基于深度神经网络的金融风险检测与识别系统

本发明属于金融风险检测，具体涉及基于深度神经网络的金融风险检测与识别系统。

背景技术：

1、金融风险指的是与金融有关的风险，如金融市场风险、金融产品风险、金融机构风险等。一家金融机构发生的风险所带来的后果，往往超过对其自身的影响。金融机构在具体的金融交易活动中出现的风险，有可能对该金融机构的生存构成威胁；具体的一家金融机构因经营不善而出现危机，有可能对整个金融体系的稳健运行构成威胁；一旦发生系统风险，金融体系运转失灵，必然会导致全社会经济秩序的混乱，甚至引发严重的危机。

2、目前对于金融风险的检测通常通过计算机算法进行识别和检测，但是传统的计算机算法检测和识别时通常不具备持续自我优化迭代的能力，导致在进行金融风险检测与识别时，具有一定的误差性能。

技术实现思路

1、本发明要解决的技术问题是克服现有的缺陷，提供基于深度神经网络的金融风险检测与识别系统，以解决上述背景技术中提出的目前对于金融风险的检测通常通过计算机算法进行识别和检测，但是传统的计算机算法检测和识别时通常不具备持续自我优化迭代的能力，导致在进行金融风险检测与识别时，具有一定的误差性能的问题。

2、为实现上述目的，本发明提供如下技术方案：基于深度神经网络的金融风险检测与识别系统，包括风险管理系统，所述风险管理系统包括风险检测模块、风险分类模块和风险识别模块，所述风险检测模块和风险分类模块之间相互电性连接，所述风险分类模块和风险识别模块之间相互电性连接，所述风险识别模块包括训练样本模块、风险识别指令模块、风险评估模块和判断阈值模块，所述训练样本模块和风险识别指令模块之间相互电性连接，所述风险识别指令模块和风险评估模块之间相互电性连接，所述风险评估模块和判断阈值模块之间相互电性连接，所述训练样本模块包括数据监控模块、数据更新模块、数据预处理模块和风险等级划分模块。

3、优选的，所述数据监控模块和数据更新模块之间相互电性连接，所述数据更新模块和数据预处理模块之间相互电性连接，所述数据预处理模块和风险等级划分模块之间相互电性连接。

4、优选的，所述数据监控模块包括深度神经网络模块、训练集分割模块、训练集转换模块、训练集尺度归一模块和训练集调整模块。

5、优选的，所述深度神经网络模块和训练集分割模块之间相互电性连接，所述训练集转换模块和训练集尺度归一模块之间相互电性连接，所述训练集尺度归一模块和训练集调整模块之间相互电性连接。

6、优选的，所述训练样本模块的输出端和数据监控模块的输入端之间相互电性连接，所述数据监控模块的输出端和评估模块的输入端之间相互电性连接，所述评估模块的输出端和监测模块的输入端之间相互电性连接。

7、优选的，所述风险分类模块包括信用风险模块、市场风险模块、汇率风险模块、流动性风险模块、系统风险模块、管理风险模块、犯罪风险模块和政策法规风险模块。

8、优选的，所述信用风险模块的输出端和市场风险模块的输入端之间相互电性连接，所述市场风险模块的输出端和汇率风险模块的输入端之间相互电性连接。

9、优选的，所述汇率风险模块的输出端和流动性风险模块的输入端之间相互电性连接，所述流动性风险模块的输出端和系统风险模块的输入端之间相互电性连接。

10、优选的，所述系统风险模块的输出端和管理风险模块的输入端之间相互电性连接，所述管理风险模块的输出端和犯罪风险模块的输入端之间相互电性连接，所述犯罪风险模块的输出端和政策法规风险模块的输入端之间相互电性连接。

11、优选的，所述各模块内部均设置有微处理单元。

12、与现有技术相比，本发明提供了基于深度神经网络的金融风险检测与识别系统，具备以下有益效果：

13、1、本发明通过设置的风险检测、风险分类和风险识别，并通过训练样本模块内部的深度神经网络模块对风险管理系统进行训练更新迭代，使风险管理系统的风险评估、分类和检测更加准确且可以深度学习更新，有效地避免了目前对于金融风险的检测通常通过计算机算法进行识别和检测，但是传统的计算机算法检测和识别时通常不具备持续自我优化迭代的能力，导致在进行金融风险检测与识别时，具有一定的误差性能的问题；

14、2、本发明通过设置的风险分类模块，通过风险分类模块的信用风险对企业的资产风险进行准确的评估，企业对客户进行贷款，借款人能不能按期归还贷款人贷款本息，如贷款逾期、发生呆滞、呆账等所形成的风险，通过市场风险对市场的利率进行监控，这是一种由于市场价格变化(利率变化)引起金融机构持有资产价格变动或银行及其他金融机构协定利率跟不上市场利率变化而带来的风险，尤其是金融衍生产品交易风险，即金融机构从事期货、期权等金融衍生工具交易时对市场行情错误预计而发生损失的风险,这种风险如果不能很好地控制，对于金融机构而言往往是致命的风险；

15、3、本发明通过设置的汇率风险模块，这是由于汇率变动而出现的风险，主要包括：一是买卖风险，即外汇买卖后所持头寸(多头或空头)在汇率升降时出现损失的可能性，对于外汇银行来说，这是主要风险；二是交易结算风险，即以外币约定交易时所发生的风险；三是汇价风险，即会计处理中某些项目需要在本币和外币之间换算时因所用的汇率不同而承受的风险，主要是交易发生日汇率同财务决算日汇率之间的差异，会造成现金债权债务及其损益和分配上利益的不确定性。这种风险通常包含了上述两种风险，但范围更广些；

