【技術實現步驟摘要】
本專利技術屬于大數據領域，尤其涉及一種基于大數據的金融投資風險管理方法。
技術介紹
1、現有技術中對于企業金融投資風險把控方面，往往需要通過人工進行分析測算，綜合企業資產、研發方向和營收情況進行考量。這種考量方式很難做到對所有方面全面考慮，需要較高的人工成本投入，且作出的風險管理決策往往對實時金融環境形勢考慮不全面不客觀。
2、隨著大數據技術的發展，有相關現有技術對使用人工智能的方式為企業進行金融決策進行了探索，但往往僅能在單一維度進行決策的預測，且不能給出精細化的金融決策建議。
技術實現思路
1、為了解決現有技術中的上述問題，本專利技術提出了一種基于大數據的金融投資風險管理方法。
2、一種基于大數據的金融投資風險管理方法，其特征在于，該方法包括：
3、s1：獲取第一金融影響信息，輸入第一環境分析模型，輸出第一環境分析結果和第一時間區間；
4、s2：根據所述第一時間區間，匹配得出若干第一成功企業；
5、s3：獲取當前待管理企業的第一企業信息，根據所述第一企業信息，在所述若干第一成功企業中匹配得出第二成功企業，并確定第一金融管理行為；
6、s4：將所述第一環境分析結果和所述第一金融管理行為輸入至第一合理性分析模型中，從而確定第二金融管理行為；所述第二金融管理行為為建議所述當前待管理企業采用的金融管理行為；
7、所述步驟s1具體包括如下子步驟：
8、s11：獲取第一金融影響信息；所述s11具
9、s111：通過網絡爬蟲獲取第一信息，所述爬取操作所使用的關鍵詞可預先進行設定；
10、s112：對所述第一信息進行情感分析，通過預先訓練獲得的情感分析模型對第一信息的文本內容進行分析，整合所述第一信息中的情感信息，以生成綜合情感分析結果；
11、s113：通過所述綜合情感分析結果獲得第二信息，所述第二信息為從所述第一信息中篩選獲得；篩選標準為將所述第一信息中不具備情感信息的信息排除掉，從而將所述第一信息中具備情感信息的信息集合作為所述第二信息；
12、s114：根據所述第二信息的內容和所述綜合情感分析結果，生成情感知識圖譜；
13、s12：將所述第一金融影響信息輸入所述第一環境分析模型中，輸出第一環境分析結果和第一時間區間；
14、所述步驟s13包括如下子步驟：
15、s131：以所述待管理企業提供的信息為基礎，得到所述第一企業信息；所述第一企業信息為三維向量形式，所述三維向量分別為所在行業、資產規模和企業規模；
16、s132：分別獲取所述當前待管理企業和所述若干第一成功企業的所述三維向量，分別計算所述當前待管理企業和每一個所述第一成功企業的所述三維向量的余弦相似度，將所述余弦相似度大于預設值的所述第一成功企業篩選出來，以得到若干所述第二成功企業；
17、s133：通過查找表獲取所述第二成功企業在所述第一時間區間之內采取的金融管理行為，以作為所述第一金融管理行為；所述查找表記錄有所述第二成功企業在所述第一時間區間之內所做出的投資、管理和研發方向的調整事件。
18、優選的，所述步驟s4包括：
19、s41：將所述步驟s12中的每個所述時間區間作為分析對象，按照經濟形勢的優良程度對若干所述時間區間進行分類；
20、s42：針對每個類型的時間區間，將所述時間區間內企業采取的金融管理行為進行匯總，每一條金融管理行為均以語義向量的形式進行表示；
21、s43：利用k-means聚類算法對若干所述語義向量進行聚類，以得到若干聚類中心；
22、s44：針對所述經濟形勢的優良類型和所述若干聚類中心，建立映射關系；
23、s45：根據所述第一環境分析結果和所述映射關系，獲取預備金融管理行為；
24、所述預備金融管理行為為與所述第一環境分析結果相對應的聚類中心；
25、s46：計算所述第一金融管理行為和所述預備金融管理行為的語義表達的余弦相似度，當所述余弦相似度大于預設閾值時，確定所述預備金融管理行為為所述第二金融管理行為。
26、優選的，所述步驟114包括：
27、從所述第二信息中提取關鍵實體、關系和屬性，構建初級的知識圖譜；基于所述初級的知識圖譜，使用強化學習策略將非結構化信息轉化為結構化數據，包括實體屬性、關系內在邏輯，生成結構化數據集；根據所述實體屬性、關系內在邏輯，將所述實體、事件與情感極性相鏈接，創建情感層面的聯系，生成情感感知圖譜。
28、優選的，所述步驟114還包括：
29、若存在多條所述第二信息，則針對每一條所述第二信息，分別提取情感感知圖譜，并對若干所述情感感知圖譜進行整合，從而形成整合后的第一情感感知圖譜。
30、優選的，所述第一環境分析模型具體訓練方式如下：
31、將歷史時間區間按照所述經濟形勢的優良程度進行劃分，并在劃分后的每一個歷史時間區間中選定至少一項金融標志性事件；針對所述歷史時間區間、金融標志性事件和所述經濟形勢的優良程度建立映射表；以所述金融標志性事件作為輸入，以所述經濟形勢的優良程度和所述歷史時間區間作為輸出，訓練卷積神經網絡模型，從而得到所述第一環境分析模型。
32、本專利技術的有益效果包括：本申請提出的一種基于大數據的金融投資風險管理方法。首先獲取時下國內和國際的重要信息，通過情感分析可準確提取第一金融影響信息，將第一金融影響信息輸入第一環境分析模型中，輸出第一環境分析結果和第一時間區間。接下來，根據所述第一時間區間，匹配得出若干第一成功企業，獲取當前待管理企業的第一企業信息，根據所述第一企業信息，在所述若干第一成功企業中匹配得出第二成功企業，并確定第一金融管理行為。最后，將所述第一環境分析結果和所述第一金融管理行為輸入至第一合理性分析模型中，從而確定第二金融管理行為。本專利技術通過語義分析和情感知識圖譜，可準確提取出金融影響信息；通過建立經濟形勢的優良情況和時間區間的映射關系，并進行金融管理行為的查找，可充分借鑒以往企業的成功管理經驗；最后，通過經濟形勢的優良情況和金融管理行為的匹配度分析，可進一步增加企業金融管理行為的合理性。
本文檔來自技高網...【技術保護點】
1.一種基于大數據的金融投資風險管理方法，其特征在于，該方法包括：
2.根據權利要求2所述的一種基于大數據的金融投資風險管理方法，其特征在于，所述步驟S4包括：
3.根據權利要求1所述的一種基于大數據的金融投資風險管理方法，其特征在于，所述步驟114包括：
4.根據權利要求3所述的一種基于大數據的金融投資風險管理方法，其特征在于，所述步驟114還包括：
5.根據權利要求1所述的一種基于大數據的金融投資風險管理方法，其特征在于，所述第一環境分析模型具體訓練方式如下：
【技術特征摘要】
1.一種基于大數據的金融投資風險管理方法，其特征在于，該方法包括：
2.根據權利要求2所述的一種基于大數據的金融投資風險管理方法，其特征在于，所述步驟s4包括：
3.根據權利要求1所述的一種基于大數據的金融投資風險管理方法，其特征在于...
【專利技術屬性】
技術研發人員：傅毅，梅娟，趙吉，
申請(專利權)人：無錫城市職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。