本发明涉及深度学习数据处理，具体为一种基于深度学习的金融风险智能识别预测方法及系统。
背景技术：
1、金融风险是指在金融市场中，由于各种不确定因素导致投资者、金融机构和金融市场可能遭受的损失。金融风险的产生和传播对金融市场的稳定和发展具有重要影响。金融风险的种类繁多，主要包括市场风险、信用风险、流动性风险、操作风险、法律风险等。这些风险之间相互关联，相互影响，共同构成了金融市场的风险体系。市场风险是指由于市场价格波动导致投资损失的风险。市场价格波动包括利率、汇率、股票价格、商品价格等各种金融资产价格的变动。市场风险是金融市场中最常见、最直接的风险，它对投资者的收益和金融机构的资产负债状况具有直接影响。为了有效管理市场风险，投资者和金融机构需要运用各种金融工具和技术进行风险管理，如期货、期权、掉期等衍生品，以及风险价值var等风险度量方法。金融风险是金融市场的固有属性，它与金融市场的发展和创新密切相关。金融市场参与者需要充分认识和了解各种金融风险，运用有效的风险管理方法和技术，降低金融风险对自身的影响，为金融市场的健康发展做出贡献。
2、目前，传统金融风险智能识别预测方法通过历史价格波动、市场趋势和宏观经济指标来训练统计模型，再预测未来的市场风险，由于对历史数据的过度依赖且模型超参数设定主观性强，导致统计模型难以适应金融市场结构的多变性，金融风险预测具有局限性，准确性和效率无法保证。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于深度学习的金融风险智能识别预测方法及系统，具备深度学习识别能力强鲁棒性高、灵活调整风险管理策略预测准确度高等优点，解决了传统金融风险智能识别预测方法统计模型超参数设定主观性强，金融风险预测准确性和效率无法保证的问题。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：一种基于深度学习的金融风险智能识别预测方法，包括以下步骤：
5、步骤一、数据采集模块通过网络连接数据库获取所有时间点的金融市场历史交易数据，将其组成历史数据集；
6、步骤二、数据采集模块通过网络连接数据库获取金融市场中所有上市公司的财务报表数据，将其组成财报数据集；
7、步骤三、数据采集模块通过网络连接大数据平台获取所有金融市场参与者在交易过程中体现的情绪信号，将其组成信号数据集；
8、步骤四、智能识别模块通过nlp技术提取信号数据集中影响金融市场行情的信号数据，并结合财报数据集，分析得到情绪特征数据组qxtz；
9、步骤五、智能识别模块设置有gan算法模型，智能识别模块抽取历史数据集中的部分数据，并结合信号数据集代入gan算法模型，分析得到风险预测模型ycmx；
10、步骤六、智能识别模块设置有风险阈值，智能识别模块将历史数据集、财报数据集和信号数据集代入风险预测模型ycmx，分析得到风险预测结果，并将风险预测结果对比风险阈值，判断未来金融市场交易的风险程度，对应提示金融市场监管人员。
11、优选的，所述步骤一中，历史数据集的表达式为{l1d、l2d、l3d、...、lnd}，l1d至lnd依次对应每个时间点的金融市场历史交易数据，历史交易数据包括交易金额、交易次数和交易量，d表示金融市场的开盘日期，1至n表示金融市场历史交易数据有n组。
12、优选的，所述步骤二中，财报数据集的表达式为{c1g、c2g、c3g、...、cbg}，c1g至cbg依次对应金融市场中每个上市公司的财务报表数据，g表示上市公司在金融市场中挂牌交易时的公司名称，1至b表示金融市场中的上市公司有b个。
13、优选的，所述步骤三中，信号数据集的表达式为{x1q、z2q、x3q、...、xhq}，x1q至xhq依次对应每个金融市场参与者在交易过程中体现的情绪信号，情绪信号包括新闻报道数据和社交媒体数据，q表示金融市场参与者的群体角色，群体角色包括投资者、证券公司、上市公司和监管人员，1至h表示金融市场中的情绪信号有h种。
14、优选的，所述步骤四中，情绪特征数据组qxtz计算公式如下：
15、gs＝∑b(c1g+c2g+c3g+...+cbg)
16、
