基于联盟区块链和人工智能大数据的金融投资融资管理平台

技术领域

本发明创造涉及金融领域，具体涉及一种基于联盟区块链和人工智能大数据的金融投资融资管理平台。

背景技术

发展至今，金融市场和产业格局已经非常错综复杂，相关细分产业之多，商业关系之复杂，已经远远超乎想象，但其本质核心始终未变。金融的本质是信用中介，在信息不对称普遍存在的情况下，信用始终伴随着风险，金融投资者的安全性总是受到挑战。随着大数据、人工智能、信息化等新兴科学的发展，信息在更大范围和深度得到共享。区块链技术作为一种去中心化、无须事先信任、基于代码运行和自治性等特征的分布式记账方法，应用到金融行业中，可以有效的保障金融数据的安全性和完备性。区块链技术中的联盟区块链是多个机构组成联盟共同维护管理的区块链系统，链上的成员数量有限，成员间相互信任，降低了信用验证、全域共识的成本，提升了系统的运行效率，因此成为各国政府易于接受的区块链金融落地模式。此外，在信息化时代环境下，大数据分析技术作为一种现代化信息处理技术，目前被应用于各行各业中，并且发挥着无可取代的重要作用，特别是将大数据分析技术应用到金融行业中。构建基于联盟区块链和大数据分析技术的金融资源管理系统，为投资者在金融投资活动中提供了保障，很大程度上减少了投资者的金融投资风险。

发明内容

针对上述问题，本发明旨在提供一种基于联盟区块链和人工智能大数据的金融投资融资管理平台。

本发明创造的目的通过以下技术方案实现：

基于联盟区块链和人工智能大数据的金融投资融资管理平台，包括用户端、联盟区块链和金融投资融资管理平台；

用户端：包括账号注册模块、信息检索模块和显示模块，用户通过账号注册模块注册金融投资融资管理平台的账号，并通过所述账号进入信息检索模块，用户在信息检索模块输入待检索的投资项目名称，信息检索模块将用户输入的投资项目名称传输至金融投资融资管理平台；

联盟区块链：由多个区块链节点组成，每个区块链节点对应一个金融机构，金融机构用于收集各类型投资项目的历史风险指标数据，并将收集的历史风险指标数据存储于其对应的区块链节点中；

金融投资融资管理平台：包括标签样本库、金融数据库、数据处理机制、风险分析模块和检索反馈模块，标签样本库中存储有带有风险标签的各类型投资项目的历史风险指标数据，当金融投资融资管理平台接收到用户端发送的待检索的投资项目名称时，在联盟区块链和标签样本库中调取和所述待检索的投资项目相同类型投资项目的历史风险指标数据存储进金融数据库，并向数据处理机制发送样本更新指令，数据处理机制接收到样本更新指令时，利用金融数据库中的历史风险指标数据构建样本集，并将所述样本集传输至风险分析模块，风险分析模块利用接收到的样本集建立风险评估模型，从而用于对投资项目的投资风险进行评估，检索反馈模块根据接收到的待检索的投资项目名称收集该投资项目的风险指标数据，并将收集的风险指标数据进行量化和归一化后输入风险评估模型中，将所述风险评估模型的输出结果传输至用户端的显示模块进行显示。

进一步的，数据处理机制利用金融数据库中的历史风险指标数据构建样本集，具体包括：

(1)对金融数据库中的历史风险指标数据进行量化和归一化处理；

(2)确定金融数据库中未带有风险标签的历史风险指标数据的风险标签；

(3)将量化和归一化后的历史风险指标数据作为输入值，将所述历史风险指标对应的风险标签作为输出值构建样本集。

进一步的，数据处理机制采用下列步骤确定金融数据库中未带有风险标签的历史指标数据的风险标签：

Step1.采用FCM聚类算法将金融数据库中的历史风险指标数据进行聚类；

Step2.根据聚类所得的类中带有风险标签的历史风险指标数据的风险标签确定该类中未带有风险标签的历史指标数据的风险标签。

进一步的，数据处理机制在采用FCM聚类算法对金融数据库中的历史风险指标数据进行聚类时，采用改进的粒子群算法来确定初始聚类中心，并用此初始聚类中心作为FCM聚类算法的初始值进行迭代，从而得到最终的聚类中心。

