一种基于区块链和大数据的证券投资智能评测系统的制作方法

1.本发明创造涉及金融大数据领域，尤其是涉及一种基于区块链和大数据的证券投资智能评测系统。


背景技术：

2.随着我国社会经济体系的不断发展，经济环境也实现了稳定的进步，金融投资成为现阶段最热潮的投资方式，而证券投资又是金融投资的重要组成部分，因此，证券投资也成为了众多投资者所关注的金融工具之一。证券投资以有价证券为对象、以货币收益为目的，这决定了证券投资的基本特征由收益性、风险性、流动性和时间性构成。风险性是证券投资的一个基本属性，风险性是投资者达不到预期收益或遭受各种损失的可能性。一般商品市场比较稳定，对政治经济形势变化和企业经营状况改变的反应比较迟缓，在一定时期内商品价格起落不大，买卖商品风险甚微。而证券市场对各种影响因素的反应极为敏感且影响因素复杂，具有不可预测性，因此，证券价格不时大起大落，证券投资风险也较大。目前来看，我国对证券投资的风险管理水平还有待提升，缺乏对证券风险的分析和评估，从而影响到证券行业的稳定发展。此外证券投资者要想获得较稳定的收益，也必须加强对证券投资风险的控制，因此，在这种情况下，对证券投资风险进行评测是非常有必要的。


技术实现要素：

3.本发明所要解决的技术问题是提供一种基于区块链和大数据的证券投资智能评测系统。
4.本发明解决上述技术问题所采用的技术方案为：
5.一种基于区块链和大数据的证券投资智能评测系统，包括风险指标确定模块、智能化参数设置模块、风险指标数据采集模块、区块链模块、智能评测建模模块和证券投资智能评测模块；
6.风险指标确定模块用于确定用于评估证券投资风险的风险指标；
7.智能化参数设置模块用于设置风险指标数据采集模块采集的风险指标数据的时间段；
8.风险指标数据采集模块用于采集智能化参数设置模块设置的时间段内带有证券投资风险标签的风险指标数据，并将采集的风险指标数据发送至区块链模块进行存储；
9.智能评测建模模块包括风险指标数据管理单元和风险评测建模单元，风险指标数据管理单元通过调取区块链模块中的风险指标数据进行量化和归一化处理后作为风险评测建模单元的样本数据，风险评测建模单元选择支持向量机对风险指标数据进行证券投资风险分析，将处理后的风险指标数据作为所述支持向量机的输入值，将风险指标数据带有的证券投资风险标签作为所述支持向量机的输出值，从而得到证券投资风险评测模型；
10.证券投资智能评测模块利用构建好的证券投资风险评测模型，输入证券的风险指标数据，从而获得所述证券的投资风险。
11.进一步的，所述用于评估证券投资风险的风险指标包括一级风险指标和二级风险指标，所述一级风险指标包括宏观经济指标、证券市场指标、个人投资者情绪指标和对外经济指标，所述宏观经济指标对应的二级风险指标包括m2增长率、m2供给量/gdp、gdp增长率、cpi当月同比和ppi当月同比，所述证券市场指标对应的二级风险指标包括股市总值/gdp、基金市场规模增长率、平均市盈率、股票成交额同比增速和上市公司总市值同比增速，所述个人投资者情绪指标对应的二级风险指标包括换手率和新增投资者活跃度，所述对外经济指标对应的二级风险指标包括短期外债/外汇储备、外汇储备增长率和国内外黄金价格均值偏离度。
12.进一步的，风险评测建模单元将处理后的二级风险指标数据作为所述支持向量机的输入值，将所述二级风险指标数据对应的证券投资风险标签作为输出值，从而得到证券投资风险评测模型。
13.进一步的，风险评测建模单元选用引力搜索算法优化所述支持向量机的参数，所述参数包括支持向量机的惩罚因子和核函数参数。
14.进一步的，在风险评测建模单元采用的引力搜索算法中，设置采用下列步骤对种群中的粒子进行更新：
15.步骤(1)：在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中的粒子进行区域划分；
16.步骤(2)：在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式。