17、公式中，qxtz表示情绪特征数据组，∑b(c1g+c2g+c3g+...+cbg)表示根据财报数据集，统计得到金融市场上市公司清单gs，金融市场上市公司清单gs包括正在上市、已经上市和已经退市的公司，表示通过nlp技术依次提取信号数据集中1至h种与金融市场上市公司清单相关的情绪信号，即为影响金融市场行情的情绪特征数据组。
18、优选的，所述步骤五中，智能识别模块设置有固定时长的抽样周期，并将其标记为gc，单个抽样周期gc的时长大于等于七天。
19、优选的，所述步骤五中，智能识别模块按照时间顺序由早到晚的从历史数据集中抽取5组抽样周期内的金融市场历史交易数据，并将其标记为{gc1、gc2、gc3、gc4、gc5}，gc1表示第一组抽样周期内的金融市场历史交易数据，gc2表示第二组抽样周期内的金融市场历史交易数据，且晚于gc1中的开盘日期，gc3表示第三组抽样周期内的金融市场历史交易数据，且晚于gc2中的开盘日期，gc4表示第四组抽样周期内的金融市场历史交易数据，且晚于gc3中的开盘日期，gc5表示第五组抽样周期内的金融市场历史交易数据，且晚于gc4中的开盘日期。
20、优选的，所述步骤五，gan算法模型包括生成器g和判别器d，并通过价值函数v(g，d)进行训练，风险预测模型ycmx计算公式如下：
21、x＝gc1+gc2+gc3+gc4+gc5
22、
23、ycmx＝maxgmitdv(g，d)
24、公式中，ycmx表示风险预测模型，x表示第一组到第五组抽样周期内的金融市场历史交易数据，即为真实数据，pdata(x)表示真实数据分布，表示潜在空间的分布，d(x)表示判别器d对输入真实数据x的预测概率，表示生成器g将随机向量映射到数据分布上的结果，表示从真实数据x分布中正确识别的期望值，表示从生成器g生成的数据分布中采样的数据z被错误识别为真实数据的期望值，maxgmindv(g，d)表示在gan算法模型训练过程中得到的最优解的生成器g和判别器d，即为风险预测模型。
25、优选的，所述步骤六中，若风险预测结果超出风险阈值，表示未来金融市场波动趋势变化大，智能识别模块判断未来金融市场交易的风险程度高，提示金融市场监管人员实施管理措施。
26、一种基于深度学习的金融风险智能识别预测系统，包括数据库和大数据平台，数据库用于存储备份金融市场历史交易数据和上市公司财务报表数据，大数据平台用于收集金融市场相关的新闻报道数据和社交媒体数据，所述基于深度学习的金融风险智能识别预测系统包括数据采集模块和智能识别模块；
27、所述数据采集模块包括交易数据单元、财务数据单元和市场情绪单元，所述交易数据单元通过网络连接数据库采集历史数据集，所述财务数据单元通过网络连接数据库采集财报数据集，所述市场情绪单元通过网络连接大数据平台采集信号数据集，所述数据采集模块通过网络将历史数据集、财报数据集和信号数据集传输至智能识别模块；
28、所述智能识别模块包括行情分析单元、模型训练单元和风险预测单元，所述行情分析单元通过nlp技术提取信号数据集中影响金融市场行情的信号数据，并结合财报数据集，分析得到情绪特征数据组qxtz，所述模型训练单元设置有固定时长的抽样周期，并按照抽样周期由早到晚的从历史数据集中抽取5组金融市场历史交易数据，所述模型训练单元设置有gank算法模型，并将抽取的金融市场历史交易数据结合信号数据集代入gan算法模型，分析得到风险预测模型ycmx，所述风险预测单元设置有风险阈值，所述风险预测单元将历史数据集、财报数据集和信号数据集代入风险预测模型ycmx，分析得到预测结果，并将风险预测结果对比风险阈值，判断未来金融市场交易的风险程度，对应提示金融市场监管人员。
29、与现有技术相比，本发明提供了一种基于深度学习的金融风险智能识别预测方法及系统，具备以下有益效果：
30、1、本发明通过数据采集模块网络连接数据库和大数据平台，并分类采集历史数据集、财报数据集和信号数据集后传输至智能识别模块，智能识别模块设置行情分析单元、模型训练单元和风险预测单元，行情分析单元通过nlp技术提取信号数据集中影响金融市场行情的信号数据，并结合财报数据集，分析得到情绪特征数据组qxtz，模型训练单元设置有固定时长的抽样周期，并按照抽样周期由早到晚的从历史数据集中抽取5组金融市场历史交易数据，保证了后续风险预测模型ycmx的准确性和预测效率，模型训练单元设置有gank算法模型，并将抽取的金融市场历史交易数据结合信号数据集代入gan算法模型，分析得到风险预测模型ycmx，模型超参数设定是根据金融市场历史交易数据训练得到，能够灵活适应市场结构的多变性，深度学习识别能力强鲁棒性高。
