基于深度学习的银行间债券市场异常交易行为检测

银行间债券市场作为金融市场重要组成部分,发挥着传导货币政策、提升资本流动性的作用.对市场异常交易行为的检测是保障银行间债券市场健康平稳运行、提升防范金融风险水平的有效手段.因此,提出一种基于网络嵌入和深度学习的异常交易行为检测方法,能有效检测出规则未知的异常交易行为.该方法结合交易网络的特点,采用一种面向时序属性网络的...     

从复杂网络视角分析系统性风险:综述和展望

随着现代金融业的迅猛发展, 由多个金融主体形成的网络复杂程度不断加深, 发生系统性风险的概率明显上升. 利用复杂网络理论研究金融市场的网络拓扑结构及演化过程, 对系统性风险的测度、传染及防范具有重要作用. 首先, 阐明了系统性风险的内涵、成因与特性, 介绍了研究系统性风险的常用指标和复杂网络模型, 指出了系统性风险在金融网络中的重要影响; 其次, 基于金融机构之间的关联性归纳了构建网络模型的算法和系统性风险的测度方法, 对比分析了各自的基本特征、优势、局限性及应用; 然后, 剖析了系统性风险在网络结构下的传染效应; 最后, 基于复杂网络视角对系统性风险的难点问题进行了展望, 以期为相关研究提供参考.     

基于网络阻塞传染路径的关键阻塞结点确定

一、引言故障有传染现象,网络阻塞同样有传染现象。网络单元的故障可以引起网络阻塞,而网络的阻塞决不仅由故障引起。由于网络状态与网络上运行的业务及特征有很强的相关性,而业务特性,特别是流量,具有很强的随机性,因此由业务特性变化引起的网络阻塞是一种动态随机现象,具有一定的时效性。为此可将阻塞分为如下两类: 1.静态阻塞主要由于网络单元的物理故障或系统软件故障所引起的通信中断或通信能力的下降。一般说来,这类故障具有固定的表现,由此引起的故障特征必然包含该网络网元的特征,且该网元导致了阻塞及扩散现象。     

复杂网络上带有直接免疫的SIRS类传染模型研究

在SIRS(susceptible-infected-removed-susceptible)模型基础上,提出一个带有直接免疫的SIRS类传染模型.利用平均场理论,分析得到该传播模型的传染临界阈值主要与网络拓扑结构、直接免疫速率和免疫丧失速率有关.理论分析和数值仿真表明,直接免疫作用可以增大复杂网络上疾病传播的临界阈值、降低传染性疾病的传播范围,从而有效控制疾病在复杂网络上传播.     

基于多视图集成的网络表示学习算法

现有的网络表示学习算法主要为基于浅层神经网络的网络表示学习和基于神经矩阵分解的网络表示学习。基于浅层神经网络的网络表示学习又被证实是分解网络结构的特征矩阵。另外,现有的大多数网络表示学习仅仅从网络的结构学习特征,即单视图的表示学习;然而,网络本身蕴含有多种视图。因此,文中提出了一种基于多视图集成的网络表示学习算法(MVENR)。该算法摈弃了神经网络的训练过程,将矩阵的信息融合和分解思想融入到网络表示学习中。另外,将网络的结构视图、连边权重视图和节点属性视图进行了有效的融合,弥补了现有网络表示学习中忽略了网络连边权重的不足,解决了基于单一视图训练时网络特征稀疏的问题。实验结果表明,所提MVENR算法的性能优于网络表示学习中部分常用的联合学习算法和基于结构的网络表示学习算法,是一种简单且高效的网络表示学习算法。     

基于复杂网络的风险传播模型及有效算法

提出一种基于复杂网络的风险传播模型及有效算法,通过结合复杂网络中传播蔓延现象的推广模型,将风险传播模型划分为两种：主动型风险传播模型与被动型风险传播模型。并对已有风险传播算法进行改进,实验表明,该模型及算法能健全风险传播机制,提高传播速度与精确度。     

复杂网络上带直接免疫及传染媒介的SIRS模型

复杂网络模拟实际系统时,常采用带有直接免疫的传染模型或带传染媒介的传染模型。这些模型只侧重实际系统的某一方面的因素。针对这一不足,提出一个新的SIRS类传染病模型,即带有传染媒介和直接免疫的SIRS模型。利用平均场理论建立相应的常微分方程系统,并讨论该类系统的传播动力学行为。研究结果表明,均匀网络情况下,该模型存在一个有限的传播阈值,并且传染媒介也会加速疾病的传播;非均匀网络情形时,传播阈值主要与网络的拓扑结构有关。     