17.进一步的，在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中粒子进行区域划分，具体为：
18.给定t时刻的区域划分值d(t)，设置d(t)的值为：其中，xz(t)表示种群中粒子z在t时刻的位置，x
z,1
(t)表示当前种群中距离粒子z最近的粒子的位置，n表示种群中的粒子总数，设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，则区域ωr(t)中包含的粒子采用下列步骤在搜索空间中确定：
19.步骤(1)：在种群中未划分区域的粒子中选取区域ωr(t)的起始粒子：令p
′
(t)表示t时刻种群中已经划分区域的粒子集合，p
″
(t)表示t时刻种群中未划分区域的粒子集合，计算集合p
″
(t)中各粒子在t时刻的区域代表性系数：设s∈p
″
(t)，定义qs(t)表示集合p
″
(t)中粒子s在t时刻的区域代表性系数，则qs(t)的计算公式为：其中，k
sa
(t)为t时刻用于粒子s和粒子a之间的位置判断函数，且xs(t)和xa(t)分别用于表示粒子s和粒子a在t时刻的位置，n
″
p
(t)表示集合p
″
(t)中粒子的总数；
20.在当前集合p
″
(k)中选取具有最大区域代表性系数的粒子为区域ωr(t)的起始粒子，或者当集合p
″
(t)中粒子的区域代表性系数都相同时，则在集合p
″
(t)中随机选取一个粒子作为区域ωr(t)的起始粒子，并将选取的起始粒子加入区域ωr(t)中；
21.步骤(2)：继续在种群中未划分区域的粒子中选取粒子加入区域ωr(t)中：当集合p
″
(t)中存在粒子和区域ωr(t)的起始粒子之间的欧式距离小于等于d(t)时，则将该粒子
加入区域ωr(t)中，当集合p
″
(t)中粒子和区域ωr(t)的起始粒子之间的欧式距离都大于d(t)时，则停止在种群未划分区域的粒子中选取粒子加入区域ωr(t)中，此时，区域ωr(t)中的粒子即为区域ωr(t)最终所包含的粒子，连接区域ωr(t)所包含粒子中的最外围粒子所形成的区域即为ωr(t)的区域范围；
22.当此时集合p
″
(t)中仍然存在未划分区域的粒子时，则继续采用步骤(1)和步骤(2)中的方式对种群中未划分区域的粒子进行区域划分，从而获得第(r+1)个区域，当此时集合p
″
(t)中不存在未划分区域的粒子时，则停止对搜索空间中粒子进行区域划分。
23.进一步的，在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式，具体为：
24.(1)在各区域中选取部分粒子进行(t+1)时刻的全局预更新：设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，nr(t)表示区域ωr(t)中的粒子数，则在区域ωr(t)中随机选取个粒子采用下列方式进行(t+1)时刻的全局预更新：
[0025][0026][0027]
其中，设i∈ωr(t)，和分别用于表示粒子i在(t+1)时刻在第k维度的位置和速度，设xi(t+1)表示粒子i在(t+1)时刻的位置，则(t+1)表示粒子i在(t+1)时刻的位置，则其中，和分别用于表示粒子i在(t+1)时刻在第1维度、第2维度和第d维度的位置，d表示搜索空间的维度，和分别用于表示粒子i在t时刻在第k维度的位置和速度，randi为随机产生的一个[0,1]范围内的随机数，表示粒子i在t时刻在第k维度的加速度，且mi(t)表示t时刻粒子i的惯性质量，表示粒子i在t时刻在第k维度上受种群中其他粒子的引力合力，且rand
l
为随机产生的一个[0,1]范围内的随机数，n表示种群中的粒子数，表示t时刻粒子i在第k维度上受到粒子l的引力，且表示t时刻粒子i在第k维度上受到粒子l的引力，且g(t)表示t时刻的万有引力常数，m
l
(t)表示粒子l在t时刻的惯性质量，r
il
(t)表示t时刻粒子i和粒子l之间的欧式距离，ε为一个常数，用于保证分母不为0，表示粒子l在t时刻在第k维度的位置；