31、2、本发明通过风险预测单元设置有风险阈值，风险预测单元将历史数据集、财报数据集和信号数据集代入风险预测模型ycmx，分析得到预测结果，并将风险预测结果对比风险阈值，捕捉到所有潜在的风险因素，智能识别模块将风险预测结果对比风险阈值，若风险预测结果超出风险阈值，表示未来金融市场波动趋势变化大，智能识别模块判断未来金融市场交易的风险程度高，提示金融市场监管人员实施管理措施，灵活调整风险管理策略预测准确度高。
1.一种基于深度学习的金融风险智能识别预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤一中，历史数据集的表达式为{l1d、l2d、l3d、...、lnd}，l1d至lnd依次对应每个时间点的金融市场历史交易数据，历史交易数据包括交易金额、交易次数和交易量，d表示金融市场的开盘日期，1至n表示金融市场历史交易数据有n组。
3.根据权利要求2所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤二中，财报数据集的表达式为{c1g、c2g、c3g、...、cbg}，c1g至cbg依次对应金融市场中每个上市公司的财务报表数据，g表示上市公司在金融市场中挂牌交易时的公司名称，1至b表示金融市场中的上市公司有b个。
4.根据权利要求3所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤三中，信号数据集的表达式为{x1q、x2q、x3q、...、xhq}，x1q至xhq依次对应每个金融市场参与者在交易过程中体现的情绪信号，情绪信号包括新闻报道数据和社交媒体数据，q表示金融市场参与者的群体角色，群体角色包括投资者、证券公司、上市公司和监管人员，1至h表示金融市场中的情绪信号有h种。
5.根据权利要求4所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤四中，情绪特征数据组qxtz计算公式如下：
6.根据权利要求5所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤五中，智能识别模块设置有固定时长的抽样周期，并将其标记为gc，单个抽样周期gc的时长大于等于七天。
7.根据权利要求6所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤五中，智能识别模块按照时间顺序由早到晚的从历史数据集中抽取5组抽样周期内的金融市场历史交易数据，并将其标记为{gc1、gc2、gc3、gc4、gc5}，gc1表示第一组抽样周期内的金融市场历史交易数据，gc2表示第二组抽样周期内的金融市场历史交易数据，且晚于gc1中的开盘日期，gc3表示第三组抽样周期内的金融市场历史交易数据，且晚于gc2中的开盘日期，gc4表示第四组抽样周期内的金融市场历史交易数据，且晚于gc3中的开盘日期，gc5表示第五组抽样周期内的金融市场历史交易数据，且晚于gc4中的开盘日期。
8.根据权利要求7所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤五，gan算法模型包括生成器g和判别器d，并通过价值函数v(g，d)进行训练，风险预测模型ycmx计算公式如下：
9.根据权利要求8所述的一种基于深度学习的金融风险智能识别预测方法，其特征在于：所述步骤六中，若风险预测结果超出风险阈值，表示未来金融市场波动趋势变化大，智能识别模块判断未来金融市场交易的风险程度高，提示金融市场监管人员实施管理措施。
10.一种基于深度学习的金融风险智能识别预测系统，应用于权利要求1-9任一所述的基于深度学习的金融风险智能识别预测方法，包括数据库和大数据平台，数据库用于存储备份金融市场历史交易数据和上市公司财务报表数据，大数据平台用于收集金融市场相关的新闻报道数据和社交媒体数据，其特征在于：所述基于深度学习的金融风险智能识别预测系统包括数据采集模块和智能识别模块；
