外部指标,通过计算统计关联度优化外部指标,获得初始时间序列;
时间序列分析模块,所述模块将初始时间序列进行累加,获得新序列及其白化微分方程;并且根据最小二乘法公式获得待估算参数,同时获得初始序列的预测值模型;
粒子群优化模块,所述模块使用粒子群算法进行参数优化,并基于优化后的待估算参数获得新的预测值模型;
风险评级模块,所述模块将预测指标的预测值与预设风险阈值进行比对,确定其风险等级。
技术总结