基于网络编码的传染路由协议性能

针对传染路由(ER)网络中容易出现多种通信半径的通信节点,导致网络性能不稳定的问题,提出了一种网络编码与传染路由相结合的网络模型。该模型在经典传染路由中结合网络编码的方式进行数据传输,并且为了对改进后的网络性能进行有效地评估,为传染路由网络中的传输时延建立了概率模型。使用该概率模型对网络进行评估的结果显示,在多种传输环境下与经典传染路由相比,基于网络编码的传染路由(NCER)具有高效、稳定的优点,并于离散事件仿真实验结果中得到了验证。最后,根据该概率模型的评估结果,提出了一种进一步降低网络传输时延的方案。     

融合多粒度社区信息的网络嵌入方法

现有大多数网络嵌入方法仅保留了网络的局部结构信息,而忽略了网络中的其他潜在信息.为了保留网络的社区信息,并体现网络社区结构的多粒度特性,提出一种融合多粒度社区信息的网络嵌入方法(EMGC).首先,获得网络的多粒度社区结构,并初始化节点嵌入和社区嵌入;然后,根据上一粒度上的节点嵌入和本层粒度的社区结构,更新社区嵌入,进而...     

基于复杂网络的非对称交互效应下项目组合风险优化

针对交互效应下的项目组合风险优化问题,以项目间风险具有的非对称交互效应为前提,投资额占比为组合权重,构建基于复杂网络具有非对称交互效应的多项目组合风险优化模型,采用项目重要性指标评价对项目在组合网络中的重要性进行排序,依据项目综合成功概率大小及其对其余项目的交互效应影响程度进行优化,得到风险最小的最优项目组合,利用Matlab编程实现,印证了模型的有效性。     

基于agent的多重社会网络中破产传染模型研究

社会网络中的信息扩散是目前国际上关注的研究方向,而破产传染作为社会金融中一类特殊而又重要的传播现象,也是当前社会经济领域非常关心的问题.然而,已有的金融传播研究中通常只基于单层的交互关系来分析传播行为,忽略了真实金融主体之间多重社会关系的交叉性.针对该问题,基于多智能体对多重社会网络中的破产传染现象进行建模,构建了纵向复合和并行独立多重网络传染模型,前者关注不同关系网络层次之间的跨层间影响,后者偏重于单层网络的独立性和并行性.设置不同的约束条件,对比实验了两种模型不同的传染效果特征.实验结果揭示了两种模型不同的适用范围:模型选择应由实验目标是否存在明显的不同社会网络层次间的相互影响决定,纵向复合多重网络破产传染模型更适用于社会网络层次之间间接影响明显的环境.     

基于神经网络模型的网络借贷高危企业信用风险的识别研究

网络借贷的飞速发展在一定程度上缓解了小微型企业融资难的问题,但也暴露出网络借贷平台信用风险的识别问题。为充分识别高危网贷企业的特征,以中小型网贷企业为样本,通过指标筛选,挑选出与风险识别相关度较高的指标作为指标变量。并利用BP神经网络算法模型得出高危网贷企业在不同条件下的信用风险识别率和信用风险分类正确率。实验结果表明,高危网贷企业的信用风险具有高度识别性,高召回率、高正确率的特点。     

基于多重注意力机制的图神经网络股市波动预测方法

股票市场是金融市场关键组成部分,因此对股票市场波动的研究对合理化控制金融市场风险、提高投资收益提供了重要支持,一直以来都是学术界和相关业界的关注焦点,然而,股票市场会受到各种因素的影响。面对股票市场中多源化、异构化的信息,如何高效挖掘、融合股票市场的多源异构数据具有挑战性。为了充分解释不同信息及信息间相互作用对于股票市场价格波动的影响,提出一种基于多重注意力机制的图神经网络来预测股票市场的价格波动。首先,引入关系维度构建股票市场交易数据和新闻文本的异构子图,并利用多重注意力机制实现图数据的融合;其次,通过图神经网络门控循环单元（GRU）进行图分类,在此基础上完成对股票市场中上证综合指数、沪深300指数、深证成份指数这三个重要指数波动的预测。实验结果表明,从异构信息特性角度,相较于股票市场交易数据,股市新闻信息对于股票价格影响存在滞后性;从异构信息融合角度,所提方法与支持向量机（SVM）、随机森林、多核k-means （MKKM）聚类等算法相比,预测准确率分别提升了17.88个百分点、30.00个百分点和38.00个百分点,并进行了模型交易策略的量化投资模拟。     

最小总风险准则的贝叶斯网络个人信用评估模型*

将最小总风险准则MOR与贝叶斯网络分类器相结合,提出了一种新型信用评估模型。在两个真实数据集上以MOR用10层交叉验证对贝叶斯网络信用评估模型进行了测试,并与最小错误概率准则MPE的贝叶斯网络分类器的结果进行了对比。结果表明,基于MOR的贝叶斯网络分类模型可以有效地减小信用评估风险。     