[0028]
(2)根据全局预更新结果确定各区域中剩余粒子的更新方式：令l
′r(t)表示区域ωr(t)中进行了(t+1)时刻全局预更新的粒子集合，l
″r(t)表示区域ωr(t)中未进行(t+1)时刻全局预更新的粒子集合，设n
″r(t)表示集合l
″r(t)中的粒子数，当n
″r(t)》0时，定义u
′r(t)为区域ωr(t)中粒子的全局预更新收益值，将u
′r(t)的计算公式设置为：
[0029][0030]
在上述计算公式中，hb(t+1)为用于粒子b在(t+1)时刻的寻优判断函数，且其中，fitb(t+1)和fitb(t)分别用于表示粒子b在(t+1)和t时刻的适应度值，n
′r(t)表示集合l
′r(t)中的粒子数，hg(t+1)为用于粒子g在(t+1)时刻的寻优判断函数，且其中，fitg(t+1)和fitg(t)分别用于表示粒子g在(t+1)和t时刻的适应度值，xb(t+1)和xg(t+1)分别用于表示粒子b和粒子g在(t+1)时刻的位置，d
′r(t)表示集合l
′r(t)中粒子在进行了(t+1)时刻全局预更新后的最大欧式距离，且d
′r(t)＝max
b≠g
|xb(t+1)-xg(t+1)|，n(t)表示t时刻对搜索空间中粒子进行区域划分所得的区域总数；
[0031]
根据全局预更新收益值u
′r(t)设置区域ωr(t)中未进行(t+1)时刻全局预更新粒子采用下列方式进行(t+1)时刻的更新：
[0032][0033][0034]
在上式中，设j∈ωr(t)且j∈l
″r(t)，和分别用于表示粒子j在(t+1)时刻在第k维度的位置和速度，和分别用于表示粒子j在t时刻在第k维度的位置和速度，为带有区域寻优调节系数的粒子j在t时刻在第k维度的加速度，将的值设置为：mj(t)表示t时刻粒子j的惯性质量，为带有区域寻优调节系数的粒子j在t时刻在第k维度上受种群中其他粒子的引力合力，且其中，为带有区域寻优调节系数的t时刻粒子j在第k维度上受到粒子l的引力，且为带有区域寻优调节系数的t时刻粒子j在第k维度上受到粒子l的引力，且其中，ρ
jl
(t)表示t时刻粒子l相较于粒子j的区域寻优调节系数，设置ρ
jl
(t)的值为：δj(t)表示t时刻粒子j的区域寻优调节系数，设置δj(t)的值为：其中，u
′
(t)为给定的t时刻的全局预更新收益阈值，u
′
(t)的值可以取0.4，βj(t)表示粒子j在t时刻的区域吸引强度系数，β
l
(t)表示粒子l在t时刻的区域吸引强度系数，βz(t)表示种群中粒子z在t时刻的区域吸引强度系数，表示t时刻种群中粒子的区域吸引强度系数的均值，因为j∈ωr(t)，则βj(t)的值采用下列方式获得：
[0035]
令ω
r,1
(t)表示当前搜索空间中距离区域ωr(t)最近并且区域适应度值均值大于区域ωr(t)的适应度值均值的区域，dr(t)表示区域ωr(t)的区域检测半径，设置其中，xr(t)表示区域ωr(t)的起始粒子的位置，xe(t)表示粒子e在t时刻的位置，设ω
′r(t)表示区域ωr(t)的局部待检测区域，将ω
′r(t)的区域范围设置为以位置xr(t)为圆心、以dr(t)为半径的圆形区域，则(t)为半径的圆形区域，则其中，设p为种群中进行了(t+1)时刻全局预更新的粒子，n
′
(t)表示种群中进行了(t+1)时刻全局预更新的粒子总数，η
pr
(t+1)为用于粒子p的区域判断函数，且x
p
(t+1)用于表示粒子p在(t+1)时刻的位置，fit
p
(t+1)表示粒子p在(t+1)时刻的适应度值，表示区域ωr(t)的适应度值均值，且fiti(t)表示粒子i在t时刻的适应度值；
[0036]
β
l
(t)和βz(t)的值同样按照上述计算βj(t)的值的方式计算得到
[0037]
与现有技术相比，本发明的优点在于：
[0038]
1)选择支持向量机构建证券投资风险评测模型，用于对证券投资风险进行分析和评估，从而可以根据风险评测结果及时调整风险规避对策，帮助证券投资人以及证券投资管理者有效降低证券投资的风险；
[0039]
