本發明涉及數據監管，尤其涉及基于機器學習的金融風險數據管理方法。
背景技術：
1、在金融領域，風險管理一直是一個至關重要的課題。隨著金融市場的復雜性和動態性不斷增加，傳統的風險評估方法，如基于規則的系統或單一的統計模型，已經難以滿足現代金融機構對于高效、準確和實時風險管理的需求。尤其在大數據和機器學習技術逐漸滲透到金融服務中時，單一模型和靜態閾值往往不能充分捕捉到金融數據的復雜性和多變性。
2、此外，傳統的風險管理系統通常缺乏一個集中和統一的平臺，用于實時監控和分析多種風險因素，這使得風險管理人員在面對突如其來的金融風險事件時，往往不能迅速做出有效的應對措施，同時，這些系統大多數也缺乏適應性和靈活性，使得在市場條件或者規模發生變化時，需要手動重新配置和調整模型和閾值。
3、因此，存在一個迫切需要，即開發一種基于機器學習的金融風險數據管理方法，能夠提供更準確、更實時和更適應性強的風險評估和管理解決方案。
技術實現思路
1、基于上述目的，本發明提供了基于機器學習的金融風險數據管理方法。
2、基于機器學習的金融風險數據管理方法，包括數據采集模塊、數據預處理模塊、特征選擇模塊、深度學習算法模塊、數據突變探測器以及風險評估模塊，其特征在于，該管理方法包括以下步驟：
3、s1：通過數據采集模塊收集多源金融數據，所述數據采集模塊與多個金融交易渠道相連，實時獲取多源金融數據，使用數據預處理模塊對收集的多源金融數據進行清洗和歸一化，生成預處理后的金融數據；
4、s2：基于相關性和信息增益的方法，通過特征選擇模塊選擇與金融風險相關的主要特征，并輸出特征選擇結果；
5、s3：基于深度學習算法模塊接收預處理后的金融數據和特征選擇結果，輸出風險評估模型；
6、s4：基于數據突變探測器，接收特征選擇模塊的輸出結果和深度學習算法模塊生成的風險評估模型，使用復雜事件處理技術和基于閾值的動態窗口，識別與標準模型偏差過大的金融數據，識別到數據突變時，即生成數據突變標識；
7、s5：風險評估模塊接收風險評估模型和數據突變標識，根據數據突變標識動態調整風險評估模型參數，輸出風險評估結果。
8、進一步的，所述多個金融交易渠道包括股票交易所、外匯交易平臺、商品交易所、債券市場、電子商務交易平臺、銀行和金融機構的api接口、經濟數據發布網站。
9、進一步的，所述數據采集模塊的采集方式包括：
10、api接口調用、數據訂閱服務、直接數據輸入、社交媒體和新聞聚合、數據庫查詢、數據交換協議以及實時數據流。
11、進一步的，所述s2中的特征選擇模塊包括執行特征選擇的計算單元，該計算單元執行以下步驟并輸出特征選擇結果：
12、s21：使用pearson相關性系數方法，計算各金融數據特征與目標金融風險變量之間的相關性，將所有特征按照其pearson相關性系數值進行初步排序；
13、s22：使用熵和條件熵的概念，通過信息增益算法，針對每個特征，計算其與目標金融風險變量的信息增益值ig，即ig＝目標金融風險變量-目標金融風險變量|特征，其中，|表示“給定”；
14、s23：將s21和s22得出的pearson相關性系數值和信息增益值進行標準化處理，通過權重函數：w*pearson+(1-w)*ig，其中w為預設的權重值介于0和1之間，計算出每個特征的綜合評分；
15、s24：設定評分閾值為特征數量限制，特征數量限制為評分前十的特征，篩選出綜合評分前十的高評分特征；
16、s25：特征選擇模塊將篩選出的高評分特征以json格式的文件輸出，將該輸出文件傳遞至深度學習算法模塊和數據突變探測器進行后續處理。
17、進一步的，所述s3具體包括：
18、s31：接收特征選擇模塊輸出的json格式的文件，該文件包括篩選出的高評分特征，還接收預處理模塊輸出的預處理后的金融數據；