进一步的，所述改进粒子群算法采用下列方式进行迭代更新：

v

x

式中，v

进一步的，采用下列方式确定粒子群算法在进行迭代更新时的惯性权重因子：

设ω(t)为粒子群在第t次迭代更新后的惯性权重因子，则ω(t)的值采用下列方式进行确定：

在当前种群中随机选取n个粒子，将随机选取的n个粒子当前的位置组成的集合表示为S(t)，n为给定的正整数，且n

模式(1)：

V

X

式中，W(t)为粒子群在第t次迭代更新后的传统惯性权重因子，且

模式(2)：

V

X

式中，V

定义第一寻优检测函数U

式中，f(x

其中，x

则ω(t)的值为：

对ω(t)的值进行检测，当ω(t)的值满足：ω

进一步的，风险分析模块利用接收到的样本集对支持向量机进行训练和测试，从而建立基于支持向量机的风险评估模型。

本发明创造的有益效果：

(1)构建基于联盟区块链和大数据分析技术的金融投资融资管理平台，用于对投资项目的风险进行评估，为投资者在金融投资活动中提供了保障，很大程度上减少了投资者的金融投资风险。

(2)采用FCM聚类算法和少数带有风险标签的历史风险指标数据确定未带有风险标签的历史风险指标数据，从而获取足够的样本用于对支持向量机进行训练和测试，从而建立风险评估模型实现对投资项目的投资风险预测。

(3)针对FCM聚类算法存在对初始值敏感、易陷入局部收敛的特性，利用改进的粒子群算法来确定FCM聚类算法的初始聚类中心，改进的粒子群算法能够有效的平衡全局搜索和局部搜索，从而提高了粒子群算法的搜索精度，并且克服了粒子群算法易陷入局部极值的不足，因此，可以有效弥补FCM聚类算法对初始聚类中心敏感的问题，从而有效提高FCM聚类算法的聚类速度和聚类准确度，进而在利用构建的样本集训练风险评估模型时，使得获得的风险评估模型具有较高的评估准确度。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例的基于联盟区块链和人工智能大数据的金融投资融资管理平台，包括用户端、联盟区块链和金融投资融资管理平台；

用户端：包括账号注册模块、信息检索模块和显示模块，用户通过账号注册模块注册金融投资融资管理平台的账号，并通过所述账号进入信息检索模块，用户在信息检索模块输入待检索的投资项目名称，信息检索模块将用户输入的投资项目名称传输至金融投资融资管理平台；

联盟区块链：由多个区块链节点组成，每个区块链节点对应一个金融机构，金融机构用于收集各类型投资项目的历史风险指标数据，并将收集的历史风险指标数据存储于其对应的区块链节点中；

金融投资融资管理平台：包括标签样本库、金融数据库、数据处理机制、风险分析模块和检索反馈模块，标签样本库中存储有带有风险标签的各类型投资项目的历史风险指标数据，当金融投资融资管理平台接收到用户端发送的待检索的投资项目名称时，在联盟区块链和标签样本库中调取和所述待检索的投资项目相同类型投资项目的历史风险指标数据存储进金融数据库，并向数据处理机制发送样本更新指令，数据处理机制接收到样本更新指令时，利用金融数据库中的历史风险指标数据构建样本集，并将所述样本集传输至风险分析模块，风险分析模块利用接收到的样本集建立风险评估模型，从而用于对投资项目的投资风险进行评估，检索反馈模块根据接收到的待检索的投资项目名称收集该投资项目的风险指标数据，并将收集的风险指标数据进行量化和归一化后输入风险评估模型中，将所述风险评估模型的输出结果传输至用户端的显示模块进行显示。

优选的是，所述风险标签包括低风险、中度风险和高度风险。

具体的，本实施例构建基于联盟区块链和大数据分析技术的金融投资融资管理平台，用于对投资项目的投资风险进行评估，为投资者在金融投资活动中提供了保障，很大程度上减少了投资者的金融投资风险。

优选的是，数据处理机制利用金融数据库中的历史风险指标数据构建样本集，具体包括：

(1)对金融数据库中的历史风险指标数据进行量化和归一化处理；

(2)确定金融数据库中未带有风险标签的历史风险指标数据的风险标签；

(3)将量化和归一化后的历史风险指标数据作为输入值，将所述历史风险指标对应的风险标签作为输出值构建样本集。

优选的是，数据处理机制采用下列步骤确定金融数据库中未带有风险标签的历史指标数据的风险标签：

Step1.采用FCM聚类算法将金融数据库中的历史风险指标数据进行聚类；

Step2.根据聚类所得的类中带有风险标签的历史风险指标数据的风险标签确定该类中未带有风险标签的历史指标数据的风险标签。

具体的，采用FCM聚类算法和少数带有风险标签的历史风险指标数据确定未带有风险标签的历史风险指标数据，从而获取足够的样本用于对支持向量机进行训练和测试，从而建立风险评估模型实现对投资项目的投资风险预测。

