[發(fā)明專利]基于區(qū)塊鏈和人工智能的金融預(yù)測(cè)系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010800385.5
• 申請(qǐng)日: 2020-08-11
• 公開（公告）號(hào): CN111930844B
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計(jì)）人: 劉星;羅忠明;肖巖
• 申請(qǐng)（專利權(quán)）人: 肖巖
• 主分類號(hào): G06F16/27
• 分類號(hào): G06F16/27;G06N3/00;G06N3/04;G06N3/08;G06Q40/04;G06Q40/06
• 代理公司: 合肥四閱專利代理事務(wù)所(普通合伙) 34182
• 代理人: 方星星

一種基于區(qū)塊鏈和人工智能的金融預(yù)測(cè)系統(tǒng)，包括數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、區(qū)塊鏈存儲(chǔ)模塊和金融預(yù)測(cè)模塊，所述數(shù)據(jù)獲取模塊用于獲取金融時(shí)間序列，并將獲取的金融時(shí)間序列輸入至數(shù)據(jù)預(yù)處理模塊進(jìn)行處理，所述數(shù)據(jù)預(yù)處理模塊用于去除所述金融時(shí)間序列中的噪聲數(shù)據(jù)，并將預(yù)處理后的金融時(shí)間序列傳輸至區(qū)塊鏈存儲(chǔ)模塊進(jìn)行存儲(chǔ)，所述金融預(yù)測(cè)模塊用于從區(qū)塊鏈存儲(chǔ)模塊中調(diào)取所述金融時(shí)間序列，并根據(jù)所述金融時(shí)間序列對(duì)金融數(shù)據(jù)的走勢(shì)進(jìn)行預(yù)測(cè)，所述金融預(yù)測(cè)模塊采用BP神經(jīng)網(wǎng)絡(luò)對(duì)金融時(shí)間序列的走勢(shì)進(jìn)行預(yù)測(cè)。本發(fā)明的有益效果為：實(shí)現(xiàn)了對(duì)金融時(shí)間序列走勢(shì)的有效預(yù)測(cè)，對(duì)于政府、投資機(jī)構(gòu)和投資者均有著重要的意義。

技術(shù)領(lǐng)域

本發(fā)明創(chuàng)造涉及金融領(lǐng)域，具體涉及一種基于區(qū)塊鏈和人工智能的金融預(yù)測(cè)系統(tǒng)。

背景技術(shù)

時(shí)間序列是各行各業(yè)的數(shù)據(jù)按照不同的時(shí)間間隔依次、連續(xù)產(chǎn)生的，它們通常包含著豐富且復(fù)雜的信息。由于人們需要從時(shí)間序列中獲取有價(jià)值的信息，因此時(shí)間序列分析技術(shù)應(yīng)運(yùn)而生。時(shí)間序列分析領(lǐng)域的關(guān)鍵一環(huán)是預(yù)測(cè)，時(shí)間序列預(yù)測(cè)是根據(jù)數(shù)據(jù)的歷史規(guī)律以及變化趨勢(shì)，對(duì)未來(lái)數(shù)據(jù)的發(fā)展?fàn)顩r做出合理的推測(cè)。金融時(shí)間序列是金融領(lǐng)域中最重要的數(shù)據(jù)，對(duì)這類數(shù)據(jù)進(jìn)行分析、預(yù)測(cè)在金融投資決策與風(fēng)險(xiǎn)管理中具有重要的意義。

發(fā)明內(nèi)容

針對(duì)上述問題，本發(fā)明旨在提供一種基于區(qū)塊鏈和人工智能的金融預(yù)測(cè)系統(tǒng)。

本發(fā)明創(chuàng)造的目的通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種基于區(qū)塊鏈和人工智能的金融預(yù)測(cè)系統(tǒng)，包括數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、區(qū)塊鏈存儲(chǔ)模塊和金融預(yù)測(cè)模塊，所述數(shù)據(jù)獲取模塊用于獲取金融時(shí)間序列，并將獲取的金融時(shí)間序列輸入至數(shù)據(jù)預(yù)處理模塊進(jìn)行處理，所述數(shù)據(jù)預(yù)處理模塊用于去除所述金融時(shí)間序列中的噪聲數(shù)據(jù)，并將預(yù)處理后的金融時(shí)間序列傳輸至區(qū)塊鏈存儲(chǔ)模塊進(jìn)行存儲(chǔ)，所述金融預(yù)測(cè)模塊用于從區(qū)塊鏈存儲(chǔ)模塊中調(diào)取所述金融時(shí)間序列，并根據(jù)所述金融時(shí)間序列對(duì)金融數(shù)據(jù)的走勢(shì)進(jìn)行預(yù)測(cè)，所述金融預(yù)測(cè)模塊采用BP神經(jīng)網(wǎng)絡(luò)對(duì)金融時(shí)間序列的走勢(shì)進(jìn)行預(yù)測(cè)，采用粒子群算法對(duì)金融預(yù)測(cè)模塊采用的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化；定義所述粒子群算法采用下列方式進(jìn)行更新：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-x_i(t))+c₂r₂(g(t)-x_i(t))

x_i(t+1)＝x_i(t)+v_i(t+1)

式中，ω_i(t)表示粒子i在第t次迭代時(shí)的慣性權(quán)重因子，v_i(t+1)和x_i(t+1)分別表示粒子i在第(t+1)次迭代時(shí)的步長(zhǎng)和位置，v_i(t)和x_i(t)分別表示粒子i在第t次迭代時(shí)的步長(zhǎng)和位置，c₁和c₂表示學(xué)習(xí)因子，r₁和r₂表示0到1之間的隨機(jī)數(shù)，g(t)表示粒子群在第t次迭代時(shí)的全局最優(yōu)解，p′_i(t)表示粒子i在第t次迭代時(shí)的局部學(xué)習(xí)解，且p′_i(t)的值采用下列方式確定：

設(shè)P(t)表示粒子群中粒子在第t次迭代時(shí)的個(gè)體最優(yōu)解的集合，且P(t)＝{p_i(t)，i＝1，2，...，N}，其中，p_i(t)表示粒子i在第t次迭代時(shí)的個(gè)體最優(yōu)解，N表示粒子群中的粒子數(shù)；設(shè)M(t)表示設(shè)置的粒子群算法在第t次迭代時(shí)的局部分類數(shù)，且定義個(gè)體最優(yōu)解p_i(t)對(duì)應(yīng)的局部檢測(cè)系數(shù)為ε_i(t)，且ε_i(t)的表達(dá)式為：