基于GARCH-VaR模型的股票流动性风险度量

在原有流动性风险研究的基础上,充分考虑股票市场异质性,对流动性指标数据进行了最大重复离散小波变换（MODWT）,然后运用GARCH-VaR模型分别计算各尺度上的VaR值,并对其进行了有效性检验。通过对各尺度VaR值的统计结果进行分析,验证所投资市场资本规模对风险容纳能力的不同以及长期投资者与短期投资者面对的不同流动性压力。     

Topology-aware virtual network embedding based on closeness centrality

Network virtualization aims to provide a way to overcome ossification of the Internet. However, making efficient use of substrate resources requires effective techniques for embedding virtual networks: mapping virtual nodes and virtual edges onto substrate networks. Previous research has presented several heuristic algorithms, which fail to consider that the attributes of the substrate topology and virtual networks affect the embedding process. In this paper, for the first time, we introduce complex network centrality analysis into the virtual network embedding, and propose virtual network embedding algorithms based on closeness centrality. Due to considering of the attributes of nodes and edges in the topology, our studies are more reasonable than existing work. In addition, with the guidance of topology quantitative evaluation, the proposed network embedding approach largely improves the network utilization efficiency and decreases the embedding complexity. We also investigate our algorithms on real network topologies (e.g., AT&T, DFN) and random network topologies. Experimental results demonstrate the usability and capability of the proposed approach.     

基于股票市场灵敏度分析的神经网络预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,建立基于股票市场灵敏度分析的神经网络预测模型。针对神经网络结构设计问题,计算网络输入层与隐层神经元的灵敏度,并修剪网络中不敏感的神经元,在保证模型泛化能力的同时,实现网络结构精简;针对神经网络黑箱问题,根据输入层神经元灵敏度解决各输入变量对股票市场的重要性和反馈机制。以上证指数为例,在不同的时间跨度下对股票市场运行规律进行学习,并分析不同结构修剪模型的适用性和市场意义。最后,通过与其他神经网络预测模型比较,验证本文模型的有效性。     

基于Agent的我国股票市场卖空机制仿真研究

针对我国股市现有的卖空约束缺陷,用复杂适应系统的思想和方法分析股市的复杂性,运用Swarm平台,构建基于Agent的直接计算机模型。设定模型由“交易事件”驱动,给定Agent理性和非理性的行为规则,让Agent通过对有关数据分析后建立有偏预期或无偏预期的交易策略,从而导致资产价格和交易量的变化,以此分析引入卖空机制对股市的影响。仿真模拟表明,卖空机制可以把价格风险降低,增加市场的流动性,对改变股市的资产结构有积极影响,成为投资者和市场规避风险的工具。     

基于社区优化的深度网络嵌入方法

随着现代网络通信和社会媒体等技术的飞速发展,网络化的大数据由于缺少高效可用的节点表示而难以应用。将高维稀疏难于应用的网络数据转化为低维、紧凑、易于应用的节点表示的网络嵌入方法受到广泛关注。然而已有网络嵌入方法得到节点低维特征向量后,再将其作为其他应用（节点分类、社区发现、链接预测、可视化等）的输入来作进一步分析,没有针对具体应用构建模型,难以取得满意的结果。针对网络社区发现这一具体应用,提出结合社区结构优化进行节点低维特征表示的深度自编码聚类模型CADNE。首先基于深度自编码模型,通过保持网络局部及全局链接的拓扑特性来学习节点的低维表示,然后利用网络聚类结构对节点低维表示进一步优化。该方法同时学习节点的低维表示和节点所属社区的指示向量,使节点的低维表示不仅能保持原始网络结构中的拓扑结构特性,而且能保持节点的聚类特性。与已有的经典网络嵌入方法进行对比,结果显示CADNE模型在Citeseer和Cora上取得最优聚类结果,在20NewsGroup上准确率提升最高达0.525;分类性能在Blogcatalog、Citeseer数据集上取得最好结果,在Blogcatalog上训练比例20%时比基线方法提升最高达0.512;并且CADNE模型在可视化对比中能够得到类边界更加清晰的节点低维表示,验证了所提方法具有较好的节点低维表示能力。     

一种基于复杂网络的网络安全态势预测机制

针对现有态势预测方法大都是对态势值的预测,并未揭示网络态势要素动力学特征的问题,提出了一种基于复杂网络的网络安全态势预测机制,可方便而又直观地追溯安全态势中数值波动的动力学特征.其次在该机制中提出基于复杂网络的马尔可夫预测方法,实现对安全状态的有效预测.通过仿真实验分析,该机制在一定程度上能突出系统的本质行为,且能较准确地预测未来的安全状态.