19、s32：結合s31的輸入數據，使用多層感知機結構進行模型構建，包括至少一個輸入層，至少三個隱藏層以及一個輸出層；
20、s33：使用隨機梯度下降作為優化器，激活函數選用relu，損失函數選用均方誤差，進行模型訓練；
21、s34：使用準確率、召回率、f1分數評價指標進行模型評估；
22、s35：當模型在驗證集上達到預設的評價指標閾值時，將模型狀態進行保存，輸出為獨立的風險評估模型文件，將輸出的風險評估模型文件傳遞至數據突變探測器進行異常風險檢測。
23、進一步的，所述s4的數據突變探測器具體包括：
24、s41：接收深度學習算法模塊輸出的風險評估模型文件，使用實時流數據平臺接收持續更新的金融交易數據；
25、s42：對接收到的實時流數據進行預處理和特征篩選，包括缺失值填充、異常值處理和數據標準化，使用特征選擇方法，將特征向量x轉換為選擇后的特征向量x'；
26、s43：將預處理和篩選后的實時數據輸入到風險評估模型中，進行初步風險評估；
27、s44：應用自適應閾值技術和時間序列分析，在給定時間窗口w內，計算風險評估分數r的均值μ和標準差σ，并設定風險異常閾值t＝μ+kσ，其中k是一個常數，當初步風險評估結果的風險評估分數r超過該閾值t時，觸發異常風險報警；
28、s45：將觸發異常風險報警的交易數據標記為“高風險”，并實時地推送到風險管理儀表板上，標記為“高風險”的數據和異常風險報警通過api接口的形式以json格式提供給金融系統或機構。
29、進一步的，所述風險管理儀表板包括：
30、實時風險地圖：展示全球范圍內金融交易的風險狀況，使用熱力圖表示不同區域的風險水平；
31、異常風險列表：展示被標記為“高風險”的交易數據，列表字段包括交易id、交易類型、交易金額、風險評估分數以及觸發的閾值；
32、歷史和實時警報面板：用于展示過去和當前所有觸發的異常風險警報，包括警報類型、時間、涉及的交易id以及相應的處理狀態；
33、交易詳情和深度分析模塊：用戶可點擊任一個“高風險”交易，進入一個深度分析界面。
34、進一步的，所述交易詳情和深度分析模塊包括：
35、交易基本信息展示，當用戶點擊某個“高風險”交易，首先展示交易的基本信息，基本信息包括交易id、時間、交易類型、交易雙方、交易金額；
36、模型解釋，利用lime模型解釋工具展示每個特征對最終風險評估分數的貢獻；
37、雷達圖分析，在雷達圖上展示該交易在多個風險維度上的表現；
38、交易與歷史數據對比：箱線圖展示，使用箱線圖展示該交易在各個風險維度上與歷史交易的比較，明確其相對位置；風險偏離分析，計算該交易在每個風險維度上的偏離度，以確定其與歷史數據的差異程度。
39、進一步的，所述風險評估模塊通過專用接口從數據預處理模塊和特征選擇模塊接收預處理后的金融數據和特征選擇結果，通過特征變換進行特征轉換和縮放，使之適用于深度學習模型、統計模型和混合模型集成風險評估模型，再經過模型聚合器合成最終的風險評分，該風險評分與動態風險閾值進行比較，進而通過風險分類確定交易的風險等級。
40、本發明的有益效果：
41、本發明，通過集成深度學習模型、統計模型和混合模型，風險評估模塊能夠更準確地識別和評估金融交易的風險水平，特別是在采用模型聚合器對各模型輸出進行智能合成后，該方法能有效減少單一模型可能存在的不準確性或偏見，從而提高風險評估的準確性和可靠性。
42、本發明，通過風險管理儀表板，為金融機構提供了一個集中的平臺，用于實時監控風險評估結果和觸發的警報，該儀表板不僅方便了風險管理人員進行深入的數據分析和決策，還通過與風險評估模塊的反饋環路相連，實現了模型的快速迭代和改進，進一步增強了金融風險管理的全面性和時效性。