[发明专利]一种基于神经网络的P2P平台运营风险评估的系统

摘要

本发明涉及一种基于神经网络的P2P平台运营风险评估的系统，本发明通过对大量P2P平台数据进行分析归纳出备选特征表，然后将备选特征表内的特征分为数据数值特性和数据存在特性，通过对这两个特性与平台的风险指数进行相关性分析，从而选取出主要特征对模型进行训练，确保模型的准确率和提高工作效率，并且建立基于神经网络的风险评估模型，神经网络算法分类的效果好,可以分布处理,对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系，通过更新公式方法训练模型，使得模型更加精准。

主权项

1.一种基于神经网络的P2P平台运营风险评估的系统，其特征在于，包括以下步骤：1)第一次数据采集：获取多个P2P网络借贷平台的运营数据；2)备选特征表建立：对第一次数据采集获得的运营数据进行筛选和提取，提取出特征和与特征相对应的数据，与特征相对应的数据定义为特征数据，依据特征数据的模式特征将特征分类建立备选特征表；3)相关程度分析和特征选取：对特征采用皮尔森相关系数、斯皮尔曼相关系数、肯德尔相关系数和p值进行相关性分析，通过上述四种分析方法，每个特征均获得4个分析值，选取相关性分析绝对值0.4以上，同时P值0.005以下的特征，将这部分特征定义为主要特征；4)模型训练集构建：取第一次数据采集中第一预设量的正常平台和第一预设量的逃跑平台的数据，提取出这些平台的主要特征数据作为训练集，将训练集整理成{(X(1),Y(1)),(X(2),Y(2))...(X(m),Y(m))}，X(m)是主要特征数据的向量，Y(m)是平台的现有状态，逃跑为1，正常为0；5)风险评估模型建立：神经网络是由多个神经元组合而成的，神经元的基本结构如下：其中x_t是X的第t个输入，W_t是x_t的权重，b是所有输入的偏置,而f()则是激活函数,激活函数采用sigmoid函数：取的神经网络模型的第一层为输入层，共t个神经元，第二层为隐含层，共k个神经元，最后一层为输出层，一共1个神经元；神经网络的代价函数采用二次代价函数，即欧式距离的和：其中y(x)是模型的输出值，而a(x)是真实值；模型的优化方法通过反向传播算法和梯度下降算法调整神经网络中参数的取值，反向传播算法给出了一个高效的方式在所有参数上使用梯度下降算法，从而使神经网络模型在训练数据上的损失函数尽可能小，梯度下降算法用于优化单个参数的取值；反向传播算法是训练神经网络的核心算法，它可以根据定义好的损失函数优化神经网络中参数的取值，从而使神经网络模型在训练数据集上的损失函数达到一个较小值,用θ表示神经网络中的参数，J(θ)表示在给定的参数取值下，训练数据集上损失函数的大小，那么整个优化过程可以抽象为寻找一个参数θ，使得J(θ)最小，得到最小J(θ)后，模型参数的更新公式为如下：采用梯度下降法，其中η为学习率，为参数的梯度，将第一层第j个神经元中产生的错误，即实际值与预测值之间的误差，定义为：首先，计算最后一层神经网络产生的错误：由后往前，计算每一层神经网络产生的错误：δ^l＝((w^l+1)^Tδ^l+1)⊙f'(z^l)，推导公式如下：对于权重W的梯度计算，有如下公式：推导公式如下：对于偏置的梯度计算，有如下公式：推导公式如下：随着θ的更新，C逐渐逼近最小值，停止更新，从而求出了模型的参数，从而确定最终模型。6)二次数据采集：获取需要评估的P2P网络借贷平台的运营数据；7)数据预处理：在二次数据采集获取的运营数据中提取出主要特征与主要特征数据；8)风险输出：将数据预处理后的主要特征与主要特征数据放入到训练好后的风险预测模型中，获取风险值，将风险值输入到判断器中，从而输出风险程度。