[发明专利]一种基于粒子群算法的人工智能金融风险度量方法

说明书

本发明提供了一种基于粒子群算法的人工智能金融风险度量方法，包括：S1、确定第一阶段和第二阶段的风险程度；S2、初始化种群；S3、确定各个粒子最优位置和粒子群中最优粒子的位置；S4、更新粒子权重；S5、更新粒子变异率；S6、更新各个粒子的速度和位置；S7、计算粒子电荷量和作用力；S8、重新计算粒子最优位置；S9、比较确定的重新计算的粒子最优位置，确定较优的位置；S10、判断是否满足停止条件，如果满足停止迭代条件或者达到最大迭代次数，输出最优解，即第三阶段的控制力度；否则转到S4，继续迭代；S11、根据所述第一阶段的风险程度、第二阶段的风险程度和第三阶段的控制力度通过金融风险系统的动力学约束和目标函数获得金融风险预测结果。

技术领域

本发明涉及经济领域，特别涉及一种基于粒子群算法的人工智能金融风险度量方法。

背景技术

近年来，由于受到全球经济一体化、金融创新等因素的影响，世界金融市场发展十分迅速，与此同时，金融市场风险度量在金融风险管理中扮演的角色愈发重要，往往通过金融风险模型进行预测，从而提前做好金融风险的防范，采取金融风险防范措施尝试最大程度地降低金融系统的风险。目前应用于金融风险模型评价方法主要包括决策树方法、支撑向量机方法和深度学习神经网络预测等方法，但是基于粒子群优化算法的金融风险模型不仅参数少，而且易于实现。粒子群优化算法(Particle Swarm Optimization，简称PSO)是由Jennedy Kennedy et al于1995年提出的一种群体智能算法，同时也被称为鸟群觅食算法，该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型，在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。

现有的粒子群在金融风险模型的应用技术方案中，无法确定金融系统中的最大参数比，本文提出了一种基于粒子群算法的人工智能金融风险度量方法，通过对采用随机惯性权重、个体位置变异的方法优化最优参数配比，从而降低金融系统的总风险值。

发明内容

本发明提供了一种基于粒子群算法的人工智能金融风险度量方法，通过采用随机惯性权重、个体位置变异的方法有效解决现有技术方案中存在的问题。

本发明提供一种基于粒子群算法的人工智能金融风险度量方法，包括：

S1、确定第一阶段的风险程度和第二阶段的风险程度；

S2、初始化种群；

S3、确定各个粒子最优位置和粒子群中最优粒子的位置；

S4、更新粒子权重；

S5、更新粒子的变异率；

S6、更新各个粒子的速度和位置；当更新后的粒子的变异率较随机生成的数大时，通过优化变异公式更新位置，当更新后的粒子的变异率较随机生成的数小时，通过标准位置更新公式进行更新位置；

S7、计算粒子电荷量和作用力；

S8、重新计算粒子最优位置；

S9、比较确定的重新计算的粒子最优位置，确定较优的位置；

S10、判断是否满足停止条件，如果满足停止迭代条件或者达到最大迭代次数，输出最优解，即第三阶段的控制力度；否则转到S4，继续迭代；

S11、根据所述第一阶段的风险程度、第二阶段的风险程度和第三阶段的控制力度通过金融风险系统的动力学约束和目标函数获得金融风险度量结果。

进一步地，所述S2中，初始化种群包括：初始化粒子群大小，各个粒子的位置和速度，权重以及确定最大迭代次数，确定粒子的变异率。

进一步地，所述S4中，更新粒子权重时，根据如下公式确定粒子的权重：