16、4、本发明通过设置的流动性风险模块：是指存款人按照正当理由要求提款时银行或其他金融机构不能支付的风险，一是现金支付能力不足，不能保证存款者提现需求，二是银行不能满足企业、单位等存款者转帐支付需求；严重的流动性风险会触发银行信用风险，即存款者挤提存款而银行无法支付的风险；挤兑会造成银行破产，甚至于发生连锁反应，危及整个银行体系的安全，通过设置的系统风险模块：总的来说是金融系统如银行系统内部软硬件发生错误、损坏而危害金融机构经营管理的风险，如火灾、地震、雷电等自然灾害，软硬件错误、电脑病毒侵袭或不正当使用对银行电子清算系统、管理信息系统等造成的破坏，如数据丢失、被盗用、更改、自动存取款机无法工作等；

17、5、本发明通过设置的管理风险模块：指金融机构管理层在管理程序、管理机制或管理环节中出现纰漏对金融机构带来的风险,如内部稽核监管制度力度不到位或疏于执行以及银行经营管理人员风险意识淡薄、不遵循谨慎经营原则造成的风险损失；通过设置的犯罪风险模块：指金融机构要时刻面对来自外部和内部或内外勾结针对其犯罪活动而带来的风险，如暴力抢动银行，篡改、伪造、隐瞒交易记录，撰写虚假报告、通过电脑开立非法帐户、转移资金等；通过设置的政策法规风险模块，指政策变化的风险，或政策、法规的调整给金融机构带来的各种各样风险。

技术特征：

1.基于深度神经网络的金融风险检测与识别系统，包括风险管理系统(1)，其特征在于：所述风险管理系统(1)包括风险检测模块(2)、风险分类模块(3)和风险识别模块(4)，所述风险检测模块(2)和风险分类模块(3)之间相互电性连接，所述风险分类模块(3)和风险识别模块(4)之间相互电性连接，所述风险识别模块(4)包括训练样本模块(13)、风险识别指令模块(14)、风险评估模块(15)和判断阈值模块(16)，所述训练样本模块(13)和风险识别指令模块(14)之间相互电性连接，所述风险识别指令模块(14)和风险评估模块(15)之间相互电性连接，所述风险评估模块(15)和判断阈值模块(16)之间相互电性连接，所述训练样本模块(13)包括数据监控模块(17)、数据更新模块(18)、数据预处理模块(19)和风险等级划分模块(20)。

2.根据权利要求1所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述数据监控模块(17)和数据更新模块(18)之间相互电性连接，所述数据更新模块(18)和数据预处理模块(19)之间相互电性连接，所述数据预处理模块(19)和风险等级划分模块(20)之间相互电性连接。

3.根据权利要求1所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述数据监控模块(17)包括深度神经网络模块(21)、训练集分割模块(22)、训练集转换模块(23)、训练集尺度归一模块(24)和训练集调整模块(25)。

4.根据权利要求3所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述深度神经网络模块(21)和训练集分割模块(22)之间相互电性连接，所述训练集转换模块(23)和训练集尺度归一模块(24)之间相互电性连接，所述训练集尺度归一模块(24)和训练集调整模块(25)之间相互电性连接。

5.根据权利要求1所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述训练样本模块(13)的输出端和数据监控模块(17)的输入端之间相互电性连接，所述数据监控模块(17)的输出端和评估模块(26)的输入端之间相互电性连接，所述评估模块(26)的输出端和监测模块(27)的输入端之间相互电性连接。

6.根据权利要求1所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述风险分类模块(3)包括信用风险模块(5)、市场风险模块(6)、汇率风险模块(7)、流动性风险模块(8)、系统风险模块(9)、管理风险模块(10)、犯罪风险模块(11)和政策法规风险模块(12)。

7.根据权利要求6所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述信用风险模块(5)的输出端和市场风险模块(6)的输入端之间相互电性连接，所述市场风险模块(6)的输出端和汇率风险模块(7)的输入端之间相互电性连接。

8.根据权利要求6所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述汇率风险模块(7)的输出端和流动性风险模块(8)的输入端之间相互电性连接，所述流动性风险模块(8)的输出端和系统风险模块(9)的输入端之间相互电性连接。

9.根据权利要求6所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述系统风险模块(9)的输出端和管理风险模块(10)的输入端之间相互电性连接，所述管理风险模块(10)的输出端和犯罪风险模块(11)的输入端之间相互电性连接，所述犯罪风险模块(11)的输出端和政策法规风险模块(12)的输入端之间相互电性连接。

10.根据权利要求1所述的基于深度神经网络的金融风险检测与识别系统，其特征在于：所述各模块内部均设置有微处理单元。

技术总结
本发明公开了基于深度神经网络的金融风险检测与识别系统，包括风险管理系统，所述风险管理系统包括风险检测模块、风险分类模块和风险识别模块，所述风险检测模块和风险分类模块之间相互电性连接，所述风险分类模块和风险识别模块之间相互电性连接，所述风险识别模块包括训练样本模块、风险识别指令模块、风险评估模块和判断阈值模块，所述训练样本模块和风险识别指令模块之间相互电性连接，本发明通过设置的风险检测、风险分类和风险识别，并通过训练样本模块内部的深度神经网络模块对风险管理系统进行训练更新迭代，使风险管理系统的风险评估、分类和检测更加准确且可以深度学习更新。

技术研发人员：邸忆,王正,郭佳,胡建民,石兵华,李睿恒
受保护的技术使用者：湖北经济学院
技术研发日：
技术公布日：2024/1/13