2)为了进一步提高证券投资风险评测结果的准确性，采用引力搜索算法对所述支持向量机的参数进行优化，并提出一种新的更新机制用于本发明采用的引力搜索算法，从而提高引力搜索算法确定的支持向量机的参数的精度，即进一步提高了证券投资风险评测结果的准确性，从而使得本发明基于支持向量机构建的证券投资风险评测模型相较于现有技术具有较高的预测精度。
附图说明
[0040]
图1为本发明系统的总体实现框图。
具体实施方式
[0041]
以下结合附图实施例对本发明作进一步详细描述。
[0042]
本发明提出一种基于区块链和大数据的证券投资智能评测系统，包括风险指标确定模块、智能化参数设置模块、风险指标数据采集模块、区块链模块、智能评测建模模块和证券投资智能评测模块；
[0043]
风险指标确定模块用于确定用于评估证券投资风险的风险指标；
[0044]
智能化参数设置模块用于设置风险指标数据采集模块采集的风险指标数据的时间段；
[0045]
风险指标数据采集模块用于采集智能化参数设置模块设置的时间段内带有证券
投资风险标签的风险指标数据，并将采集的风险指标数据发送至区块链模块进行存储；
[0046]
智能评测建模模块包括风险指标数据管理单元和风险评测建模单元，风险指标数据管理单元通过调取区块链模块中的风险指标数据进行量化和归一化处理后作为风险评测建模单元的样本数据，风险评测建模单元选择支持向量机对风险指标数据进行证券投资风险分析，将处理后的风险指标数据作为所述支持向量机的输入值，将风险指标数据带有的证券投资风险标签作为所述支持向量机的输出值，从而得到证券投资风险评测模型；
[0047]
证券投资智能评测模块利用构建好的证券投资风险评测模型，向证券投资风险评测模型输入证券的风险指标数据，从而获得所述证券的投资风险。
[0048]
优选的，所述用于评估证券投资风险的风险指标包括一级风险指标和二级风险指标，所述一级风险指标包括宏观经济指标、证券市场指标、个人投资者情绪指标和对外经济指标，所述宏观经济指标对应的二级风险指标包括m2增长率、m2供给量/gdp、gdp增长率、cpi当月同比和ppi当月同比，所述证券市场指标对应的二级风险指标包括股市总值/gdp、基金市场规模增长率、平均市盈率、股票成交额同比增速和上市公司总市值同比增速，所述个人投资者情绪指标对应的二级风险指标包括换手率和新增投资者活跃度，所述对外经济指标对应的二级风险指标包括短期外债/外汇储备、外汇储备增长率和国内外黄金价格均值偏离度。
[0049]
优选的，风险评测建模单元将处理后的二级风险指标数据作为所述支持向量机的输入值，将所述二级风险指标数据对应的证券投资风险标签作为输出值，从而得到证券投资风险评测模型。
[0050]
优选的，风险指标数据对应的证券投资风险标签可以设置为高风险、中等风险和低风险。
[0051]
本发明选择支持向量机构建证券投资风险评测模型，用于对证券投资风险进行分析和评估，从而可以根据证券投资风险评测结果及时调整风险规避对策，帮助证券投资人以及证券投资管理者有效降低证券投资的收益风险。
[0052]
优选的，为了进一步提高证券投资风险评测结果的准确性，风险评测建模单元利用引力搜索算法优化所述支持向量机的参数，所述参数包括支持向量机的惩罚因子和核函数参数，设置引力搜索算法中粒子的适应度值越高，代表该粒子的寻优结果越好。
[0053]
优选的，在风险评测建模单元采用的引力搜索算法中，设置粒子采用下列步骤对种群中的粒子进行更新：
[0054]
步骤(1)：在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中的粒子进行区域划分；
[0055]
步骤(2)：在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式。
[0056]
优选的，在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中的粒子进行区域划分，具体为：
[0057]