优选的是，数据处理机制在采用FCM聚类算法对金融数据库中的历史风险指标数据进行聚类时，采用改进的粒子群算法来确定初始聚类中心，并用此初始聚类中心作为FCM聚类算法的初始值进行迭代，从而得到最终的聚类中心，将粒子群算法的适应度函数值设置为：

式中，J

由上式可知，粒子的适应度函数值越大表明粒子个体的寻优效果越好，如果粒子个体越差，则其对应的适应度函数值也就越小。

具体的，本实施例针对FCM聚类算法存在对初始值敏感、易陷入局部收敛的特性，利用改进的粒子群算法来确定FCM聚类算法的初始聚类中心，改进的粒子群算法能够有效的平衡全局搜索和局部搜索，从而提高了粒子群算法的搜索精度和寻优能力，并且克服了粒子群算法易陷入局部极值的不足，因此，可以有效弥补FCM聚类算法对初始聚类中心敏感的问题，从而有效提高FCM聚类算法的聚类速度和聚类准确度。

优选的是，所述改进粒子群算法采用下列方式进行迭代更新：

v

x

式中，v

优选的是，采用下列方式确定粒子群算法在进行迭代更新时的惯性权重因子：

设ω(t)为粒子群在第t次迭代更新后的惯性权重因子，则ω(t)的值采用下列方式进行确定：

在当前种群中随机选取n个粒子，将随机选取的n个粒子当前的位置组成的集合表示为S(t)，n为给定的正整数，n的值可以取15，且n

模式(1)：

V

X

式中，W(t)为粒子群在第t次迭代更新后的传统惯性权重因子，且

模式(2)：

V

X

式中，V

定义第一寻优检测函数U

式中，f(x

其中，x

则ω(t)的值为：

对ω(t)的值进行检测，当ω(t)的值满足：ω

具体的，本实施例对传统粒子群算法中的惯性权重因子进行了重新的定义，提出了一种新的惯性权重因子的确定方法，能够使得惯性权重因子更好的平衡算法的全局搜索能力与局部搜索能力。现有的针对惯性权重因子的改进多为根据粒子群当前迭代更新后的寻优情况对惯性权重因子值进行设置，并将该惯性权重因子用于粒子群下一次的迭代更新，该种改进方式确定的惯性权重因子具有时滞性，并不能保证设置的惯性权重因子能够真正的适应下一次的迭代更新，而本实施例提出的惯性权重因子的确定方法，通过在种群中随机选取部分粒子进行下一次迭代更新的预更新，从而了解下一次迭代更新的真实寻优特性，并根据该真实寻优特性自适应的设置粒子群的惯性权重因子，使得设置的惯性权重因子能够真正意义上的适应下一代的迭代更新，从而平衡算法的局部搜索和全局搜索，起到提高粒子群的寻优精度，并且避免粒子群陷入局部极值的技术效果。在具体的实施中，设置模式(1)的预更新着重于局部搜索，设置模式(2)的预更新着重于全局搜索，定义的第一寻优检测函数用于检测随机选取的粒子采用模式(1)进行局部搜索后的寻优情况，定义的第二寻优检测函数用于检测随机选取的粒子采用模式(2)进行全局搜索后的寻优情况，根据预更新后的寻优情况对粒子群的惯性权重因子进行自适应的设置，当第一寻优检测函数的值较高，表明在当前迭代更新过程中，加强粒子群的局部寻优能够获得较好的寻优情况，因此，减小粒子群当前的惯性权重因子，使得粒子群加强局部搜索，当第二寻优检测函数的值较高，表明在当前的迭代更新过程中，加强粒子群的全局搜索能够获得较好的寻优情况，因此，增加粒子群当前的惯性权重因子，使得粒子群加强全局搜索，即通过在粒子群中随机选取粒子进行预更新，并根据预更新后的寻优情况自适应的确定粒子当前的惯性权重因子，能够保证确定的惯性权重因子真正意义的适应下一次的迭代更新，从而能够有效的起到平衡算法的全局搜索和局部搜索，提高算法的寻优精度和寻优速度的技术效果。

优选的是，风险分析模块利用接收到的样本集对支持向量机进行训练和测试，从而建立基于支持向量机的风险评估模型。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。