给定t时刻的区域划分值d(t)，设置d(t)的值为：其中，xz(t)表示种群中粒子z在t时刻的位置，x
z,1
(t)表示当前种群中距离粒子z最近的粒子的位置，n表示种群中的粒子总数，设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的
第r个区域，则区域ωr(t)中包含的粒子采用下列步骤在搜索空间中确定：
[0058]
步骤(1)：在种群中未划分区域的粒子中选取区域ωr(t)的起始粒子：令p
′
(t)表示t时刻种群中已经划分区域的粒子集合，p
″
(t)表示t时刻种群中未划分区域的粒子集合，计算集合p
″
(t)中各粒子在t时刻的区域代表性系数：设s∈p
″
(t)，定义qs(t)表示集合p
″
(t)中粒子s在t时刻的区域代表性系数，则qs(t)的计算公式为：其中，k
sa
(t)为t时刻用于粒子s和粒子a之间的位置判断函数，且xs(t)和xa(t)分别用于表示粒子s和粒子a在t时刻的位置，n
″
p
(t)表示集合p
″
(t)中粒子的总数；
[0059]
在当前集合p
″
(t)中选取具有最大区域代表性系数的粒子为区域ωr(t)的起始粒子，或者当集合p
″
(t)中粒子的区域代表性系数都相同时，则在集合p
″
(t)中随机选取一个粒子作为区域ωr(t)的起始粒子，并将选取的起始粒子加入区域ωr(t)中；
[0060]
步骤(2)：继续在种群中未划分区域的粒子中选取粒子加入区域ωr(t)中：当集合p
″
(t)中存在粒子和区域ωr(t)的起始粒子之间的欧式距离小于等于d(t)时，则将该粒子加入区域ωr(t)中，当集合p
″
(t)中粒子和区域ωr(t)的起始粒子之间的欧式距离都大于d(t)时，则停止在种群未划分区域的粒子中选取粒子加入区域ωr(k)中，此时，区域ωr(t)中的粒子即为区域ωr(t)最终所包含的粒子，连接区域ωr(t)所包含粒子中的最外围粒子所形成的区域即为ωr(t)的区域范围；
[0061]
当此时集合p
″
(t)中仍然存在未划分区域的粒子时，则继续采用步骤(1)和步骤(2)中的方式对种群中未划分区域的粒子进行区域划分，从而获得第(r+1)个区域，当此时集合p
″
(t)中不存在未划分区域的粒子时，则停止对搜索空间中粒子进行区域划分。
[0062]
优选的，在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式，具体为：
[0063]
(1)在各区域中选取部分粒子进行(t+1)时刻的全局预更新：设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，nr(t)表示区域ωr(t)中的粒子数，则在区域ωr(t)中随机选取个粒子采用下列方式进行(t+1)时刻的全局预更新：
[0064][0065][0066]
其中，设i∈ωr(t)，和分别用于表示粒子i在(t+1)时刻在第k维度的位置和速度，设xi(t+1)表示粒子i在(t+1)时刻的位置，则(t+1)表示粒子i在(t+1)时刻的位置，则其中，xi1t+1、xi2t+1和xidt+1分别用于表示粒子i在(t+1)时刻在第1维度、第2维度和第d维度的位置，d表示搜索空间的维度，和分别用于表示粒子i在t时刻在第k维度的位置和速度，randi为随机产生的一个[0,1]范围内的随机数，表示粒子i在t时刻在第k维度的加速度，且mi(t)表示t时刻粒子i
的惯性质量，表示粒子i在t时刻在第k维度上受种群中其他粒子的引力合力，且rand
l
为随机产生的一个[0,1]范围内的随机数，n表示种群中的粒子数，表示t时刻粒子i在第k维度上受到粒子l的引力，且g(t)表示t时刻的万有引力常数，m
l
(t)表示粒子l在t时刻的惯性质量，r
il
(t)表示t时刻粒子i和粒子l之间的欧式距离，ε为一个常数，用于保证分母不为0，表示粒子l在t时刻在第k维度的位置；
[0067]
(2)根据全局预更新结果确定各区域中剩余粒子的更新方式：令l
′r(t)表示区域ωr(t)中进行了(t+1)时刻全局预更新的粒子集合，l
″r(t)表示区域ωr(t)中未进行(t+1)时刻全局预更新的粒子集合，设n
″r(t)表示集合l
″r(t)中的粒子数，当n
″r(t)》0时，定义u
′r(t)为区域ωr(t)中粒子的全局预更新收益值，将u
′r(t)的计算公式设置为：
[0068][0069]
在上述计算公式中，hb(t+1)为用于粒子b在(t+1)时刻的寻优判断函数，且其中，fitb(t+1)和fitb(t)分别用于表示粒子b在(t+1)和t时刻的适应度值，n
′r(t)表示集合l
′r(t)中的粒子数，hg(t+1)为用于粒子g在(t+1)时刻的寻优判断函数，且其中，fitg(t+1)和fitg(t)分别用于表示粒子g在(t+1)和t时刻的适应度值，xb(t+1)和xg(t+1)分别用于表示粒子b和粒子g在(t+1)时刻的位置，d
′r(t)表示集合l
′r(t)中粒子在进行了(t+1)时刻全局预更新后的最大欧式距离，且d
′r(t)＝max
b≠g
|xb(t+1)-xg(t+1)|，n(t)表示t时刻对搜索空间中粒子进行区域划分所得的区域总数；
[0070]
根据全局预更新收益值u
′r(t)设置区域ωr(t)中未进行(t+1)时刻全局预更新粒子采用下列方式进行(t+1)时刻的更新：
[0071][0072][0073]
在上式中，设j∈ωr(t)且j∈l
″r(t)，和分别用于表示粒子j在(t+1)时刻在第k维度的位置和速度，和分别用于表示粒子j在t时刻在第k维度的位置和速度，为带有区域寻优调节系数的粒子j在t时刻在第k维度的加速度，将的值设置为：mj(t)表示t时刻粒子j的惯性质量，为带有区域寻优调节系数的粒子j在t时刻在第k维度上受到种群中其他粒子的引力合力，且
其中，为带有区域寻优调节系数的t时刻粒子j在第k维度上受到粒子l的引力，且上受到粒子l的引力，且其中，ρ
jl
(t)表示t时刻粒子l相较于粒子j的区域寻优调节系数，δj(t)表示t时刻粒子j的区域寻优调节系数，u
′
(t)为给定的t时刻的全局预更新收益阈值，u
′
(t)的值可以取0.4，当u
′r(t)≥u
′
(t)时，表明区域ωr(t)中采用传统更新方式进行全局预更新的粒子能够获得较优寻优结果的同时，这些较优寻优结果之间也具有较高的多样性，此时，令ρ
jl
(t)＝1，δj(t)＝1，即令该区域中剩余部分粒子继续按照原有全局更新方式进行寻优，从而对搜索空间进行更好的开发，当u
′r(t)《u
′
(t)时，表明区域ωr(t)中进行了全局预更新的部分寻优粒子获得了较差的寻优结果，或者区域ωr(t)中进行了全局预更新的部分寻优粒子获得了较好的寻优结果，但这些较优结果之间的多样性较差，此时，令其中，βj(t)表示粒子j在t时刻的区域吸引强度系数，β
l
(t)表示粒子l在t时刻的区域吸引强度系数，βz(t)表示种群中粒子z在t时刻的区域吸引强度系数，表示t时刻种群中粒子的区域吸引强度系数的均值，因为j∈ωr(t)，βj(t)的值可以采用下列方式获得：
[0074]
令ω
r,1
(t)表示当前搜索空间中距离区域ωr(t)最近并且区域适应度值均值大于区域ωr(t)的适应度值均值的区域，dr(t)表示区域ωr(t)的区域检测半径，设置其中，xr(t)表示区域ωr(t)的起始粒子的位置，xe(t)表示粒子e在t时刻的位置，设ω
′r(t)表示区域ωr(t)的局部待检测区域，将ω
′r(t)的区域范围设置为以位置xr(t)为圆心、以dr(t)为半径的圆形区域，则(t)为半径的圆形区域，则其中，设p为种群中进行了t+1时刻全局预更新的粒子，n
′
t表示种群中进行了(t+1)时刻全局预更新的粒子总数，η
pr
(t+1)为用于粒子p的区域判断函数，且x
p
(t+1)用于表示粒子p在(t+1)时刻的位置，fit
p
(t+1)表示粒子p在(t+1)时刻的适应度值，表示区域ωr(t)的适应度值均值，且fiti(t)表示粒子i在t时刻的适应度值；
[0075]
β
l
(t)和βz(t)的值同样按照上述计算βj(t)的值的方式计算得到。
[0076]
本发明的风险评测建模单元采用引力搜索算法对支持向量机的参数进行寻优，并提出一种新的更新机制用于本发明的引力搜索算法中，从而提高引力搜索算法确定的支持向量机的参数的准确度，进而提高基于支持向量机建立的证券投资风险评测模型的输出结果的准确度。在现有引力搜索算法中，粒子通过向种群中所有其他粒子当前的寻优结果进行学习，从而获得下一时刻的更新，这种学习机制使得引力搜索算法具有较强的全局寻优能力，但是也使得引力搜索算法相较于其他寻优算法具有较低的寻优精度和易陷入局部最优的缺陷，并且这种全局学习机制使得种群当前的寻优结果直接影响着下一时刻的寻优结果，即在当前的寻优结果并不能带领种群中粒子获得较好的寻优结果时，传统的全局学习
机制缺乏自适应性，并不能带领种群克服现有的寻优缺陷，从而易陷入局部最优或者具有较低的寻优精度。针对上述缺陷，本实施例在保留现有引力搜索算法的全局寻优优势的基础上提出一种新的粒子更新机制，该种寻优机制设置种群中部分粒子采用传统更新方式进行全局预更新，即种群当前的寻优结果仅直接影响着种群中部分粒子的寻优结果，而剩余部分粒子同时根据种群当前的寻优结果和部分粒子下一时刻的全局预更新结果确定下一时刻的更新方式，从而可以自适应的弥补种群当前存在的寻优缺陷，并且能够有效的加强种群的局部寻优精度，具体的，在种群中粒子完成每次更新后，将搜索空间中粒子进行区域划分，划分完成后处于一个区域中的粒子拥有相似的搜索结果，并且受种群中其他粒子的引力也相似，因此，在各区域中选取部分粒子采用现有更新方式进行全局预更新，从而能够保证搜索空间中各区域都有粒子采用传统全局更新方式进行更新，即保证了种群的全局寻优能力。对各区域中粒子的全局预更新的更新结果进行检测，当区域中进行了全局预更新的部分粒子获得了较优的寻优结果并且这些较优结果之间的多样性较好时，则令该区域中剩余部分粒子继续按照原有全局更新方式进行寻优，从而能够对搜索空间进行更好的开发，而当区域中进行了全局预更新的部分寻优粒子获得了较差的寻优结果，则表明采用传统的全局更新方式在现有寻优环境中并不能得到较好的寻优结果，另一种情况，当该区域中进行了全局预更新的部分寻优粒子获得了较好的寻优结果，但这些较优结果之间的多样性较差时，如果继续采用传统的全局更新方式将造成不必要的重复寻优，因此，在这两种情况下，令各区域中剩余的部分粒子主要用于弥补种群在下一时刻对搜索空间中部分区域寻优的不足，从而加强种群的寻优精度，通过区域寻优调节系数控制所述剩余粒子用于在下一时刻加强搜索空间的寻优精度，区域寻优调节系数中的区域吸引强度系数通过检测粒子的局部较优区域在全局预更新过程中对种群中粒子的实际吸引成功率来判断该区域在传统寻优方式下在下一时刻对种群中粒子的实际吸引能力，粒子的区域吸引强度系数越高，表明粒子的局部较优区域在下一时刻将吸引种群中越多的粒子对该区域进行较为精细的搜索，因此，剩余粒子的局部吸引强度系数值在引力计算公式的分母中的作用为：在所述剩余粒子的局部较优区域在下一次更新时将吸引较少粒子的情况下加强所述剩余粒子对其自身局部较优区域的寻优，或者在所述剩余粒子的局部较优区域在下一次更新时将吸引较多粒子进行较为精细搜索的情况下加强所述剩余粒子对其他局部较优区域的寻优，同样的，所述其他粒子的区域吸引度强度系数在引力计算公式的分子中的作用为：相较于所述剩余粒子，在所述其他粒子的局部较优区域在下一次更新时将吸引较少粒子的情况下加强所述剩余粒子对该局部较优区域的精细寻优，或者在所述其他粒子的局部较优区域在下一次更新时将吸引较多粒子进行较为精细的搜索的情况下减小所述剩余粒子对该局部较优区域的寻优，从而加强搜索空间中其他局部较优区域的寻优精度。即新的更新机制在保证引力搜索算法的全局寻优能力的情况下提高了种群对搜索空间的寻优精度，进而提高确定的支持向量机参数的准确性。
[0077]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所述权利要求及其等同物限定。